Autonomous Vehicles

Les véhicules autonomes (AV), souvent appelés voitures sans conducteur, 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 matière d'IA dans l'automobile, combinant un matériel sophistiqué à des algorithmes logiciels avancés pour interpréter des environnements complexes. L'objectif principal de la technologie des AV 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 de la mobilité à ceux qui ne peuvent pas conduire. Au cœur de ces véhicules, on trouve l'intelligence artificielle (IA) pour percevoir les stimuli, traiter les informations et prendre des décisions de conduite en une fraction de seconde.

Perception 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.

• Computer Vision (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.
• LiDAR Technology : La détection et la télémétrie par la lumière (LiDAR) utilisent des impulsions laser pour créer des cartes 3D précises et à haute résolution de l'environnement, essentielles pour la perception de la profondeur.
• Object Detection : Les modèles d'apprentissage profond identifient et localisent les obstacles dynamiques. Des modèles à haute vitesse comme YOLO26 y sont 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.
• Semantic Segmentation : Cette technique classe chaque pixel d'une image, aidant le véhicule à distinguer la surface de la route carrossable, les trottoirs et la végétation.

Niveaux 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.

• Advanced Driver Assistance Systems (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 attentif.
• Conditional Automation : Au niveau 3, le véhicule peut gérer la plupart des tâches de conduite dans des conditions spécifiques, telles que les embouteillages sur autoroute, mais l'humain doit être prêt à reprendre le contrôle lorsqu'il est averti.
• High And Full Automation : Les niveaux 4 et 5 représentent des véhicules capables de fonctionner sans intervention humaine. Le niveau 4 est limité à des zones géographiquement restreintes, tandis que le niveau 5 vise une autonomie totale sur n'importe quelle route, nécessitant souvent un matériel Edge AI puissant.

Applications réelles de l'IA#

La technologie des véhicules autonomes est actuellement déployée dans divers secteurs, s'appuyant sur un calcul intensif en 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 en milieu urbain. Ces véhicules recourent à la modélisation prédictive pour anticiper le comportement des piétons et des autres conducteurs dans des paysages urbains complexes.

2. [Autonomous Trucking] : La logistique longue distance bénéficie de l'automatisation sur des trajets autoroutiers prévisibles. Des innovateurs comme Aurora développent des camions autonomes qui exploitent la perception longue portée pour améliorer l'efficacité énergétique et la sécurité.

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

Distinguer 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. Robotics : Bien que les AV soient techniquement des robots mobiles, le domaine de la robotique est plus vaste, englobant des bras industriels stationnaires et des assistants humanoïdes. Les AV 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. Teleoperation : La téléopération implique qu'un humain conduise un véhicule à distance. En revanche, les véritables AV s'appuient sur des réseaux neuronaux embarqués pour prendre des décisions localement.

Mise en œuvre de la perception avec YOLO26#

Un composant essentiel de tout système autonome est la capacité à suivre des objets au fil du temps. L'exemple suivant montre comment utiliser la bibliothèque compatible Ultralytics Platform ultralytics pour effectuer le suivi d'objets sur une vidéo, simulant ainsi le système de perception d'un véhicule.

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