MIT-CSRC-driveseg-dataset

 

CAMBRIDGE (Massachusetts), le 15 juin 2020 – Comment pouvons-nous inculquer aux véhicules autonomes de meilleures connaissances du monde qui les entoure? Les ordinateurs peuvent-ils tirer des leçons des expériences passées pour reconnaître les tendances futures qui peuvent les aider à naviguer en toute sécurité dans des situations nouvelles et imprévisibles? 

Ce sont quelques-unes des questions auxquelles les chercheurs du Massachusetts Institute for Technology (MIT) AgeLab du MIT Center for Transportation & Logistics et du Centre de recherche collaborative sur la sécurité (CRCS) de Toyota tentent de répondre en partageant un nouvel ensemble de données ouvert et innovant appelé DriveSeg.

Avec le lancement de DriveSeg, le MIT et Toyota s’efforcent de faire progresser la recherche sur les systèmes de conduite autonomes qui, tout comme la perception humaine, perçoivent l’environnement de conduite comme un flux continu d’informations visuelles. 

« En partageant cet ensemble de données, nous espérons encourager les chercheurs, l’industrie et d’autres innovateurs à développer de nouvelles perspectives et orientations dans la modélisation de l’IA temporelle qui permet la prochaine génération de technologies de conduite assistée et de sécurité automobile », déclare Bryan Reimer, chercheur principal. « Nos relations de travail de longue date avec le CRCS de Toyota ont permis à nos efforts de recherche d’influencer les futures technologies de sécurité. »

« Le pouvoir prédictif est une partie importante de l’intelligence humaine », commente Rini Sherony, ingénieur principal du Centre de recherche collaborative sur la sécurité de Toyota. « Chaque fois que nous conduisons, nous suivons en permanence les mouvements de l’environnement qui nous entoure afin de détecter les risques éventuels et de prendre des décisions plus sécuritaires. En partageant cet ensemble de données, nous espérons accélérer la recherche sur les systèmes de conduite autonomes et les dispositifs de sécurité avancés qui sont plus adaptés à la complexité de l’environnement qui les entoure. »

Jusqu’à présent, les données sur la conduite autonome mises à la disposition de la communauté des chercheurs consistaient principalement en un ensemble d’images statiques uniques pouvant être utilisées pour identifier et suivre des objets courants que l’on rencontre sur la route ou tout autour, comme des vélos, des piétons ou des feux de circulation grâce à l’utilisation de « boîtes à limite », ou « boîtes englobantes ». En revanche, DriveSeg contient des représentations plus précises, au niveau du pixel, de nombre de ces mêmes objets routiers courants, mais à travers l’objectif d’une scène de conduite en vidéo continue. Ce type de segmentation de la scène complète peut être particulièrement utile pour identifier des objets plus amorphes – comme les travaux routiers et la végétation – dont les formes ne sont pas toujours bien définies et uniformes. 

Selon Sherony, la perception vidéo des scènes de conduite fournit un flux de données qui ressemble davantage à des situations de conduite dynamiques et réelles. Il permet également aux chercheurs d’explorer les modèles de données au fil du temps, ce qui pourrait conduire à des progrès dans l’apprentissage machine, la compréhension des scènes et la prédiction comportementale.

DriveSeg est libre d’accès et peut être utilisé par les chercheurs et la communauté universitaire à des fins non commerciales ici. Les données sont composées de deux parties. DriveSeg (manuel) est une vidéo haute définition de 2 minutes et 47 secondes enregistrée lors d’un trajet de jour dans les rues animées de Cambridge, au Massachusetts. Les 5 000 images de la vidéo sont densément annotées manuellement avec des étiquettes humaines par pixel de 12 classes d’objets routiers. 

DriveSeg (semi-automatique) est un ensemble de 20 100 images vidéo (clips de 67 à 10 secondes) tirées des données du consortium MIT Advanced Vehicle Technologies (AVT). DriveSeg (semi-automatique) est étiqueté avec la même annotation sémantique au pixel près que DriveSeg (manuel) sauf que les annotations ont été complétées par une nouvelle approche d’annotation semi-automatique développée par le MIT. Cette approche tire parti des efforts manuels et informatiques pour annoter grossièrement les données plus efficacement et à moindre coût que l’annotation manuelle. Cet ensemble de données a été créé pour évaluer la faisabilité de l’annotation d’un large éventail de scénarios de conduite réels et pour évaluer le potentiel de formation des systèmes de perception des véhicules sur des étiquettes de pixels créées par des systèmes d’étiquetage basés sur l’IA. 

Pour en savoir plus sur les spécifications techniques et les cas d’utilisation autorisés pour les données, cliquez ici

Pour en savoir plus sur le Centre de recherche collaborative sur la sécurité de Toyota, cliquez ici

Contacts avec les médias
David Shum
Chef d’équipe, Communications d’entreprise
David_Shum@toyota.ca

À propos de Toyota Canada 

Toyota Canada Inc. (TCI) est le distributeur canadien exclusif des véhicules Toyota et Lexus. Toyota a vendu plus de 5 millions de véhicules au pays, par l’entremise d’un réseau de 287 concessionnaires Toyota et Lexus. Toyota s’engage à fournir aux automobilistes canadiens des véhicules réputés pour leur sécurité, leur qualité, leur durabilité et leur fiabilité, et à leur offrir un service de qualité. Le siège social de TCI est situé à Toronto et l’entreprise a aussi des bureaux régionaux à Vancouver, Calgary, Montréal et Halifax, et des centres de distribution des pièces à Toronto et Vancouver. Toyota exploite deux usines de production au Canada. Ces usines ont déjà produit plus de 8 millions de véhicules, parmi lesquels des modèles très appréciés des consommateurs canadiens, comme le Toyota RAV4, le Toyota RAV4 hybride, et les Lexus RX 350 et RX 450h hybride. À la suite des récents investissements injectés par Toyota dans ses installations de l’Ontario, la production des très populaires modèles Toyota RAV4 et RAV4 hybride va s’intensifier.

À propos de l’AgeLab du MIT

Les travaux de l’AgeLab du MIT Center for Transportation & Logistics visent à comprendre comment les nouvelles technologies et les nouveaux services influencent la qualité de vie tout au long de la vie. Les recherches de l’AgeLab visent à développer une compréhension approfondie des problèmes, des implications et des possibilités associées aux nouvelles technologies telles que la technologie d’aide à la conduite, les véhicules autonomes, les maisons connectées, et les technologies et services ambiants connexes.