L’équipe Axionable composée d’experts en Intelligence Artificielle et en électronique embarquée a remporté samedi 23 juin l’Iron Car, 1ère course de véhicule autonome en France. Une performance remarquée et relayée par le JT de TF1. L’équipe revient sur sa performance en expliquant les modifications apportées à son code, disponible à tous en open source.
Iron Car France : la première course de véhicule autonome en France
L’Iron Car est une course de voitures autonomes en modèle réduit dont le but est de vulgariser l’utilisation de l’Intelligence Artificielle de façon ludique et de sensibiliser le grand public aux techniques de Machine Learning et Deep Learning. Le principe de la course est simple : programmer une voiture au modèle réduit pour lui permettre de réaliser 3 tours de circuit avec le moins d’interventions humaines. Un kit de démarrage et toutes les informations utiles sur la course sont disponibles sur le site Web officiel d’IronCar.
Le championnat, qui attire de plus en plus de passionnés, a également retenu l’attention de TF1 qui a dépêché une équipe sur place pendant les 5 heures de l’épreuve (voir le replay ici) lors de la Summer Race.
L’édition de l’IronCar du 23 Juin relayée au JT de TF1. Regardez la vidéo ici.
Summer Race 2018 : une édition riche en émotions et en surprises
La Summer Race de l’Iron Car s’est déroulée samedi 23 juin et a rassemblé une dizaines d’équipes. Des étudiants de plusieurs écoles d’ingénieurs, des entreprises ainsi que de équipes d’individuels, tous passionnés d’Intelligence Artificielle (IA).
Cette édition a été pleine de surprises : un nouveau parcours, des nouveaux participants, une organisation plus rodée, une diffusion sur TF1, ainsi que la participation des personnalités telles que Grégory Renard Chief AI Officer chez XBrain et organisateur de DIYRobocars, et de Aurélie Jean CEO of In Silico Veritas et CTO of MixR. Ils ont présenté leur serment Holberton-Turing qui visent à faire respecter les valeurs morales et éthiques dans le domaine de l’Intelligence Artificielle.
Aurélie Jean et Greg Renard partagent la philosophie derrière le serment Holberton-Turing lors de la Summer Race Iron Car
La qualité des données, secret de la victoire d’Axionable
La vitesse n’était pas le facteur clé de la course. En effet, la stratégie commune à toutes les équipes s’est focalisée à éviter les sorties de piste qui étaient pénalisées de cinq seconds par sortie. Avoir un rythme constant et réduire le nombre de sorties de piste vaut plus en termes de performance globale que d’avoir une grande vitesse avec un nombre élevé de sorties.
L’équipe Axionable sur le podium de la Summer Race IronCar pour recevoir la coupe
Nous avons fait beaucoup des changements pour améliorer l’AxioNaut pour cette deuxième édition de l’IronCar. Voici la liste des principaux changements :
- La hauteur de la caméra : Nous avons constaté que le fait de placé la caméra plus haut améliore la capture de l’image en termes de luminosité ayant une représentation plus précise de la piste.
- Le modèle de la raspberry pi : Nous avons utilisé une carte Raspberry 3B+. Ce type de carte est plus conseillée pour faire tourner des modèles de deep learning grâce à sa vitesse de traitement et sa connexion sans fil.
- L’architecture du réseau de neurones : le nombre de couches et de filtres de l’architecture a été incrémenté pour récupérer plus d’aspects et caractéristiques spatiales de la piste.
- La qualité de données : C’est l’amélioration la plus importante et sans doute l’élément qui a stimulé notre performance en piste pour cette édition. Nous avons utilisé cette fois-ci des images réelles et pas d’images simulées. Des vrais segments de piste ont été recréés avec une largeur très similaire à celle de la vraie compétition IronCar. La capture d’images a aussi pris en compte l’intensité de la lumière, certaines images ont été prises sur des zones sombres et ensoleillées. De plus, la labellisation a été faite de façon semi-automatique. Cela nous a permis d’avoir un meilleur contrôle des données d’entrainement. Le fait d’agréger ces types d’images et de les labéliser manuellement ont amélioré notre modèle.
- Le sur-apprentissage: une stratégie gagnante est aussi d’augmenter des images des zones où on voit que la voiture a du mal à prendre la bonne décision. On fait en quelque sorte un sur-apprentissage sur des erreurs rencontrés afin de les éviter.
Jean Cupe explique la stratégie deep learning mise en œuvre par l’équipe Axionable
Un grand bravo à l’équipe Axionable victorieuse de cette très belle édition estivale de l’Iron Car : Nelson Fernandez, Simon Palma, Jean Cupe.
Une course Open Source et ouverte à tous
La vulgarisation d’une technologie ne peut pas être complète seulement avec des démos et des vidéos sur comme elle fonctionne. C’est pour cela que le gagnant de chaque édition de l’IronCar est obligé de partager son code et ses améliorations afin que toutes les équipes puissent avancer et améliorer leurs modèles et performances pour la prochaine course. C’est une démarche collaborative dans laquelle nous apprenons tous de nos erreurs.
Cependant, un code sans donnée n’est pas vraiment utile pour une équipe qui démarre de zéro. C’est pour cela, qu’une initiative pour collecter des données des plusieurs équipes a été lancée afin de faciliter un peu plus l’intégration des nouvelles équipes aux prochaines éditions de l’IronCar. En attendant de collecter beaucoup plus de données, nous mettons à disposition les images que nous ont aidé à améliorer notre dernier modèle.
Dans le respect de la philosophie Open Source de l’Iron Car, nous sommes fiers de partager :
- la dernière base de données utilisée pour entrainer notre modèle
- le dernier algorithme utilisé par l’AxioNaut dans notre GitHub
Axionable partenaire de la course
Pour contribuer à l’essor et à la notoriété de la course, Axionable est fière d’être sponsor de l’évènement. Un évènement qui accompagne la communauté des développeurs et des passionnés de l’IA à montrer les atouts mais aussi les défauts de l’intelligence artificielle.
Axionable est fier d’être sponsor de l’IronCar.
Les organisateurs sont à la recherche d’autres sponsors pour amplifier l’initiative, n’hésitez pas à les contacter !
Perspectives et prochaines courses
La qualité de l’événement s’est améliorée de façon exponentielle depuis la première édition grâce aux efforts mutuels des organisateurs et des sponsors. Cependant, on peut faire mieux encore avec l’aide des plus d’entités désireuses de parier sur la croissance de l’événement.
Plus d’entreprises et d’institutions peuvent participer à cet événement en rejoignant la ligne des sponsors. C’est une excellente occasion de communiquer avec d’autres équipes, d’avoir un aperçu des aspects techniques et d’en savoir plus sur le monde passionnant de l’intelligence artificielle et le machine learning.
Aussi, si vous êtes curieux et passionné par la technologie et l’intelligence artificielle, l’équipe d’Axionable vous invite à faire partie de l’expérience en participant à la prochaine édition d’IronCar qui aura lieu à la rentrée le 08 Septembre à 14h.
Contact