Autonomous Vehicles

Les véhicules autonomes (AVs), souvent appelés voitures sans conducteur, sont des systèmes de transport intelligents capables de percevoir leur environnement et de fonctionner sans intervention humaine. Ces systèmes représentent le summum de l'innovation en matière d'IA dans l'automobile, en combinant un matériel sophistiqué avec des algorithmes logiciels avancés pour interpréter des environnements complexes. L'objectif principal de la technologie AV est d'améliorer la sécurité routière en réduisant au minimum les accidents causés par l'erreur humaine, tout en optimisant la fluidité du trafic et en offrant une mobilité aux personnes qui ne peuvent pas conduire. À la base, ces véhicules s'appuient sur l'intelligence artificielle (AI) pour percevoir les stimuli, traiter les informations et prendre des décisions de conduite en une fraction de seconde.

Perception et technologies des capteurs#

Pour qu'un véhicule autonome puisse se déplacer en toute sécurité, il doit avoir une compréhension complète de son environnement. Cette compréhension est obtenue grâce à une couche de perception qui agrège les données provenant d'un ensemble de capteurs.

• Vision par ordinateur (CV) : Les caméras servent de capteurs visuels principaux et reproduisent la vision humaine. Les algorithmes traitent les flux vidéo pour reconnaître les marquages au sol, les feux de circulation et les panneaux.
• Technologie LiDAR : La détection et la télémétrie par laser (LiDAR) utilisent 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 : Les modèles de deep learning identifient et localisent les obstacles dynamiques. Les modèles rapides comme YOLO26 sont essentiels dans ce contexte pour détecter les piétons et les autres véhicules avec une faible latence.
• Fusion des 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 robuste de l'environnement.
• Segmentation sémantique : Cette technique classe chaque pixel d'une image, ce qui aide le véhicule à distinguer la surface 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.

• Systèmes avancés d'aide à la conduite (ADAS) : Couvrant les niveaux 1 et 2, ces systèmes assistent la direction ou l'accélération (par exemple, avec le régulateur de vitesse adaptatif), mais exigent que le conducteur reste attentif.
• Automatisation conditionnelle : Au niveau 3, le véhicule peut gérer la plupart des tâches de conduite dans certaines conditions, 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 désignent des véhicules capables de fonctionner sans intervention humaine. Le niveau 4 est limité à des zones géorepérées, tandis que le niveau 5 vise une autonomie complète sur n'importe quelle route, ce qui nécessite souvent un matériel d'IA en périphérie puissant.

Applications concrètes de l’IA#

La technologie des véhicules autonomes est actuellement déployée dans différents secteurs et s'appuie sur d'importants calculs de machine learning (ML) pour gérer la complexité du monde réel.

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

2. Transport routier autonome : La logistique longue distance bénéficie de l'automatisation sur des itinéraires autoroutiers prévisibles. Des entreprises innovantes comme Aurora développent des camions autonomes qui exploitent la perception à 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 se déplacer sur les trottoirs et livrer des colis, réduisant ainsi les coûts et l'empreinte carbone de la logistique.

Distinction entre concepts connexes#

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

• Par rapport à la robotique : Bien que les AVs soient techniquement des robots mobiles, le domaine de la robotique est plus vaste et englobe les bras industriels stationnaires ainsi que les assistants humanoïdes. Les AVs sont spécifiquement conçus pour la logique du transport.
• Par rapport aux véhicules connectés (V2X) : Les véhicules connectés communiquent entre eux (V2V) et avec les infrastructures (V2I) afin de partager des données telles que la vitesse et la position. Un véhicule peut être connecté sans être autonome, même si la connectivité améliore souvent la sécurité des AVs.
• Par rapport à la téléopération : La téléopération consiste pour un humain à conduire un véhicule à distance. En revanche, les véritables AVs s'appuient sur des réseaux neuronaux embarqués pour prendre des décisions localement.

Implémenter la perception avec Ultralytics YOLO26#

Un composant essentiel de tout système autonome est sa capacité à suivre les objets au fil du temps. L'exemple suivant montre comment utiliser la bibliothèque ultralytics compatible avec l'Ultralytics Platform pour effectuer le suivi d'objets dans une vidéo, en simulant 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