Alors que les voitures autonomes commencent à circuler dans les villes, une question demeure : comment les faire fonctionner dans les zones rurales où les infrastructures de télécommunications sont limitées ?
De nouvelles recherches menées à l’Université d’État de Washington suggèrent une solution potentielle : un ordinateur compact et abordable, exécutant un modèle de langage complexe compressé, pourrait constituer un outil de décision efficace pour les véhicules autonomes. Ces travaux, réalisés sur un simulateur open source, ouvrent également la voie à une approche permettant d’alimenter efficacement d’autres types d’applications, comme la robotique agricole.
« Avec la conduite autonome, nous devons prendre des décisions immédiatement », a déclaré Xinghui Zhao, professeur agrégé d’informatique, directeur de l’École d’ingénierie et d’informatique de WSU Vancouver et auteur principal de la nouvelle publication.
« Avec un cloud ultra-performant en arrière-plan, il est facile d’entraîner et d’améliorer les modèles de perception pour faciliter la prise de décision dans les voitures, mais cela ne concerne que les zones urbaines où la connexion est excellente. En zone rurale, la connexion est souvent faible, voire intermittente. Dans ce cas, il est essentiel de pouvoir traiter les données en temps réel. »
Ces travaux s’inscrivent dans le cadre d’une recherche menée par Zhao et ses collègues sur les défis posés par les véhicules autonomes en milieu rural. Cette recherche est financée par le Pacific Northwest Transportation Consortium, un groupe de chercheurs et de responsables des transports financé par le département des Transports des États-Unis. Les résultats ont été présentés lors du dixième symposium ACM/IEEE sur l’informatique de périphérie .
Ishparsh Uprety (à gauche), assistant de recherche diplômé à l’École d’ingénierie et d’informatique de WSU Vancouver, et le professeur agrégé Xinghui Zhao ont démontré comment un petit ordinateur abordable peut être un mécanisme viable de prise de décision dans les voitures autonomes (photos gracieusement fournies par Xinghui Zhao).
Les voitures autonomes n’en sont qu’à leurs débuts ; elles commencent à apparaître dans quelques grandes villes et divers systèmes sont en cours de développement. On observe un vif intérêt pour le développement de ces voitures en tant que dispositifs « de périphérie », capables de collecter, traiter et analyser des données au sein d’un système autonome, sans dépendre de centres de données distants. Ce type d’informatique décentralisée peut améliorer l’efficacité, réduire les coûts et la consommation d’énergie, et protéger la vie privée.
« On peut collecter des données à partir d’un nombre croissant d’appareils : divers capteurs, un petit microphone, voire une petite caméra », a déclaré Zhao. « Tous ces appareils collectent des données. Si l’on s’appuie sur un centre de données centralisé, chaque appareil doit envoyer ses données à ce centre pour traitement. Or, on privilégie de plus en plus les applications qui traitent les données directement sur l’appareil où elles sont collectées. »
Les véhicules autonomes utilisent trois couches informatiques principales : la perception, ou la collecte et l’interprétation des données des capteurs provenant de caméras, de radars et d’autres sources ; le raisonnement, ou l’analyse en temps réel des données des capteurs pour choisir les actions de conduite ; et l’action, ou l’exécution de ces décisions.
Dans ce nouveau projet, les chercheurs se sont concentrés sur le raisonnement. Certains systèmes de conduite autonome reposent sur une forme d’IA appelée apprentissage par renforcement profond (DRL), qui nécessite un entraînement intensif à l’aide de données considérables et s’améliore au fil du temps par essais et erreurs. Le DRL est coûteux et peut se révéler peu fiable face à des situations imprévues.
Les modèles de langage complexes, quant à eux, excellent dans le raisonnement de haut niveau et peuvent utiliser le contexte pour prendre des décisions face à des situations nouvelles. Mais ils sont également très gourmands en ressources de calcul et dépendent du cloud computing.
« Un modèle LLM est assez volumineux », explique Ishparsh Uprety, assistant de recherche diplômé et premier auteur de l’article. « Si on veut l’exécuter sur une voiture, cela représente une charge de calcul considérable. On s’est dit : et si on optimisait le modèle pour le rendre plus petit ? »
L’équipe de WSU a entrepris de tester les performances d’un modèle LLM autonome, dont les données et l’empreinte mémoire étaient compressées, ce qui accélère la prise de décision, mais peut entraîner une perte de précision. Ils ont utilisé Mistral, un LLM open source, compressé sur un Jetson Orin Nano, un module de calcul de 8 gigaoctets plus petit qu’un livre de poche.
En utilisant une plateforme open-source pour tester les systèmes d’IA, ils ont comparé le raisonnement du LLM compressé avec celui d’un modèle ChatGPT complet dans sept scénarios de conduite.
Les deux systèmes ont pris des décisions sûres et comparables dans la plupart des cas, bien que la version Mistral ait planté dans un cas précis. Compte tenu de l’empreinte informatique bien plus réduite, les chercheurs ont conclu que les premiers résultats suggèrent que les LLM compressés pourraient à terme être viables pour l’informatique de périphérie dans les véhicules autonomes ; toutefois, des tests beaucoup plus poussés seront nécessaires avant qu’un tel système soit opérationnel sur la route.
