Des chercheurs de Concordia explorent la puissance logicielle des voitures autonomes

En levant le capot d’une voiture autonome, vous découvrirez – somme toute – peu de choses. Pour arriver véritablement à saisir le fonctionnement de ces véhicules, vous devez explorer à fond l’aspect logiciel qui sous-tend les systèmes de conduite automatisée (SCA) des véhicules sans conducteur.

Dans un nouvel article dont les grandes lignes seront présentées la semaine prochaine à l’occasion du colloque phare ESEC/FSE 2020 (colloque européen sur le génie logiciel et symposium sur les fondements du génie logiciel), des chercheurs et chercheuses de l’Université Concordia font part de leurs découvertes sur la manière dont les modèles d’apprentissage machine interagissent entre eux à l’intérieur du système de conduite automatisée Apollo.

Mis au point par Baidu, géant chinois du secteur des technologies, le système Apollo est en tête de peloton parmi les SCA actuels. Le service de robotaxi Apollo Go – qui fonctionne au moyen d’une application – est déjà partiellement implanté dans trois métropoles chinoises, dont Beijing.

« Nous tentons en quelque sorte de décrypter la “boîte noire” d’un système de conduite automatisée afin d’expliquer aux universitaires et aux concepteurs de logiciels comment cela fonctionne », explique Tse-Hsun (Peter) Chen, professeur adjoint d’informatique et de génie logiciel à l’École de génie et d’informatique Gina Cody.

Le P^r Chen a corédigé l’article en collaboration avec sa consœur Jinqiu Yang, professeure adjointe au même département; Zi Peng, ancienne étudiante à la maîtrise à Concordia; et Lei Ma, professeur agrégé à l’Université de Kyushu, à Fukuoka, au Japon.

Un processus d’apprentissage machine en plusieurs couches

Les concepteurs d’Apollo ont pris la décision d’offrir en libre accès leur logiciel d’apprentissage machine, ce qui permet aux chercheuses et chercheurs de l’extérieur d’étudier son fonctionnement. (Les données brevetées demeurent la propriété de l’entreprise.) Ce qu’ils ont découvert les a autant surpris qu’impressionnés.

« Le système Apollo est le plus complexe que nous avons pu trouver dans le genre, et auquel nous pouvions avoir accès », précise Jinqiu Yang.

« Son fonctionnement ne repose pas sur un seul modèle d’apprentissage machine, mais plutôt sur 28 composantes différentes. Et cela est sans compter le grand volume de code dont les concepteurs ont besoin pour tirer les données des diverses pièces de matériel qui se trouvent dans le système ni le code nécessaire pour combiner toutes ces données en vue de la prise de décisions importantes. »

Les chercheurs ont entrepris de décrire les diverses fonctionnalités du système, notamment son architecture, son flux d’information, les interactions entre son module logique et les modèles d’apprentissage machine, ainsi que la cueillette de données.

Outre le dénombrement de 28 modèles d’apprentissage machine distincts, les chercheurs ont fait d’autres étonnantes découvertes :

• Apollo mise sur les données de multiples sources pour améliorer le rendement global de ses modèles d’apprentissage machine, non seulement au moyen de caméras, mais aussi grâce à une carte routière haute définition qui procure de l’information détaillée, de même qu’à un LiDAR (pour Light Detection and Ranging) et un radar.
• Les modèles d’apprentissage machine interagissent entre eux de diverses façons dans le SCA. Ces interactions sont rendues possibles grâce à un immense volume de code logique, ce qui complique encore plus l’intégration globale du SCA.
• Le code logique qui sert à l’intégration des modèles d’apprentissage machine fait souvent office de sauvegarde ou de protection pour les autres modèles, ce qui assure une réponse en plusieurs couches, propre à optimiser la sécurité des passagers.
• Toutefois, cette façon de procéder entraîne des complications accrues et peut nuire au rendement des autres modèles d’apprentissage machine.

Une merveille technologique, des problèmes humains

Bien que la conception générale du système Apollo demeure impressionnante, il est possible de faire mieux, selon les chercheurs.Par exemple, les problèmes de sécurité issus du manque de communication entre les véhicules doivent être résolus.

La technologie d’Internet des objets (ou IdO) peut régler certains de ces problèmes, comme les changements soudains de voie. Toutefois, sans couverture étendue, le temps de réaction peut être plus long que celui d’un humain qui peut anticiper les mouvements en établissant un contact visuel avec les autres conducteurs.

« Les défis techniques sont légions, mais je crois qu’il sera possible d’en relever un grand nombre au cours de la prochaine décennie », anticipe Jinqiu Yang.

« Cependant, lorsqu’il est question des aspects sociaux des SCA – comme le respect de la vie privée et tous les aspects légaux qui entourent la responsabilité des conducteurs – nous sommes encore loin du compte. »

Consultez l’article cité (en anglais seulement) : A First Look at the Integration of Machine Learning Models in Complex Autonomous Driving Systems.