fr
contact
BACK TO THE LIST

« Hello, I am The AxioNaut », 1er prototype de véhicule autonome d’Axionable

4 février 2018

« Hello, I am the AxioNaut », 1er prototype de véhicule autonome d’Axionable

“The AxioNaut”, le premier prototype de véhicule autonome d’Axionable a participé le 10 février 2018 à la 1ère compétition de ‘mini-voiture autonome ‘IronCar France’.

Si les américains peuvent le faire, pourquoi pas nous
Pourquoi développer un prototype de voiture autonome ? L’idée a germé suite à hackaton organisé par AWS (Amazon Web Services) fin novembre 2017 à Las Vegas à l’occasion de l’événement re:invent. L’équipe Data Science d’Axionable s’est alors lancé un défi : si les américains peuvent le faire, pourquoi pas nous ? L’objectif scientifique de cette initiative pour Axionable est de tester les technologies et solutions à l’état de l’art dans le domaine de l’intelligence artificielle, le deep learning, embarquées sur un dispositif “low tech” (contrainte des batteries, CPU et mémoire limitée, etc.).

L’implémentation du prototype
L’AxioNaut est un prototype de mini-voiture basé sur un raspberry pi. Elle utilise une raspberry pi camera avec un objectif fisheye ainsi que le châssis et les servomoteurs d’une voiture radio commandée. Ce qui fait de l’AxioNaut un prototype à prix abordable sur lequel nous avons déployé un algorithme d’apprentissage machine qui rend la mini-voiture autonome.

 

L’AxioNaut utilise l’Intelligence Artificielle, plus précisément il utilise la technologie du deep learning (apprentissage profond en Français). Cette technologie fait partie de l’apprentissage automatique mais à différence des approches classiques elle a l’avantage d’analyser des données brutes. En effet, l’extraction de caractéristiques pour décrire les données n’est pas nécessaire.

L’apprentissage profond est basé sur les réseaux de neurones artificiels, où le mot ‘profond’ fait référence aux plusieurs niveaux de connexions entre neurones. Il est possible de construire différentes architectures de réseaux de neurones, dont quelques exemples sont les réseaux de neurones convolutifs et les réseaux de neurones récurrents. L’architecture utilisée dans l’AxioNaut est une architecture de réseau neuronal convolutif où le mode de connexion entre les neurones est inspiré par le cortex visuel des animaux. Ce type de réseau est très utilisé dans l’analyse d’images et de sons. Nous l’avons utilisée pour contrôler la direction de roues de l’AxioNaut.

L’utilisation d’un réseau convolutif a été implémenté dans un cadre d’apprentissage automatique supervisé dans lequel à partir d’une base de données contenants des exemples de conduite on cherche à rendre l’AxioNaut autonome. Un exemple de la base de données inclut une image, un angle pour contrôler les roues, et la vitesse de la voiture. Pour la première version de l’AxioNaut, nous avons limité le champ d’action du réseau convolutif à la prédiction de l’angle pour contrôler les roues en laissant la vitesse constante.

L’implémentation du réseau de neurones a été fait sur Keras, une librairie sur Python qui permet de prendre en main très facilement l’implémentation des architectures de deep learning. L’acquisition de données pour l’entrainement de notre réseau neuronal a été fait dans un circuit déployé dans nos locaux.

What’s next ?
Le résultat accompli par notre modèle lors de la compétition IronCar France valide notre engagement avec les nouvelles technologies en intelligence artificielle, en particulier l’utilisation de la technologie d’apprentissage profond dans le cadre de traitement d’images.
Nous avons plusieurs améliorations en tête pas seulement pour améliorer la conduite mais aussi pour rajouter des nouvelles fonctionnalités. Quelques idées sont le contrôle par la voix, la détection d’obstacles, ainsi que la reconnaissance d’objets.

Concocté avec amour par :
Jean Cupe
Concocté avec amour par :
Nelson Fernandez

Articles concotés avec les mêmes ingredients

[REPLAY] Axionable x HEC Forecast : « L’IA pour l’investissement durable ? »

L’IA pour l’investissement durable ? Notre directeur scientifique Alexis Hannart présente nos solutions d’Intelligence Artificielle pour l’analyse et la collecte de données ESG à l’occasion du HEC Forecast organisé par Le Comité en Science Des Données. Découvrez son intervention sur les défis et opportunités de l’IA dans la Finance durable. ⇩⇩⇩

Alexis HANNART

[REPLAY] Axionable x CNES : « IA, résilience climatique et risques naturels »

Comment quantifier les risques liés au climat et leur évolution future grâce à l’intelligence artificielle ? Notre CEO Gwendal Bihan prenait la parole à l’occasion de “La journée de l’innovation” organisée par le CNES sur le thème de l’IA, de la résilience climatique et des risques naturels. Découvrez en vidéo sa présentation de nos avancés […]

Gwendal BIHAN
18 décembre 2020

Le top 10 des lectures de vacances de l’équipe Axionable

Le top 10 des lectures de vacances de l’équipe Axionable : Découvrez la sélection de notre équipe, sérieuse ou divertissante, il y en a pour tous les gouts : IA et technologies, développement durable, romans SF, et même deux livres à ajouter à la liste au père noël de vos enfants.     • Human […]

Marie GEOFFROY-LOMBARD
14 octobre 2020

L’engagement durable d’Axionable récompensé par la certification B Corp® !

L’engagement durable d’Axionable récompensé par la certification B Corp !   Il y a quelques mois, nous vous annoncions notre pivot vers un modèle plus responsable afin de devenir le « premier spécialiste français de l’IA à finalité durable ». Après avoir mobilisé l’ensemble de nos collaborateurs en faveur de cet objectif, nous sommes heureux de constater […]

Quentin FAULCONNIER
Emeline KLEINMANN-DUKIC

Ready for sustainable AI?

Let's make an appointment to discuss our approach
career solutions and opportunities
Contactez-nous
Paris
13 rue des Arquebusiers
75003 Paris
Montréal
1275 Avenue Des Canadiens-De-Montréal, Montréal, QC, H3B 0G4
contact Contact