How Autonomous Vehicles Use Technology to Navigate
Table of Contents
Introduction : La technologie qui permet aux auto-conducteurs de voir et de penser
Contrairement aux véhicules classiques qui reposent entièrement sur les yeux, les mains et le jugement d'un conducteur humain, les véhicules autonomes utilisent un système complexe de capteurs, de processeurs et de logiciels pour percevoir le monde et prendre des décisions de conduite sans intervention humaine. L'objectif n'est pas simplement d'automatiser une tâche, mais de créer un système qui puisse naviguer en toute sécurité dans des environnements imprévisibles et dynamiques, des rues de ville animées aux routes de banlieue tranquilles et aux autoroutes à grande vitesse.
Au cœur de la navigation autonome, il s'agit de répondre en temps réel à trois questions : Qu'est-ce que je fais après ? Pour répondre à ces questions, il faut intégrer profondément le matériel et les logiciels, en s'appuyant sur des domaines aussi divers que la vision informatique, la robotique, la physique des capteurs et l'apprentissage des machines.L'idée d'une voiture auto est depuis des décennies une référence scientifique-fiction, mais la technologie a progressé rapidement au cours des dix dernières années, et plusieurs entreprises exploitent maintenant des parcs de véhicules autonomes sur les routes publiques dans des conditions contrôlées.
Cet article explore les technologies clés qui permettent aux véhicules autonomes de naviguer, les défis auxquels ils font face et la direction de la technologie. Nous examinerons les systèmes de capteurs qui agissent comme les « yeux », les algorithmes qui servent de « cerveau » et les techniques de cartographie et de localisation qui la maintiennent orientées dans le monde.
Les niveaux d'autonomie des véhicules
Avant de plonger dans la technologie, il est utile de comprendre le cadre qui définit la quantité de conduite d'un véhicule sur son propre pied. La Société des ingénieurs automobiles (SAE) a défini six niveaux d'automatisation de conduite, du niveau 0 (pas d'automatisation) au niveau 5 (automatisation complète dans toutes les conditions). La plupart des véhicules de consommation fonctionnent aujourd'hui au niveau 2 (automatisation partielle), ce qui signifie qu'ils peuvent contrôler la direction et l'accélération simultanément, mais exigent du conducteur de surveiller l'environnement en tout temps.
Les systèmes de niveau 3, qui permettent au véhicule de gérer tous les aspects de la conduite dans certaines conditions (par exemple, la conduite sur route) et de laisser le conducteur se désengager, apparaissent maintenant dans des véhicules de production limitée. Les véhicules véritablement autonomes — au centre de cet article — fonctionnent au niveau 4 ou au niveau 5. Les véhicules de niveau 4 peuvent fonctionner sans intervention humaine dans un domaine de conception opérationnelle défini (par exemple, une zone urbaine géofencée ou une route par beau temps).
Les technologies de navigation décrites ci-dessous sont les plus pertinentes pour les systèmes de niveau 4 et de niveau 5, mais bon nombre des mêmes capteurs et algorithmes sont également présents dans les systèmes avancés d'assistance au conducteur (ADAS) trouvés dans les voitures d'aujourd'hui.
Technologies de base des capteurs : les yeux et les oreilles du véhicule
Pour naviguer, un véhicule autonome doit d'abord percevoir son environnement. Aucun capteur ne suffit; les meilleurs résultats sont la combinaison de plusieurs types de capteurs, chacun avec ses forces et faiblesses. Les quatre principales modalités de détection sont LiDAR, caméras, radar et capteurs ultrasoniques.
LiDAR (Détection et ranging de la lumière)
LiDAR est souvent décrit comme le capteur de perception « standard or » pour les véhicules autonomes. Il fonctionne en émettant des impulsions rapides de lumière laser — jusqu'à des centaines de milliers par seconde — et en mesurant le temps nécessaire pour que chaque impulsion rebondisse. En calculant la distance aux objets pour chaque point, LiDAR crée un nuage de point haute résolution et tridimensionnel de l'environnement environnant. Ce nuage de point révèle la forme et la position de tout ce qui va des autres véhicules et piétons aux trottoirs et aux panneaux de rue, dans tous les états d'éclairage.
Les unités LiDAR modernes peuvent générer des millions de points par seconde avec une précision de centimètre. Certains systèmes utilisent un mécanisme de rotation pour atteindre un champ de vision horizontal à 360 degrés, tandis que les nouveaux modèles à l'état solide utilisent des faisceaux à flash ou à balayage pour couvrir une zone plus étroite mais encore utile. Les principaux inconvénients de LiDAR sont son coût relativement élevé (bien que les prix soient en baisse) et sa sensibilité à la pluie, au brouillard ou à la neige lourdes, qui peuvent disperser la lumière laser et réduire la portée efficace.
Appareils photo
Les caméras fournissent de riches informations visuelles qu'aucun autre capteur ne peut faire correspondre. Elles peuvent détecter les couleurs, lire du texte sur les panneaux de signalisation, reconnaître les marques de voie, et identifier la marque et le modèle d'autres véhicules. La plupart des systèmes de véhicules autonomes utilisent plusieurs caméras disposées autour de la voiture, souvent en paires stéréo pour fournir une perception de profondeur similaire à la vision binoculaire humaine.
Parce que les caméras produisent des données d'image brutes, elles comptent fortement sur des algorithmes de vision informatique, en particulier des réseaux neuronaux profonds, pour interpréter ce qu'elles voient. Ces réseaux peuvent détecter et classer des objets (péditeurs, cyclistes, véhicules), suivre leur mouvement et même prévoir leur position future.Les caméras sont relativement peu coûteuses par rapport au LiDAR et au radar, mais elles sont dégradées par les mauvaises conditions météorologiques et les faibles conditions de lumière, ce qui explique pourquoi elles sont toujours utilisées en combinaison avec d'autres capteurs.
Radar (détection et ranging radio)
Le radar utilise des ondes radio pour détecter les objets et mesurer leur distance et leur vitesse. C'est une technologie mature qui a été utilisée dans les applications automobiles pendant des décennies, à l'origine pour le contrôle des croisières et les avertissements de collision. Les signaux radar sont beaucoup plus longs que les ondes lumineuses, de sorte qu'ils peuvent pénétrer le brouillard, la pluie, la neige et la poussière avec beaucoup moins d'atténuation que LiDAR ou les caméras.
Le radar est excellent pour mesurer la vitesse relative des objets en utilisant l'effet Doppler, qui est critique pour des tâches comme le contrôle adaptatif des croisières et le freinage d'urgence. Cependant, le radar a une résolution angulaire inférieure à LiDAR, ce qui signifie qu'il peut détecter quelque chose mais ne peut pas déterminer sa forme précisément. Le radar lutte également contre les objets fixes et peut produire de faux positifs à partir d'objets métalliques comme les panneaux routiers ou les garde-corps.
Capteurs à ultrasons
Les capteurs à ultrasons, qui utilisent des ondes sonores pour mesurer la distance, sont généralement déployés pour la détection à proximité, généralement à quelques mètres du véhicule. Ils sont couramment utilisés pour l'assistance au stationnement, la surveillance des points aveugles, et la détection de bordures ou d'obstacles trop bas pour d'autres capteurs. Les capteurs à ultrasons sont bon marché, robustes et fonctionnent bien à courte portée, mais ils ne peuvent pas fournir d'images à haute résolution ou de trace d'objets à vitesse routière.
Le rôle de la fusion des capteurs
LiDAR fournit une géométrie 3D précise mais échoue par mauvais temps. Les caméras donnent de riches données sémantiques mais luttent la nuit et dans le brouillard. Le radar fonctionne par tous les temps mais manque de détails. Pour surmonter ces faiblesses individuelles, les véhicules autonomes utilisent un processus appelé fusion de capteurs. La fusion de capteurs combine des données de plusieurs capteurs en une représentation unique et cohérente de l'environnement qui est plus précise et fiable que n'importe quel seul capteur.
Il existe deux approches principales de fusion des capteurs: fusion précoce, lorsque les données brutes ou prétraitées de tous les capteurs sont combinées à un stade précoce avant la détection de l'objet, et fusion tardive, où chaque capteur effectue sa propre détection d'objets et les résultats sont fusionnés plus tard. De nombreux systèmes modernes utilisent une approche hybride appelée « fusion intermédiaire » ou « fusion de niveau de caractéristiques ». Quelle que soit la méthode, l'objectif est le même : produire un « modèle mondial » robuste qui comprend la position, la vitesse, la classification et la trajectoire prédite de chaque objet autour du véhicule.
Si un capteur échoue ou donne une lecture contradictoire, le système peut retomber sur d'autres. Ceci est essentiel pour la sécurité, car une défaillance unique du capteur pourrait autrement entraîner un accident. De nombreuses architectures de véhicules autonomes sont conçues de manière à ce qu'aucun type de capteur ne soit nécessaire pour que le véhicule puisse continuer à fonctionner en toute sécurité, au moins assez longtemps pour se tirer ou s'arrêter.
Traitement et prise de décision : Le cerveau du véhicule
La collecte de données de capteur et sa fusion dans un modèle mondial ne représentent que la moitié du défi. Le véhicule doit alors décider de ce qu'il faut faire : accélérer, freiner, diriger, changer de voie, arrêter ou rendement. C'est le domaine de la pile de conduite autonome, qui se divise en quatre étapes : perception, prédiction, planification et contrôle- Oui.
Perception
La perception est le stade où les données brutes du capteur sont interprétées pour identifier les objets, les limites des voies, les signaux de circulation et d'autres caractéristiques pertinentes. Les réseaux neuronaux profonds, en particulier les réseaux neuronaux convolutionnels (CNN) et les transformateurs, ont révolutionné la perception. Ils peuvent traiter des images de caméra pour détecter les piétons avec une précision remarquable, tandis que les réseaux basés sur LiDAR construisent des détections d'objets 3D à partir de nuages point.
Prédiction
Une fois les objets détectés, le véhicule doit prévoir comment ils vont se déplacer au cours des prochaines secondes. Ceci est essentiel pour la sécurité de la navigation, en particulier dans la circulation mixte avec les voitures à moteur, les cyclistes et les piétons.Les modèles de prévision utilisent une variété de techniques, y compris les réseaux neuronaux récurrents (RNN), les réseaux de mémoire à court terme (LSTM) et les architectures plus récentes basées sur les transformateurs. Ces modèles sont formés sur des ensembles de données massives de scènes de circulation enregistrées pour apprendre les comportements communs: une voiture à une intersection peut tourner à gauche, un piéton à une passerelle peut commencer à marcher. Certains systèmes intègrent également des modèles de mouvement explicites comme les filtres à vitesse constante ou Kalman.
Planification
La planification est le stade de prise de décision. Elle prend l'état perçu et les trajectoires futures prévues, ainsi que la destination du véhicule, et détermine un chemin sûr et efficace à suivre. La planification est généralement divisée en trois niveaux: planification de l'itinéraire (chemin de haut niveau d'origine à destination, souvent à l'aide d'une carte de navigation), planification comportementale (des décisions comme « devrais-je changer de voie? » ou « devrais-je céder à un piéton qui traverse le passage à niveau? ») planification des mouvements (engendrant une trajectoire sans collision pendant les quelques secondes suivantes).
La planification du comportement utilise souvent des machines à état fini ou des systèmes fondés sur des règles, combinés à des approches fondées sur l'apprentissage. La planification du mouvement utilise généralement des algorithmes d'optimisation tels que le contrôle prédictif du modèle (MPC) ou des planificateurs basés sur l'échantillonnage, comme les arbres aléatoires à exploration rapide (RTR).
Contrôle
La dernière étape est le contrôle, où la trajectoire prévue est convertie en commandes envoyées aux actionneurs du véhicule : angle de braquage, gaz, freins et parfois signaux de virage. Les contrôleurs sont généralement basés sur la théorie de contrôle classique, comme les contrôleurs PID ou les algorithmes MPC plus avancés qui combinent planification et contrôle en une seule étape. Le système de contrôle doit être robuste aux retards, frictions et autres imperfections du monde réel. Il fonctionne à une haute fréquence (50–100 Hz) pour assurer un suivi en douceur de la trajectoire.
Cartes haute définition et localisation
Les véhicules autonomes ne peuvent pas se fier uniquement aux données de capteurs en temps réel pour comprendre leur position. cartes haute définition (HD) Les cartes HD sont construites à l'aide de disques durs antérieurs avec des véhicules de cartographie spécialisés qui transportent des LiDAR et des caméras à haute précision. Ces cartes sont mises à jour régulièrement pour refléter les changements de route tels que les zones de construction ou la nouvelle signalisation.
La localisation – qui détermine la position exacte du véhicule dans la carte – est obtenue en combinant plusieurs sources de données. Le GPS fournit une position grossière (à quelques mètres de la carte), mais ce n'est pas assez précis pour la conduite en hauteur. localisation par capteurLes appareils photo peuvent identifier des repères comme des marques de voie ou des signes et les comparer aux caractéristiques de la carte. Un appareil de mesure inertiel (IMU) et une odométrie de roue permettent de détecter les erreurs entre les mises à jour des capteurs. Toutes ces entrées sont fusionnées, souvent avec un filtre Kalman, pour produire une estimation de position haute précision (généralement dans un rayon de 10 cm) même dans des zones défectueuses par GPS comme les tunnels.
Une approche de plus en plus populaire est localisation et cartographie simultanées (SLAM), où le véhicule construit et met à jour sa carte en temps réel tout en y localisant également. Ceci est utile pour les zones non couvertes par des cartes HD pré-construits ou lorsque les conditions ont changé. Cependant, pour un fonctionnement robuste, la plupart des systèmes de niveau 4 comptent toujours sur des environnements pré-emballés comme un épine dorsale fiable.
Défis de la navigation autonome
Malgré des progrès impressionnants, la navigation autonome reste un problème très difficile. Plusieurs obstacles clés doivent être surmontés avant que les voitures autoconduites ne deviennent omniprésentes.
Conditions météorologiques défavorables
Les impulsions LiDAR sont dispersées par le brouillard et les flocons de neige. Les caméras perdent du contraste et des détails dans les conditions de pluie ou de blanc. Le radar est plus robuste, mais peut encore souffrir d'interférences multipathes ou d'atténuation dans les précipitations lourdes. Aucune suite de capteurs de courant ne fournit une perception impeccable dans tous les temps, et l'industrie recherche activement des moyens d'améliorer, tels que les caméras thermiques, LiDAR de longue durée et le traitement avancé des signaux pour le radar.
Comportement humain imprévisible
Les véhicules autonomes doivent partager la route avec les conducteurs humains, les cyclistes et les piétons dont les actions sont souvent inattendues. Un piéton peut soudainement sortir du trottoir sans regarder, un conducteur peut courir un feu rouge, ou un enfant peut chasser une balle dans la rue. Bien que les modèles de prédiction s'améliorent, ils ne peuvent pas prévoir toutes les actions possibles. La logique de conduite défensive et le comportement conservateur peuvent aider, mais trop de prudence peut conduire à l'indécision ou à la conduite perturbatrice (par exemple, s'arrêter à plusieurs reprises sans raison).
Cas de bord et scénarios rares
Les systèmes autonomes sont formés à d'énormes ensembles de données, mais ils rencontrent inévitablement des situations qu'ils n'ont jamais vues auparavant : un ouvrier de la construction qui détient un signal qui dépasse un feu de circulation, un arbre tombé qui bloque une voie, un animal traversant la route ou un véhicule de police de la circulation manuellement. La manipulation de ces cas de bord exige que le véhicule ait une compréhension profonde du contexte et du bon sens – ce que l'IA actuelle lutte avec.
Cybersécurité et sécurité
Un agresseur qui prend le contrôle des systèmes de détection ou de contrôle d'un véhicule autonome pourrait causer des accidents catastrophiques. Les fabricants doivent mettre en place des mesures de cybersécurité robustes, y compris le chiffrement, la mise à jour sécurisée, la sécurité en direct et les systèmes de détection d'intrusion. La National Highway Traffic Safety Administration (NHTSA) des États-Unis continue d'élaborer des lignes directrices pour le déploiement sécuritaire des véhicules automatisés, et des efforts similaires sont en cours en Europe et en Asie.
L'avenir de la navigation autonome
Bien que des défis subsistent, la trajectoire de la technologie autonome des véhicules est claire : les véhicules deviendront de plus en plus capables de naviguer sans intervention humaine.
Communication de véhicules à véhicules (V2X)
La technologie V2X permet aux véhicules de communiquer entre eux (V2V) et avec des infrastructures comme les feux de circulation (V2I). Cela étend considérablement la perception d'un véhicule au-delà de ses propres capteurs. Par exemple, une voiture qui approche d'une intersection pourrait recevoir un signal d'un feu de circulation lui indiquant exactement quand la lumière changera, ou un véhicule de tête pourrait diffuser un événement de freinage dur pour suivre les voitures. Le département des Transports des États-Unis a testé activement les déploiements de V2X, et de nombreux experts de l'industrie pensent que ce sera un catalyseur clé pour l'autonomie de niveaux 4 et 5.
Progrès dans l'intelligence artificielle
L'apprentissage automatique, en particulier l'apprentissage profond, continue de repousser les limites de ce que les systèmes autonomes peuvent percevoir et prédire. De nouvelles architectures comme les transformateurs de vision et les modèles mondiaux basés sur les transformateurs montrent des promesses en apprenant des représentations plus riches de scènes. L'apprentissage renforcé est appliqué à la formation des politiques de planification et de contrôle dans la simulation, conduisant à des comportements de conduite plus naturels et plus efficaces.
Amélioration de la technologie des capteurs et réduction des coûts
Les prix LiDAR ont chuté de façon spectaculaire, de dizaines de milliers de dollars il y a dix ans à moins de mille dollars pour certaines unités à l'état solide. De même, les caméras à haute résolution et le radar deviennent moins chers et plus capables. Radar d'imagerie 4D, qui ajoute des informations de hauteur à la plage et la vitesse traditionnelles, émergent pour contester la domination de LiDAR.
Développements de la réglementation et de l'infrastructure
Plusieurs États américains, ainsi que des pays comme l'Allemagne, le Japon et la Chine, ont adopté des lois permettant l'utilisation autonome des véhicules dans certaines conditions. ISO 26262 pour la sécurité fonctionnelle et la future norme ISO 21448 pour la sécurité de la fonctionnalité prévue (SOTIF) est en cours de perfectionnement. L'amélioration des infrastructures, comme les voies réservées aux véhicules autonomes et les marquages routiers améliorés, contribuera également à la transition vers un avenir pleinement autonome.
Conclusion
La navigation autonome des véhicules est un exploit remarquable d'ingénierie qui combine le matériel et les logiciels d'une manière inimaginable il y a quelques décennies. En intégrant les capteurs LiDAR, les caméras, les radars et les ultrasons, et en fusionnant leurs données avec des cartes haute définition et des algorithmes puissants, ces véhicules peuvent percevoir, prédire, planifier et exécuter des manœuvres de conduite sûres en temps réel. Pourtant, le voyage est loin d'être terminé.
La mise en place progressive de systèmes de niveau 4 dans des zones géofencées spécifiques, comme l'axe des robots dans des villes comme Phoenix et San Francisco, donne un aperçu d'un avenir où les conducteurs humains ne sont plus nécessaires pour chaque voyage. Vue d'ensemble de McKinsey sur la conduite autonome et Couverture continue de l'IEEE Spectrum La route est longue, mais la direction est claire.