Autonomous Vehicles

Les véhicules autonomes (VA), souvent appelés voitures autonomes, sont des systèmes de transport intelligents capables de détecter leur environnement et de fonctionner sans intervention humaine. Ces systèmes représentent le summum de l'innovation en IA dans le secteur automobile, combinant un matériel sophistiqué à des algorithmes logiciels avancés pour interpréter des environnements complexes. L'objectif principal de la technologie des VA est d'améliorer la sécurité routière en minimisant les accidents causés par l'erreur humaine, tout en optimisant l'efficacité du trafic et en offrant une mobilité à ceux qui ne peuvent pas conduire. Au cœur de ces véhicules, on retrouve l'intelligence artificielle (IA) pour percevoir les stimuli, traiter les informations et prendre des décisions de conduite en une fraction de seconde.

Link to this sectionPerception et technologies de capteurs#

Pour qu'un véhicule autonome puisse naviguer en toute sécurité, il doit posséder une compréhension complète de son environnement. Cela est rendu possible grâce à une couche de perception qui agrège les données provenant d'une suite de capteurs.

• Vision par ordinateur (CV) : Les caméras servent de capteurs visuels principaux, imitant la vue humaine. Les algorithmes traitent les flux vidéo pour reconnaître les marquages au sol, les feux de circulation et les panneaux.
• Technologie LiDAR : Le LiDAR (Light Detection and Ranging) utilise des impulsions laser pour créer des cartes 3D précises et haute résolution de l'environnement, essentielles à la perception de la profondeur.
• Détection d'objets : Des modèles de deep learning identifient et localisent les obstacles dynamiques. Des modèles haute vitesse comme YOLO26 sont ici cruciaux pour détecter les piétons et autres véhicules avec une faible latence.
• Fusion de capteurs : Aucun capteur n'est parfait dans toutes les conditions (par exemple, les caméras dans le brouillard). Les algorithmes de fusion combinent les données des caméras, du radar et du LiDAR pour former un modèle environnemental robuste.
• Segmentation sémantique : Cette technique classifie chaque pixel d'une image, aidant le véhicule à distinguer la surface de route carrossable, les trottoirs et la végétation.

Link to this sectionNiveaux d'autonomie#

Les capacités des systèmes autonomes sont classées selon les niveaux d'automatisation de la conduite SAE J3016, qui définissent l'étendue du contrôle informatique par rapport à l'intervention humaine.

• Systèmes avancés d'aide à la conduite (ADAS) : Couvrant les niveaux 1 et 2, ces systèmes assistent la direction ou l'accélération (par exemple, le régulateur de vitesse adaptatif) mais exigent que le conducteur reste vigilant.
• Automatisation conditionnelle : Au niveau 3, le véhicule peut gérer la plupart des tâches de conduite dans des conditions spécifiques, comme les embouteillages sur autoroute, mais l'humain doit être prêt à reprendre le contrôle lorsqu'il est alerté.
• Automatisation élevée et complète : Les niveaux 4 et 5 représentent des véhicules capables de fonctionner sans intervention humaine. Le niveau 4 est limité à des zones géo-clôturées, tandis que le niveau 5 vise une autonomie complète sur n'importe quelle route, nécessitant souvent un matériel Edge AI puissant.

Link to this sectionApplications réelles de l'IA#

La technologie des véhicules autonomes est actuellement déployée dans divers secteurs, s'appuyant sur des calculs lourds de machine learning (ML) pour gérer la complexité du monde réel.

1. Robotaxis : Des entreprises comme Waymo utilisent des flottes de véhicules entièrement autonomes pour transporter des passagers dans les environnements urbains. Ces véhicules utilisent la modélisation prédictive pour anticiper le comportement des piétons et des autres conducteurs dans des paysages urbains complexes.

2. Transport routier autonome : La logistique longue distance bénéficie de l'automatisation sur des itinéraires autoroutiers prévisibles. Des innovateurs comme Aurora développent des camions autonomes qui tirent parti d'une perception longue portée pour améliorer l'efficacité énergétique et la sécurité.

3. Livraison du dernier kilomètre : De petits robots autonomes utilisent le suivi d'objets pour naviguer sur les trottoirs et livrer des colis, réduisant ainsi le coût et l'empreinte carbone de la logistique.

Link to this sectionDistinguer les concepts apparentés#

Il est important de différencier les véhicules autonomes des termes connexes dans les domaines de la robotique et de l'automobile.

• Vs. Robotique : Bien que les VA soient techniquement des robots mobiles, le domaine de la robotique est plus large, englobant les bras industriels stationnaires et les assistants humanoïdes. Les VA sont spécifiquement spécialisés dans la logique de transport.
• Vs. Véhicules connectés (V2X) : Les véhicules connectés communiquent entre eux (V2V) et avec l'infrastructure (V2I) pour partager des données comme la vitesse et la position. Un véhicule peut être connecté sans être autonome, bien que la connectivité améliore souvent la sécurité des VA.
• Vs. Téléopération : La téléopération implique qu'un humain conduise un véhicule à distance. En revanche, les vrais VA s'appuient sur des réseaux de neurones embarqués pour prendre des décisions localement.

Link to this sectionMise en œuvre de la perception avec YOLO26#

A critical component of any autonomous system is the ability to track objects over time. The following example demonstrates how to use the Ultralytics Platform compatible ultralytics library to perform object tracking on a video, simulating a vehicle's perception system.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates