L'évolution des capteurs de pilotage automatique

Il y a à peine dix ans, la plupart des systèmes d'assistance au conducteur se sont appuyés sur des capteurs radar et ultrasoniques de base pour des tâches simples comme le contrôle adaptatif des croisières et l'assistance au stationnement. Aujourd'hui, un ensemble sophistiqué de capteurs fonctionne de concert pour fournir une représentation riche en temps réel du véhicule et de l'environnement. Cette évolution a non seulement amélioré les performances du pilote automatique, mais a également ouvert la porte à des niveaux plus élevés d'automatisation de conduite, tels que définis par la Society of Automotive Engineers (SAE).

Lidar: de la rotation à l'état solide

Les premières unités lidar, comme celles utilisées par Waymo et Velodyne, ont utilisé des réseaux rotatifs de lasers et de détecteurs pour générer des nuages à 360 degrés. Bien qu'efficaces, ces systèmes mécaniques étaient volumineux, coûteux et sujets à l'usure. Les progrès récents ont été réalisés vers le lidar à l'état solide, qui utilise une puce fixe pour diriger électroniquement les faisceaux laser. Les entreprises comme Luminar, Innoviz et Ouster offrent maintenant des capteurs lidar plus petits, plus durables et beaucoup moins coûteux. Par exemple, Luminar et #8217;s Iris lidar est fabriqué en série pour être intégré dans des véhicules de production comme le Volvo EX90, offrant une résolution de centaines de points par degré carré à des intervalles de plus de 250 mètres.

Contrairement au lidar traditionnel en temps de vol, le LMFC mesure la distance et la vitesse directement depuis le déplacement de la lumière par Doppler, ce qui permet de détecter instantanément les objets en mouvement et de réduire les interférences dues à la lumière du soleil ou à d'autres unités lidar. Cela rend le LMFC Lidar particulièrement utile pour les systèmes de pilotage automatique à vitesse de l'autoroute, où la réaction rapide aux véhicules à déplacement lent ou arrêtés est critique.

Systèmes de caméras: voir l'invisible

Les caméras restent le capteur le plus polyvalent pour la compréhension visuelle. Les images haute résolution jumelées à des processeurs avancés de signaux d'image capturent maintenant des détails tels que des marquages de voies, des panneaux de signalisation et des gestes piétonniers même en basse luminosité. La dernière génération de caméras automobiles utilise des capteurs CMOS à large portée dynamique (WDR) de plus de 140 dB, ce qui leur permet de gérer des changements soudains de luminosité, comme émerger d'un tunnel vers un soleil éclatant, sans perdre de détails critiques.

Au-delà de la résolution brute, les algorithmes qui interprètent les flux de caméras ont considérablement progressé. Les réseaux neuronaux convolutionnels (CNN) et les architectures basées sur les transformateurs peuvent désormais segmenter chaque pixel d'une image en catégories (route, véhicule, piéton, animal) et estimer la profondeur par des techniques monoculaires ou stéréo. Des entreprises comme Mobileye, Nvidia et Tesla ont poussé ces capacités au point où une seule caméra peut fournir une riche compréhension 3D de la scène.

Contrairement aux caméras conventionnelles à cadre qui capturent des images à intervalles fixes, les caméras d'événements enregistrent seulement des changements d'intensité de pixel, offrant une résolution temporelle de microsecondes. Elles sont donc idéales pour détecter des obstacles à mouvement rapide ou des événements de freinage soudain que les caméras conventionnelles pourraient manquer en raison du flou des mouvements.

Radar : Dépendable par tous les temps

Le radar (radiodétection et ranging) est depuis longtemps apprécié pour sa capacité à fonctionner sous la pluie, le brouillard, la neige ou la lumière directe du soleil, conditions qui dégradent les performances du lidar et de la caméra. Le radar automobile traditionnel fonctionne à 24 GHz ou 77 GHz et fournit des données de portée, d'angle et de vitesse à résolution modérée. Cependant, des progrès récents ont mené au développement de radars d'imagerie 4D à haute résolution.

En cas de forte pluie, où les faisceaux lidar se dispersent, le radar continue de fournir une détection fiable. Il peut également voir à travers le spray lancé par les camions sur les routes humides, un scénario qui souvent aveugle les caméras. En combinant plusieurs balayages radar au fil du temps, les algorithmes modernes peuvent même créer une image virtuelle de la disposition de la route, détecter les garde-corps, les murs de barrière et d'autres infrastructures statiques. Cette cartographie basée sur le radar est déjà utilisée par des entreprises comme Waymo et Zoox pour localiser leurs véhicules dans des zones où le GPS est dégradé.

Capteurs à ultrasons : précision de portée étroite

Bien que souvent négligés, les capteurs ultrasoniques jouent un rôle vital dans les manœuvres à basse vitesse. Ces capteurs émettent des ondes sonores d'environ 40 kHz et mesurent le temps nécessaire pour que l'écho revienne. Ils sont bon marché, robustes et parfaits pour détecter les obstacles à quelques mètres de distance, ce qui en fait la technologie de passage pour le stationnement automatique, la surveillance des points aveugles et la détection des freins.

Dans les systèmes de pilotage automatique, les capteurs ultrasoniques sont souvent utilisés comme filet de sécurité. Lorsqu'une caméra ou un radar peut être incertain de la distance exacte d'un mur ou d'une autre voiture lors d'une manœuvre de stationnement parallèle serrée, les données ultrasoniques comblent l'écart avec une précision de centimètre. De plus, les capteurs ultrasoniques plus récents -smart -smart peuvent détecter les objets en mouvement et les classer (p. ex., une personne marchant derrière la voiture) en analysant le déplacement Doppler de l'écho.

Fusion des capteurs : la puissance des données combinées

Les lidars luttent dans les fortes précipitations, les caméras peuvent être aveuglées par l'éblouissement, le radar manque de détails de texture et les ultrasons ne fonctionnent qu'à portée étroite. La magie des performances modernes du pilote automatique réside dans la fusion des capteurs, les algorithmes qui combinent les données de multiples modalités de capteurs pour produire une représentation consolidée et fiable de l'environnement.

Aujourd'hui, les méthodes de fusion basées sur l'apprentissage profond alimentent les données brutes ou prétraitées de tous les capteurs en un réseau neuronal unifié. NvidiaS DriveWorks, par exemple, fournit un cadre pour la fusion précoce (combinant les pixels bruts de la caméra avec les nuages de point lidar) et la fusion tardive (combinant les listes d'objets de chaque capteur).Les systèmes les plus avancés utilisent la fusion intermédiaire , , où les caractéristiques intermédiaires de chaque capteur sont alignées et concaténées avant de poursuivre le traitement.

Un exemple notable de fusion de capteurs en action est le système Mobileye EyeQ, qui intègre des données de caméra, radar et lidar pour fournir une couche de perception de vue surround de 360 degrés. Mobileye , modèle de responsabilité-sécurité sensible (RSS) utilise alors cette perception fondue pour prendre des décisions de conduite sécuritaires, assurant que le système autonome ne provoque jamais une collision. De même, Waymo , pilote de cinquième génération, comprend une suite de capteurs conçue sur mesure qui fusionne le lidar, les caméras et le radar au niveau du matériel, avec des champs de vision chevauchants pour éliminer les points aveugles.

L'apprentissage automatique et l'IA dans la perception

Bien que le matériel de capteur ait progressé, le logiciel qui interprète les données a peut-être vu des améliorations encore plus spectaculaires. L'apprentissage automatique, particulièrement l'apprentissage profond, est devenu indispensable pour la détection des objets, la classification, et la prédiction. Les réseaux neuronaux convolutionnels peuvent reconnaître les feux de circulation, les panneaux d'arrêt et les piétons avec des taux de précision supérieurs à 99 % dans les tests contrôlés.

Les VIT divisent les données des capteurs en patchs et appliquent des mécanismes d'attention pour apprendre les relations entre l'espace et le temps, surpassent les CNN traditionnels dans des scènes urbaines complexes. Des entreprises comme Tesla, Wayve et Waabi ont démontré que l'apprentissage de bout en bout – où les données brutes des capteurs sont introduites dans un réseau neuronal qui produit directement des commandes de direction, de gaz et de frein – peuvent gérer des situations difficiles, comme la négociation de ronds-points ou la production de véhicules d'urgence.

Néanmoins, la perception de l'IA n'est pas sans défis. Les réseaux neuraux peuvent être dupés par des exemples contradictoires, comme les autocollants sur les panneaux d'arrêt, et ils souffrent souvent de décalages de distribution lors de la rencontre de scénarios qui étaient rares dans les données de formation. Pour y remédier, les entreprises autonomes de conduite investissent fortement dans des environnements de simulation (p. ex. NVIDIAs Isaac Sim, Microsoft , AirSim) pour générer des millions de milles synthétiques qui couvrent des cas de bord.

Impact sur les mesures de performance du pilote automatique

Les innovations décrites ci-dessus se traduisent directement par des améliorations mesurables des performances du pilote automatique.

  • Taux de désengagement réduit :[ Les principaux développeurs de véhicules autonomes comme Waymo et Cruise signalent des taux de désengagement aussi bas que 1 pour 1 000 milles ou moins. L'amélioration de la résolution et de la fusion des capteurs réduit le nombre de scénarios où le système rencontre une situation qu'il ne peut pas gérer, comme un piéton occulté ou une zone de construction inhabituelle.
  • Broader Operational Design Domain (ODD):[ Les suites de capteurs modernes permettent aux pilotes automatiques de fonctionner dans des conditions difficiles qui exigeaient une intervention du conducteur. Par exemple, la combinaison de caméras à haute portée dynamique et de radar 4D permet aux systèmes de fonctionner sous une forte pluie, un soleil bas et même la nuit avec une dégradation minimale.
  • Taux négatifs faibles et faux positifs: Les faux positifs (par exemple, freinage fantôme pour une ombre) peuvent être dangereux et jar pour les passagers. La fusion des capteurs et les algorithmes de classification meilleurs ont coupé les taux faux positifs par ordre de grandeur. En même temps, les faux négatifs (fail à détecter un obstacle) sont réduits par redondance multimodale – si le radar le voit mais la caméra ne le fait pas, le système réagit toujours.
  • Amélioration du confort et de la luxure : Une perception précise de l'environnement permet au pilote automatique de planifier des trajectoires plus fluides. Par exemple, la connaissance de la vitesse et de la position précises d'un véhicule de tête à partir du lidar et du radar permet une accélération et un freinage plus doux, rendant la conduite plus naturelle.
  • Sécurité accrue:[ En fin de compte, l'objectif est de réduire les accidents.Les données préliminaires des systèmes de niveau 2 montrent que les véhicules équipés d'un avertissement de collision avant, de freinage d'urgence automatique et d'aide à l'entretien des voies ont jusqu'à 40 % de réduction des collisions arrière.

Défis et orientations futures

Malgré les progrès impressionnants, plusieurs défis subsistent. Le coût est un obstacle majeur à l'adoption de masse : si les prix lidar à l'état solide ont chuté en dessous de 1 000 $, ils sont encore trop chers pour les véhicules de production qui sont rentables. La résolution angulaire du radar, bien qu'améliorant, reste à la traîne derrière le lidar et les caméras pour distinguer les objets très espacés comme les bicyclettes dans une piste cyclable.

Nous verrons probablement des capteurs multimodaux qui combinent le lidar, le radar et la caméra dans un boîtier unique, simplifient l'emballage et réduisent les coûts. Les premiers exemples commerciaux, comme le lidar Valeo SCALA 3, intègrent déjà une caméra et un appareil électronique de traitement. Une autre direction prometteuse est l'utilisation de circuits intégrés photoniques (PIC) pour le lidar, qui pourrait réduire le capteur à une puce de la taille d'un ongle. Du côté logiciel, les chercheurs explorent -noneuro-symbolique - , qui combine l'apprentissage profond avec le raisonnement fondé sur les règles pour améliorer l'interprétation et la sécurité.

Les cadres réglementaires devront également évoluer.La technologie des capteurs permettant de renforcer l'automatisation, les gouvernements doivent établir des normes de performance, de redondance et de cybersécurité.La Commission européenne et la NHTSA travaillent déjà sur de nouvelles réglementations qui exigeront des capteurs qu'ils respectent les plages de détection minimales et la tolérance à la défaillance.

Dans un avenir proche, la convergence de capteurs à faible coût et à haute performance avec des modèles d'apprentissage machine puissants poussera les systèmes de pilotage automatique au-delà de leurs limites actuelles. Dans cinq ans, on peut s'attendre à ce que l'autonomie de niveau 4 soit disponible dans des dizaines de villes du monde entier, avec des suites de capteurs suffisamment fiables pour gérer des environnements urbains complexes sans conducteur de sécurité.

Pour plus de détails, explorez les derniers développements de Technologies luminaires, Innovations radar continues[, et NVIDIAS Drive plate-forme. Des informations supplémentaires peuvent être trouvées dans la taxonomie SAE J3016 de l'automatisation de conduite