Conduite autonome : comment l’intelligence artificielle enrichit les systèmes d’aide à la conduite

Les systèmes d’aide à la conduite (ADAS pour Advanced Driver-Assistance Systems) font partie intégrante du monde automobile. Qu’il s’agisse du régulateur automatique de distance, du système d’aide au maintien dans la voie, des systèmes de freinage d’urgence, de la caméra de recul ou de l’aide au stationnement, ces technologies augmentent à la fois le confort de conduite et la sécurité routière. Ce faisant, les systèmes ADAS soutiennent la conduite à différents stades technologiques – de la conduite assistée à la conduite semi-automatique, jusqu’à la conduite autonome. Cependant, le chemin reste pavé d’obstacles avant d’atteindre cet objectif, notamment des défis techniques.  

Pour passer d’une conduite semi-automatique à une conduite hautement automatisée, les technologies sous-jacentes doivent garantir un niveau de sécurité et de fiabilité maximal. Cela nécessite des systèmes qui collectent, évaluent et traitent en temps réel des informations provenant de différentes sources, et notamment des nombreux capteurs embarqués dans les véhicules connectés.  

Le défi est ensuite de transformer l’énorme quantité de données recueillies par les capteurs en informations utiles, et de mettre cette “intelligence collective de la route” à la disposition des autres utilisateurs, pour voir au-delà des capteurs. Des initiatives de standardisation de formats de données (comme Sensoris) sont déjà engagées à l’échelle internationale pour favoriser l’échange de données entre véhicules, et permet par exemple d’avertir à un stade précoce, d’embouteillages ou d’un accident sur son trajet. Développer ce type de standard est un moteur fondamental du développement de la conduite autonome.

L’intelligence artificielle apprend de ce qu’elle voit sur la route

Pour exploiter l’intelligence fournie par les capteurs, les méthodes d’intelligence artificielle (IA) telles que le machine learning (apprentissage machine), le deep learning (apprentissage profond) et les réseaux neuronaux sont de plus en plus plébiscités. Grâce à des algorithmes avancés, ces technologies sont capables d’analyser de grandes quantités de données et d’en tirer des enseignements. Les systèmes sont entraînés, c’est-à-dire qu’ils apprennent des modèles qui se répètent dans les données des capteurs et en déduisent certaines informations de manière autonome.  

Intégrées dans les solutions ADAS, ces technologies d’intelligence artificielle peuvent déjà prendre en charge diverses fonctions d’assistance automatisée. Les systèmes de contrôle automatique de la distance ou les assistants au freinage d’urgence sont par exemple capables d’identifier de manière fiable une grande variété d’obstacles tels qu’un véhicule devant, des cyclistes ou des piétons sur la route. Cela permet au véhicule de réagir automatiquement et rapidement pour éviter une collision.  

L’apprentissage est long mais les choses s’accélèrent. En 2019, un institut de recherche indépendant spécialisé dans l’intelligence artificielle (IARAI) a par exemple été créé à Vienne pour développer de nouveaux algorithmes de machine learning et de deep learning au service de la conduite autonome.

La cartographique numérique, moteur de la voiture autonome

Les cartes numériques jouent un rôle central dans l’automatisation de la conduite. Ce sont elles qui fournissent au véhicule les “structures logiques” qui lui permettent de se positionner sur une voie au centimètre près et d’anticiper les conditions à venir au-delà de la visibilité des capteurs embarqués pour planifier les manœuvres de contrôle du véhicule. On retrouve également un intérêt croissant des cartes numériques pour entraîner un système en situation réelle dans des environnements de simulation spécifiques, conçus par des spécialistes de la simulation tels que l’américain MathWorks. Ces environnements permettent de tester virtuellement les systèmes ADAS, d’entraîner les capteurs à reconnaître des configurations particulières et de construire à coûts réduits des modèles 3D représentatifs de la réalité.

Pour fournir des informations fiables et cohérentes, les cartes doivent également pouvoir se mettre à jour en permanence, et c’est là que les capteurs et les systèmes d’assistance entrent en jeu. Ils capturent l’environnement du véhicule, les moindres changements et utilisent ces informations pour alimenter la cartographie qui construit en continu une mémoire collective de la route en quasi-temps réel. Mais capturer l’environnement du véhicule en quasi-temps réel pour permettre d’alimenter une cartographie dite « haute-résolution » (HD) est complexe, car les informations sur les voies, les positions des panneaux et des feux de signalisation, les marquages au sol ou autres objets doivent être enregistrés de manière extrêmement précise.  

Pour parvenir à un tel degré de précision, la technologie de télédétection par laser ou LiDAR se révèle fondamentale. Très utilisée dans les sciences de l’environnement ou encore en archéologie, cette technologie permet de modéliser des environnements urbains et des réseaux routiers complexes. Les capteurs génèrent un nuage de points à 360 degrés dix fois par seconde, ce qui permet un nombre élevé de mesures 3D. En le fusionnant avec la position et l’orientation du véhicule, on obtient un nuage de points 3D entièrement géoréférencé qui capture les différentes perspectives et les détails précis de l’environnement. Les nuages de points sont projetés sur une image 2D et évalués à l’aide du deep learning.  

Un réseau neuronal évalue ensuite les images et prédit une valeur spécifique pour chaque pixel de l’image 2D. Il est ainsi possible de prédire de manière fiable toutes les caractéristiques de la route.

Au-delà de la construction de la carte, sa mise à jour est un réel défi. Pour être la plus à jour possible et donc fiable, la carte doit être capable de s’auto-ajuster en quasi-temps réel lorsqu’un paramètre évolue. On parle de live self healing map, et c’est aussi pour répondre à ce besoin d’automatisation des mises à jour que l’intelligence artificielle joue un rôle prépondérant pour la voiture autonome.  

Créer manuellement une telle carte à l’échelle mondiale est impossible. L’automatisation de sa construction et de sa mise à jour par l’utilisation de l’intelligence artificielle est donc indispensable. Et pour que les systèmes apprennent judicieusement, il faut continuer d’enrichir les systèmes ADAS. Combiner intelligence artificielle, données de capteurs et carte numérique va permettre à ces systèmes de fonctionner de manière encore plus fiable et de maximiser le confort de conduite et la sécurité routière, nous rapprochant un peu plus de la conduite autonome.  

The post Conduite autonome : comment l’intelligence artificielle enrichit les systèmes d’aide à la conduite first appeared on ProcuRSS.eu.

Menu