Description
Date depot: 14 septembre 2019
Titre: IA temporellement prédictible pour la voiture autonome
Directeur de thèse:
Dumitru POTOP-BUTUCARU (Inria-Paris (ED-130))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Fondée sur des méthodes venues de l’Intelligence Artificielle (IA), comme les réseaux de neurones convolutionnels (CNN), la voiture autonome est aujourd’hui une réalité (quoique perfectible) dans le monde de la recherche. Du côté industriel, les niveaux d’autonomie 1 et 2 se généralisent sur les voitures haut de gamme. Cependant, le passage aux niveaux d’autonomie non-supervisée (4 et 5, et partiellement 3) nécessite une évolution de la réglementation, pour clarifier la responsabilité des concepteurs des logiciels de conduite, et pour fixer les niveaux de sûreté et de prédictibilité attendus.
Cette thèse abordera la thématique de la prédictibilité sous son aspect « temps réel ». L’objectif est de prouver que le code de perception, incluant des CNN, s’exécute dans les délais assurant la sûreté du système. Trois aspects seront abordés :
Le choix d’une architecture d’exécution matérielle et logicielle permettant de fournir des garanties temps réel sans pénaliser la performance. Pour commencer, nous ferons le choix de processeurs pluri-cœurs haute-performance avec support pour la prédictibilité (Kalray MPPA [1]). Par comparaison aux plates-formes dédiées IA à base d’accélérateurs (GPGPU), ces pluri-cœurs fournissent des vitesses de calcul comparables, mais avec une faible consommation énergétique et avec la possibilité de calculer par analyse statique des bornes sur le temps d’exécution [2].
La définition de méthodes d’analyse de temps d’exécution pour code parallèle exploitant les spécificités du code CNN pour fournir des garanties de temps d’exécution proches des temps observés pour du code optimisé. Ce travail partira des travaux existants sur l’analyse de temps d’exécution pour sur plate-forme Kalray MPPA [2,3]. Ces résultats existants seront étendus pour tirer avantage de la régularité du code CNN.
L'amélioration des algorithmes de parallélisation pour fournir de meilleurs résultats d’analyse de temps d’exécution. Les méthodes existantes [3,4] seront étendues pour tirer avantage de la forme du code CNN.
Doctorant.e: Pompougnac Hugo