Comment Stanley, la voiture robot de Stanford, a-t-elle gagné le Grand Challenge de la DARPA en 2005?

Dix-neuf mois après que tous les robots du premier Grand Challenge de la DARPA furent tombés en panne en quelques milles, l’agence a tenu la course de nouveau. Cette fois, le résultat a été complètement différent. Le 8 octobre 2005, cinq véhicules sans conducteur ont franchi la ligne d’arrivée d’un parcours désertique d’environ 132 milles (212 km), et le premier arrivé a été Stanley, un VUS Volkswagen couvert de capteurs, inscrit par l’Université Stanford.

Le temps gagnant de Stanley a été de 6 heures 53 minutes et 58 secondes selon l’article publié par l’équipe elle-même; Wikipédia indique 6 h 53 min 8 s. Quoi qu’il en soit, il a roulé à une moyenne de 19,1 mi/h sur un terrain accidenté, sans aide humaine, et a valu à son équipe le prix de 2 millions $ US.

La deuxième course

La DARPA, l’agence de recherche du département de la Défense des États-Unis, a doublé le prix après que celui de la course de 2004 n’eut pas été remis. L’intérêt a grandi aussi. Le compte rendu de l’équipe de Stanford indique que 195 équipes se sont inscrites. Après des visites sur place, 43 demi-finalistes ont été invités à une épreuve de qualification au California Speedway, à Fontana, en Californie, du 27 septembre au 5 octobre 2005. Stanley a été le seul véhicule à franchir les 50 portes et à éviter tous les obstacles lors de ses quatre essais de qualification, ce qui lui a valu la deuxième position de départ.

Vingt-trois véhicules ont pris le départ. Le parcours commençait et se terminait à Primm, au Nevada, et serpentait à travers trois tunnels, plus d’une centaine de virages serrés et, à la fin, Beer Bottle Pass, une route de montagne étroite bordée de pentes abruptes des deux côtés. Comme la première fois, les équipes n’ont reçu l’itinéraire que deux heures avant le départ, sous forme de fichier de 2 935 points de passage GPS, avec une limite de vitesse pour chaque tronçon.

Stanley est parti à 6 h 35 (Wikipédia indique 6 h 40). Le personnel de la DARPA l’a mis en pause deux fois pour qu’il ne rentre pas dans H1ghlander, le robot de Carnegie Mellon, parti cinq minutes plus tôt. Au mille 101,5, les responsables ont plutôt mis H1ghlander en pause et laissé passer Stanley. Le classement final :

La rivalité avait une dimension personnelle. Sebastian Thrun, qui dirigeait l’équipe de Stanford, avait auparavant été professeur à Carnegie Mellon et collègue de Red Whittaker, qui dirigeait l’effort de Carnegie Mellon.

Ce qu’il y avait dans Stanley

Stanley était un Volkswagen Touareg R5 TDI 2004, un VUS diesel, adapté avec l’aide du laboratoire de recherche de Volkswagen of America. Sur son toit se trouvaient cinq télémètres laser, chacun balayant le sol devant lui d’un mince faisceau selon un angle légèrement différent, plus une caméra couleur et un GPS. Six ordinateurs Pentium M à l’arrière faisaient tourner le logiciel. Intel Research et la société de capital de risque Mohr Davidow Ventures soutenaient aussi l’équipe.

Les lasers construisaient une image 3D du sol sur environ 22 mètres devant, assez pour rouler en sécurité à environ 25 mi/h. Pour aller plus vite, Stanley devait voir plus loin, et c’est là qu’entraient en jeu la caméra et l’apprentissage automatique.

Comment Stanley a appris à voir la route

L’article de l’équipe décrit deux usages astucieux de l’apprentissage.

D’abord, apprendre d’un conducteur humain. Les données laser brutes sont bruitées; de petites erreurs dans l’inclinaison estimée du véhicule peuvent faire paraître une route plane comme un mur. Pour régler les nombreux paramètres de son logiciel d’analyse du terrain, l’équipe a fait conduire une personne uniquement sur du terrain dégagé. Tout ce qui se trouvait sous la voiture était étiqueté « carrossable », et des bandes situées à une distance fixe de chaque côté étaient étiquetées « obstacle ». Ces étiquettes sont approximatives, mais elles ne coûtent presque rien à recueillir. Le réglage à partir de ces étiquettes a fait passer la part de terrain jugée à tort comme un obstacle de 12,6 % à 0,002 %.

Ensuite, enseigner à la caméra avec les lasers. Dans chaque image, Stanley prenait la parcelle de sol juste devant, que les lasers avaient confirmée comme sûre, et utilisait ses couleurs et ses textures comme nouveaux exemples d’entraînement. Le système de vision cherchait ensuite un sol d’apparence semblable beaucoup plus loin, jusqu’à 40 mètres et au-delà. Quand la route passait d’un gravier pâle à une terre plus foncée ou à de l’herbe, le modèle de la caméra s’adaptait rapidement à la nouvelle surface.

Voici la deuxième idée en étapes simples :

1. Les lasers vérifient le tronçon de route le plus proche : « Cette parcelle est plane et sûre. »
2. Le logiciel repère cette parcelle dans l’image de la caméra.
3. Il enregistre les couleurs de la parcelle comme « l’apparence de la route en ce moment ».
4. Il balaie le reste de l’image à la recherche de couleurs correspondantes plus loin.
5. Les zones correspondantes sont marquées comme carrossables, pour que la voiture puisse aller plus vite en sécurité.

Pourquoi la victoire comptait

La victoire de Stanley a transformé une expérience ratée en preuve de concept. En 2004, aucun robot n’avait parcouru 8 milles; en 2005, tous les finalistes sauf un sur 23 ont dépassé cette marque, et cinq ont terminé. L’article de Stanford attribue le succès de Stanley surtout à un logiciel fondé sur l’intelligence artificielle, en particulier l’apprentissage automatique et le raisonnement probabiliste, c’est-à-dire des méthodes qui travaillent avec des degrés de certitude plutôt qu’avec des règles fixes de type oui ou non.

La rigueur des essais a compté aussi. L’équipe mesurait ses progrès par la distance moyenne entre deux « défaillances catastrophiques », ces moments où un conducteur de sécurité devait reprendre le volant. Ce chiffre est passé d’environ 1 mille en décembre 2004 à 20 milles en juillet 2005, et avant l’épreuve de qualification, Stanley a parcouru ses 418 derniers milles d’essai sans une seule.

Qu’est-ce que Stanley a appris aux gens qui construisent des voitures autonomes?

La plus grande leçon était qu’une voiture robot devrait apprendre à partir de données plutôt que de dépendre uniquement de règles écrites d’avance par des ingénieurs. Les routes du désert, l’éclairage et la poussière changent constamment, et aucun recueil de règles fixes ne peut tout prévoir. L’habitude de Stanley d’entraîner sa caméra en temps réel, en se servant des lasers comme enseignant, est une forme d’apprentissage autosupervisé : la machine crée ses propres étiquettes à partir d’un capteur pour en entraîner un autre.

Une deuxième leçon était de traiter l’incertitude honnêtement. Le logiciel de Stanley ne déclarait pas simplement une parcelle de sol bloquée quand deux relevés laser étaient en désaccord; il effectuait un test statistique qui tenait compte de petites erreurs dans sa propre position. Une version plus simple du même logiciel, fondée sur des règles, « voyait » des obstacles fantômes au milieu de routes dégagées, alors que la version probabiliste n’en voyait pas.

La troisième leçon portait sur la pratique de l’ingénierie : des essais fréquents dans le désert, des mesures claires des défaillances et un système figé bien avant le jour de la course. Ces habitudes valent pour toute équipe qui cherche à rendre l’IA fiable hors du laboratoire, des voitures robots aux logiciels médicaux.