Par Jonathan Woods
15 mars 2022

Levez la cagoule sur l’industrie du transport, et vous verrez une vague de recherches et de déploiements en IA en cours. Stimulées par des gains d’efficacité potentiels et des désirs des clients pour une meilleure performance, les entreprises utilisent des systèmes d’IA pour optimiser la fabrication, améliorer les modèles d’assistance au conducteur et recueillir les données nécessaires à un avenir marqué par des systèmes de transport de plus en plus autonomes.

L’innovation en IA dans le secteur de la mobilité est remarquable, et les avancées réalisées par les entreprises sponsors de l’industrie vectorielle – Thales et Linamar – en témoignent. Tous deux accordent une attention sérieuse à l’IA et ont récemment participé au projet Vision par ordinateur de Vector, un projet industriel collaboratif qui réunit des entreprises sponsorisées par Vector avec des chercheurs en IA pour appliquer des modèles de pointe à des cas d’utilisation réels de l’industrie. Le travail de ces deux entreprises, ainsi que leurs projets liés à la détection d’anomalies et aux systèmes de mobilité autonome, offrent une fenêtre sur la façon dont l’IA transforme l’industrie du transport et comment les entreprises se préparent à un avenir piloté par l’IA.

Assurance qualité : Identifier les défauts à grande échelle

Pour Linamar, l’IA peut augmenter l’efficacité de la fabrication en automatisant l’assurance qualité. L’ingénieur en intégration Tristan Trim a décrit comment, lors du Symposium de vision par ordinateur de Vector :

« Chez Linamar, on fait beaucoup de fabrication de précision. … Mais comme vous pouvez l’imaginer, chaque petit souci du détail ajouté à chaque pièce sur 10 000 pièces par jour va commencer à s’accumuler. … Ce qui serait génial , c’est qu’on puisse trouver une sorte de moyen automatisé de détecter les défauts dans nos produits manufacturés sans avoir à y accorder autant d’attention. »

Dans le projet de vision par ordinateur, Trim a pu faire exactement cela. Trim a entraîné les modèles à détecter des anomalies dans les images d’objets comme des composants de transmission, puis à reproduire ces images avec toutes les imperfections mises en évidence. À l’aide d’un ensemble de données de 5000 images haute résolution, le modèle a appris à identifier tout pixel anormal. Ces anomalies de pixels indiquaient des défauts et indiquaient exactement où ils se trouvaient. Ce travail démontre qu’il est possible de développer un système automatisé capable de détecter n’importe quel défaut unique, permettant une assurance qualité précise à grande échelle.

Vers les trains autonomes : détection de véhicules, d’obstacles et de travailleurs en bord de voie

Chez Thales, les demandes de systèmes « qui fonctionnent aussi bien ou mieux qu’un humain » ont amené l’entreprise à explorer comment la vision par ordinateur peut soutenir le développement à long terme de trains autonomes, explique Veronica Marin, gestionnaire des algorithmes avancés, de la recherche et de la technologie, des systèmes de transport.

« Nous introduisons des fonctionnalités d’autonomie dans le train », dit Marin. « Ça veut dire que les trains seront un peu comme des agents. » En d’autres mots, les systèmes à bord des trains devront déterminer où ils se trouvent, ce qu’il y a dans leur environnement et quelles actions prendre en fonction de ces informations.

Contrairement aux trains sans conducteur, qui existent depuis un certain temps, les trains autonomes ne s’appuieront pas sur une infrastructure centralisée et en bord de route pour déterminer leur position par rapport aux autres véhicules ou pour guider leurs actions. Les trains autonomes devront agir et interagir de façon indépendante, ce qui signifie que les systèmes à bord des trains eux-mêmes doivent être constamment conscients de leur environnement et de leur position. Cela nécessite des modèles de vision par ordinateur capables de détecter et de classer des objets, avec précision et en temps réel, comme des véhicules, des travailleurs en bord de voie ou des obstacles.

Pour l’instant, les modèles de vision par ordinateur de Thales sont conçus pour offrir une assistance au conducteur uniquement — une étape nécessaire vers l’autonomie totale.

Cette transition implique une autre activité sur laquelle les entreprises de transport se concentrent aujourd’hui : recueillir les données nécessaires pour entraîner leurs systèmes. Actuellement, de tels ensembles de données riches n’existent pas – mais ils sont cruciaux pour des ambitions autonomes.

Des entreprises tournées vers l’avenir comme Thales n’attendent pas simplement que de tels ensembles de données apparaissent. Ils sont proactifs et utilisent leurs systèmes actuels pour recueillir les données dont ils auront besoin pour s’entraîner en vue des modèles futurs. Marin dit : « Avec ces données, nous construisons la confiance nécessaire pour une certification de sécurité. »

La vision par ordinateur n’est qu’une des nombreuses techniques d’IA qui transforment le secteur du transport. L’IA est en pleine croissance dans toute l’industrie, et des entreprises proactives explorent les nouvelles capacités et l’efficacité opérationnelle que diverses techniques d’IA peuvent offrir.

Une façon de rester à la pointe est de devenir sponsor de l’industrie des vecteurs. L’Institut Vector offre un soutien aux entreprises du secteur des transports sous forme d’expertise, de projets industriels appliqués mettant en vedette des recherches de pointe en IA, ainsi que d’événements axés sur l’IA et la mobilité. Angela Schoellig, membre du corps professoral de Vector, dirigera une prochaine série sur les systèmes de navigation autonomes et les systèmes de contrôle pilotés par les données – explorant l’apprentissage par renforcement pour la robotique.

Discutez avec l’équipe d’innovation de Vector Industry pour découvrir comment le parrainage et la collaboration de Vector peuvent accélérer l’innovation en IA et le transfert technologique dès aujourd’hui afin de développer des produits et solutions « fabriqués au Canada » de premier plan pour l’avenir.