Véhicules autonomes

Les technologies de base au service de l'autonomie

La capacité d'un véhicule autonome à fonctionner en toute sécurité dépend d'un ensemble de technologies intégrées, principalement pilotées par l'IA et la ML, en particulier le Deep Learning (DL).

• Vision par ordinateur (VA): Il s'agit d'un élément fondamental pour que les AV puissent "voir" et interpréter le monde. Les caméras capturent des données visuelles qui sont traitées à l'aide d'algorithmes de vision artificielle pour identifier les voies de circulation, les panneaux de signalisation, les piétons, les autres véhicules et les obstacles.
• Détection d'objets: Une tâche clé de la CV où les modèles identifient et localisent les objets dans le champ de vision du véhicule, en dessinant souvent une boîte de délimitation autour de chaque élément détecté. Des modèles de pointe comme Ultralytics YOLO11 sont fréquemment utilisés pour leurs capacités d'inférence en temps réel, cruciales pour des réactions rapides. Vous pouvez explorer les comparaisons entre les différents modèles YOLO pour comprendre leur évolution.
• Suite de capteurs : Les AV utilisent généralement plusieurs types de capteurs :
  • Caméras : Fournissent des informations visuelles riches.
  • LiDAR (Light Detection and Ranging): Utilise des impulsions laser pour créer des cartes 3D détaillées de l'environnement, efficaces dans différentes conditions d'éclairage.
  • Radar (détection et télémétrie par radio): Il utilise des ondes radio pour détecter des objets et mesurer leur vitesse. Il est fiable par mauvais temps, comme la pluie ou le brouillard.
• Fusion de capteurs: Les algorithmes combinent des données provenant de différents capteurs (caméras, LiDAR, Radar, GPS, IMU) pour créer une compréhension complète et solide de l'environnement. Cela permet de dépasser les limites d'un seul type de capteur.
• Planification du trajet: Les algorithmes d'IA déterminent l'itinéraire et la trajectoire immédiate les plus sûrs et les plus efficaces en fonction de l'environnement perçu, de la destination, des règles de circulation et de la dynamique du véhicule. Cela implique des processus décisionnels complexes.
• Systèmes de contrôle : Traduire la trajectoire prévue en actions physiques telles que la direction, l'accélération et le freinage, en utilisant souvent les principes de la robotique.

Niveaux d'automatisation de la conduite

Pour normaliser les capacités, SAE International définit six niveaux d'automatisation de la conduite, du niveau 0 (pas d'automatisation) au niveau 5 (automatisation complète, aucun conducteur humain n'est nécessaire quelles que soient les conditions). De nombreux systèmes avancés d'aide à la conduite (ADAS) actuels relèvent des niveaux 1 et 2. Les entreprises qui développent des systèmes entièrement autonomes visent souvent le niveau 4 (automatisation poussée dans des domaines de conception opérationnelle spécifiques, comme les zones urbaines délimitées par des barrières géographiques) ou le niveau 5.

Applications réelles de l'IA/ML dans les véhicules autonomes

Les véhicules autonomes ne sont pas seulement des concepts futuristes ; ils sont activement développés et déployés, démontrant la puissance de l'IA dans des scénarios complexes et réels.

1. Services de robot-taxi : Des entreprises comme Waymo (détenue par Alphabet, la société mère de Google) et Cruise (détenue majoritairement par GM) exploitent des services de covoiturage entièrement autonomes dans des zones limitées. Leurs véhicules utilisent une IA sophistiquée pour la perception(en s'appuyant sur la détection et la segmentation des objets), la prédiction du comportement des autres usagers de la route et la navigation dans des environnements urbains complexes. Ces systèmes apprennent et s'améliorent en permanence sur la base des données collectées pendant leur fonctionnement, un principe fondamental des opérations d'apprentissage automatique (MLOps). D'autres informations sont disponibles dans les discussions sur l'IA dans les voitures auto-conduites.
2. Détection et évitement des dangers : Les AV doivent identifier les dangers inattendus de la route et y réagir. Par exemple, les modèles de détection d'objets peuvent être formés sur mesure à l' aide de plateformes comme Ultralytics HUB pour détecter les nids-de-poule, les débris ou les zones de construction. Un exemple consiste à utiliser des modèles YOLO pour la détection des nids-de-poule, ce qui permet à l'intelligence artificielle du véhicule de planifier une trajectoire sûre autour de l'obstacle ou d'alerter le système. Cette application met en évidence la nécessité d'une grande précision et d'une faible latence dans la détection.

Développement et formation

Le développement d'AV implique des tests et une validation rigoureux, souvent à l'aide de grands ensembles de données comme COCO ou d'ensembles de données de conduite spécialisés comme Argoverse. L'entraînement des modèles d'apprentissage profond sous-jacents nécessite d'importantes ressources informatiques(GPU, TPU) et des cadres tels que PyTorch ou TensorFlow. Les environnements de simulation jouent un rôle crucial pour tester en toute sécurité les algorithmes dans d'innombrables scénarios avant le déploiement dans le monde réel. Le déploiement de modèles implique souvent des techniques d'optimisation telles que la quantification et des accélérateurs matériels spécialisés(Edge AI devices, NVIDIA Jetson). L'ensemble du cycle de vie bénéficie de pratiques MLOps robustes pour une amélioration et un suivi continus.