Using GPS and Sensors to Develop Autonomous Vehicles
Table of Contents
Le rôle critique du GPS dans la navigation autonome
Le système de positionnement global (GPS) est l'épine dorsale du positionnement autonome des véhicules. Un réseau de 31 satellites émet des signaux précis de synchronisation que les récepteurs au sol utilisent pour calculer la latitude, la longitude et l'altitude par trilatation. Pour les voitures autoconduites, le GPS fournit la référence absolue de localisation nécessaire pour la planification des routes et la sensibilisation globale.
Les récepteurs GPS modernes utilisés dans les véhicules autonomes atteignent une précision de 1 à 3 mètres sous ciel ouvert. GPS.gov signale que la précision des civils s'est sensiblement améliorée Les tunnels, la couverture dense des arbres et les canyons urbains, où les grands bâtiments bloquent les signaux satellites, peuvent dégrader ou complètement perdre la réception GPS. Les erreurs multipathes, où les signaux rebondissent sur les surfaces avant d'atteindre le récepteur, réduisent encore la précision.
Pour compenser ces faiblesses, les systèmes autonomes utilisent des récepteurs GPS avancés avec corrections différentielles (DGPS) ou positionnements Kinématiques en temps réel (RTK), qui peuvent atteindre une précision de centimètre. Pourtant, même ces systèmes nécessitent une fusion continue des capteurs pour maintenir un positionnement fiable lorsque les signaux satellites ne sont pas disponibles.
Technologies de capteurs pour la perception de l'environnement
Les véhicules autonomes comptent sur une suite complémentaire de capteurs pour percevoir l'environnement environnant. Chaque type de capteur a des forces et des limitations uniques, et leurs données combinées créent un modèle complet du monde du véhicule.
Lidar (détection de la lumière et ranging)
Lidar émet des milliers d'impulsions laser par seconde et mesure le temps nécessaire à chaque impulsion pour réfléchir sur les objets et revenir. Ces données produisent des nuages précis de points 3D qui cartographient l'environnement en temps réel. Les unités lidar à l'état solide modernes offrent des champs de vision horizontaux de 360 degrés et s'étendent jusqu'à 300 mètres, avec une résolution angulaire assez fine pour détecter les piétons, les cyclistes et les marquages de voie.
Lidar fonctionne bien dans des conditions de faible luminosité et fournit des mesures de distance précises, indépendamment de la couleur ou de la texture de l'objet. NOAA explique comment fonctionne la technologie lidar Cependant, le lidar peut lutter contre la pluie, le brouillard ou la neige, car les particules de l'air dispersent les faisceaux laser. Malgré ces défis, le lidar reste un capteur critique pour la plupart des développeurs de véhicules autonomes en raison de sa grande précision et sa capacité à générer des modèles environnementaux détaillés.
Radar (détection et ranging radio)
Contrairement au lidar, le radar peut fonctionner efficacement dans des conditions météorologiques défavorables parce que les longueurs d'onde radio plus longues pénètrent dans la pluie, le brouillard et la poussière. Les capteurs radar automobiles fonctionnent généralement dans la bande 77 GHz pour la détection à longue distance (jusqu'à 250 mètres) et 24 GHz pour les applications à courte portée. Le radar est particulièrement utile pour le contrôle adaptatif des croisières, l'évitement des collisions et la surveillance des points aveugles.
Le radar permet de mesurer la vitesse directement par l'effet Doppler, ce qui permet au véhicule de déterminer instantanément la vitesse des autres usagers de la route. La principale limite du radar est sa résolution angulaire inférieure par rapport au lidar, ce qui rend difficile la distinction entre des objets très espacés ou l'identification des formes d'objets.
Appareils photo
Les appareils photo fournissent des données visuelles haute résolution qui permettent la reconnaissance des objets, la détection des voies, la lecture des panneaux de signalisation et la classification des autres usagers de la route. Les véhicules autonomes modernes utilisent plusieurs caméras avec différentes longueurs focales et champs de vision, y compris parfois des caméras stéréo pour la perception de la profondeur.
La perception par caméra a progressé rapidement grâce à des modèles d'apprentissage profond, comme les réseaux neuronaux convolutionnels (RCN) et les architectures de transformateurs. Ces modèles peuvent détecter des objets avec une précision remarquable même dans des conditions d'éclairage difficiles. Pourtant, les caméras ont des faiblesses inhérentes : elles nécessitent un éclairage suffisant, peuvent être aveuglées par la lumière solaire directe ou les phares entrants, et fournir une mesure de distance moins précise que le lidar ou le radar. Le document technique de SAE International sur la perception des caméras dans les véhicules autonomes discute de ces limites en profondeur.
Capteurs à ultrasons
Les capteurs à ultrasons utilisent des ondes sonores à haute fréquence pour détecter les objets à quelques mètres. Ils sont peu coûteux, robustes et fiables pour la détection à courte portée, ce qui les rend idéales pour l'assistance au stationnement, la détection des bordures et les manœuvres à basse vitesse. Bien que leur portée soit limitée à environ 2-5 mètres, ils remplissent une niche que les capteurs à plus longue portée ne peuvent pas traiter, fournissant une sensibilisation près du champ pour les derniers mètres d'une manœuvre de stationnement.
Unités de mesure inertielles (UMI) et Odométrie
Bien que les capteurs de perception externes, les IMU et l'odométrie des roues soient essentiels pour maintenir le positionnement lorsque le GPS n'est pas disponible. Les IMU mesurent l'accélération et le taux angulaire, permettant au véhicule de se positionner de façon immobile par intégration. Les encodeurs de roues fournissent la distance parcourue par rapport aux nombres de rotation.
Fusion de capteurs et intégration avec GPS
La fusion des capteurs combine des données provenant de plusieurs capteurs (GPS, lidar, radar, caméras, IMU) pour créer une compréhension unifiée, précise et robuste de l'état et de l'environnement du véhicule. La technique de fusion la plus courante est le filtre Kalman, qui utilise un cycle de prévision-mise à jour pour estimer la position, la vitesse et l'orientation du véhicule tout en tenant compte du bruit de mesure.
Les architectures de fusion avancées utilisent des graphiques de facteurs ou des filtres à particules pour des performances encore plus robustes, en particulier dans des environnements complexes.Ces algorithmes intègrent les données GPS avec les observations de capteurs pour affiner les estimations de localisation et détecter les obstacles simultanément. Par exemple, lorsque les signaux GPS se dégradent dans un tunnel, le véhicule se fie aux données lidar et IMU pour suivre sa position par rapport à un précédent pré-maqué, puis rétablit les coordonnées absolues une fois le GPS retourné.
La fusion des capteurs permet également de redondance : si un capteur échoue, d'autres peuvent compenser.Cette propriété critique pour la sécurité est la raison pour laquelle les véhicules autonomes transportent plusieurs types de capteurs. Manuel de l'IEEE sur la fusion des capteurs pour la conduite autonome fournit un aperçu technique complet de ces méthodes.
Applications et études de cas dans le monde réel
Plusieurs entreprises ont déployé des véhicules autonomes qui dépendent de la fusion GPS-capteurs. Waymo, un leader sur le terrain, utilise une combinaison de lidar, radar, caméras et GPS avec des corrections RTK dans sa flotte. Leurs véhicules ont conduit des millions de miles de manière autonome à Phoenix, San Francisco, et d'autres villes, démontrant l'efficacité de la perception multicapteurs ainsi que des cartes haute définition qui incluent des repères alignés GPS.
Tesla utilise des réseaux neuronaux formés sur de vastes ensembles de données pour interpréter directement les images des caméras. Alors que le GPS assure la navigation au niveau de la route, les véhicules Tesla utilisent la localisation basée sur la vision en apparieant des caractéristiques visuelles aux données cartographiques connues, ce qui leur permet de fonctionner sans lidar. La division AI de Tesla publie des mises à jour sur leur pile d'autonomie basée sur la vision- Oui.
Les autres acteurs sont Cruise, Aurora et Nuro, chacun intégrant GPS et capteurs différemment selon leur domaine de conception opérationnelle. Par exemple, les robots de livraison à basse vitesse de Nuro opèrent dans des environnements de banlieue où la fiabilité GPS est élevée, tandis que la robotaxie de Cruise navigue dans des rues urbaines denses où la fusion des capteurs est critique.
Défis en cours
Malgré des progrès impressionnants, plusieurs défis subsistent pour l'intégration du GPS et du capteur dans les véhicules autonomes.
- Vulnérabilités GPS: Les véhicules autonomes doivent détecter ces anomalies et revenir à la navigation uniquement par capteur. Des mesures de cybersécurité sont également nécessaires pour empêcher les attaques malveillantes sur les signaux satellites.
- Limites du capteur: Les performances lidares se dégradent sous la pluie ou le brouillard; les caméras se décroissent dans l'obscurité ou l'éblouissement; le radar a une faible résolution angulaire.
- Coût Les unités lidar de haute qualité étaient historiquement chères (en milliers de dollars), bien que les prix aient baissé avec la technologie à l'état solide. Néanmoins, équiper une flotte avec plusieurs unités lidar, des caméras haute résolution, et l'informatique avancée ajoute un coût important.
- Comportement humain imprévisible: Les piétons, les cyclistes et les conducteurs humains se comportent de façon difficile à modéliser. Les capteurs doivent capter des signaux subtils comme le contact oculaire ou les gestes de la main, que les systèmes actuels peinent à interpréter.
- Cartographie et localisation : La dépendance à l'égard des cartes à haute définition crée des frais généraux d'entretien. Les routes changent au fil du temps, et les véhicules doivent détecter les divergences des cartes et les mettre à jour en toute sécurité.
Orientations futures
La prochaine génération de véhicules autonomes bénéficiera de plusieurs technologies émergentes qui améliorent les performances GPS et capteurs.
5G Connectivité Les données en temps réel sur le trafic, les alertes de danger et même la perception coopérative peuvent compléter les capteurs embarqués. Les stations de base 5G peuvent également agir comme pseudosatellites, fournissant un positionnement dans les canyons urbains où le GPS échoue.
Intelligence artificielle Les approches d'apprentissage de bout en bout qui cartographient les données brutes des capteurs directement aux actions de conduite peuvent réduire le besoin d'algorithmes de fusion explicites.
Capteurs neuromorphes et les caméras basées sur des événements, qui détectent les changements dans la scène avec latence microseconde, pourraient surmonter le flou de mouvement et les limites de faible lumière des caméras traditionnelles.
Miniaturisation des capteurs et la réduction des coûts rendra la technologie autonome accessible aux véhicules de tourisme à une échelle plus large. Le lidar à l'état solide est déjà inférieur à 1 000 $, et les solutions radar en emballage continuent de se rétrécir.
Conclusion
Le développement de véhicules autonomes dépend d'un mariage soigneusement orchestré du positionnement GPS et de diverses technologies de capteurs. Bien que le GPS offre un contexte global, des capteurs comme le lidar, le radar, les caméras, les IMU et les appareils ultrasoniques construisent une carte détaillée en temps réel de l'environnement immédiat du véhicule. Grâce à la fusion de capteurs, ces flux de données disparates sont combinés en une compréhension unique et cohérente qui permet une navigation sûre et efficace.