Table of Contents

La localisation est l'un des éléments les plus fondamentaux et les plus essentiels pour la sécurité de l'utilisation autonome des véhicules. La capacité d'un véhicule autoconducteur à déterminer avec précision sa position, son orientation et sa vitesse dans son environnement a des répercussions directes sur tous les aspects de la conduite autonome, depuis la planification de la trajectoire et l'évitement des obstacles jusqu'à la prise de décisions et au contrôle.

Cet article approfondi explore les méthodes, les cadres et les considérations qui ont servi à calculer la probabilité de défaillance de la localisation dans les véhicules autonomes. Nous examinons les facteurs sous-jacents qui influencent la précision de la localisation, les approches statistiques et probabilistes utilisées pour les scénarios de défaillance de modèles, les exigences d'intégrité de la sécurité découlant des premiers principes et les défis pratiques auxquels sont confrontés les ingénieurs et les chercheurs dans ce domaine en évolution rapide.

Comprendre la localisation des véhicules autonomes

Contrairement aux systèmes de navigation traditionnels qui assurent une précision de niveau de compteur suffisante pour les directions de virage par virage, les véhicules autonomes exigent un centimètre pour déterminer la précision de niveau de décimètre pour naviguer en toute sécurité dans les voies, exécuter des manœuvres et interagir avec d'autres usagers de la route.

Le problème de localisation des véhicules autonomes comporte plusieurs facettes et consiste généralement à déterminer plusieurs paramètres clés : la position absolue du véhicule dans un système de coordonnées global, sa position par rapport à l'infrastructure routière, comme les marquages de voie, son orientation ou son cap, et sa vitesse. Le problème de localisation sur les routes peut être distillé en trois éléments principaux : en inferrant sur quelle route le véhicule voyage actuellement, en estimant la position du véhicule sur sa voie et en évaluant sur quelle voie le véhicule roule actuellement.

Le rôle essentiel de l'exactitude de la localisation

L'importance d'une localisation précise ne peut être surestimée. Les mesures telles que le dépassement d'un véhicule nécessitent des informations précises sur la localisation actuelle du véhicule. Lorsque le système de localisation d'un véhicule échoue ou fournit des informations inexactes, les conséquences peuvent aller d'erreurs mineures de navigation à des incidents catastrophiques de sécurité.

Selon le rapport d'analyse de performance GPS de la Federal Aviation Administration, la précision d'un GPS standard est de 3 m avec une confiance de 95 %, ce qui ne suffit pas pour la plupart des ADAS qui nécessitent une localisation plus précise. Ce niveau d'incertitude est beaucoup trop élevé pour la tenue des voies, les changements automatisés de voies ou la manœuvre précise dans des scénarios de trafic complexes.

Les systèmes de conduite automatisés ont besoin d'une localisation précise, c'est-à-dire d'atteindre des niveaux de confiance inférieurs à 0,1 m à des niveaux supérieurs à 95 %. Cette exigence stricte reflète les marges étroites d'erreur lorsque les véhicules sont exploités à des vitesses routières à proximité immédiate d'autres véhicules, piétons et infrastructures.

Niveau d'intégrité de la sécurité et exigences relatives à la probabilité d'échec

Pour établir des normes de sécurité appropriées pour la localisation autonome des véhicules, les chercheurs ont tiré parti des pratiques établies dans d'autres domaines critiques pour la sécurité, en particulier l'aviation et le rail. Le niveau d'intégrité en matière de sécurité définit la probabilité admissible de défaillance par heure d'exploitation en fonction des améliorations souhaitées en matière de sécurité routière aujourd'hui, en comparant les niveaux d'intégrité en matière de localisation requis dans l'aviation et le rail où des nombres similaires sont calculés à 10^-8 probabilité de défaillance par heure d'exploitation.

Cette probabilité de défaillance extrêmement faible, une défaillance sur cent millions d'heures d'exploitation, représente la norme d'or pour les systèmes critiques en matière de sécurité. Cependant, les exigences spécifiques pour les véhicules autonomes peuvent varier en fonction du niveau d'autonomie et du domaine de conception opérationnelle. La localisation pour ADAS tombe dans la gamme ASIL B par cette métrique, car ASIL B est généralement la cible de nombreux systèmes ADAS.

La classification du niveau d'intégrité de sécurité automobile (ASIL), définie dans la norme ISO 26262, fournit un cadre pour évaluer et gérer les risques de sécurité fonctionnels dans les systèmes automobiles. Les niveaux ASIL vont de A (plus bas) à D (plus élevé), chaque niveau correspondant aux exigences spécifiques pour la détection des défaillances, la redondance et les seuils de probabilité de défaillance.

Exigences géométriques et limites d'erreur

L'une des approches fondamentales pour déterminer les exigences de localisation consiste à analyser les contraintes géométriques imposées par l'infrastructure routière et les dimensions du véhicule, afin de maintenir la connaissance que le véhicule se trouve dans sa voie et de déterminer le niveau de la route sur lequel il se trouve, avec des limites d'erreur de localisation longitudinale, latérale et verticale (limites d'alerte) et des exigences de précision de 95 % calculées en fonction des normes américaines de géométrie routière.

Ces analyses géométriques donnent des exigences numériques spécifiques qui varient selon le type de route et le scénario de conduite. Pour les véhicules de tourisme qui circulent sur les routes d'autoroute, le résultat est une limite d'erreur latérale requise de 0,57 m (0,20 m, 95 %), une limite longitudinale de 1,40 m (0,48 m, 95 %), une limite verticale de 1,30 m (0,43 m, 95 %) et une limite d'assiette dans chaque direction de 1,50 deg (0,51 deg, 95 %).

Les exigences deviennent encore plus strictes pour les espaces urbains et locaux où les voies sont plus étroites et la circulation plus complexe. Dans les rues locales, la géométrie routière rend les exigences plus strictes lorsque des limites d'erreur latérale et longitudinale de 0,29 m (0,10 m, 95%) sont nécessaires avec une exigence d'orientation de 0,50 deg (0,17 deg, 95%).

Facteurs influant sur la localisation Précision et probabilité d'échec

La probabilité d'une défaillance de localisation est influencée par un jeu complexe de facteurs couvrant la performance du capteur, les conditions environnementales, la robustesse algorithmique et l'architecture du système.

Qualité et performance du capteur

Les capteurs utilisés pour la localisation constituent la base de tout le système. Les véhicules autonomes modernes utilisent généralement une suite de capteurs divers, y compris les récepteurs du système mondial de navigation par satellite (GNSS), les unités de mesure inertielle (UMI), les caméras, le LiDAR (Light Detection and Ranging) et le radar.

Les récepteurs GNSS fournissent des informations de positionnement absolu en recevant des signaux provenant de constellations de satellites. Une architecture commune comprend un système de localisation relatif basé sur des caméras, des radars ou des lidar, ainsi qu'un système de localisation absolu composé de systèmes mondiaux de navigation par satellite (GNSS).

Les méthodes de localisation relatives ont tendance à présenter des défis dans des environnements peu ouverts ou répétitifs, car les ensembles de caractéristiques ne sont pas suffisamment uniques pour calculer une position, comme les autoroutes ouvertes ou rurales, tandis que l'approche de localisation absolue qui tire parti de la navigation par satellite peut faire face à des défis dans des zones où les obstructions du ciel, comme les canyons urbains denses, sont difficiles à comprendre.

Les IMU accumulent des erreurs de position au fil du temps en raison de l'intégration de l'accélération bruyante et des mesures de vitesse angulaire. La qualité des IMU détecteurs varie considérablement, allant des dispositifs MEMS de consommation aux unités de qualité industrielle et tactique, avec des différences correspondantes dans les taux de dérive et les niveaux de bruit.

Conditions environnementales

Les conditions météorologiques telles que la pluie, la neige, le brouillard et les températures extrêmes peuvent affecter les performances des capteurs de diverses façons. Les systèmes basés sur la caméra peuvent lutter contre l'éblouissement, les précipitations sur les lentilles ou la visibilité réduite. La performance du LiDAR peut être dégradée par la pluie ou les particules de neige qui provoquent des retours fallacieux. La réception du signal GNSS peut être affectée par les conditions atmosphériques, en particulier les retards ionosphériques et troposphériques.

Les systèmes de localisation basés sur la vision qui reposent sur des marquages de voie ou des repères visuels peuvent échouer ou se comporter mal dans des conditions de faible luminosité, pendant les transitions entre la lumière et l'ombre ou face à la lumière solaire directe. Ces défis nécessitent des approches de fusion de capteurs robustes qui peuvent maintenir la précision de localisation dans des conditions environnementales variées.

La précision du GNSS se dégrade souvent dans les zones urbaines denses en raison du blocage des signaux et des réflexions, car ses performances se dégradent souvent dans les zones urbaines denses. Les effets multipathes, où les signaux satellites se réfléchissent des bâtiments avant d'atteindre le récepteur, peuvent introduire des erreurs de position importantes.

Qualité et monnaie de la carte

Les cartes haute définition (HD) sont devenues une composante intégrante de nombreux systèmes autonomes de localisation des véhicules, qui contiennent des informations détaillées sur la géométrie des routes, les marquages des voies, les panneaux de signalisation et d'autres éléments d'infrastructure qui peuvent être jumelés aux observations des capteurs pour déterminer la position du véhicule.

Les cartes HD peuvent être composées de données de capteur recueillies par un véhicule de cartographie HD, après extraction des caractéristiques routières pertinentes du nuage de points LiDAR et modélisation des caractéristiques cartographiques dans un format de carte HD comme Lanelet2, qui représente l'infrastructure routière en tant que zones géographiquement référencées avec des voies de conduite modélisées comme des couloirs.

La précision et l'actualité de ces cartes ont une incidence directe sur les performances de localisation. Les cartes périmées qui ne reflètent pas la construction récente de routes, les nouvelles marques de voies ou les changements d'infrastructure peuvent entraîner des erreurs ou des défaillances de localisation.

Les mécanismes de mise à jour des cartes affectent également la fiabilité des systèmes. Les véhicules autonomes opérant dans de vastes zones géographiques doivent avoir accès à des cartes actuelles et précises pour toutes les régions de leur domaine opérationnel. La logistique de la création, de la maintenance et de la distribution de ces cartes à l'échelle représente un défi important pour l'industrie automobile autonome.

Algorithme Modes de robustesse et d'échec

Les algorithmes utilisés pour traiter les données des capteurs et estimer la position du véhicule introduisent leurs propres sources d'incertitude et les modes de défaillance potentiels. Les algorithmes de fusion des capteurs, tels que les filtres Kalman étendus (EKF), les filtres Kalman non parfumés (UKF) et les filtres à particules, font des hypothèses sur les caractéristiques du bruit des capteurs, la dynamique du système et les modèles de mesure.

Les algorithmes de localisation et de cartographie simultanées (SLAM), qui construisent des cartes tout en les localisant simultanément, sont confrontés à des défis particuliers dans les applications autonomes des véhicules. L'utilisation des algorithmes SLAM est difficile pour les véhicules autonomes dans les environnements extérieurs, et dans le contexte des autoroutes, la très grande vitesse du véhicule ne permet pas aux algorithmes SLAM standard de bien fonctionner.

Certains algorithmes de localisation nécessitent une période d'initialisation ou peuvent ne pas converger à partir d'estimations de position initiale médiocres. Les défaillances de fermeture de boucles dans les systèmes SLAM, où l'algorithme ne reconnaît pas qu'il est retourné à un endroit visité précédemment, peuvent entraîner des dérives accumulées et des incohérences de cartes.

Redondance du système et tolérance aux défauts

L'architecture du système de localisation, en particulier le degré de redondance et de tolérance aux défauts intégré dans la conception, a une incidence significative sur la probabilité de défaillance globale.Une architecture commune émerge dans l'industrie autonome du véhicule est basée sur des systèmes redondants fonctionnant en tandem. Cette redondance permet au système de continuer à fonctionner même lorsque les capteurs ou sous-systèmes individuels échouent.

La redondance peut être mise en œuvre à plusieurs niveaux : redondance des capteurs (capteurs multiples du même type), redondance des modalités (différents types de capteurs fournissant des informations complémentaires) et redondance computationnelle (trajets de traitement indépendants multiples).L'efficacité de la redondance dépend de l'indépendance réelle des modes de défaillance, qu'une seule défaillance ou une condition environnementale ne désactive pas simultanément plusieurs éléments redondants.

Les mécanismes de détection et d'isolement des défaillances sont essentiels au maintien de l'intégrité du système. Le système de localisation doit être capable de détecter lorsque les capteurs fournissent des données erronées, d'isoler le capteur défectueux et de reconfigurer pour continuer à fonctionner à l'aide de capteurs sains restants. La réponse réside dans la surveillance des indicateurs d'intégrité du récepteur, comme en produisant l'incertitude de la position actuelle, le récepteur indique à l'ECU s'il est sûr ou non d'exécuter les manœuvres prévues.

Méthodes de calcul de la probabilité d'échec de localisation

Pour calculer la probabilité d'échec de localisation, il faut des méthodes analytiques et informatiques sophistiquées qui peuvent expliquer la complexité et les multiples facettes des systèmes autonomes de localisation des véhicules.

Méthodes de simulation Monte Carlo

La simulation Monte Carlo est l'une des techniques les plus utilisées pour estimer la probabilité de rupture de localisation.Cette approche consiste à exécuter des milliers ou des millions de scénarios simulés avec des entrées aléatoires représentant le bruit des capteurs, les conditions environnementales et d'autres sources d'incertitude.

L'approche Monte Carlo offre plusieurs avantages : elle peut gérer des dynamiques complexes et non linéaires du système et des distributions arbitraires de probabilités pour les incertitudes d'entrée. Elle fournit des estimations intuitives empiriques de probabilité de défaillance basées sur la fraction des simulations qui entraînent des erreurs de localisation inacceptables. La méthode peut également identifier des scénarios spécifiques ou des combinaisons de conditions qui sont les plus susceptibles de conduire à des défaillances.

La simulation Monte Carlo a cependant des limites. L'estimation précise des probabilités de très faible défaillance (telle que la cible de 10^-8 par heure mentionnée plus haut) nécessite un nombre impraticable de simulations. La qualité des résultats dépend fortement de la fidélité des modèles de simulation et de la représentativité des distributions d'incertitudes d'entrée.

Inférence bayésienne et modélisation probabiliste

L'inférence bayésienne fournit un cadre de principe pour le raisonnement de l'incertitude dans les systèmes de localisation.Cette approche traite la position du véhicule comme une variable aléatoire avec une distribution de probabilité mise à jour à mesure que de nouvelles mesures de capteurs sont reçues. La distribution de probabilité postérieure sur la position du véhicule encode à la fois la position estimée et l'incertitude dans cette estimation.

Les méthodes bayésiennes sont particulièrement adaptées à la fusion des capteurs, car elles offrent une façon naturelle de combiner les informations provenant de plusieurs capteurs avec des caractéristiques et une fiabilité différentes. Le cadre représente explicitement l'incertitude et la propage par le biais du processus d'estimation, permettant le calcul de principes des limites de confiance et des probabilités de défaillance.

Les filtres à particules, une application populaire du filtrage bayésien pour les systèmes non linéaires, représentent la distribution de probabilités sur la position du véhicule à l'aide d'un ensemble d'échantillons pondérés (particules). En analysant la propagation et la concentration de ces particules, le système peut évaluer l'incertitude de localisation et détecter les défaillances potentielles.

Des recherches récentes ont démontré l'efficacité des méthodes avancées bayésiennes pour remettre en question les scénarios de localisation.Les chercheurs ont mis au point une méthode GNSS-seulement qui offre un positionnement stable et précis sans se fier à la résolution d'ambiguïté fragile en phase de transport, et testée dans six scénarios urbains difficiles, l'approche a constamment surpassé les méthodes existantes, permettant une navigation autonome plus sûre et plus fiable.

Analyse statistique des données de capteur et des performances du système

L'analyse empirique des données des capteurs et des performances des systèmes dans le monde réel fournit des informations précieuses sur les modes de défaillance et les probabilités de localisation.

Les mesures statistiques telles que la distance moyenne euclidienne (MED), l'écart-type et les niveaux de confiance sont comparés à l'aide de deux méthodes de calcul différentes : l'évaluation fondée sur les mesures (les exactitudes sont calculées sur la base des distances d'erreur euclidienne des mesures de position) et l'évaluation basée sur la distance (les exactitudes sont pondérées par la distance parcourue par l'AV).

Cette approche empirique peut révéler des modes de défaillance et des caractéristiques d'erreur qui ne peuvent pas être saisies dans les modèles de simulation. Les données du monde réel comprennent la complexité complète des interactions de capteurs, des effets environnementaux et des cas de bordure difficiles à modéliser analytiquement.

Les estimations de probabilité de défaillance ne sont que aussi bonnes que la représentativité des données d'essai. L'extrapolation à partir de données d'essai limitées pour estimer les probabilités de défaillance très faibles nécessite des méthodes statistiques et une validation minutieuse.

Méthodes d'analyse et propagation de l'incertitude

Pour les systèmes avec un bruit de capteur bien caractérisé et une dynamique relativement simple, les méthodes d'analyse peuvent fournir des estimations en forme fermée ou semi-analytiques de l'incertitude de localisation et de la probabilité de défaillance.

Le filtre Kalman et ses variantes (Extended Kalman Filter, Unscented Kalman Filter) effectuent intrinsèquement la propagation de l'incertitude, en maintenant une matrice de covariance qui représente l'incertitude dans l'estimation de la position. Cette covariance peut être utilisée pour calculer les limites de confiance et évaluer la probabilité que la position réelle se situe en dehors des limites d'erreur acceptables.

Les méthodes d'analyse offrent une efficacité de calcul et peuvent fournir des indications sur la façon dont les différentes sources d'erreurs contribuent à l'incertitude globale de localisation. Cependant, elles reposent souvent sur des hypothèses telles que la linéarité et le bruit gaussien qui peuvent ne pas tenir dans la pratique, en particulier pour les algorithmes complexes de localisation non linéaires opérant dans des environnements difficiles.

Surveillance de l'intégrité et niveaux de protection

En s'inspirant des applications aériennes du GNSS, le concept de surveillance de l'intégrité et des niveaux de protection a été adapté pour la localisation autonome des véhicules. La surveillance de l'intégrité implique une évaluation en temps réel de la santé du système de localisation et le calcul des niveaux de protection – limites statistiques sur l'erreur de position qui tiennent avec une probabilité spécifiée.

Le niveau de protection représente une estimation prudente de l'erreur de position maximale, calculée en fonction de la géométrie du capteur, des niveaux de bruit et des modes de défaillance potentiels. Si le niveau de protection dépasse une limite d'alerte prédéfinie (l'erreur de position maximale acceptable), le système émet une alerte d'intégrité indiquant que la localisation peut ne pas être suffisamment fiable pour un fonctionnement sûr.

Cette approche permet d'évaluer en temps réel la fiabilité de la localisation sans nécessiter d'analyse ou de simulation hors ligne. Le calcul du niveau de protection tient compte du bruit nominal des capteurs et des défauts potentiels des capteurs, ce qui permet de mesurer l'intégrité de la localisation.

Technologies de localisation et leurs caractéristiques de défaillance

Les différentes technologies de localisation présentent des modes de défaillance et des caractéristiques de fiabilité distincts. La compréhension de ces facteurs spécifiques à la technologie est essentielle pour évaluer avec précision les probabilités de défaillance et pour concevoir des systèmes de localisation multimodaux robustes.

Localisation GNSS

GNSS reste une pierre angulaire de la localisation autonome du véhicule en raison de sa capacité à fournir des informations de position absolue à l'échelle mondiale. GNSS, comme le capteur de localisation unique qui peut atteindre un positionnement et un timing absolus, est essentiel pour AIV.

Le GPS du système d'infodivertissement moyen d'aujourd'hui a environ 5 m (16 pieds) de précision, ce qui est suffisant pour une navigation simple, tandis que les récepteurs GNSS de haute précision peuvent vous placer sur la carte avec une précision de centimètre. Cette amélioration spectaculaire de la précision provient de techniques avancées telles que le positionnement Kinematic en temps réel (RTK), le positionnement précis des points (PPP) et l'utilisation de services de correction.

Cependant, la localisation GNSS est confrontée à plusieurs modes de défaillance importants. Le blocage des signaux dans les canyons urbains, les tunnels ou sous un feuillage dense peut entraîner une perte totale de positionnement. L'interférence multipathe, où les signaux réfléchissent hors des bâtiments ou d'autres structures, peut introduire des erreurs de plusieurs mètres. Les effets atmosphériques, en particulier les retards ionosphériques, peuvent dégrader la précision.

Dans cinq des six essais, les approches proposées par GNSS ont dépassé de près de 30 points de pourcentage les méthodes existantes basées sur le GNSS, atteignant systématiquement la précision du sous-mètre malgré une occlusion par satellite sévère, et dans le scénario le plus difficile, la méthode a dépassé la meilleure solution conventionnelle. Ces améliorations démontrent que la conception d'algorithmes soignés peut améliorer considérablement les performances du GNSS même dans des conditions défavorables.

Systèmes de navigation inertielle

Les unités de mesure inertielles (UMI) fournissent des mesures de haut débit de l'accélération du véhicule et de la vitesse angulaire, qui peuvent être intégrées pour estimer la position et l'orientation. Les IMU offrent plusieurs avantages : elles sont autonomes, ne dépendent pas des signaux extérieurs, et fournissent des taux de mise à jour élevés adaptés aux applications de contrôle du véhicule.

Cependant, la navigation par inertie pure souffre d'une croissance d'erreurs non limitée due à l'intégration du bruit et du biais des capteurs. Les erreurs de position croissent quadratiquement avec le temps, ce qui signifie que même les IMU de haute qualité accumulent des erreurs de position significatives en quelques minutes si elles ne sont pas corrigées par d'autres capteurs.

Les modes de défaillance de la localisation basée sur l'UMI sont principalement liés à l'instabilité des biais de capteur et aux erreurs de facteur d'échelle. Les variations de température peuvent causer des changements de biais, et les chocs ou vibrations mécaniques peuvent affecter les performances du capteur.

Localisation fondée sur la vision

Les méthodes de localisation par caméra utilisent des caractéristiques visuelles telles que les marquages de voies, les panneaux routiers ou des repères distinctifs pour déterminer la position du véhicule.

Les méthodes basées sur la vision peuvent atteindre une grande précision dans des environnements bien marqués et bien éclairés. Elles fournissent de riches informations sur la structure de la route et peuvent détecter les limites des voies, les panneaux de signalisation et d'autres caractéristiques pertinentes. Cependant, elles sont très sensibles aux conditions d'éclairage, aux conditions météorologiques et aux occlusions visuelles.

Les exigences informatiques pour le traitement en temps réel de l'image représentent un autre défi. Les approches fondées sur l'apprentissage profond ont montré des performances impressionnantes, mais nécessitent des ressources informatiques importantes et une validation minutieuse pour assurer la robustesse de divers scénarios.

Localisation basée sur le LiDAR

Les capteurs LiDAR fournissent des nuages détaillés de point 3D de l'environnement du véhicule, permettant une localisation précise grâce à une correspondance avec des cartes préconstruites. La localisation basée sur LiDAR peut atteindre une précision de centimètre et est moins sensible aux conditions d'éclairage que les approches basées sur la caméra.

Les systèmes LiDAR peuvent échouer ou se dégrader dans plusieurs scénarios. La pluie ou la neige abondantes peuvent atténuer les impulsions laser et créer des retours fallacieux. Les environnements avec peu de caractéristiques distinctives, comme les tunnels longs ou les autoroutes sans caractéristiques, peuvent ne pas fournir suffisamment d'informations pour une localisation fiable.

Les changements apportés à l'environnement depuis la création de la carte peuvent entraîner des erreurs ou des défaillances de localisation. Des objets dynamiques tels que des voitures garées ou des équipements de construction peuvent interférer avec le processus de correspondance.

Approches de fusion des capteurs

Compte tenu des forces et faiblesses complémentaires des différentes modalités de détection, les véhicules autonomes modernes utilisent des méthodes sophistiquées de fusion des capteurs qui combinent des informations provenant de sources multiples, ce qui ne concerne pas une méthode ou une technologie de localisation particulière, mais le système des systèmes qui le composent, et le système doit satisfaire à la fois aux exigences de précision à 95 % et aux exigences relatives au niveau d'intégrité de la sécurité dans toutes les conditions météorologiques et de circulation où l'opération est prévue.

La fusion efficace des capteurs peut réduire considérablement la probabilité de défaillance en fournissant une redondance et en permettant au système de maintenir le fonctionnement même lorsque les capteurs individuels échouent ou se dégradent. L'algorithme de fusion doit peser de façon appropriée les différentes entrées de capteurs en fonction de leur fiabilité actuelle, détecter et isoler les capteurs défectueux et se dégrader avec grâce lorsque la disponibilité des capteurs est réduite.

La fusion des capteurs introduit cependant aussi la complexité. L'algorithme de fusion lui-même devient une source potentielle de défaillance s'il pèse incorrectement les entrées des capteurs ou ne détecte pas les défauts des capteurs. Les défaillances liées, où plusieurs capteurs sont simultanément affectés par la même condition environnementale, peuvent vaincre la redondance.

Considérations pratiques dans la modélisation de la probabilité d'échec

La traduction des calculs théoriques de probabilité de défaillance en systèmes de localisation pratiques et réalisables exige de tenir compte de nombreuses considérations et contraintes du monde réel.

Domaine de conception opérationnelle

Le domaine de conception opérationnelle (ODD) définit les conditions particulières dans lesquelles un véhicule autonome est conçu pour fonctionner en toute sécurité, notamment les zones géographiques, les types de routes, les vitesses, les conditions météorologiques et l'heure de la journée.

Un système conçu pour la conduite sur route par beau temps peut présenter des caractéristiques de défaillance très différentes de celles qui sont destinées à l'exploitation urbaine dans toutes les conditions météorologiques.

Facteurs humains et surveillance des conducteurs

Pour les systèmes de niveau 2 et de niveau 3 de l'EAS qui exigent ou permettent la surveillance humaine, la capacité du conducteur à détecter et à réagir aux défaillances de localisation fait partie du cas global de sécurité.

Ces facteurs humains doivent être intégrés dans les calculs de probabilité de défaillance. La probabilité globale de défaillance du système dépend non seulement de la fiabilité du système de localisation, mais aussi de la probabilité que le conducteur n'interviendra pas au besoin. Cela crée une interaction complexe entre la performance technique du système et le comportement humain qui doit être soigneusement modélisée et validée.

Validation et défis de l'essai

La validation d'un système de localisation répondant à des exigences de probabilité de défaillance extrêmement faibles présente des défis pratiques importants. La démonstration d'un taux de défaillance de 10^-8 par heure par le seul test nécessiterait des milliards d'heures de test, manifestement impossibles à mettre en œuvre pour tout programme de développement.

Ce défi nécessite une combinaison d'approches : des tests complets en temps réel pour caractériser les performances nominales et les modes de défaillance courants, des tests accélérés axés sur des scénarios difficiles, une validation basée sur la simulation à l'aide de modèles à haute fidélité et des méthodes d'analyse formelles qui peuvent fournir des garanties mathématiques sur le comportement du système.

Bien que de nombreuses techniques de localisation aient été proposées au cours de la dernière décennie, il manque jusqu'à présent une méthodologie commune pour valider leurs exactitudes par rapport à un ensemble de données de la vérité au sol, avec des travaux visant à évaluer quatre méthodes différentes pour valider les exactitudes de localisation.

Contraintes informatiques et en matière de ressources

Les algorithmes de localisation en temps réel doivent fonctionner dans des limites de calcul et de latence strictes. Le système doit traiter les données des capteurs, mettre à jour les estimations de position et calculer les mesures d'intégrité à des taux suffisants pour le contrôle du véhicule, généralement 10 Hz ou plus. Cette exigence limite la complexité des algorithmes qui peuvent être mis en œuvre et affecte la sophistication des calculs de probabilité de défaillance qui peuvent être effectués en temps réel.

La consommation d'énergie, en particulier pour les véhicules électriques à batterie, représente une autre contrainte. Les capteurs de haute puissance tels que LiDAR et les ressources informatiques nécessaires pour la fusion complexe des capteurs peuvent avoir un impact sur la gamme de véhicules.

Sujets avancés dans l'analyse des défaillances de localisation

Quantification de l'incertitude sous l'incertitude du modèle

Les calculs traditionnels des probabilités de défaillance supposent que les modèles utilisés pour représenter le bruit des capteurs, la dynamique du système et les effets environnementaux sont exacts. En réalité, ces modèles sont toujours des approximations, et l'incertitude du modèle – incertitude au sujet des modèles eux-mêmes – peut avoir des répercussions importantes sur les estimations des probabilités de défaillance.

Des méthodes de quantification de l'incertitude robuste qui tiennent compte de l'incertitude du modèle sont un domaine de recherche actif, qui vise à fournir des limites de probabilité de défaillance qui demeurent valables même lorsque les modèles sous-jacents sont imparfaits.

Simulation d'événements rares

L'estimation des probabilités de défaillance très faibles par la simulation standard de Monte Carlo est prohibitive sur le plan du calcul.

Ces méthodes fonctionnent en biaisant la simulation pour passer plus de temps à explorer les régions de l'espace d'entrée qui conduisent à des défaillances, puis à corriger ce biais dans l'estimation de probabilité finale. Lorsque les méthodes d'événements rares sont correctement mises en œuvre, elles peuvent estimer les probabilités de défaillance de nombreux ordres de grandeur plus petits que ce qui serait possible avec la simulation standard de Monte Carlo.

Apprentissage automatique et approches fondées sur les données

Les réseaux neuronaux peuvent apprendre des relations complexes entre les entrées de capteurs, les conditions environnementales et les performances de localisation, en identifiant potentiellement les modes de défaillance qui sont difficiles à modéliser analytiquement.

Les approches fondées sur les données peuvent également être utilisées pour améliorer la fusion des capteurs en apprenant des stratégies de pondération optimales basées sur des données de performance historiques. Toutefois, l'utilisation de l'apprentissage automatique dans les systèmes critiques en matière de sécurité soulève des questions importantes sur l'interprétation, la validation et la robustesse des scénarios de hors distribution qui doivent être soigneusement traités.

Approches de la coopération et du raccordement des véhicules

La communication entre véhicules (V2V) et entre véhicules (V2I) ouvre de nouvelles possibilités d'améliorer la fiabilité de la localisation. Les véhicules peuvent échanger des informations de position et des observations de capteurs, ce qui permet des approches de localisation coopérative où plusieurs véhicules évaluent conjointement leurs positions.

Les systèmes de positionnement basés sur l'infrastructure, tels que les balises routières ou le positionnement 5G, peuvent fournir des sources d'information supplémentaires qui complètent les capteurs embarqués.Ces approches connectées peuvent réduire les probabilités de défaillance en fournissant des informations de positionnement redondantes et en permettant aux véhicules de se prévenir mutuellement des défis de localisation dans des domaines spécifiques.

Normes et cadres réglementaires de l'industrie

À mesure que la technologie autonome des véhicules arrive à maturité, les normes et les cadres réglementaires de l'industrie évoluent pour répondre aux exigences de localisation et aux seuils de probabilité de défaillance. La norme de sécurité fonctionnelle ISO 26262 fournit un cadre pour la sécurité automobile qui comprend des systèmes de localisation.

Les organismes de réglementation de différents pays élaborent des exigences pour les essais et le déploiement autonomes des véhicules, qui traitent de plus en plus des performances de localisation, exigeant des fabricants qu'ils démontrent que leurs systèmes répondent à des seuils de précision et de fiabilité spécifiés.

Les consortiums et les organismes de normalisation de l'industrie s'efforcent d'élaborer des procédures d'essai, des mesures de rendement et des méthodes de validation communes pour les systèmes de localisation, qui visent à fournir un cadre cohérent pour évaluer et comparer les différentes approches de localisation et garantir des normes minimales de sécurité dans l'ensemble de l'industrie.

Orientations futures et défis de recherche

Le domaine de la localisation autonome des véhicules et de l'analyse des probabilités de défaillance continue d'évoluer rapidement, avec plusieurs directions de recherche importantes et des défis ouverts.

Exigences en matière de capacité d'adaptation et d'infrastructure

Les VRA visent à assurer la sécurité d'une base d'utilisateurs de masse allant de dizaines à des centaines de millions, nécessitant un service de positionnement global et instantané précis avec protection de la vie privée des lieux.

L'infrastructure nécessaire pour soutenir la localisation à grande précision à l'échelle – y compris les services de correction GNSS, les systèmes de distribution de cartes HD et les réseaux de communication – nécessite des investissements substantiels et une maintenance continue.

Résilient aux attaques antagoniques

À mesure que les véhicules autonomes deviennent plus répandus, le risque d'attaques malveillantes sur les systèmes de localisation devient une grave préoccupation. Le spoofing GNSS, où les signaux de faux satellites sont transmis pour tromper les récepteurs, représente une menace particulière.

La mise au point de systèmes de localisation résistants aux attaques contradictoires tout en maintenant les performances et en respectant les contraintes de coûts constitue un défi important de recherche.

Intégration avec la perception et la planification

La localisation ne fonctionne pas isolément mais est étroitement associée à la perception (comprendre l'environnement) et à la planification (décider les mesures à prendre). L'incertitude de localisation affecte la fiabilité des algorithmes de perception et la sécurité des trajectoires prévues. Inversement, l'information de perception peut être utilisée pour améliorer la localisation par la détection de repères et le couplage de cartes.

L'élaboration d'approches intégrées qui optimisent conjointement la localisation, la perception et la planification tout en tenant compte des incertitudes et des modes de défaillance dans les trois domaines constitue une frontière importante pour la recherche, laquelle est essentielle pour atteindre la fiabilité globale du système nécessaire à un fonctionnement autonome sûr.

Adaptation aux nouveaux environnements

Les systèmes de localisation actuels reposent souvent sur des cartes préconçues et fonctionnent dans des domaines de conception opérationnelle bien définis. L'extension des capacités de véhicules autonomes à de nouveaux environnements – y compris les zones non matricielles, les zones de construction ou les régions à infrastructure en évolution rapide – exige des systèmes de localisation qui peuvent s'adapter et maintenir la fiabilité sans cartographie préalable approfondie.

Il faut établir et mettre à jour des cartes en ligne et des méthodes de localisation tout en maintenant des garanties de sécurité, afin de pouvoir évaluer leur propre fiabilité dans des environnements nouveaux et prendre les décisions appropriées quant au moment où il est sécuritaire de procéder et au moment où l'intervention humaine est nécessaire.

Facteurs clés à prendre en considération dans la modélisation des défaillances de localisation

Lors de l'élaboration de modèles pour calculer la probabilité d'échec de localisation, les ingénieurs et les chercheurs doivent tenir compte d'un ensemble complet de facteurs qui couvrent les domaines techniques, environnementaux et opérationnels :

  • Caractéristiques et précision du bruit du capteur:[ La compréhension des propriétés statistiques des erreurs de capteur, y compris la distribution du bruit, la stabilité des biais et les incertitudes des facteurs d'échelle, est essentielle à l'estimation précise des probabilités de défaillance.
  • Conditions environnementales:[ Effets météorologiques (pluie, neige, brouillard), conditions d'éclairage (jour, nuit, éblouissement, ombres) et variations saisonnières toutes les performances du capteur d'impact et doivent être prises en compte dans les modèles de défaillance.
  • Qualité et fréquence de mise à jour de la carte:[ L'exactitude, l'exhaustivité et la monnaie des cartes HD affectent directement les performances de localisation, en particulier pour les approches basées sur la carte.
  • Modes de robustesse et de défaillance de l'algorithme: La sensibilité de l'algorithme de localisation aux erreurs d'initialisation, aux propriétés de convergence et au comportement sous dégradation ou défaillance du capteur doit être caractérisée avec précision.
  • La redondance du système et la tolérance aux défauts:[ Le degré et l'efficacité de la redondance dans les capteurs, le traitement et les voies de communication ont une incidence significative sur la fiabilité globale du système.
  • Contraintes opérationnelles du domaine de conception :[ La probabilité de défaillance dépend fortement des conditions particulières dans lesquelles le système fonctionne, y compris les types de routes, la densité de trafic et la région géographique.
  • Exigences en matière de calcul et de latence :[ Les contraintes en temps réel limitent la complexité des algorithmes qui peuvent être mis en œuvre et affectent la sophistication de la quantification de l'incertitude.
  • Les facteurs humains et le comportement du conducteur:[ Pour les systèmes ayant une surveillance humaine, la capacité et la volonté du conducteur d'intervenir affectent la sécurité globale et doivent être intégrés dans les modèles de défaillance.
  • Géométrie du capteur et observabilité:[ La configuration géométrique des capteurs et l'observation de l'état du véhicule à partir des mesures disponibles ont une incidence sur la précision de localisation et les modes de défaillance.
  • Précision et stabilité de la calibration :[ Les erreurs d'étalonnage des capteurs, y compris les angles de montage, la synchronisation du temps et les paramètres intrinsèques, peuvent introduire des biais systématiques qui dégradent les performances de localisation.

Conclusion

La détermination de la probabilité de défaillance de localisation dans les véhicules autonomes est un défi complexe et multiforme qui exige l'intégration des connaissances de l'ingénierie des capteurs, du traitement des signaux, de la théorie des probabilités, des systèmes de contrôle et de l'ingénierie de la sécurité.

Les approches abordées dans cet article — de la simulation de Monte Carlo à l'inférence bayésienne à l'analyse empirique et à la surveillance de l'intégrité — fournissent des outils complémentaires pour comprendre et gérer le risque de localisation.

Les exigences strictes de localisation autonome des véhicules, y compris les probabilités de défaillance de l'ordre de 10^-8 par heure et les précisions de position au niveau du décimètre ou du centimètre, repoussent les limites de la technologie actuelle.

À mesure que le terrain arrive à maturité, des approches normalisées de calcul et de validation des probabilités de défaillance émergent, appuyées par des normes et des cadres réglementaires de l'industrie. Cependant, des défis importants subsistent, notamment l'évolutivité au déploiement de masse, la résilience aux attaques contradictoires, l'adaptation à de nouveaux environnements et l'intégration avec les systèmes de perception et de planification.

L'avenir de la localisation autonome des véhicules nécessitera probablement des approches de fusion de capteurs de plus en plus sophistiquées, en tirant parti des progrès de la technologie GNSS, de l'apprentissage des machines, du positionnement coopératif et de l'augmentation de l'infrastructure.

Pour les ingénieurs et les chercheurs travaillant dans ce domaine, il est essentiel de comprendre les méthodes et les considérations pour calculer la probabilité de défaillance de la localisation pour développer des systèmes non seulement techniquement capables mais également de manière sûre et fiable.

Pour de plus amples informations sur les normes de sécurité autonomes des véhicules, la norme ISO 26262 de sécurité fonctionnelle fournit des indications détaillées sur les techniques de sécurité automobile. La norme SAE J3016 définit les niveaux d'automatisation de la conduite et les exigences connexes. Des ressources techniques supplémentaires sur le positionnement et l'intégrité des GNSS peuvent être trouvées par l'intermédiaire de Institut de navigation[, tandis que la recherche sur les algorithmes de localisation et la fusion des capteurs est régulièrement publiée dans des lieux tels que les Transactions de l'IEEE sur les systèmes de transport intelligents et la conférence Robotique: Science and Systems.