Apprentissage progressif par multi-transfert pour une navigation autonome plus sûre – MultiTrans

Le développement d’algorithmes pour le véhicule autonome (VA) se heurte à d’important défis tout au long de leur conception et implémentation. Le coût élevé et le peu de tests en conditions réelles limitent l’expérience qu’une Intelligence Artificielle (IA) embarquée peut construire (faible nombre de véhicules et faible volume de données récoltées). Ainsi, le développement comprend souvent une étape de simulation ou de tests simplifiés (sur des plus petits véhicules, des capteurs ou des robots). MultiTrans s’intéresse à la phase de perception du VA, qui produit une représentation précise de(s) l’environnement(s) de navigation, en amont des étapes suivantes de décision et contrôle, tout en faisant la distinction entre des contextes similaires mais différents. Le projet s’intéresse aux systèmes embarqués basés sur la vision (ex : caméras) qui sont parmi les solutions de perception les plus prometteuses. Cependant, leurs technologies les rendent sensibles à un défi scientifique important : l’utilisation en conditions dégradées (ex : mauvaises conditions météorologiques). De plus, le transfert de connaissances entre différents environnements (virtuels ou réels) fait face à deux autres problèmes : l’écart entre réalité et simulation, quand un modèle n’arrive pas à reproduire toutes les caractéristiques utiles du monde réel ; et un temps de développement accru du au processus itératif d’adaptation des algorithmes d’un système/domaine à un autre.
Dans MultiTrans, nous proposons de combiner les phases de développement et de déploiement des algorithmes pour la navigation autonome. L’idée est de permettre aux données, connaissances et expériences d’être transférables entre différents systèmes (simulation, robotique, véhicules réels), espérant ainsi accélérer la vitesse à laquelle un système intelligent embarqué peut progressivement apprendre. L’hypothèse de recherche qui sert de point de départ à MultiTrans correspond au stade de développement actuel des VAs : ils peuvent être programmés (ou sont capables d’apprendre) à réagir et agir dans des environnements contrôlés/limités de manière autonome. Notre proposition se concentre sur la partie IA : des travaux de recherche sont requis pour aider ces systèmes durant la phase de perception, afin de permettre aux VAs de naviguer de façon sûre dans des situations plus variées. Par rapport à l’état de l’art, les contributions attendues couvrent : (i) un nouveau cadre théorique et de nouveaux algorithmes d’apprentissage par transfert utilisant peu de données dans des environnements réels et virtuels; (ii) des avancées dans la vision artificielle multi-source et multi-domaines pour la segmentation sémantique et la reconnaissance de scènes appliquées à une navigation autonome plus sûre; (iii) le développement d’un démonstrateur sous la forme d’une plateforme robotique de véhicules combinée à un modèle de monde virtuel.
La nouveauté apportée par ce projet est de développer un environnement intermédiaire qui permet de déployer des algorithmes dans un modèle physique du monde. Cette étape permettra de recréer des scénarios plus réalistes, contribuant ainsi à un apprentissage par transfert plus rapide, efficace, et moins consommateur de données, des algorithmes depuis et vers les plateformes de VAs. Cette plateforme robotique permettra aussi de mener des travaux sur le transfert multi-domaine et multi-acteur, en réduisant les ressources nécessaires pour proposer des scénarios et des variations de ces scénarios, rendant possible la généralisation entre les différents domaines. Nous allons également explorer des techniques d’apprentissage dites frugales qui pourraient réduire le nombre d’exemples nécessaires aux tâches de reconnaissance/segmentation pour converger avant leur transfert. Enfin, nous pourrons étudier des solutions pour des situations complexes dans l’environnement virtuel avant de les transférer sur la plateforme, faisant ainsi le lien entre apprentissage par imitation et la simulation.