Comment l’intelligence artificielle veut éradiquer les risques accidents des flottes

Prévenir 17 accidents sur 20 avant même qu’ils ne se produisent. Tel est le résultat d’une analyse publiée hier par l’éditeur de logiciels FleetCheck.

Cette communication met en avant une étude¹publiée le 17 août dans la revue scientifique Communication in Transportation Research permettant de lever deux des principaux obstacles permettant le déploiement massif de l’IA au sein des flottes.

Améliorer la compréhension des situations 

Jusqu’alors, la prévention algorithmique souffrait d’un dilemme rédhibitoire. Les systèmes classiques manquaient de transparence. En clair le système repérait le danger mais ne pouvait expliquer pourquoi il freinait ou évitait un obstacle.

Les récents modèles multimodaux de langage et de vision (VLM), savent analyser une scène de la route et expliquer le danger. Problème, ces IA sont si volumineuses qu’elles demandent trop de temps de calcul (2 secondes) pour être exécutés en temps réel dans l’ordinateur de bord du véhicule.

Pour combiner capacité d’explication et rapidité d’exécution, les chercheurs ont utilisé deux techniques. Au lieu de donner une réponse précipitée, la méthode de raisonnement pas à pas (chain-of-thought) contraint l’IA à décomposer l’analyse de ce qu’elle voit. Par exemple « je vois un piéton », « il s’approche de la chaussée », « il y a un risque de collision », avant de prendre une décision.

Ensuite tout cela fait l’objet d’une distillation de connaissance. Ce qui permet de compresser la puissance d’un grand modèle VLM dans un algorithme embarqué léger (l’ordinateur de la voiture). Une peu comme si on résume un manuel de 1 000 pages dans un guide de poche.

Accélérer les capacités d'analyse et de réaction

L’analyse de la route devient ainsi claire, détaillée et ultra-rapide. Le temps de réaction de l’IA est ainsi divisé par deux. L’analyse se fait en moins de 0,8 seconde (la réaction humaine moyenne est de 1 seconde) ce qui rend le système enfin exploitable en condition réelle pour éviter les accidents. À 50 km/h, la voiture parcourt ainsi moins de 11 mètres pendant sa phase de « réflexion », contre 22 mètres auparavant.

Les tableaux de bord fournissent désormais un contexte circonstance (météo dégradée, piéton masqué, inattention d’un tiers…), à même de transformer la gestion de la sécurité au quotidien. Ce niveau de détail permet également de fausses incriminations aux conducteurs lors des manœuvres d’évitement légitimes.

Pour le gestionnaire de flottes, l’enjeu financier s’avère colossal. Cela devrait permettre de réduire drastiquement les sinistres, les immobilisations de véhicules et les primes d’assurances.

Premiers tests en flotte réelle attendue en 2028

Si l’étude valide le concept théorique et la faisabilité technique, il convient de passer du laboratoire à la route. Les équipementiers doivent intégrer ces modèles légers dans le hardware de leurs caméras nouvelle génération.

Des phases pilotes auprès des grands comptes  serviront à valider l’absence de bugs et la gestion des faux positifs en conditions réelles. Par ailleurs, les fédérations professionnelles, les syndicats et les autorités de protection des données comme la CNIL doivent établir les règles de collecte et de restitution de ces analyses générées par l’IA.

1 - Distilling Vision-Language Models for Explainable Transportation Research