Skip to main content

Article Category

Article available in the folowing languages:

La première solution avec fusion totale de capteurs permet la conduite assistée tous-temps

Pour que des véhicules véritablement autonomes puissent un jour prendre la route, leur perception de l’environnement devra remplir certains critères de sécurité, n’importe où, par n’importe quel temps et à n’importe quel moment de la journée ou de la nuit. Le projet DENSE intègre trois technologies de détection traitées par des réseaux neuronaux profonds, ce qui constitue une première.

Économie numérique

La plupart des systèmes avancés d’aide à la conduite (SAAC) actuels ont été développés pour des conditions «normales» ou classiques, comme la conduite de jour et par beau temps. Dans des conditions plus difficiles (de nuit ou en cas de brouillard, de pluie ou de neige), ces systèmes peuvent tomber en panne. Pour s’attaquer à ce problème, le projet DENSE, soutenu par l’UE, a combiné trois capteurs spécialisés: une caméra temps de vol à obturateur, un lidar infrarouge à ondes courtes (short-wave infrared – SWIR) et un radar à haute résolution dit «entrées multiples sorties multiples» (multiple-input multiple-output – MIMO). Ils ont été complétés par une unité de traitement basée sur des réseaux neuronaux profonds. «Notre approche améliore considérablement les systèmes d’assistance au conducteur, ce qui constitue une étape importante en vue de les rendre utilisables 24h/24, 7j/7 et dans n’importe quelles conditions météorologiques», déclare Werner Ritter, coordinateur du projet chez Mercedes-Benz, hôte projet. «Actuellement, notre méthode est la seule au monde à pouvoir offrir une telle perception de l’environnement!»

La suite de capteurs et l’unité de traitement

L’architecture de DENSE, comprenant une caméra, un lidar et un radar, ainsi que l’unité de traitement, a été conçue après une étude réalisée avec des fournisseurs de capteurs et de composants. Contrairement aux caméras passives standard, la caméra à obturateur (en anglais: «gated camera») de DENSE est active et synchronise son ouverture avec l’éclairage laser afin de capturer des images de zones situées à des profondeurs définies, proches, à mi-distance et lointaines. L’ouverture de la caméra reste fermée pour les zones situées en dehors de la plage de profondeur définie pour éviter les interférences visuelles. Cela permet d’obtenir des images plus nettes. Une image de l’ensemble des profondeurs définies est générée en superposant les images individuelles correspondant à une profondeur donnée. Les «gated cameras» fournissent également des informations précises sur la distance pour chaque pixel, avec une précision de 5 % (ce qui correspond à une précision de 5 mètres à une distance de 100 mètres). «En combinant les images et les cartes de profondeur obtenues avec nos “gated cameras”, à un rythme de 60 par seconde, il est possible de détecter les petits obstacles situés à grande distance de manière fiable, même en cas de mauvaise visibilité. À notre connaissance, aucun autre système n’a jusqu’à présent été en mesure de le faire!», explique Werner Ritter. Le lidar standard fonctionne dans le proche infrarouge (NIR), une plage de longueurs d’onde qui n’est pas considérée comme étant inoffensive pour les yeux. Les SAAC actuels ont déjà atteint les limites du lidar en termes de résolution et de distance. En revanche, les lidars SWIR fonctionnent dans des plages inoffensives pour les yeux, augmentant la luminance d’un rayon (dans les systèmes plus simples) d’au moins un facteur 1 000. Enfin, la résolution des systèmes radar actuellement utilisés ne permet pas de faire facilement la distinction entre les objets fixes et les arrière-plans. Mais la technique MIMO de DENSE combine le radar avec d’autres capteurs, ce qui augmente la fiabilité et la précision de la classification. Un prototype intégrant les trois capteurs a été construit et testé en France dans l’enceinte météorologique de 30 mètres du CEREMA, partenaire du projet, dans laquelle les conditions de brouillard et de pluie ont été simulées. «Notre système a démontré une amélioration significative de la perception environnementale des systèmes d’assistance au conducteur, en particulier par mauvais temps, par rapport aux systèmes conventionnels», fait remarquer Werner Ritter. Les performances des capteurs ont également été améliorées par l’unité de traitement, basée sur des réseaux neuronaux profonds entraînés à l’aide d’algorithmes reproduisant de mauvaises conditions météorologiques. Le réglage et les essais ont été réalisés à partir de données obtenues dans la chambre météorologique du CEREMA ou sur des trajets plus longs effectués en Europe du Nord.

De la conduite assistée aux véhicules autonomes

L’innovation du projet DENSE contribue à l’essor d’une conduite assistée visant à éviter des accidents coûteux et à sauver des vies. Elle aide également à ouvrir la voie au développement des véhicules autonomes, qui doivent compter sur une disponibilité et une fiabilité 24h/24, 7j/7 par tous les temps, ce qui profite entre autres aux personnes âgées et handicapées. Avant la phase de production industrielle, DENSE devra faire l’objet d’un certain nombre d’améliorations, parmi lesquelles: un accès à davantage de données de simulation de mauvais temps; une meilleure reconnaissance automatique des conditions météorologiques et une meilleure adaptation à ces dernières (à l’aide de l’IA); et une amélioration des performances du matériel de détection. «Les capteurs actuels pourraient déjà être remplacés par les nôtres, ce qui offrirait aux SAAC une meilleure perception de l’environnement, mais cela nécessite d’abord des développements matériels de la part des fournisseurs. Nos réseaux neuronaux peuvent être introduits directement dans les architectures existantes, améliorant ainsi les capteurs existants, mais les changements relatifs à la production prennent généralement au moins trois ans», indique Werner Ritter.

Mots‑clés

DENSE, systèmes avancés d’aide à la conduite, véhicules autonomes, mauvais temps, lidar, radar, gated camera, SWIR, MIMO, capteurs, réseaux neuronaux

Découvrir d’autres articles du même domaine d’application