Le programme vise à égaler, puis améliorer, les performances des principaux benchmarks publics de conduite. Tous les composants (code, modèles entraînés et jeux de données) seront publiés en open-source afin de construire des bases solides pour la démocratisation de la technologie de conduite autonome et de l’IA physique. Les résultats seront partagés ouvertement à travers des publications. Les constructeurs automobiles, les équipementiers et les chercheurs pourront ainsi reproduire les résultats, s’appuyer sur le modèle et comparer leurs propres systèmes par rapport à une référence commune.
Marc Vrecko, Directeur général de Valeo Brain, commente : « Cette collaboration en science ouverte avec KE:SAI marque une étape stratégique pour Valeo, et pour l’écosystème automobile européen dans son ensemble. En associant notre solide expertise industrielle et technologique dans la conduite autonome à une recherche open-source de niveau mondial, nous posons une base commune pour accélérer le développement de l’IA physique et démocratiser les technologies de conduite autonome de nouvelle génération. »
Andreas Geiger, CEO de KE:SAI, explique : « Pour les modèles de langage, l’open-source a permis de faire des années de progrès en seulement quelques mois. Pourtant l’IA physique de pointe reste encore largement fermée. Valeo partage notre conviction selon laquelle les fondations ouvertes créent plus d’innovation que n’importe quel système fermé. Tout ce que nous développerons sera ouvert. Chaque avancée est une avancée pour tous. »
Une initiative franco-allemande
Le partenariat réunit deux des meilleures équipes européennes de recherche sur la conduite autonome, à Paris et Tübingen : valeo.ai, le laboratoire de recherche en IA de Valeo, dont les modèles open-source et les publications, tels que DrivoR et VaVAM, sont largement utilisés par la communauté, et l’équipe fondatrice de KE:SAI, connue pour ses benchmarks ouverts et ses architectures de conduite telles que KITTI, NAVSIM et TransFuser. L’ambition du partenariat est de renforcer les écosystèmes automobiles européen et mondial en offrant aux constructeurs, équipementiers et laboratoires de recherche une base commune et ouverte pour les systèmes de conduite autonome, développée en Europe.
Un écosystème ouvert pour la conduite autonome
L’IA physique est largement considérée comme la prochaine frontière de l’intelligence artificielle, mais les efforts prédominants, y compris dans le domaine de la conduite autonome, restent largement fermés, la quasi-totalité des modèles de conduite déployés dans l’industrie automobile étant propriétaires. Les constructeurs et équipementiers ne disposent d’aucune base ouverte et partagée sur laquelle concevoir, comparer et améliorer les systèmes de conduite autonome, ce qui les rend dépendants de technologies qu’ils ne peuvent ni inspecter, ni adapter, ni reproduire.
Dans le même temps, d’importantes questions de recherche concernant l’efficacité et la généralisation restent ouvertes. Déterminer quelles approches permettront à l’IA physique de fonctionner de manière fiable à grande échelle nécessite d’explorer un large éventail d’idées qu’un seul laboratoire ne peut poursuivre seul. Développer en open source permet aux chercheurs de différentes institutions de tester, compléter et améliorer ces travaux. Surtout, en bâtissant les fondations ensemble, cet effort rapproche la recherche académique et industrielle, permettant des progrès rapides auxquels chacun peut participer. Ce partenariat vise à porter la recherche open source sur la conduite autonome au plus haut niveau, à l’instar de ce que certains acteurs ont accompli dans le domaine des LLM.
La Technologie
Le partenariat vise à construire un modèle d’IA unique capable de piloter différents véhicules avec des capteurs divers, dans des environnements variés. Les équipes commenceront par entraîner le modèle sur des enregistrements de conduite réels à grande échelle, avec une architecture conçue pour s’adapter à différentes configurations de capteurs et de caméras. À partir de là, le modèle ira au-delà de ce qu’un enregistrement réel permet d’apprendre. Grâce à l’apprentissage par renforcement en simulation et à des modèles du monde (world models) appris, il sera exposé à des situations rares et critiques pour la sécurité, peu présentes ou absentes des données du monde réel.
