Explorer la vision par ordinateur dans les applications de navigation

Aujourd’hui, sortir son téléphone, saisir une destination et suivre un itinéraire détaillé pour s’y rendre semble très facile. Cela ne prend que quelques secondes. Mais cette commodité du quotidien est le fruit de plusieurs années de progrès technologiques. La navigation a beaucoup évolué : des cartes papier et des boussoles aux systèmes intelligents capables de comprendre le monde et d’y réagir en temps réel.

L’une des technologies à l’origine de cette évolution est la vision par ordinateur, une branche de l’intelligence artificielle (IA) qui permet aux machines d’interpréter les informations visuelles comme le font les humains. Les outils de navigation modernes utilisent désormais des images en temps réel provenant de satellites, de caméras embarquées et de capteurs au niveau de la rue pour améliorer la précision des cartes, surveiller l’état des routes et guider les utilisateurs dans des environnements complexes.

Dans cet article, nous verrons comment la vision par ordinateur améliore la navigation en perfectionnant les cartes GPS, en fournissant des informations routières en temps réel et en prenant en charge des technologies comme la navigation en réalité augmentée et les véhicules autonomes.

Systèmes de navigation par IA avec cartographie 3D immersive#

Utiliser des outils comme Google Maps pour se déplacer au quotidien est devenu très courant, que l’on traverse la ville ou que l’on cherche un café à proximité. À mesure que les technologies d’IA se généralisent, nous voyons apparaître des fonctionnalités toujours plus avancées comme Immersive View, lancée par Google Maps en 2023, qui permet aux utilisateurs de prévisualiser une partie de leur trajet dans un environnement 3D. Cette fonctionnalité repose sur une combinaison d’IA, de photogrammétrie et de vision par ordinateur.

Fig. 1. Immersive View de Google Maps.

Tout commence par des milliards d’images haute résolution capturées à l’aide de divers équipements spécialisés. Il s’agit notamment des voitures Street View, des véhicules équipés de caméras à 360 degrés qui sillonnent les villes, ainsi que des appareils Trekker, des sacs à dos portables équipés de caméras qui capturent des images dans des endroits inaccessibles aux véhicules, comme les sentiers de randonnée ou les ruelles étroites.

Ces images sont alignées sur les données cartographiques à l’aide de la photogrammétrie, une technique qui assemble des photos 2D prises sous différents angles afin de créer des modèles 3D précis des rues, des bâtiments et du terrain.

La vision par ordinateur sert ensuite à analyser ces modèles au moyen de la détection d’objets et de la segmentation d’images, afin d’identifier et d’étiqueter des éléments importants comme les panneaux de signalisation, les trottoirs, les passages piétons et les entrées des bâtiments.

Fig. 2. Immersive View utilise la segmentation pour segmenter des objets dans une rue.

Les données étiquetées servent à entraîner des systèmes d’IA capables de reconnaître les différences entre les repères visuels d’une région à l’autre. Par exemple, le système peut facilement distinguer un panneau « SLOW » aux États-Unis, généralement un losange jaune ou orange, d’un panneau similaire au Japon, généralement un triangle rouge et blanc. Cette compréhension rend la navigation plus précise et mieux adaptée aux particularités culturelles.

Enfin, Immersive View superpose des itinéraires de navigation en direct à l’environnement 3D, offrant une expérience fluide et intuitive qui indique précisément où se diriger.

La réalité augmentée dans les solutions de navigation#

Nous avons probablement tous déjà tourné en rond en essayant de comprendre dans quelle direction Google Maps nous indiquait d’aller. C’est précisément ce problème que la navigation en réalité augmentée (AR), une technologie qui superpose des informations numériques à l’image réelle de la caméra, cherche à résoudre. Elle change la façon dont les gens s’orientent dans les lieux très fréquentés, comme les rues des villes ou les grands espaces intérieurs.

Les cartes classiques peuvent être difficiles à suivre, surtout lorsque les signaux GPS sont faibles ou peu fiables. La navigation en AR y remédie en affichant des indications, des flèches et des libellés numériques directement sur l’image en direct du monde réel capturée par la caméra. Les utilisateurs voient ainsi des indications qui correspondent aux rues et aux bâtiments autour d’eux, ce qui leur permet de savoir beaucoup plus facilement où aller.

Comment la réalité augmentée est utilisée dans la navigation#

La navigation en réalité augmentée s’appuie sur des modèles de vision par ordinateur pour comprendre l’environnement à l’aide de la caméra d’un appareil. Cela implique diverses tâches, comme la localisation dans l’image, qui détecte des caractéristiques telles que les contours de bâtiments ou les panneaux de signalisation et les associe à une carte stockée. La localisation et cartographie simultanées (SLAM) crée une carte de l’environnement tout en suivant en temps réel la position de l’appareil.

Par exemple, l’aéroport de Zurich a été le premier à mettre en œuvre Live View de Google Maps pour la navigation intérieure. Les passagers peuvent utiliser la caméra de leur téléphone pour afficher des flèches et des indications superposées à l’environnement réel, qui les guident dans les terminaux vers les portes d’embarquement, les boutiques et les services. Cela améliore l’expérience des passagers en facilitant la navigation dans des espaces intérieurs complexes.

Fig. 3. L’aéroport de Zurich utilise la vision par ordinateur et la réalité augmentée pour guider les passagers à l’intérieur.

Améliorer la sécurité routière grâce aux systèmes de navigation par IA#

Les rues des villes sont de plus en plus fréquentées. Avec davantage de voitures sur les routes, des trottoirs bondés et une activité constante, assurer une circulation fluide et sûre représente un défi croissant. Pour maîtriser ce chaos, de nombreuses villes se tournent vers l’IA et la vision par ordinateur.

Des caméras intelligentes et des capteurs installés aux intersections et le long des routes capturent en continu des données visuelles. Ces images sont traitées en temps réel pour détecter les accidents, surveiller la circulation, repérer les nids-de-poule et relever les infractions comme le stationnement illégal ou les comportements dangereux des piétons.

La Smart Airport Expressway de Hangzhou, en Chine, en est un exemple intéressant. Cette autoroute de 20 kilomètres, qui relie le centre-ville de Hangzhou à l’aéroport international de Xiaoshan, a été modernisée avec des caméras haute résolution et des radars à ondes millimétriques. Ces appareils recueillent en continu des données vidéo et des données de capteurs, qui sont ensuite analysées par vision par ordinateur.

Au lieu de simplement enregistrer des images, le système interprète ce qui se passe sur la route. Les algorithmes de vision par ordinateur détectent les collisions entre véhicules, repèrent les infractions au Code de la route et identifient même les piétons ou les déplacements inhabituels à proximité des sorties d’autoroute. Les autorités chargées de la circulation peuvent ainsi intervenir en quelques secondes, sans avoir à se rendre sur place.

Les données alimentent également un jumeau numérique : un modèle virtuel 3D en temps réel de l’autoroute, qui affiche les conditions de circulation, les détails des véhicules et les embouteillages émergents. Les agents de circulation surveillent cette interface visuelle pour gérer le flux, émettre des alertes intelligentes et intervenir rapidement et avec précision en cas d’incident.

Mobilité autonome rendue possible par la vision par ordinateur dans la navigation#

Aujourd’hui, la navigation ne sert plus seulement à aller d’un point A à un point B. Elle est désormais essentielle aux systèmes intelligents qui transportent des personnes, gèrent des marchandises et prennent des décisions en temps réel, sur la route comme à l’intérieur des entrepôts.

La vision par ordinateur est au cœur de bon nombre de ces systèmes : elle permet aux machines d’interpréter les données visuelles et de réagir instantanément à leur environnement. Découvrons quelques exemples pour voir comment cette technologie transforme la navigation dans différents environnements.

Navigation des robots d’entrepôt grâce à la vision par ordinateur#

Les robots deviennent indispensables à l’avenir de la logistique, notamment dans les opérations à grande échelle des entrepôts. Avec la croissance du commerce électronique, les entreprises s’appuient de plus en plus sur des machines dotées de vision par ordinateur pour se déplacer dans des environnements complexes, trier les articles et gérer les stocks rapidement et avec précision.

Prenons l’exemple des centres de traitement des commandes d’Amazon, où plus de 750 000 robots travaillent aux côtés des humains pour assurer l’efficacité des opérations. Ces robots s’appuient largement sur la vision par ordinateur pour circuler dans les allées très fréquentées des entrepôts, identifier les articles et prendre rapidement des décisions précises.

Sequoia est l’un de ces systèmes : une plateforme robotique conçue pour accélérer la gestion des stocks. Elle utilise des techniques avancées de vision par ordinateur pour scanner, compter et organiser les produits entrants, ce qui contribue à rationaliser leur stockage et leur récupération.

De même, Vulcan, un bras robotisé, utilise des caméras et l’analyse d’images pour saisir des articles en toute sécurité sur les étagères. Il adapte sa prise en fonction de la forme et de la position de chaque objet et détecte même lorsqu’une aide humaine est nécessaire. Cardinal, un autre robot doté de vision, se spécialise dans le tri : il scanne des piles de colis mélangés et les dépose avec précision dans les chariots d’expédition appropriés.

Fig. 4. Cardinal saisit avec précision des colis dans une pile.

La vision par ordinateur dans la navigation des véhicules autonomes#

Jusqu’à présent, nous avons vu comment la vision par ordinateur aide les personnes et les robots à se déplacer dans leur environnement. Elle est tout aussi essentielle aux systèmes autonomes, comme les voitures autonomes, dont la navigation dépend entièrement de ce que le véhicule peut voir et comprendre en temps réel.

Le système Tesla Vision en est un bon exemple. Tesla a adopté une approche de la conduite autonome reposant uniquement sur des caméras, en supprimant les radars et les autres capteurs au profit d’un réseau de caméras offrant une vue à 360 degrés de l’environnement de la voiture. Ces caméras transmettent les données visuelles à l’ordinateur Full Self-Driving (FSD), qui utilise des réseaux neuronaux profonds pour interpréter l’environnement et prendre des décisions de conduite en une fraction de seconde.

En fonction de ce qu’il voit, le système décide quand braquer, accélérer, freiner ou changer de voie, comme le ferait un conducteur humain, mais uniquement à partir d’entrées visuelles. Tesla améliore continuellement ce système en recueillant et en exploitant d’immenses volumes de données de conduite réelles issues de sa flotte.

Fig. 5. Tesla utilise la vision par ordinateur pour assurer une navigation sûre et autonome (Source : Tesla).

Avantages et inconvénients de la vision par ordinateur dans la navigation#

Voici quelques-uns des principaux avantages de la vision par ordinateur dans la navigation, notamment pour les systèmes où la précision, la sécurité et la prise de décision en temps réel sont essentielles :

• Réduction de la consommation de carburant : En aidant les conducteurs à éviter les embouteillages et les trajets ponctués d’arrêts et de redémarrages, la vision par ordinateur peut réduire la consommation globale de carburant et la durée des déplacements, ce qui rend les trajets quotidiens plus efficaces.
• Détection de l’usure des routes et des problèmes d’infrastructure : Les solutions basées sur la vision peuvent détecter les nids-de-poule, les marquages au sol effacés, les panneaux cassés et les infrastructures endommagées, fournissant aux équipes de maintenance des données fiables en temps réel.
• S’intègre à d’autres outils d’IA : la vision par ordinateur peut être combinée à des assistants vocaux, à des modèles de prédiction comportementale ou à des algorithmes d’optimisation d’itinéraire afin de créer une expérience de navigation plus personnalisée.

La vision par ordinateur présente de nombreux avantages pour la navigation, mais comporte aussi quelques limites importantes à prendre en compte lors de la mise en œuvre de telles solutions. Voici les principaux défis à garder à l’esprit :

• Manque de généralisation : Les modèles entraînés dans des environnements ou des scénarios spécifiques rencontrent souvent des difficultés lorsqu’ils sont déployés dans de nouveaux contextes ou dans des contextes évolutifs, s’ils ne sont pas réentraînés.
• Limites liées à l’éclairage : Les systèmes de vision ont besoin d’un bon éclairage et d’une météo dégagée pour fonctionner correctement. Le brouillard, les fortes pluies ou l’obscurité dégradent leurs performances, à moins de les associer à des capteurs comme le LiDAR ou le radar.
• Risques pour la confidentialité : les systèmes de navigation utilisant des caméras peuvent filmer des personnes et des propriétés privées sans leur consentement. Cela soulève des problèmes de confidentialité qui doivent être soigneusement pris en compte lors du développement et du déploiement.

Points clés à retenir#

La vision par ordinateur réinvente la navigation en rendant les cartes plus dynamiques, les systèmes de circulation plus intelligents et la mobilité plus accessible. Les itinéraires autrefois statiques sont désormais des expériences interactives en temps réel, grâce aux aperçus 3D immersifs, aux indications guidées par AR et aux technologies de transport autonome.

Avec les progrès technologiques, l’accent devrait se déplacer vers des systèmes plus inclusifs, adaptatifs et responsables. Les progrès à venir dépendront de l’amélioration de la précision dans des environnements variés, du maintien de performances fiables et de la protection de la vie privée des utilisateurs. L’avenir de la vision par ordinateur dans la navigation repose sur la création de solutions non seulement intelligentes, mais aussi conçues avec considération pour leur impact.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l’IA, et consulte nos options de licence pour lancer tes projets d’IA visuelle. Les innovations comme l’IA dans le commerce de détail et la vision par ordinateur dans l’agriculture t’intéressent ? Consulte nos pages de solutions pour en savoir plus !