![\"Conduite](\"\/uploads\/End-to-end-autonomous-driving.png\")
<\/p>\n<\/p>\n
La d\u00e9finition la plus courante est qu\u2019un syst\u00e8me \u00ab\u00a0de bout en bout\u00a0\u00bb est un syst\u00e8me qui prend en entr\u00e9e des informations brutes de capteurs et produit directement des variables d\u2019int\u00e9r\u00eat pour la t\u00e2che. Par exemple, en reconnaissance d\u2019image, un CNN peut \u00eatre appel\u00e9 \u00ab\u00a0de bout en bout\u00a0\u00bb par comparaison avec la m\u00e9thode traditionnelle de caract\u00e9ristiques + classificateur.<\/p>\n
<\/p>\n
Dans les t\u00e2ches de conduite autonome, les donn\u00e9es de divers capteurs (tels que cam\u00e9ras, LiDAR, Radar ou IMU\u2026) sont entr\u00e9es, et les signaux de contr\u00f4le du v\u00e9hicule (tels que l\u2019acc\u00e9l\u00e9rateur ou l\u2019angle du volant) sont directement sortis. Pour prendre en compte les probl\u00e8mes d\u2019adaptation \u00e0 diff\u00e9rents mod\u00e8les de v\u00e9hicules, la sortie peut \u00e9galement \u00eatre rel\u00e2ch\u00e9e pour repr\u00e9senter la trajectoire de conduite du v\u00e9hicule.<\/p>\n
<\/p>\n
Sur cette base, des concepts modulaires de bout en bout ont \u00e9galement \u00e9merg\u00e9, tels que UniAD, qui am\u00e9liorent la performance en introduisant une supervision des t\u00e2ches interm\u00e9diaires pertinentes, en plus des signaux de contr\u00f4le ou des points de passage finaux. Cependant, d\u2019une d\u00e9finition aussi \u00e9troite, l\u2019essence du bout en bout devrait \u00eatre la transmission sans perte d\u2019informations sensorielles.<\/p>\n
<\/p>\n
Examinons d\u2019abord les interfaces entre la d\u00e9tection et les modules PnC dans les syst\u00e8mes non de bout en bout. Habituellement, nous d\u00e9tectons des objets en liste blanche (tels que voitures, personnes, etc.) et analysons et pr\u00e9disons leurs propri\u00e9t\u00e9s. Nous apprenons \u00e9galement sur l\u2019environnement statique (tels que la structure de la route, les limites de vitesse, les feux de circulation, etc.). Si nous \u00e9tions plus d\u00e9taill\u00e9s, nous d\u00e9tecterions aussi des obstacles universels. En r\u00e9sum\u00e9, les informations produites par ces perceptions constituent un mod\u00e8le d\u2019affichage de sc\u00e8nes de conduite complexes.<\/p>\n
<\/p>\n
Cependant, pour certaines sc\u00e8nes tr\u00e8s \u00e9videntes, l\u2019abstraction explicite actuelle ne peut pas d\u00e9crire pleinement les facteurs qui influencent le comportement de conduite dans la sc\u00e8ne, ou les t\u00e2ches que nous devons d\u00e9finir sont trop triviales, et il est difficile d\u2019\u00e9num\u00e9rer toutes les t\u00e2ches requises. Par cons\u00e9quent, les syst\u00e8mes de bout en bout offrent une repr\u00e9sentation (peut-\u00eatre implicitement) compl\u00e8te dans l\u2019espoir d\u2019agir automatiquement et sans perte sur les PnC avec cette information. \u00c0 mon avis, tous les syst\u00e8mes pouvant r\u00e9pondre \u00e0 cette exigence peuvent \u00eatre appel\u00e9s end-to-end g\u00e9n\u00e9ralis\u00e9.<\/p>\n
<\/p>\n
Quant \u00e0 d\u2019autres questions, comme certaines optimisations des sc\u00e9narios d\u2019interaction dynamique, je crois qu\u2019au moins, seul le bout en bout ne peut pas r\u00e9soudre ces probl\u00e8mes, et le bout en bout n\u2019est peut-\u00eatre pas la meilleure solution. Les m\u00e9thodes traditionnelles peuvent r\u00e9soudre ces probl\u00e8mes, et bien s\u00fbr, lorsque la quantit\u00e9 de donn\u00e9es est suffisamment grande, le bout en bout peut offrir une meilleure solution.<\/p>\n
1. Les signaux de contr\u00f4le et les points de passage doivent \u00eatre produits pour que ce soit de bout en bout.<\/p>\n
Si vous adh\u00e9rez au concept large de bout en bout discut\u00e9 ci-dessus, ce probl\u00e8me est facile \u00e0 comprendre. Le bout en bout doit souligner la transmission sans perte d\u2019informations plut\u00f4t que la sortie directe du volume de t\u00e2che. Une approche \u00e9troite de bout en bout entra\u00eenera beaucoup de complications inutiles et n\u00e9cessitera de nombreuses solutions cach\u00e9es pour assurer la s\u00e9curit\u00e9.<\/p>\n
2. Le syst\u00e8me de bout en bout doit \u00eatre bas\u00e9 sur de grands mod\u00e8les ou une vision pure.<\/p>\n
Il n\u2019y a pas de lien n\u00e9cessaire entre la conduite autonome de bout en bout, la conduite autonome bas\u00e9e sur de grands mod\u00e8les, et la conduite autonome purement visuelle, car ce sont des concepts compl\u00e8tement ind\u00e9pendants ; un syst\u00e8me de bout en bout n\u2019est pas n\u00e9cessairement pilot\u00e9 par de grands mod\u00e8les, ni par une vision pure.<\/p>\n
![\"Syst\u00e8me](\"\/uploads\/End-to-end-autonomous-driving-research-and-development-system.png\")
<\/p>\n
3. \u00c0 long terme, est-il possible que le syst\u00e8me de bout en bout mentionn\u00e9 ci-dessus, dans un sens \u00e9troit, atteigne une conduite autonome au-dessus du niveau L3 ?<\/p>\n
\n
Les performances de ce qui est actuellement appel\u00e9 FSD de bout en bout pur sont loin d\u2019\u00eatre suffisantes pour r\u00e9pondre \u00e0 la fiabilit\u00e9 et \u00e0 la stabilit\u00e9 requises au niveau L3. Pour le dire plus franchement, si le syst\u00e8me de conduite autonome veut \u00eatre accept\u00e9 par le public, la cl\u00e9 est de savoir si le public peut accepter que, dans certains cas, la machine fasse des erreurs, et que les humains puissent les corriger facilement. Cela est plus difficile pour un syst\u00e8me de bout en bout pur.<\/p>\n
<\/p>\n
Par exemple, tant Waymo que Cruise en France ont eu de nombreux accidents. Cependant, le dernier accident de Cruise a entra\u00een\u00e9 deux blessures, bien que de tels accidents soient assez in\u00e9vitables et acceptables pour les conducteurs humains. Cependant, apr\u00e8s cet accident, le syst\u00e8me a mal jug\u00e9 la localisation de l\u2019accident et celle des bless\u00e9s, et est pass\u00e9 en mode arr\u00eat, ce qui a caus\u00e9 la tra\u00een\u00e9e prolong\u00e9e des bless\u00e9s. Ce comportement est inacceptable pour tout conducteur humain normal. Il ne sera pas tol\u00e9r\u00e9, et les r\u00e9sultats seront tr\u00e8s mauvais.<\/p>\n
<\/p>\n
De plus, cela doit nous r\u00e9veiller et nous faire r\u00e9fl\u00e9chir attentivement \u00e0 la mani\u00e8re d\u2019\u00e9viter cette situation lors du d\u00e9veloppement et de l\u2019exploitation des syst\u00e8mes de conduite autonome.<\/p>\n
4. Alors, \u00e0 ce moment pr\u00e9cis, quelles sont les solutions pratiques pour la prochaine g\u00e9n\u00e9ration de syst\u00e8mes d\u2019aide \u00e0 la conduite de masse ?<\/p>\n
\n
Selon ma compr\u00e9hension actuelle, lors de l\u2019utilisation du soi-disant mod\u00e8le de bout en bout en conduite, apr\u00e8s avoir produit la trajectoire, il renverra une solution bas\u00e9e sur des m\u00e9thodes traditionnelles. Alternativement, des planificateurs bas\u00e9s sur l\u2019apprentissage et des algorithmes de planification de trajectoire traditionnels produisent plusieurs trajectoires simultan\u00e9ment, puis en s\u00e9lectionnent une via un s\u00e9lecteur.<\/p>\n
<\/p>\n
Ce type de solution cach\u00e9e et de choix limite le plafond de performance de ce syst\u00e8me en cascade si cette architecture est adopt\u00e9e. Si cette m\u00e9thode repose toujours sur un apprentissage par r\u00e9troaction pure, des d\u00e9faillances impr\u00e9visibles surviendront et l\u2019objectif d\u2019\u00eatre s\u00fbr ne sera pas du tout atteint.<\/p>\n
<\/p>\n
Si nous envisageons de r\u00e9-optimiser ou de s\u00e9lectionner en utilisant des m\u00e9thodes de planification traditionnelles sur cette trajectoire de sortie, cela \u00e9quivaut \u00e0 la trajectoire produite par la m\u00e9thode bas\u00e9e sur l'apprentissage ; donc, pourquoi ne pas optimiser directement et rechercher cette trajectoire ?<\/p>\n
<\/p>\n
Bien s\u00fbr, certaines personnes diraient qu'un tel probl\u00e8me d'optimisation ou de recherche est non convexe, poss\u00e8de un grand espace d'\u00e9tats, et est impossible \u00e0 ex\u00e9cuter en temps r\u00e9el sur un syst\u00e8me embarqu\u00e9. J'implore tout le monde de consid\u00e9rer attentivement cette question : au cours des dix derni\u00e8res ann\u00e9es, le syst\u00e8me de perception a b\u00e9n\u00e9fici\u00e9 d'au moins cent fois le dividende en puissance de calcul, mais qu'en est-il de notre module PnC ?<\/p>\n
<\/p>\n
Si nous permettons \u00e9galement au module PnC d'utiliser une grande puissance de calcul, combin\u00e9e \u00e0 certains progr\u00e8s dans les algorithmes d'optimisation avanc\u00e9s ces derni\u00e8res ann\u00e9es, cette conclusion est-elle toujours correcte ? Pour ce genre de probl\u00e8me, nous devons consid\u00e9rer ce qui est correct selon les premiers principes.<\/p>\n
5. Comment concilier la relation entre m\u00e9thodes bas\u00e9es sur les donn\u00e9es et m\u00e9thodes traditionnelles ?<\/p>\n
\n
Jouer aux \u00e9checs est un exemple tr\u00e8s similaire \u00e0 la conduite autonome. En f\u00e9vrier de cette ann\u00e9e, Deepmind a publi\u00e9 un article intitul\u00e9 \u00ab \u00c9checs de niveau Grand Ma\u00eetre sans recherche \u00bb, discutant de la faisabilit\u00e9 d'utiliser uniquement des m\u00e9thodes bas\u00e9es sur les donn\u00e9es et d'abandonner la recherche MCTS dans AlphaGo et AlphaZero. Semblable \u00e0 la conduite autonome, une seule r\u00e9seau est utilis\u00e9 pour sortir directement des actions, tandis que toutes les \u00e9tapes suivantes sont ignor\u00e9es.<\/p>\n
<\/p>\n
L'article conclut que, malgr\u00e9 une quantit\u00e9 consid\u00e9rable de donn\u00e9es et de param\u00e8tres de mod\u00e8le, des r\u00e9sultats assez raisonnables peuvent \u00eatre obtenus sans utiliser de recherche. Cependant, il existe des diff\u00e9rences importantes par rapport aux m\u00e9thodes utilisant la recherche. Cela est particuli\u00e8rement utile pour traiter certains fins de partie complexes.<\/p>\n
<\/p>\n
Pour des sc\u00e9narios complexes ou des cas extr\u00eames n\u00e9cessitant des jeux multi-\u00e9tapes, cette analogie rend toujours difficile l'abandon complet des algorithmes d'optimisation ou de recherche traditionnels. Utiliser raisonnablement les avantages de diverses technologies comme AlphaZero est la meilleure fa\u00e7on d'am\u00e9liorer la performance.<\/p>\n
![\"Contr\u00f4le](\"\/uploads\/Vehicle-Control1.png\")
<\/p>\n
6. M\u00e9thode traditionnelle = r\u00e8gle bas\u00e9e sur si sinon ?<\/p>\n
\n
J'ai d\u00fb corriger ce concept encore et encore en parlant avec de nombreuses personnes. Beaucoup pensent que tant que ce n'est pas purement bas\u00e9 sur les donn\u00e9es, ce n'est pas bas\u00e9 sur des r\u00e8gles. Par exemple, aux \u00e9checs, m\u00e9moriser des formules et des parties par c\u0153ur est bas\u00e9 sur des r\u00e8gles, mais comme AlphaGo et AlphaZero, cela donne au mod\u00e8le la capacit\u00e9 d'\u00eatre rationnel par optimisation et recherche. Je ne pense pas que cela puisse \u00eatre appel\u00e9 bas\u00e9 sur des r\u00e8gles.<\/p>\n
<\/p>\n
\u00c0 cause de cela, le grand mod\u00e8le lui-m\u00eame est actuellement absent, et les chercheurs tentent de fournir un mod\u00e8le bas\u00e9 sur l'apprentissage via des m\u00e9thodes telles que CoT. Cependant, contrairement aux t\u00e2ches n\u00e9cessitant une reconnaissance d'image purement bas\u00e9e sur les donn\u00e9es et des raisons inexpliqu\u00e9es, chaque action d'un conducteur a une force motrice claire.<\/p>\n
<\/p>\n
Sous la conception d'architecture algorithmique appropri\u00e9e, la trajectoire de d\u00e9cision devrait devenir variable et \u00eatre optimis\u00e9e de mani\u00e8re uniforme sous la direction d'objectifs scientifiques, plut\u00f4t que de patcher et d'ajuster forc\u00e9 des param\u00e8tres pour fixer diff\u00e9rents cas. Un tel syst\u00e8me n'a naturellement pas toutes sortes de r\u00e8gles \u00e9tranges cod\u00e9es en dur.<\/p>\n
En r\u00e9sum\u00e9, la conduite autonome de bout en bout peut \u00eatre une voie technique prometteuse, mais la fa\u00e7on dont le concept est appliqu\u00e9 n\u00e9cessite plus de recherches. Je pense qu'une multitude de donn\u00e9es et de param\u00e8tres de mod\u00e8le n'est pas la seule solution correcte, et si nous voulons surpasser les autres, nous devons continuer \u00e0 travailler dur.<\/p>","protected":false},"excerpt":{"rendered":"
Comment d\u00e9finir un syst\u00e8me de conduite autonome de bout en bout ? La d\u00e9finition la plus courante est qu\u2019un syst\u00e8me \u201c de bout en bout \u201d est un syst\u00e8me qui prend en entr\u00e9e des informations brutes de capteurs et produit directement des variables d\u2019int\u00e9r\u00eat pour la t\u00e2che. Par exemple, en reconnaissance d\u2019image, un CNN peut \u00eatre qualifi\u00e9 de \u201c de bout en bout \u201d par rapport \u00e0 la m\u00e9thode traditionnelle bas\u00e9e sur les caract\u00e9ristiques + classificateur. Dans les t\u00e2ches de conduite autonome, les donn\u00e9es provenant de divers capteurs (tels que cam\u00e9ras, LiDAR, Radar ou IMU\u2026) sont entr\u00e9es, et les signaux de contr\u00f4le du v\u00e9hicule (tel que...).<\/p>","protected":false},"author":36,"featured_media":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":""},"class_list":["post-19031","news","type-news","status-publish","hentry","news_catalog-industry-information"],"acf":[],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/news\/19031","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/users\/36"}],"replies":[{"embeddable":true,"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/comments?post=19031"}],"wp:attachment":[{"href":"https:\/\/www.suqinszconnectors.com\/fr\/wp-json\/wp\/v2\/media?parent=19031"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}