Comment les algorithmes d'apprentissage automatique ont rendu les voitures autonomes possibles ?

L'une des applications les plus remarquables du Machine Learning est la voiture autonome ou autonome.

L'apprentissage automatique , combiné à d'autres technologies perturbatrices comme l'IdO, contribue à améliorer et à améliorer le fonctionnement des voitures autonomes. Grâce au ML, ces voitures autonomes sont tout à fait capables de détecter l'environnement qui les entoure et de se déplacer en toute sécurité, nécessitant très peu ou pas d'intervention humaine. Idées de projets d'apprentissage automatique

Alors que ML est un composant crucial de l'unité de commande électronique centralisée (ECU) dans une voiture autonome, des efforts sont faits pour intégrer encore plus ML dans les voitures autonomes afin de les façonner en des créations à la pointe de la technologie. L'une des principales fonctions des algorithmes ML dans une voiture autonome est la surveillance continue de l'environnement et la prédiction précise des changements possibles de cet environnement . Cette tâche principale peut être davantage segmentée.

Les quatre sous-tâches

• Détection d'objet
• Identification/reconnaissance d'objets
• Localisation d'objets
• Prédiction de mouvement

Les voitures autonomes intègrent généralement de nombreux capteurs qui les aident à donner un sens à leur environnement, notamment le GPS, le radar, le lidar, le sonar, l'odométrie et les unités de mesure inertielle . Ils disposent également de systèmes de contrôle avancés capables d'interpréter les informations sensorielles pour identifier les obstacles et déterminer les voies de navigation appropriées.

Les applications basées sur ML qui exécutent le système d'infodivertissement d'une voiture autonome reçoivent des informations des systèmes de fusion de données de capteurs et font des prédictions en conséquence. Ces algorithmes peuvent également intégrer le geste du conducteur, la reconnaissance vocale et la traduction linguistique dans le système de la voiture.

Algorithmes d'apprentissage automatique pour les voitures autonomes

1) Algorithmes de ML supervisés

Ces algorithmes utilisent un ensemble de données de formation pour apprendre. Ils continuent d'apprendre jusqu'à ce qu'ils atteignent le niveau souhaité qui promet un minimum d'erreurs. Les algorithmes de ML supervisés peuvent en outre être classés en algorithmes de classification, de régression et de réduction de dimension. Pour des informations détaillées sur le type d'algorithmes d'apprentissage automatique, lisez Types d'algorithmes d'apprentissage automatique

2) Algorithmes ML non supervisés

Ces algorithmes apprennent en donnant un sens aux données disponibles. Aucun jeu de données d'entraînement n'est utilisé ici. Ils essaient de trouver des modèles identifiables dans les données, puis divisent les données en classes/groupes en fonction du niveau de similitude entre elles. Le clustering et l'apprentissage des règles d'association sont les deux types d'algorithmes ML non supervisés.

Plongeons maintenant dans le fonctionnement interne des algorithmes de voiture autonome. Algorithmes d'apprentissage automatique pour les voitures autonomes.

Algorithmes d'apprentissage automatique pour les voitures autonomes

Les algorithmes d'apprentissage automatique des voitures autonomes sont généralement divisés en quatre catégories :

1) Algorithmes de régression

Les algorithmes de régression sont utilisés explicitement pour prédire les événements. La régression bayésienne, la régression du réseau de neurones et la régression de la forêt de décision sont les trois principaux types d'algorithmes de régression utilisés dans les voitures autonomes.

Dans l'analyse de régression, la relation entre deux variables ou plus est estimée et les effets des variables sont comparés sur différentes échelles. L'analyse de régression dépend principalement de trois métriques principales :

• Le nombre de variables indépendantes
• Le type de variables dépendantes
• La forme de la droite de régression.

Les algorithmes de régression utilisent les aspects répétitifs d'un environnement pour former un modèle statistique de la relation entre une image particulière et la position d'un objet spécifique dans l'image. Le modèle statistique peut fournir une détection en ligne rapide grâce à l'échantillonnage d'images. Progressivement, il peut s'étendre pour en savoir plus sur d'autres objets, sans nécessiter d'intervention humaine substantielle.

2) Algorithmes de reconnaissance de formes (classification)

Généralement, les images obtenues par les systèmes avancés d'aide à la conduite (ADAS) sont remplies d'un tableau de données de l'environnement environnant. Ces données doivent être filtrées pour reconnaître les images pertinentes contenant une catégorie spécifique d'objets. C'est là qu'interviennent les algorithmes de reconnaissance de formes.

Également connus sous le nom d'algorithmes de réduction de données, les algorithmes de reconnaissance de formes sont conçus pour exclure les points de données inhabituels. La reconnaissance de motifs dans un ensemble de données est une étape essentielle avant de classer les objets.

Ces algorithmes aident à filtrer les données obtenues par les capteurs en détectant les bords des objets et en ajustant les segments de ligne et les arcs de cercle aux bords. Les algorithmes de reconnaissance de formes combinent les segments de ligne et les arcs de cercle de différentes manières pour former les caractéristiques ultimes de reconnaissance d'un objet.

Les machines à vecteurs de support (SVM) avec histogrammes de gradients orientés (HOG), l'analyse en composantes principales (PCA), la règle de décision de Bayes et le k-plus proche voisin (KNN) sont parmi les algorithmes de reconnaissance de formes les plus couramment utilisés dans les voitures autonomes.

3) Algorithmes de cluster

Les algorithmes de cluster excellent dans la découverte de la structure à partir de points de données. Il peut arriver que les images obtenues par l'ADAS ne soient pas claires, ou il peut également arriver que les algorithmes de classification aient manqué d'identifier un objet, échouant ainsi à le classer et à le signaler au système.

Cela peut être dû au fait que les images sont de très basse résolution ou avec très peu de points de données. Dans de telles situations, il devient difficile pour le système de détecter et de localiser des objets dans les environs.

Les algorithmes de clustering définissent la classe de problème et la classe de méthodes. Généralement, les techniques de clustering sont établies à l'aide d'approches de modélisation basées sur le centroïde et hiérarchiques. Toutes les techniques de clustering se concentrent sur l'exploitation des structures inhérentes aux données pour organiser au mieux les données en groupes ayant le plus de points communs.

Les K-means et les réseaux de neurones multi-classes sont les deux algorithmes de clustering les plus largement utilisés pour les voitures autonomes.

4) Algorithmes de matrice de décision

Les algorithmes de matrice de décision sont essentiellement utilisés pour la prise de décision. Ils sont conçus pour identifier, analyser et évaluer systématiquement la performance des relations entre les ensembles de valeurs et les informations qu'ils contiennent. Les algorithmes de matrice de décision les plus largement utilisés dans les voitures autonomes sont le gradient boosting (GDM) et AdaBoosting.

Ces algorithmes déterminent les mouvements de la voiture autonome. Ainsi, que la voiture doive tourner à gauche ou à droite, qu'elle doive freiner ou accélérer, la réponse à ces questions est déterminée par la précision de ces algorithmes concernant la classification, la reconnaissance et la prédiction du prochain mouvement des objets.

Les algorithmes de matrice de décision comprennent des modèles de décision multiples entraînés indépendamment dont les prédictions sont combinées pour générer la prédiction globale tout en minimisant la possibilité d'erreurs.

Conclusion

Ensemble, tous ces algorithmes ML entrent dans le fonctionnement des voitures autonomes telles que nous les connaissons. À l'heure actuelle, les voitures autonomes peuvent effectuer les tâches de base d'un conducteur humain, telles que le contrôle, la navigation et la conduite du véhicule, mais bien sûr, elles présentent également certaines limites. Cependant, avec les progrès de l'apprentissage automatique et l'amélioration des algorithmes des voitures autonomes, nous avons beaucoup à attendre de ces voitures autonomes.

Si vous êtes intéressé par l'apprentissage automatique et curieux d'apprendre à former un chatbot, à former un agent pour jouer au tic tac toe et plus encore, consultez le programme PG Diploma in Machine Learning and AI de l'IIIT-B.