Cognitive Pilot a introduit une nouvelle technologie de formation sur les réseaux neuronaux conçue pour relever un défi de longue date en matière d'autonomie agricole : l'inadéquation entre la façon dont les humains et l'intelligence artificielle perçoivent la même scène de conduite. La société affirme que ce développement pourrait améliorer considérablement la précision et la sécurité des systèmes de pilotage automatique utilisés dans les machines agricoles sans pilote.
La technologie, connue sous le nom de Correction cognitive des divergences, se concentre sur l'identification et la mesure des écarts entre le jugement humain et l'interprétation du réseau neuronal dans des environnements opérationnels difficiles, tels que des champs boueux, un terrain accidenté ou un éclairage variable.
Ce qui s'est passé?
Cognitive Pilot a développé la correction de divergence cognitive pour détecter et quantifier les différences entre la perception de la scène humaine et celle du réseau neuronal.
Le système cible les scénarios dans lesquels la vision par ordinateur présente des difficultés, notamment les limites de champ obscurcies, les ombres, la neige, la pluie et les marqueurs visuels déformés.
Un analyseur de divergence identifie automatiquement les caractéristiques de la scène que les humains utilisent intuitivement pour déterminer la trajectoire du véhicule.
Les trames de données d'entraînement incohérentes sont isolées pour un examen plus approfondi, tandis que les trames cohérentes restent dans l'ensemble de données d'entraînement.
La technologie est intégrée aux systèmes de pilotage automatique installés sur les tracteurs autonomes depuis la fin du printemps 2025.
Entreprise disant
"Même avec une précision de détection élevée, le réseau peut mal interpréter le contexte", a déclaré Gennady Savitsky, développeur principal chez Cognitive Pilot. Il a ajouté que sans remédier à la divergence entre la perception humaine et celle de la machine, les erreurs peuvent s'accumuler pendant la formation, réduisant ainsi la précision et la sécurité du contrôle.
"En conséquence, la cohérence des données est accrue et, par conséquent, la qualité de la formation et la sécurité des systèmes de contrôle autonomes sont améliorées",
dit Savitski.
Pourquoi est-ce important ?
Un désalignement entre le jugement humain et la perception de l’IA peut entraîner des erreurs de navigation et des faux positifs dans les machines autonomes.
L'amélioration de la cohérence des données pendant la formation est essentielle pour une exploitation sûre dans des environnements agricoles complexes.
Une plus grande précision de contrôle est essentielle pour l'agriculture de précision et l'adoption plus large de tracteurs entièrement autonomes et sans opérateur.
Cette technologie pourrait contribuer à établir de nouvelles références en matière de sécurité dans les systèmes de transport agricole et autres systèmes de transport autonomes.
