Une soif d’apprendre : Red Bull Advanced Technologies utilise OCI pour tester l'IA auprès des futures stars de la course

Pour atteindre le sommet du sport automobile, les jeunes pilotes ont besoin de bien plus que de l’intensité et de la concentration d’un athlète classique.

« Nous recherchons ce que j’appellerais la "soif de maîtrise" : ce désir brûlant d’apprendre et de progresser à chaque tour », explique Guillaume Rocquelin, responsable de la formation des jeunes pilotes chez Red Bull.

« Leur appétit pour les données et les analyses que nous pouvons leur offrir est insatiable », précise Rocquelin. « C’est exactement l’état d’esprit que nous recherchons. Cela ne se traduit pas toujours par des aptitudes physiques, mais c’est le point de départ. »

Personne ne connaît mieux la transition vers le plus haut niveau du sport automobile que Rocquelin, ancien ingénieur de course du quadruple champion du monde de Formule 1 Sebastian Vettel, devenu ensuite responsable de l’ingénierie de course, avant d’occuper son poste actuel. La Red Bull Driver Academy est l’un des meilleurs centres de formation du sport : 7 des 20 pilotes actuels de F1 sont issus de ce programme.

Rocquelin a identifié des axes d’amélioration dans les outils pédagogiques dont disposent les entraîneurs comme lui. Même si les jeunes pilotes talentueux doivent apprendre avec voracité, les entraîneurs disposent de très peu de moyens pour expliquer pourquoi un pilote est plus rapide qu’un autre. À quel moment exact un pilote a-t-il freiné, accéléré ou rétrogradé ? Quel angle ont-ils pris pour entrer dans un virage et le négocier ? Un pilote peut seulement observer et essayer de reproduire ce qu’il voit chez un autre plus rapide.

Red Bull Advanced Technologies, qui applique l’ingénierie haute performance à la course automobile et cherche à transposer ces technologies à d’autres secteurs, travaille sur ce défi : développer de meilleurs outils de formation pour les jeunes pilotes. Les ingénieurs de Red Bull Advanced Technologies collaborent avec des experts en science des données d’Oracle pour explorer comment le machine learning, le cloud computing et la visualisation de données peuvent enrichir l’expérience d’apprentissage de ces athlètes avides de données.

« Dans tout environnement de coaching, les outils ne sont que le point de départ de la discussion. Une meilleure qualité d’outil permet des échanges de plus haut niveau », explique Rocquelin.

Dans tout environnement de coaching, les outils ne sont que le point de départ de la discussion. Une meilleure qualité d’outil permet des échanges de plus haut niveau », explique Rocquelin.

Guillaume Rocquelin Responsable de la Red Bull Driver Academy

L’équipe data science d’Oracle utilise Oracle Cloud Infrastructure (OCI) pour affiner les algorithmes des voitures autonomes, appelés SLAM (Simultaneous Localization And Mapping), et les appliquer à l’analyse de vidéos de course, d’abord à partir des pilotes e-sport de l’équipe. Une fois la solution aboutie, l’équipe espère pouvoir intégrer une vidéo de session pilote dans une application, lancer une analyse par machine learning et en tirer des pistes pour améliorer leurs temps de tour.

L'outil n'en est encore qu'à ses débuts. Les data scientists d’Oracle ont rencontré un défi lorsqu’ils ont appliqué les algorithmes conçus pour les véhicules autonomes à des voitures de course, bien différentes des berlines classiques. « Les lois de la physique sont très différentes en course automobile », explique Jigar Mody, Vice-président des services d’intelligence artificielle chez Oracle. Voici comment OCI aide les équipes à relever ce défi IA encore non résolu.

Pour commencer, Red Bull Advanced Technologies a fourni à l’équipe Oracle des vidéos issues de ses simulateurs e-sport, afin que les algorithmes SLAM puissent déterminer la position de la voiture sur la piste. Ils espéraient que les résultats constitueraient une base de données suffisante pour l’analyse.

Le problème : lorsque l’équipe a appliqué pour la première fois SLAM à des vidéos de course, la position prédite était décalée de 500 mètres. Ces algorithmes n’étaient pas conçus pour interpréter les mouvements d’un véhicule atteignant 320 km/h et encaissant jusqu’à 5G d’accélération latérale dans les virages. Un modèle d’IA précis est nécessaire pour les systèmes d’analyse de données envisagés, c’est pourquoi les data scientists d’Oracle ont commencé à affiner le modèle.

Une telle précision est essentielle. « Leur conduite est extrêmement précise, donc une précision de position de 20 centimètres est indispensable pour que les algorithmes soient réellement utiles », explique le Dr Alberto Polleri, Chief Data Scientist d’Oracle et expert en IA qui dirige le projet. « Et pour les angles très faibles qui décrivent la direction du véhicule, il faut une précision inférieure à un degré. »

L’équipe de Data Science d’Oracle utilise massivement les unités de processeurs graphiques (GPU) d'OCI comme puissance de calcul à la demande pour gérer les charges lourdes liées à la modélisation et aux tests en IA. L’équipe ingère les vidéos dans OCI, utilise des réseaux neuronaux convolutionnels (CNN) et des réseaux neuronaux récurrents (RNN) pour traiter les images. Ensuite, elle utilise OCI pour tester divers paramètres et ajuster le modèle d'IA, en comparant les résultats avec la réalité observée sur circuit.

Ce processus d’ajustement du modèle est la partie la plus exigeante en calcul, d’où la nécessité d’une puissance de calcul flexible et à la demande via OCI. Certains modèles peuvent nécessiter plusieurs jours de traitement. Parfois, l’équipe lance un test, constate qu’il n’apporte pas d’amélioration et l’arrête, ou exécute plusieurs modèles en parallèle. « Nous menons des centaines d’expériences par mois, chacune durant plusieurs jours », explique Polleri.

Implémentation technique sur OCI

Voici comment les données circulent dans l'architecture sur OCI :

Tout commence par l’ingestion de vidéos dans OCI.

Ensuite, les données sont envoyées vers trois pipelines parallèles, ou workflows, pour évaluer l’odométrie visuelle (vitesse et orientation de la voiture), la position sur la piste et les commandes (volant et roues). Ces trois workflows utilisent massivement OCI Compute, y compris les GPU.

Une fois les modèles d'IA affinés, Red Bull Advanced Technologies espère disposer d’un outil fonctionnant sur OCI capable d’analyser une vidéo et d’identifier précisément ce qu’un pilote a fait différemment d’un tour à l’autre, ou par rapport à un autre pilote.

Ce type de recherche algorithmique pourrait aussi être utile au-delà du sport automobile, dans des domaines comme la robotique ou les véhicules autonomes, partout où il est utile de prévoir le prochain mouvement d’un objet. Même si la plupart des cas d’usage ne concerneront pas des vitesses de 320 km/h, les optimisations développées pour la course devraient aussi être utiles à des vitesses plus classiques. « Une technologie performante à haute vitesse fonctionne encore mieux à basse vitesse », affirme M. Mody d’Oracle.

Voir plus d'articles sur Oracle Connect