Le Futur De La Voiture Autonome

Le Deep Learning, ou apprentissage profond, pourrait modifier en grande partie la vision générale de l’environnement de demain, via des algorithmes de perception en y incluant des aptitudes nouvelles qui amélioreraient l’expérience de la conduite.

Des autoroutes intelligentes aux voitures intelligentes

Certaines institutions, telles que le Département du transport aux États-Unis, imaginent le concept d’un mécanisme mettant en connexion les différents objets tels les systèmes de véhicule à véhicule ou encore le véhicule à infrastructure nécessitant un certain coût, sans compter l’obligation de connecter les voitures entre elles, alors que pour l’instant le modèle classique de circulation repose sur des routes basiques et des marquages au sol visibles.

L’IA au cœur de la voiture autonome

Suite aux progrès de la robotique, la circulation de voitures autonomes est désormais d’actualité, du fait de l’intégration de processeurs de plus petite taille mais de grande efficacité et qui ont en partie acquis une capacité d’autonomie supérieure par rapport aux attentes de l’armée. De plus, les techniques mises en place pour reconnaître les formes proviennent en majorité de programmes de jeux de société, de gaming et plus particulièrement du jeu de dames IBM qu’Arthur Samuel, leader dans le domaine des jeux et de l’IA, a réalisé dans les années 1950. Ce jeu de dames a précédé Deep Blue, l’ordinateur IBM qui apprenait tout seul, et qui a battu le champion d’échecs Garry Kasparov en 1996.

La technologie de l’IA automobile nécessite une combinaison de plusieurs technologies entremêlées à l’instar des mégadonnées, le GPS, des composants miniatures ou encore des caméras numériques qui contribuent à la progression et à l’amélioration des algorithmes. Les aptitudes d’une voiture intelligente sont en majorité permises par ses facultés de détection qui incluent des cartes numériques haute définition en lui renseignant la topographie de l’itinéraire et divers éléments stables. En outre, des caméras numériques servent à schématiser l’environnement qui défile avec une forme de matrice composée de pixels, mais toutefois leur efficacité est contestable en cas de réduction de la luminosité. Enfin, un système pivotant de « télédétection par laser », nommé lidar, modélise quant à lui le paysage qui défile en 3D. Ce dispositif s’avère brillant concernant la profondeur et la portée des traits, mais il manque toutefois de rapidité.

Diverses technologies ont été mises en place telles que le radar ou le sonar afin d’améliorer la mobilité des véhicules. La première consiste à réfléchir des ondes radio à la vitesse de la lumière sur des surfaces conductrices dans le but de suivre la vitesse et le mouvement relatif des objets. Différents éléments naturels tels que la pluie, le brouillard ou la neige ne peuvent pas compromettre l’efficacité du radar. La deuxième technologie, le sonar, notamment en voiture s’oriente vers les ondes acoustiques ultrasonores. C’est une technique optimale pour la détection rapprochée notamment le stationnement. Concernant le système GPS, il réceptionne des impulsions de satellites pour trianguler sa position dans une fourchette de 4 mètres qui peut être compensée en cas de défaillance par une unité de mesure inertielle. Cette dernière permet un sens de l’équilibre grâce à un accéléromètre, une boussole, un gyroscope et un compteur électrique.

Data et apprentissage

L’apprentissage profond, autrement dit le Deep Learning, va de pair avec la composition de la voiture autonome. En effet, pour qu’une voiture anticipe les obstacles, il faut qu’elle soit capable de reconnaître des formes ou des objets qui se présentent à elle. Les cellules cérébrales du corps humain (neurones) travaillent de manière électrochimique, mais les ‘perceptions’ du réseau neuronal travaillent de manière électronique et algorithmique. C’est ainsi que de nombreux chercheurs travaillent sur des algorithmes de perception, en particulier Frank Rosenblatt qui a inventé en 1957 son premier algorithme chargé de reconnaître les formes. Dans la même lancée en 1980, Kunihiko Fukushima a conçu le Neocognitron, une nouvelle structure de réseau de neurones capable de reconnaître des caractères rédigés à la main.

Les cartes interactives de demain seront d’une grande utilité pour prévenir par exemple, la signalisation pour les touristes qui sont à proximité des monuments locaux ou indiquer les rues où il est possible de stationner. Un taxi sans conducteur doté d’un logiciel de reconnaissance faciale pourra vous proposer des produits ou envoyer des informations vous concernant aux autorités.

Les problèmes d’éthique incluent la programmation pour les cas d’urgence, avec notamment l’exemple de la personne à sauver en cas d’accident.

Ainsi, à l’avenir il serait intéressant de mettre en parallèle les possibles mutations engendrées par l’intelligence artificielle avec la théorie des destructions créatrices, évoquée par l’économiste autrichien Joseph Schumpeter dans les années 1930.  De ce fait, ces mutations menaceraient certes des emplois, où la substitution de l’homme à l’automatisation sera élevée, comme par exemple les routiers ou les chauffeurs de taxi, mais ces mutations entraîneront avec elles la création de nouveaux emplois dans un nouveau secteur.

La révolution des voitures autonomes s’inscrit dans la continuité d’un progrès de la robotique qui a déjà débuté depuis plusieurs années.

Dans toute transformation constatée, il y a différents aboutissements. A l’image de l’explosion cambrienne ou encore des améliorations qui contribueront à l’accomplissement de tâches qui permettront une croissance exponentielle.

« L’IA peut-elle être autonome dans la mesure, où elle est apte à prévoir, ressentir grâce aux décisions réalisées ? Car elle a l’aptitude à tirer parti du modèle prédictif, pour prévoir son futur comportement.« 

Les IA auto-apprenantes seront-elles conscientes ?