IA générative pour un CCAM plus intelligent : amélioration de la perception, de la prise de décision et de la validation (Partenariat CCAM)

Résultat attendu :

Les résultats du projet sont censés contribuer à tous les résultats attendus suivants :

• Disponibilité et intégration de systèmes de perception avancés, fiables et économes en énergie, exploitant les avancées technologiques de l'IA générative (GenAI) pour améliorer la conscience situationnelle et soutenir une prise de décision sûre ;
• Amélioration de la sécurité des usagers vulnérables de la route (VRU), basée sur une perception accrue, plus résistante aux erreurs, et une meilleure compréhension de leurs comportements et prédictions d'intentions ;
• Renforcement de la robustesse des systèmes CCAM - tant à bord qu'au niveau des infrastructures - dans des situations critiques grâce à leur entraînement, leurs tests virtuels et leur validation dans des scénarios générés par la GenAI, complétant les bases de données de scénarios existantes pour les tests et la validation des systèmes CCAM ;
• Meilleure compréhension de la pertinence et des limites de l'utilisation de la GenAI pour le CCAM ;
• Outils et approches harmonisées pour l'utilisation de la GenAI dans le développement, la formation et la validation des technologies de mobilité, ainsi que pour des applications systémiques telles que la gestion du trafic et le contrôle à distance, en les intégrant dans les approches existantes.

Champ d'application :

Les pilotes et démonstrations utilisant des services de véhicules de niveaux 3 et 4 sont confrontés à des défis majeurs en matière de perception et de prise de décision, soulignant la nécessité de solutions à faible latence qui améliorent la réactivité et la conscience situationnelle dans des conditions opérationnelles en temps réel. Cela est particulièrement pertinent pour la conduite dans des environnements plus complexes comme les zones urbaines, où la variance environnementale est plus élevée et où de nouveaux scénarios peuvent être rencontrés régulièrement. De plus, il est nécessaire de limiter la latence, la bande passante et la consommation d'énergie pour les calculs embarqués, ainsi que de renforcer la sécurité, la confidentialité et la fiabilité (par exemple, la compréhension de la scène et la prédiction de l'évolution des scénarios futurs proches). Pour une prise de décision rapide lors des interactions avec les VRU, cela est essentiel pour la mise en œuvre de solutions compatibles CCAM et pour garantir l'évolutivité.

Parallèlement, les développements de technologies agnostiques du secteur montrent des avancées - telles que la GenAI - qui peuvent être bénéfiques pour le CCAM. Les premières étapes exploratoires peuvent être attendues d'un projet financé au titre de HORIZON-CL5-2023-D6-01-02^[1] concernant le potentiel de la génération virtuelle de cas limites (edge cases), qui pourrait être utilisée pour le développement, l'entraînement, les tests virtuels et la validation des systèmes CCAM.

D'autres avancées dans les applications de GenAI spécifiquement pour le domaine CCAM doivent être développées, entraînées et validées^[2]. Ainsi, les actions proposées devront inclure des approches pour exploiter de nouvelles avancées technologiques pour le CCAM. Des étapes majeures sont nécessaires pour passer à des systèmes de perception et de prise de décision en temps réel hautement avancés, ultra-sûrs, fiables et économes en énergie pour les véhicules automatisés, en se concentrant spécifiquement sur les solutions évolutives et l'exploitation de la GenAI. Ces avancées devraient s'appuyer sur des systèmes à faible latence ou des ressources de calcul distribuées pour faciliter le traitement en temps réel, améliorant ainsi la réactivité et la sécurité du système. Ce sujet contribuera ainsi au AI Continent Action Plan^[3] en favorisant le développement et l'adoption de l'IA dans le secteur automobile.

Les actions proposées doivent répondre à tous les aspects suivants :

• Développement d'outils et d'approches pour une perception robuste de l'environnement et une prise de décision (en périphérie/edge, à bord, au niveau de l'infrastructure ou en back-office). Ces approches viseront à accélérer et à faire progresser le raisonnement de la prise de décision, en augmentant le niveau d'efficacité, de (cyber)sécurité et de fiabilité des applications, avec la planification de trajectoire comme cas d'utilisation initial. Cela vise, entre autres, à soutenir la perception des VRU, la prédiction de leur comportement et de leurs intentions, et inclut des approches de partage de données pour les solutions CCAM afin de créer une fenêtre temporelle plus large pour les actions dans les scénarios de quasi-accident. L'utilisation...