La start-up autonome Waabi vient de réussir à gagner 83,5 millions de dollars – comment ?

Ce n'est pas le meilleur moment pour les startups de voitures autonomes. L'année dernière, de grandes entreprises technologiques ont racheté des startups qui manquaient d'argent et des entreprises de covoiturage  ont mis fin à des projets coûteux de voitures autonomes  sans aucune perspective de devenir prêtes pour la production de sitôt.[19659003] Pourtant, au milieu de ce ralentissement, Waabi, une startup de voitures autonomes basée à Toronto, vient de sortir de la clandestinité avec un montant insensé de 83,5 millions de dollars dans un cycle de financement de série A dirigé par Khosla Ventures, avec une participation supplémentaire de Uber, 8VC, Radical Ventures, OMERS Ventures, BDC et Aurora Innovation. Les bailleurs de fonds de la société incluent également Geoffrey HintonFei-Fei Li, Peter Abbeel et Sanja Fidler, des scientifiques en intelligence artificielle ayant une grande influence dans le milieu universitaire et la communauté de l'IA appliquée.

Ce qui fait Waabi. qualifié pour un tel soutien? Selon le communiqué de presse de la société Waabi vise à résoudre le défi « d'échelle » de la recherche sur les voitures autonomes et à « apporter une technologie de conduite autonome commercialement viable à la société ». Ce sont deux défis clés de l'industrie des voitures autonomes et sont mentionnés à plusieurs reprises dans le communiqué.

Ce que Waabi décrit comme sa « prochaine génération de technologie de conduite autonome » n'a pas encore passé l'épreuve du temps. Mais son plan d'exécution donne des indications sur les directions que pourrait prendre l'industrie automobile autonome.

De meilleurs algorithmes et simulations d'apprentissage automatique

[19659003] Selon le communiqué de presse de Waabi : « L'approche traditionnelle de l'ingénierie des véhicules autonomes se traduit par une pile logicielle qui ne tire pas pleinement parti de la puissance de l'IA et qui nécessite un réglage manuel complexe et fastidieux. Cela rend la mise à l'échelle coûteuse et techniquement difficile, en particulier lorsqu'il s'agit de résoudre des scénarios de conduite moins fréquents et plus imprévisibles. »

Les principales entreprises de voitures autonomes ont conduit leurs voitures sur de vraies routes sur des millions de kilomètres  pour former leurs modèles d'apprentissage en profondeur . La formation sur route est coûteuse à la fois en termes de logistique et de ressources humaines. Il est également semé de défis juridiques, car les lois entourant les tests de voitures autonomes varient selon les juridictions. Pourtant, malgré toute la formation, la technologie des voitures autonomes a du mal à gérer les cas de figure, des situations rares qui ne sont pas incluses dans les données de formation. Ces défis croissants témoignent des limites de la technologie actuelle des voitures autonomes.

Voici comment Waabi prétend résoudre ces défis (c'est moi qui souligne) : « La percée de l'entreprise, L'approche d'abord par l'IAdéveloppé par une équipe de technologues de premier plan au monde, tire parti de   l'apprentissage en profondeur, l'inférence probabiliste et l'optimisation complexe  pour créer un logiciel qui est   de bout en bout entraînable, interprétable et capable de très raisonnement complexe. Ceci, associé à un simulateur en boucle fermée révolutionnaire  qui a un niveau de fidélité sans précédentpermet de tester à l'échelle de à la fois des scénarios de conduite courants et des cas de bord critiques pour la sécurité . Cette approche   réduit considérablement la nécessité de parcourir des kilomètres de test dans le monde réel  et aboutit à une solution plus sûre et plus abordable. "

Il y a beaucoup de jargon là-dedans (un dont beaucoup est probablement le jargon marketing) qui doit être clarifié. J'ai contacté Waabi pour plus de détails et je mettrai à jour ce message si j'ai de leurs nouvelles.

Par « l'approche d'abord de l'IA », je suppose qu'ils veulent dire qu'ils mettront davantage l'accent sur la création de meilleurs modèles d'apprentissage automatique et moins sur technologies complémentaires telles que les lidars, les radars et les données cartographiques. L'avantage d'avoir une pile lourde de logiciels est le très faible coût de mise à jour de la technologie. Et il y aura beaucoup de mises à jour dans les années à venir alors que les scientifiques continueront de trouver des moyens de contourner les limites de l'IA autonome.

La combinaison de « l'apprentissage en profondeur, le raisonnement probabiliste, et l'optimisation complexe » est intéressant, mais pas une percée. La plupart des systèmes d'apprentissage en profondeur utilisent l'inférence non probabiliste. Ils fournissent une sortie, disons une catégorie ou une valeur prédite, sans donner le niveau d'incertitude sur le résultat. D'un autre côté, l'apprentissage profond probabiliste fournit également la fiabilité de ses inférences, ce qui peut être très utile dans des applications critiques telles que la conduite.

Les modèles d'apprentissage automatique « entraînables de bout en bout » ne nécessitent aucune fonctionnalité manuelle. Cela signifie qu'une fois que vous avez développé l'architecture et déterminé les fonctions de perte et d'optimisation, il vous suffit de fournir au modèle d'apprentissage automatique des exemples de formation. La plupart des modèles d'apprentissage en profondeur peuvent être entraînés de bout en bout. Certaines des architectures les plus complexes nécessitent une combinaison de fonctionnalités et de connaissances conçues à la main ainsi que des composants pouvant être entraînés.

Enfin, «interprétabilité» et «raisonnement» sont deux des éléments clés défis de l'apprentissage en profondeur. Les réseaux de neurones profonds sont composés de millions et de milliards de paramètres. Il est donc difficile de les dépanner en cas de problème (ou de trouver des problèmes avant que quelque chose de grave ne se produise), ce qui peut être un véritable défi dans des scénarios critiques tels que la conduite de voitures. D'autre part, le  manque de pouvoir de raisonnement et de compréhension causale  rend très difficile pour les modèles d'apprentissage profond de gérer des situations qu'ils n'ont jamais vues auparavant.

Selon ] La couverture par TechCrunch  du lancement de Waabi, Raquel Urtasan, PDG de l'entreprise, a décrit le système d'IA que l'entreprise utilise comme une « famille d'algorithmes ». le processus de décision du système d'IA et d'incorporer les connaissances préalables afin qu'ils n'aient pas à tout enseigner au système d'IA à partir de zéro », a écrit TechCrunch.

L'environnement de simulation en boucle fermée remplace l'envoi de vraies voitures sur de vraies routes. Dans   une interview avec The Verge Urtasan a déclaré que Waabi peut « tester l'ensemble du système » en simulation. « Nous pouvons entraîner tout un système à apprendre en simulation, et nous pouvons produire des simulations avec un niveau de fidélité incroyable, de sorte que nous pouvons vraiment corréler ce qui se passe en simulation avec ce qui se passe dans le monde réel. »

I' m un peu sur la clôture sur le composant de simulation. La plupart des constructeurs de voitures autonomes utilisent des simulations dans le cadre du régime de formation de leurs modèles d'apprentissage en profondeur. Mais créer des environnements de simulation qui sont des répliques exactes du monde réel est pratiquement impossible, c'est pourquoi les constructeurs de voitures autonomes continuent d'utiliser des tests routiers intensifs.

Waymo a au moins 20 milliards de kilomètres de conduite simulée à parcourir avec ses 20 millions. miles d'essais sur route réelle, ce qui est un record dans l'industrie. Et je ne sais pas comment une startup avec un financement de 83,5 millions de dollars peut surpasser le talent, les données, le calcul et les ressources financières d'une entreprise autonome avec plus d'une décennie d'histoire et le soutien d'Alphabet, l'une des entreprises les plus riches. dans le monde.

D'autres indices du système peuvent être trouvés dans les travaux d'Urtasan, qui est également professeur au département d'informatique de l'Université de Toronto, dans le cadre de la recherche universitaire. Le nom d'Urtasan apparaît sur de nombreux articles sur la conduite autonome. Mais un, en particulier, téléchargé sur le serveur de préimpression arXiv en janvier, est intéressant.

Titré, "MP3: A Unified Model to Map, Perceive, Predict and Plan", le document discute d'une approche à la conduite autonome qui est très proche de la description du communiqué de presse de lancement de Waabi.

Les chercheurs décrivent MP3 comme « une approche de bout en bout de la conduite sans carte qui est interprétable, n'entraîne aucune perte d'informations et des raisons d'incertitude dans les représentations intermédiaires ». Dans l'article, les chercheurs discutent également de l'utilisation de "couches spatiales probabilistes pour modéliser les parties statiques et dynamiques de l'environnement". planifier des trajectoires. Le modèle d'apprentissage automatique évite le besoin de données cartographiques finement détaillées que des entreprises comme Waymo utilisent dans leurs véhicules autonomes.

Raquel a publié une vidéo sur son YouTube qui fournit une brève explication du fonctionnement du MP3. C'est un travail fascinant, même si de nombreux chercheurs souligneront qu'il ne s'agit pas tant d'une percée que d'une combinaison intelligente de techniques existantes.

Il existe également un écart important entre la recherche universitaire en IA et l'IA appliquée. Il reste à voir si le MP3 ou une variante de celui-ci est le modèle utilisé par Waabi et comment il fonctionnera dans des conditions pratiques.

Une approche plus conservatrice de la commercialisation

La première application de Waabi ne sera pas les voitures particulières que vous pouvez commander avec votre application Lyft ou Uber.

"L'équipe se concentrera initialement sur le déploiement du logiciel de Waabi dans la logistique, en particulier le camionnage longue distance, une industrie où la technologie de conduite autonome a l'impact le plus important et le plus rapide en raison d'un problème chronique pénurie de conducteurs et problèmes de sécurité omniprésents », indique le communiqué de presse de Waabi.

Ce que le communiqué ne mentionne pas, cependant, c'est que les paramètres routiers sont un problème plus facile à résoudre car ils sont beaucoup plus prévisibles que les zones urbaines. Cela les rend moins sujets aux cas marginaux (comme un piéton courant devant la voiture) et plus faciles à simuler. Les camions autonomes peuvent transporter des marchandises entre les villes, tandis que les chauffeurs humains s'occupent de la livraison à l'intérieur des villes.

Lyft et Uber n'ayant pas lancé leurs propres services de robo-taxi, et Waymo toujours loin de tourner One, son trajet entièrement sans conducteur. L'approche de Waabi semble bien pensée.

Avec des applications plus complexes encore hors de portée, nous pouvons nous attendre à ce que la technologie de conduite autonome fasse des percées dans des contextes plus spécialisés tels que le camionnage et les complexes industriels et les usines.

Waabi ne fait pas non plus mention d'une chronologie dans le communiqué de presse. Cela semble également refléter les échecs de l'industrie des voitures autonomes au cours des dernières années. Les hauts dirigeants des constructeurs automobiles et de voitures autonomes ont constamment fait des déclarations audacieuses et donné des délais concernant la livraison de la  technologie entièrement sans conducteur. Aucune de ces échéances n'a été respectée.

Que Waabi réussisse de manière indépendante ou finisse par rejoindre le portefeuille d'acquisitions de l'un des géants de la technologie, son plan semble être une vérification de la réalité de l'industrie des voitures autonomes. L'industrie a besoin d'entreprises capables de développer et de tester de nouvelles technologies sans trop de bruit, d'embrasser le changement en apprenant de leurs erreurs, d'apporter des améliorations progressives et d'économiser leur argent pour une longue course.

Cet article a été initialement publié. publié par Ben Dickson sur TechTalksune publication qui examine les tendances technologiques, comment elles affectent notre façon de vivre et de faire des affaires, et les problèmes qu'elles résolvent. Mais nous discutons également du côté pervers de la technologie, des implications les plus sombres des nouvelles technologies et de ce que nous devons rechercher. Vous pouvez lire l'article original ici.