Aicha Evans: Your self-driving robotaxi is almost here | TED

40,030 views ・ 2022-02-01

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Stephen Bannister Relecteur:
00:04
I’m Aicha Evans,
0
4251
1334
Je suis Aicha Evans.
00:05
I am from Senegal, West Africa,
1
5585
2086
Je viens du Sénégal en Afrique de l’Ouest,
00:07
and I fell in love with technology, science and engineering
2
7671
4713
et je me suis engouée de la technologie,
des sciences et de l’ingénierie
00:12
at a very young age.
3
12384
1168
quand j’étais toute petite.
00:13
Three things happened.
4
13677
1126
Il s’est passé trois choses.
00:15
I was studying in Paris,
5
15095
2419
J’étais élève à Paris,
00:17
and starting at seven years old,
6
17514
2753
et depuis mes sept ans,
00:20
flying back and forth between Dakar, Senegal and Paris
7
20267
3712
je faisais la navette entre Dakar, Sénégal, et Paris
00:23
as an unaccompanied minor.
8
23979
1459
en tant que mineure non accompagnée.
Il ne s’agissait pas juste du déplacement,
00:26
So it wasn't just about the travel.
9
26106
1710
00:27
It was really about a portal to knowledge,
10
27816
2836
mais aussi d’un portail de connaissances,
00:30
different environments
11
30652
1084
de différents environnements,
00:31
and adapting.
12
31736
1126
et d’adaptation.
00:33
Second thing that happened
13
33697
2377
La deuxième chose,
00:36
was every time I was at home in Senegal,
14
36074
2294
à chaque fois que je rentrais au Sénégal,
00:38
I wanted to talk to my friends in Paris.
15
38368
2377
j’avais envie de parler avec mes amis à Paris.
00:41
So my dad got tired of the long-distance bills,
16
41621
3963
Mon père en avait marre des factures d’interurbains à tel point
00:45
so he put a little lock on the phone --
17
45584
2085
qu’il a posé une serrure au téléphone,
00:47
the rotary phone.
18
47669
1001
un téléphone à cadran.
J’ai dit : « D’accord, pas de soucis »,
00:49
I said, OK, no problem,
19
49212
1418
00:50
hacked it,
20
50630
1126
je l’ai crochetée,
00:51
and he kept getting the bills.
21
51756
1669
et il recevait toujours les factures.
00:53
Sorry again, Dad, if you’re watching this someday.
22
53466
2586
Je m’excuse, Papa, si jamais tu regardes cette vidéo.
00:56
And then, obviously, the internet was also emerging.
23
56428
3962
A l’époque, on témoignait aussi l’avènement d’Internet.
01:00
So what really happened was that, in terms of technology,
24
60724
3503
En termes de technologie, ce qui s’est passé pour de vrai,
01:04
I really saw it as something that shaped your experiences,
25
64227
3962
c’est que je la voyais comme un truc qui façonnait nos expériences,
01:08
how you understand the world
26
68189
1669
notre moyen de comprendre le monde
01:09
and wanting to be part of it.
27
69858
1460
et notre volonté d’en faire partie.
01:11
And for me,
28
71484
1001
Et pour moi,
01:12
the common thread is that physical and virtual transportation --
29
72485
4588
ce qui unit les transports physique et virtuel
(parce que pour moi, c’est ce que représentait le téléphone à cadran)
01:17
because that’s really what that rotary phone was for me --
30
77073
3087
01:20
are at the center of the innovation flywheel.
31
80160
2419
est le fait d’être l’axe du volant d’inertie alimentant l’innovation.
01:23
Now, fast-forward.
32
83955
1251
Revenons au présent,
01:26
I’m here today,
33
86124
1293
je suis ici aujourd’hui,
01:27
I’m part of a movement and an industry
34
87417
3170
et je fais partie d’un mouvement et d’une industrie
01:30
that is working on bringing transportation and technology together.
35
90587
3628
qui travaillent à l’intégration de la technologie dans le transport.
01:35
Huh.
36
95717
1001
Oula.
01:36
It’s not just about your commutes.
37
96718
1627
Il ne s’agit pas juste de vos trajets.
01:38
It’s really about changing everything
38
98345
1793
Il est question de tout changer,
01:40
in terms of how we move people, goods and services, eventually.
39
100138
3212
en termes de comment on transporte des gens,
expédie des produits et offre enfin des services.
01:44
That transformation involves robotaxis.
40
104768
3670
La transformation implique les robotaxis.
01:49
Driverless cars again, really?
41
109397
2711
Encore des voitures autonomes, sans blague ?
01:52
Yeah, yeah, yeah, I’ve heard it before.
42
112442
1919
Ouais, je l’ai déjà entendu mille fois.
01:54
And by the way, they are always coming the next decade,
43
114402
4213
D’ailleurs, elles surviendront toujours dans les prochains 10 ans.
01:58
and oh, by the way,
44
118615
1001
Et au fait,
01:59
there’s an alphabet soup of companies working on it
45
119616
2878
tout un tas de sociétés y travaillent actuellement
02:02
and we can’t even remember who’s who and who’s doing what.
46
122494
2711
si bien qu’on ne se rappelle plus qui est qui et qui fait quoi.
02:05
Yeah?
47
125580
1001
Ouais ?
02:06
Audience: Yeah.
48
126581
1001
Audience : Ouais.
02:07
AE: Yeah, OK, well, this is not about personal, self-driving cars.
49
127582
5422
AE : Ouais, d’accord, il ne s’agit pas de voitures autonomes personnelles.
02:13
Sorry to disappoint you.
50
133004
1543
Désolée de vous decevoir.
02:14
This is really about a few things.
51
134881
2085
Il s’agit en fait de plusieurs choses.
02:17
First of all,
52
137008
1210
La première,
02:18
personally and individually owned cars are a wasteful expense,
53
138218
5380
les voitures personnelles et individuelles sont une dépense inutile.
02:23
and they contribute to, basically, a lot of pollution
54
143598
4755
Bref, elles polluent beaucoup
02:28
and also traffic in urban areas.
55
148353
2627
et encombrent les routes urbaines.
02:32
Second of all, there’s this notion of self-driving shuttles,
56
152232
4337
La deuxième, on a la notion de navettes autonomes,
02:36
but frankly, they are optimized for many.
57
156569
2628
mais franchement, elles sont optimisées pour la foule.
02:39
They can’t take you specifically from point A to point B.
58
159322
3212
Elles ne peuvent pas vous amener d’un point A à un point B, spécifiquement.
02:42
OK, now we have --
59
162867
2670
Bon, maintenant on a ...
02:45
hm, how am I going to say this --
60
165537
1585
comment dire ?
02:47
the so-called “personal, self-driving” cars of today.
61
167122
3587
lesdites « voitures autonomes personnelles » modernes.
02:51
Well, the reality is that those cars still require a human behind the wheel.
62
171459
5381
En réalité, ces voitures impliquent toujours des chauffeurs humains.
02:57
A safety driver.
63
177382
1335
Un chauffeur de sécurité.
02:58
Make no mistake about it.
64
178717
1501
Il ne faut pas se leurrer.
03:00
I own one of those,
65
180218
1210
J’en ai une,
03:01
and when I’m in it,
66
181428
1042
et quand je roule dedans,
03:02
I am a safety driver.
67
182470
1377
je suis chauffeur de sécurité.
03:05
So the question now becomes, What do we do with this?
68
185306
4088
Et la question qui se pose, c’est : « Qu’est-ce qu’on fait de ça ? ».
03:09
Well, we think that robotaxis,
69
189436
2127
Tout d’abord, on croit que le robotaxi
03:11
first of all, they will take you specifically from point A to point B.
70
191563
4004
vous amènera spécifiquement d’un point A à un point B.
03:16
Second of all, when you're not using them,
71
196317
2670
Ensuite, quand vous ne l’utilisez pas,
03:18
somebody else will be using them.
72
198987
2085
quelqu’un d’autre pourra l’emprunter.
03:21
And they are being tested today.
73
201448
2502
Et on le teste actuellement.
03:24
When I say that we’re on the cusp of finally delivering that vision,
74
204784
5547
Si je dis qu’on est à l’aube de réaliser cette vision,
03:30
there's actually reason to believe it.
75
210331
2044
vous pouvez en croire les oreilles.
03:32
At the core of self-driving technology is computer vision.
76
212751
4504
Au cœur de la technologie de conduite automome
est la vision par ordinateur.
03:38
Computer vision is a real-time representation,
77
218298
3920
La vision par ordinateur est une représentation numérique
03:42
digital representation, of the world and the interactions within it.
78
222218
5214
en temps réel du monde et de ses interactions.
03:48
It has benefited from leaps and bounds of advancements
79
228600
4796
Son développement a progressé à pas de géant
03:53
thanks to computer, sensors, machine learning and software innovation.
80
233396
5464
grâce aux innovations dans les domaines de l’informatique, des capteurs,
du machine learning et du logiciel.
04:00
At the core of computer vision are camera systems.
81
240111
4088
Des systèmes de caméra sont au cœur de la vision par ordinateur.
04:04
Cameras basically help you see agents such as cars,
82
244949
4797
En bref, la caméra vous aide à percevoir des acteurs
tels que les voitures,
leur localisation et leurs actions,
04:09
their locations and their actions,
83
249746
2461
04:12
pedestrians,
84
252207
1001
les piétons,
04:13
their locations,
85
253208
1001
leur localisation,
04:14
their actions and their gestures.
86
254209
1710
leurs actions et leurs gestes.
04:16
In addition, there's also been a lot of advancements.
87
256461
4838
En plus, on a fait avancer beaucoup de développements.
04:21
So one example is our vehicle can see the skeleton framework
88
261591
4880
Par exemple, notre véhicule perçoit l’ossature
04:26
to show you the direction of travel;
89
266471
2294
pour vous indiquer le sens de la marche,
04:28
also to give you details, like, are you dealing with a construction worker
90
268765
3712
et aussi rajoute des détails : est-ce que c’est un ouvrier du bâtiment
04:32
in a construction zone
91
272477
1626
dans une zone de construction ?
04:34
or are you dealing with a pedestrian that’s probably distracted
92
274103
4046
Ou bien, est-ce que c’est un piéton qui est probablement distrait
04:38
because they are looking on their phone?
93
278149
1919
par l’écran de son portable ?
04:41
Now the reality, though --
94
281027
2002
Mais la réalité,
04:43
and this is where it gets interesting --
95
283029
2377
et c’est le moment où ça pique notre intérêt,
04:45
is that the camera and the algorithms that help us really cannot yet match
96
285406
6924
c’est que les caméras et les algorithmes qui nous aident ne sont pas au niveau
04:52
the human brain’s ability to understand and interpret the environment.
97
292330
5464
du cerveau humain et de sa capacité à interpréter l’environnement.
04:58
They just can’t.
98
298419
1001
Loin s’en faut.
05:00
Even though they provide you really high-resolution imaging
99
300255
5171
Malgré l’imagerie à haute définition
05:05
that really gives you continuous coverage,
100
305426
2795
et la couverture continue qu’ils offrent,
05:08
that doesn’t get fatigued, impaired
101
308221
2878
et bien qu’ils ne se lassent pas,
05:11
or, you know, drunk or anything like that,
102
311099
3503
ne s’affaiblissent pas et ne prennent pas une cuite,
05:14
at the end of the day,
103
314602
1085
en fin de compte,
05:15
there are still things that they can’t see and they can’t measure.
104
315687
3211
il y a un tas de trucs qu’ils ne savent ni percevoir ni mesurer.
05:19
So if we want autonomous-driving robotaxis soon,
105
319023
5422
Pour réaliser le robotaxi autonome le plus vite possible,
05:24
we have to supplement cameras.
106
324445
2002
il faut combler les lacunes de la caméra.
05:26
Let me walk through some examples.
107
326865
1626
Je vous donne des exemples.
05:28
So radar gives you the direction of travel
108
328491
3212
Le radar vous indique le sens de circulation
05:31
and measures the agent’s movement within centimeters per second.
109
331703
4880
et mesure la vitesse de l’acteur en centimètres par seconde.
05:37
Lidar gives you objects and shapes in the real world using depth perception
110
337208
6298
Le lidar, par sa perception de la profondeur,
capte des objets et des formes dans le monde réel,
05:43
as well as long-range and the all-important night vision.
111
343506
4421
et il profite aussi de la vision à longue portée et de nuit.
Permettez-moi de souligner à quel point c’est important,
05:48
And let me tell you about this,
112
348386
1502
05:49
because this is important to me personally and people who look like me.
113
349888
4004
parce que c’est important pour moi et pour ceux qui me ressemblent.
05:54
Then you have, also, long-wave infrared
114
354267
3920
Il y a aussi les rayons infrarouges à ondes longues
05:58
where you are able to see agents that are emitting heat,
115
358187
3504
qui nous permettent de voir des acteurs émettant de la chaleur,
06:01
such as animals and humans.
116
361691
2461
tels que les animaux et les humains.
06:04
And that’s again,
117
364360
1126
Là encore,
06:05
especially at night,
118
365486
1419
surtout de nuit,
06:06
super important.
119
366905
1167
c’est super important.
06:08
Now, every one of these sensors is very powerful by itself,
120
368615
4754
Chacun de ces capteurs est efficace tout seul,
06:13
but when you put them together is when the magic happens.
121
373369
3420
mais la magie ressort de leur cohésion.
06:17
If you see with this vehicle, for example,
122
377457
2294
Regardez ce véhicule, par exemple.
06:19
you have these multiple sensor modalities
123
379751
2711
Il y a des capteurs multi-modalités
06:22
at all top four corners of the vehicle
124
382462
2586
montés aux quatre coins du toit du véhicle
06:25
that basically provide you a 360-degree field of vision,
125
385048
5714
qui vous offrent un champ de vision à 360 degrés,
06:30
continuously,
126
390762
1209
en continu,
06:31
in a redundant manner,
127
391971
1293
de manière redondante,
06:33
so that we don't miss anything.
128
393264
2127
de sorte qu’on n’oublie rien.
06:35
And this is that same thing
129
395808
1669
Et c’est la chose même
06:37
with all of the different outputs fused together.
130
397477
3545
qui fusionne les différents résultats.
06:41
And looking at this, basically,
131
401356
1668
A ce qu’on voit,
06:43
and looking at what we see and how we are able to process the data,
132
403024
3170
et en tenant compte de comment on traite les données
06:46
then learn,
133
406194
1126
pour mieux apprendre,
06:47
then continue to improve our driving,
134
407320
2252
et puis pour continuer à améliorer notre pilotage,
06:49
is what tells us that we have confidence,
135
409572
2503
on peut avoir confiance
06:52
this is the right approach
136
412075
1334
que c’est la bonne approche
06:53
and this time it’s actually coming.
137
413409
2628
et que la technologie surviendra.
06:56
Now, this is not, by the way, a brand new concept, OK?
138
416496
3378
Au fait, ce n’est pas un nouveau concept, d’accord ?
07:00
Humans have been basically using vision systems
139
420375
3712
Les humains emploient des systèmes de vision
07:04
to assist them for a long time.
140
424087
1877
pour s’aider eux-mêmes depuis longtemps.
07:07
Let me back up the boat a little bit,
141
427382
1793
Permettez-moi de faire marche arrière,
07:09
because I know there’s a question that everybody’s asking,
142
429175
3921
parce que je sais qu’il y a une question que tout le monde se pose :
07:13
which is, “Hey, how are you going to deal with all the scenarios
143
433096
3753
« Mais vous faites comment pour aborder tous les scénarios
07:16
out there on the streets today?”
144
436849
2211
en jeu sur les routes aujourd’hui ? »
07:19
Most of us are drivers,
145
439394
1167
La plupart d’entre nous conduit
07:20
and it’s complicated out there.
146
440561
1502
et c’est compliqué sur les routes.
07:22
Well, the truth is that there will always be edge scenarios
147
442313
5839
A vrai dire, certains scénarios seront toujours en lisière de la zone
07:28
that sit at the boundary of our real-world testing
148
448152
4171
des tests en conditions réelles,
07:32
or that are just too dangerous to test on real streets.
149
452323
3128
ou qui seront trop dangereux pour tester sur les routes.
07:35
That is the truth,
150
455451
1961
C’est vrai,
07:37
and it will be the truth for a very long time.
151
457412
3545
et cette vérité durera longtemps.
07:41
Human beings are pretty underrated in their abilities.
152
461165
3212
On a tendance à sous-estimer les capacités des humains.
07:44
So what we do is we use simulation.
153
464877
2878
On utilise alors des simulations.
07:48
And with simulation,
154
468089
1668
Avec les simulations,
07:49
we’re able to construct millions of scenarios
155
469757
3921
on construit des millions de scénarios
07:53
in a fabricated environment
156
473678
1668
dans un environnement inventé
07:55
so that we can see how our software would react.
157
475346
3045
de sorte qu’on voie les réactions du logiciel.
07:58
And that’s the simulation footage.
158
478725
1793
Voici la vidéo d’une simulation.
08:00
You can see we’re building the world,
159
480518
2294
On construit le monde,
08:02
we’re putting in scenarios
160
482812
1251
on précise des scénarios,
08:04
and we can add things,
161
484063
1126
on peut ajouter des objets,
08:05
remove things
162
485189
1001
les enlever,
08:06
and see how we would react.
163
486190
1335
et voir nos réactions éventuelles.
08:08
In addition, we have what's called a human in the loop.
164
488109
3128
En plus, on a ce qu’on appelle un humain dans la boucle.
08:11
This is very similar to aviation systems today.
165
491237
3378
C’est comme les systèmes aéronautiques modernes.
08:15
We don’t want the vehicle to get stuck,
166
495074
2628
On ne veut pas que le véhicule se coince,
08:17
and there are rare times where it’s not going to know what to do.
167
497702
4212
et des fois il ne saurait pas quoi faire.
08:22
So we have a team of teleguidance operators
168
502123
3003
Il y a une équipe d’opérateurs de téléguidage
08:25
that are sitting at a control center,
169
505126
2210
dans le centre de contrôle,
08:27
and if the vehicle knows that it’s going to be stuck
170
507336
3379
et si le véhicule va se coincer
08:30
or it doesn’t know what to do,
171
510715
1918
ou ne sait pas quoi faire,
08:32
it asks for guidance and help
172
512633
2086
il peut demander des conseils ou de l’aide
08:34
and it receives it remotely
173
514719
2544
aux opérateurs à distance.
08:37
and then it proceeds.
174
517263
1376
Ainsi il peut avancer.
08:39
Now, none of these really are new concepts,
175
519390
2628
Ces concepts ne sont pas nouveaux,
08:42
as I alluded to earlier.
176
522018
2377
ce à quoi j’ai déjà fait allusion.
08:44
Vision systems have been assisting humans for a long time,
177
524729
3837
Les systèmes de vision nous aident depuis longtemps,
08:48
especially with things that are not visible to the naked eye.
178
528566
3629
notamment au niveau de choses qui sont invisibles à l’œil nu.
08:52
So ...
179
532945
1669
Alors ...
08:54
microscopes, right?
180
534614
1168
le microscope, oui ?
08:55
We’ve been studying microbes and cells for a long time.
181
535865
3170
On étudie les microbes et les cellules depuis longtemps.
08:59
Telescopes:
182
539535
1001
Le téléscope :
09:00
we’ve been studying and detecting galaxies millions of light-years away
183
540536
5089
on observe et détecte des galaxies à des millions d’années-lumière
09:05
for a long time.
184
545625
1168
depuis longtemps.
09:07
And both of these have caused us,
185
547085
2168
Les deux nous ont permis,
09:09
for example,
186
549253
1001
par exemple,
09:10
to transform industries like medicine,
187
550254
2628
de transfomer des industries telles que la médecine,
09:12
farming,
188
552882
1043
l’agriculture,
09:13
astrophysics
189
553925
1126
l’astrophysique
09:15
and much more.
190
555051
1001
et beaucoup d’autres.
09:16
So when we talk about computer vision,
191
556552
2711
En ce qui concerne la vision par oridnateur,
09:19
when it started,
192
559263
1001
lors de son début,
09:20
it was really a thought experiment
193
560264
2044
il s’agissait d’une experience de pensée
09:22
to see if we could replicate what humans see using cameras.
194
562308
5047
qui consistait à reproduire à l’aide de caméras
ce que voient les humains.
09:27
It has now graduated with sensors,
195
567772
3170
Elle a progressé au point de profiter de capteurs,
09:30
computers,
196
570942
1001
d’ordinateurs,
09:31
AI
197
571943
1001
d’IA
09:32
and software innovation
198
572944
1751
et d’innovations logicielles,
09:34
to be about surpassing what humans can see and perceive.
199
574695
5548
et elle est à deux pas de franchir le seuil de la perception humaine.
09:41
We’ve made a lot of progress in this field,
200
581619
3128
On a fait beaucoup de progrès dans ce domaine,
09:44
but at the end of the day,
201
584747
1251
mais en fin de compte,
09:45
we have a lot more to do.
202
585998
1293
il nous reste beaucoup à faire.
09:47
And with an autonomous robotaxi,
203
587750
2086
Et le robotaxi autonome
09:49
you want it to be safe,
204
589836
1584
doit être sécuritaire,
09:51
right and reliable every single time,
205
591420
3212
irréprochable et fiable à chaque trajet,
09:54
which requires rigorous testing and optimization.
206
594632
3295
et ça nécessite une optimisation et des tests rigoureux.
09:58
And when that happens
207
598511
1418
Une fois achevée,
09:59
and we reach that state,
208
599929
1710
quand on aura atteint cet objectif,
10:01
we will wonder how we ever accepted
209
601639
3754
on se demandera pourquoi on acceptait
10:05
or tolerated
210
605393
1334
ou supportait
10:06
94 percent of crashes
211
606727
3129
que 94 % des accidents
10:09
being caused by human [error].
212
609856
1501
soient dûs à l’erreur humaine.
10:12
So with computer vision,
213
612817
1585
Grâce à la vision par ordinateur,
10:14
we have the opportunity
214
614402
1168
on a l’occasion
10:15
to move from problem-solving to problem-preventing.
215
615570
4254
de passer de la résolution de problèmes à la prévention de problèmes.
10:20
And I truly, truly believe
216
620616
2795
Je crois sincèrement
10:23
that the next generation of scientists and technologists
217
623411
4796
que la prochaine génération de scientifiques et de technologistes
10:28
in, yes, Silicon Valley,
218
628207
2127
dans la Silicon Valley, certes,
10:30
but in Paris,
219
630334
1544
mais aussi à Paris,
10:31
in Senegal, West Africa
220
631878
1584
au Sénégal en Afrique de l’Ouest,
10:33
and all over the world,
221
633462
1335
et partout dans le monde,
10:34
will be exposed to computer vision applied broadly.
222
634797
3837
assistera à l’application plus large de la vision par ordinateur.
10:39
And with that,
223
639135
1001
En cela,
10:40
all industries will be transformed,
224
640136
2210
toutes les industries seront transformées
10:42
and we will experience the world in a different way.
225
642346
2920
et on habitera le monde d’une façon différente.
10:45
I hope you can join me in agreeing that this is a gift
226
645766
3295
J’espère qu’on peut s’accorder sur le fait
10:49
that we almost owe our next generation that is coming,
227
649061
4713
que c’est un cadeau qu’il faut offrir à la prochaine génération,
10:53
because there are a lot of things that computer vision will help us solve.
228
653774
3546
parce qu’il y a plein de choses que la vision par ordinateur
nous aidera à résoudre.
10:57
Thank you.
229
657695
1001
Merci.
10:58
(Applause)
230
658696
2794
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7