Eloss dans le parcours : une métrique sensible de la qualité des entrées pour la conduite intelligente

Face à la complexité croissante de l’environnement routier, l’importance de la perception de sécurité dans les systèmes de conduite intelligente ne cesse de croître. Les méthodes conventionnelles de perception robuste en conduite autonome se concentrent principalement sur l’entraînement des modèles à l’aide de données anormales, laissant le réseau de neurones profonds décider lui-même de la manière de traiter ces anomalies. Toutefois, ces modèles peinent à s’adapter de manière fluide aux environnements réels diversifiés et complexes. Ce papier propose un nouveau type de métrique, appelé Eloss, ainsi qu’une stratégie d’entraînement originale visant à renforcer les modèles de perception du point de vue de la détection d’anomalies. Eloss est conçu à partir d’une analyse des couches de compression d’information du modèle de perception. Plus précisément, s’inspirant de la conception d’un système de communication, le processus de transmission d’information dans un réseau de compression d’information repose sur deux attentes : la quantité d’information doit évoluer de manière stable, tandis que l’entropie de l’information doit continuer à diminuer. À partir de ces deux attentes, Eloss est calculé, guidant ainsi la mise à jour des paramètres du réseau et produisant une métrique sensible capable d’identifier efficacement les anomalies tout en préservant les performances du modèle. Nos expérimentations montrent qu’Eloss peut s’écarter de la valeur standard d’un facteur supérieur à 100 lorsqu’il est soumis à des données anormales, tout en générant des valeurs distinctes pour des types d’anomalies similaires mais différents, démontrant ainsi l’efficacité de la méthode proposée. Le code est disponible à l’adresse suivante : (code disponible après acceptation du papier).