Qu'est-ce que les véhicules sans chauffeur, les robots intelligents, les machines autonomes et les drones sans pilote ont en commun ? Ils fonctionnent tous grâce à une technologie d'informatique en périphérie. Les ordinateurs en périphérie sont des ordinateurs dédiés, conçus pour fonctionner à proximité d'une source de données. Autrement dit, ils ne dépendent pas de capacités de calcul distantes.
Bien que cela puisse sembler être un détail, de nombreux ingénieurs voient dans la périphérie la nouvelle frontière de l'informatique. Au fur et à mesure qu'elle s'améliorera, cette technologie pourrait bien révolutionner un grand nombre de secteurs. Naturellement, même les ordinateurs les plus puissants ne servent à rien sans données et cela reste vrai pour l'informatique en périphérie.
Dans cet article, nous nous pencherons sur les principaux capteurs utilisés dans les applications d'informatique en périphérie pour véhicules autonomes. Nous verrons aussi comment les entreprises utilisent en permanence l'apprentissage automatique itératif pour entraîner leurs appareils informatiques en périphérie.
Qu’est-ce que l’informatique en périphérie ?
Le monde informatique occupe un fantastique éventail de capacités et de méthodologies de traitement. En règle générale, la capacité de calcul des ordinateurs et des centres de données se mesure à la quantité de FLOPS (Floating-point Operations Per Second, opérations en virgule flottante par seconde) qu'ils sont capables de traiter.
En 2022, le plus puissant ordinateur de la planète est le superordinateur Fugaku, au Japon, qui peut exécuter 442 pétaflops, soit 442 000 TOPS (téraflops = mille milliards d'opérations par seconde). En général, les ordinateurs spécialisés en apprentissage automatique, intelligence artificielle et en calcul parallèle sont évalués selon l'unité de mesure TOPS. Au fil du temps, la rapidité des superordinateurs a régulièrement augmenté jusqu'à atteindre des vitesses de l'ordre de l'exaflop (1 000 000 TOPS).
Pour donner une référence concrète, un iPhone 13, qui utilise la puce A15 Bionic d'Apple, peut atteindre 15,8 TOPS. Dites-vous bien que les téléphones d'aujourd'hui sont plus puissants que les superordinateurs les plus rapides du monde d'il y a seulement une vingtaine d'années.
Les centres de données sont réputés à la fois pour leur incroyable puissance de calcul et leur utilisation constante d'applications d'apprentissage automatique et d'entraînement des réseaux neuronaux. Toutefois, l'utilisation de cette vitesse de traitement nécessite une connexion, directe ou virtuelle, à ces centres de données.
La technologie informatique de périphérie est fortement utilisée dans les applications où la connexion à un centre de données n'est pas possible ou souhaitable. Par exemple, supposons qu'une grande quantité de données vidéo en temps réel soit recueillie dans un véhicule en mouvement. Ici, la reconnaissance d'images par IA ne sera possible que localement et non dans un centre de données.
En effet, les vitesses de connexion Internet sans fil ne peuvent pas assurer l'indispensable transfert de données en temps réel à l'aide d'un modèle standard de données par cloud-computing.
L'intérêt de la périphérie
Prenons l'exemple d'un cycliste : si son identification correcte par l'IA est ce qui fait la différence entre l'éviter ou laisser la voiture le renverser, toutes les mesures de sécurité doivent être prises pour que les algorithmes d'évitement des obstacles soient capables de les identifier et de réagir aussi vite que possible.
Bien qu'un centre de données puisse en théorie identifier ce cycliste plus efficacement qu'un ordinateur déployé en « périphérie », un ordinateur en périphérie, avec ses capteurs et ses systèmes de contrôle, ne présente aucune latence de communication à l'intérieur du véhicule autonome.
Le terme « informatique en périphérie » s'applique donc à tout dispositif de calcul capable de traiter les données à la source (ou en périphérie) plutôt que dans un centre de données, sur une station de travail ou tout autre ordinateur situé dans un emplacement fixe.
L'informatique en périphérie permet un traitement des données en temps réel en ce qu'elle utilise des algorithmes complexes pour les exploiter en temps réel. Ce type d'informatique est donc souhaitable lorsqu'il est nécessaire d'interpréter les données en temps réel et lorsqu'une connexion à des serveurs de traitement externe n'est pas réalisable ou sûre.
Cependant, les ordinateurs en périphérie ne disposent pas de la puissance de calcul habituellement offerte par un centre de données. Ils ne peuvent pas non plus consommer autant d'énergie qu'un centre de données standard. La vitesse de calcul des ordinateurs modernes en périphérie se situe dans une plage entre moins d'1 TOPS et quelques centaines de TOPS.
NVIDIA, un partenaire d'Arrow.com et l'un des leaders du secteur de l'informatique en périphérie, offre une gamme de solutions allant du JETSON Nano, qui tourne à 0,472 TOPS, au Jetson DRIVE AGX Pegasus, qui peut atteindre 320 TOPS. Pour en savoir plus, lisez notre article expliquant comment configurer le NVIDIA JETSON Nano.
Capteurs pour voitures sans chauffeur
Étant donné ses capacités de traitement des données en temps réel, l'informatique en périphérie s'est naturellement positionnée comme l'un des piliers des technologies pour véhicules autonomes. Toutefois, ces données ne sont pas générées par l'ordinateur, mais plutôt par une multitude de capteurs qui représentent les « yeux » et les « oreilles » périphériques du véhicule autonome.
La topologie des capteurs peut considérablement varier d'un véhicule autonome à l'autre, y compris dans un même secteur. Prenons, par exemple, la large gamme de suite de capteurs des principaux concurrents du monde des véhicules automobiles personnels autonomes comme Tesla, Cruise ou Aurora Innovations, dont aucun n'a encore atteint le niveau 5 des capacités de conduite autonome.
Pour en savoir plus sur les différents niveaux de l'IA pour la conduite autonome, consultez Les 5 niveaux de la technologie pour véhicules autonomes.
Entre-temps, les robots de livraison autonomes, tels que le véhicule Nuro, et d'autres véhicules qui ne transportent pas d'êtres humains, comme la Waymo de Google pour son application Street View, sont aujourd'hui beaucoup plus près de présenter des capacités de conduite entièrement autonome.
La plupart des capteurs pour conduite autonome se ressemblent fondamentalement : ils recueillent des données sur le monde qui les entoure pour aider à conduire le véhicule. Par exemple, le Nuro de troisième génération contient des caméras, un radar, un LiDAR et des caméras thermiques pour offrir une vue complète et multicouche de l'environnement du véhicule.
À l'heure actuelle, une Tesla utilise huit caméras et un système de radar avant, mais s'appuie nettement plus sur les images des caméras que les véhicules Nuro. Le Waymo Driver de Google utilise essentiellement le LiDAR et fait appel à des caméras et des capteurs radar pour aider à cartographier le monde qui l'entoure.
Comment l'apprentissage machine entraîne l'intelligence artificielle dans les véhicules autonomes
L'intérêt des données recueillies par les capteurs dans la totalité des voitures sans chauffeur et des véhicules autonomes dépend des méthodologies de calcul en aval des capteurs eux-mêmes. Sous de nombreux aspects, la propriété intellectuelle la plus précieuse d'entreprises comme Tesla, Waymo, Aurora Innovations ou Nuro se trouve dans les logiciels et l'infrastructure de données créés pour traiter et exploiter les données de ces capteurs.
Le vainqueur de la course à l'autonomie totale ne sera pas celui qui possédera le meilleur matériel de détection, mais bien celui qui sera capable d'utiliser les données de ses capteurs de la façon la plus précise, la plus efficace et la plus sûre.
Aujourd'hui, tous les véhicules autonomes présents sur les routes utilisent des programmes d'IA relevant de l'informatique en périphérie, souvent entraînés par des modèles d'apprentissage automatique en centre de données. Ces modèles pour voitures autonomes n'existent que grâce à l'incroyable puissance de calcul des centres de données modernes, capables de traiter des centaines de pétaflops.
Leurs énormes besoins de calculs excèdent de loin les capacités de traitement des ordinateurs en périphérie. C'est pourquoi les organismes déployés pour la périphérie sont souvent formés dans des centres de données.
Pour employer une métaphore, parvenir à maîtriser un niveau avancé d'algèbre peut prendre des années, mais une fois ce cap franchi, il devient possible de résoudre des problèmes d'algèbre vite et bien.
C'est la même chose pour entraîner un algorithme d'intelligence artificielle. Cela peut demander des centaines d'heures de calcul à un centre de données hautes performances. Mais une fois qu'il a appris l'algorithme, il peut l'utiliser vite, avec précision et en dépensant une puissance de calcul bien moindre.
Comment les véhicules autonomes mettent en place et utilisent l'intelligence artificielle
La technologie des véhicules autonomes dépend entièrement du succès de l'intelligence artificielle, de la précision des capteurs des véhicules et de la puissance des centres de données d'apprentissage machine.
Bien que des centaines ou des milliers de pétaflops de puissance de calcul puissent être nécessaires pour traiter des modèles d'apprentissage automatique pour les applications des véhicules autonomes, ces algorithmes extrêmement complexes peuvent être traités en périphérie avec du matériel dont les capacités ne dépassent pas quelques centaines de TOPS. Avec la puissance de calcul considérable qu'offrent les ordinateurs modernes en périphérie, il est fort probable que les véhicules entièrement autonomes ne sont désormais plus très loin.