La voiture autonome : progrès techniques et perspectives

Les pro­grès tech­niques devraient per­mettre d’arriver, dans les années à venir, à une conduite auto­mo­bile com­plè­te­ment auto­nome, s’affranchissant de la super­vi­sion du conduc­teur. On peut en par­ti­cu­lier s’attendre au déve­lop­pe­ment des voi­tures auto­nomes en envi­ron­ne­ment auto­rou­tier et péri­ur­bain dès les pro­chaines années.

Pour le moment, l’automatisation est res­treinte à une assis­tance au conduc­teur, lequel reste tota­le­ment res­pon­sable du com­por­te­ment de son véhi­cule. Mais le chan­ge­ment arrive pro­gres­si­ve­ment avec l’automatisation des véhi­cules que l’on observe depuis plu­sieurs années grâce aux sys­tèmes d’aide à la conduite intel­li­gents (ou ADAS, Advan­ced Dri­ver Assis­tance Sys­tems), tels que les régu­la­teurs de vitesse adap­ta­tifs, les aides au main­tien dans la voie ou les sys­tèmes anti­col­li­sion. Les pro­grès tech­no­lo­giques des cap­teurs, cal­cu­la­teurs et algo­rithmes per­mettent petit à petit d’augmenter le niveau d’automatisation des véhi­cules et donc d’alléger la tâche du conducteur.

REPÈRES

Pour défi­nir le niveau d’automatisation, on uti­lise sou­vent les cinq niveaux du réfé­ren­tiel SAE (J3016). Au niveau 1, le véhi­cule assiste le conduc­teur sur une seule dimen­sion de la conduite (laté­rale ou lon­gi­tu­di­nale), par exemple avec un régu­la­teur de vitesse adap­ta­tif ou un sui­vi de voie auto­ma­tique. Au niveau 2, le véhi­cule assure la dyna­mique de la conduite sur les deux dimen­sions laté­rales et lon­gi­tu­di­nales, tout en étant sous super­vi­sion constante du conduc­teur qui reste entiè­re­ment res­pon­sable. Le niveau 3 est le véri­table gap tech­no­lo­gique et légis­la­tif qui reste encore à fran­chir, car le véhi­cule peut alors tem­po­rai­re­ment se pas­ser de super­vi­sion du conduc­teur et être entiè­re­ment res­pon­sable de la conduite – on com­mence alors véri­ta­ble­ment à par­ler de véhi­cule auto­nome. L’absence de super­vi­sion du conduc­teur devient per­ma­nente au niveau 4. Enfin un véhi­cule niveau 5 n’a tout sim­ple­ment ni conduc­teur ni volant. 

De la voiture automatisée à la voiture autonome

Les voi­tures à conduite délé­guée sont clas­sées selon le niveau d’automatisation. Au-delà du niveau d’auto­matisation, une voi­ture auto­nome se carac­té­rise par son domaine opé­ra­tion­nel (ou ODD, Ope­ra­tio­nal Desi­gn Domain), pou­vant aller d’une simple rue défi­nie à une ville com­plète. Les exi­gences pour la per­for­mance du sys­tème et des cap­teurs ne seront pas les mêmes sur une auto­route ou en milieu urbain. L’infrastructure doit s’adapter aux voi­tures auto­nomes, par exemple avec des mar­quages au sol clairs et en bon état pour faci­li­ter la recon­nais­sance par les camé­ras, et aus­si avec des sys­tèmes de com­mu­ni­ca­tion V2I (Vehicle to Infra­struc­ture) qui vont faci­li­ter la pro­gres­sion du véhi­cule auto­nome dans son environnement. 

En Europe, des pro­jets publics comme Scoop et Safe Strip visent à expé­ri­men­ter l’équipement de routes avec de tels sys­tèmes. L’infrastructure peut alors trans­mettre aux véhi­cules les infor­ma­tions sur des évé­ne­ments à venir (zone de tra­vaux, voie fer­mée, etc.) et éga­le­ment rece­voir des infor­ma­tions en temps réel sur les évé­ne­ments détec­tés par les cap­teurs des véhi­cules (route glis­sante, acci­dent, etc.).

Aujourd’hui, la régle­men­ta­tion limite le niveau d’automatisation des véhi­cules ven­dus sur le mar­ché au niveau 2. Cepen­dant les niveaux sui­vants sont de plus en plus déve­lop­pés, et de nom­breux pro­to­types existent et par­courent déjà les routes en France et dans le monde. Cer­tains modèles de véhi­cule en série reven­diquent une confi­gu­ra­tion maté­rielle (cap­teurs, cal­cu­la­teurs) com­pa­tible avec les niveaux 3 ou 4, une simple mise à jour logi­cielle per­met­tant d’atteindre ces niveaux dans un domaine défini.

Approche progressive et approche disruptive

Les inno­va­tions de la voi­ture auto­nome suivent aujourd’hui deux che­mins paral­lèles. Le pre­mier est celui des construc­teurs d’automobiles « clas­siques » dont l’approche est pro­gres­sive. Il s’agit d’automatiser les nou­velles gammes de véhi­cule avec des fonc­tions d’assistance de plus en plus avan­cées (main­tien au centre de voie, régu­la­teur de vitesse adap­ta­tif, chan­ge­ment de voie automatique).

Dans l’ensemble, les construc­teurs estiment que les tech­no­lo­gies de niveau 2 (le véhi­cule régule sa vitesse et sa posi­tion dans la voie), qui sont déjà sur le mar­ché, vont se géné­ra­li­ser et se démo­cra­ti­ser dans les pro­chaines années. Il est ensuite très pro­bable de voir appa­raître, au début des années 2020, des tech­no­lo­gies de niveau 3 avec les­quelles le conduc­teur n’a plus besoin de super­vi­ser le véhi­cule dans des condi­tions défi­nies (embou­teillages, voies à chaus­sées sépa­rées). L’extension se fera ensuite sur les auto­routes à plus haute vitesse et sur du niveau 4, puis à terme sur les autres routes et en zone urbaine.

La seconde approche est essen­tiel­le­ment sui­vie par de nou­veaux acteurs, sou­vent des acteurs du numé­rique, dont l’ambition est de pré­pa­rer direc­te­ment des flottes de voi­tures auto­nomes com­plètes (niveau 4–5) en auto­par­tage. Le véhi­cule n’est plus une voi­ture per­son­nelle qui s’achète mais un véhi­cule exploi­té en libre-ser­vice, dont les contraintes en termes de coût et d’esthétique sont réduites et per­mettent l’intégration de cap­teurs plus per­for­mants. Ces nou­veaux acteurs s’allient le plus sou­vent avec un ou plu­sieurs construc­teurs d’automobiles (Way­mo-JLR, Uber-Vol­vo…) et annoncent des flottes de taxis robots dans des futurs proches, cer­tains dès le début des années 2020.

“Aucun capteur n’est aussi efficace qu’une paire de bons yeux.”

Percevoir l’environnement avec des capteurs plus performants et plus divers

Le prin­ci­pal défi du déve­lop­pe­ment de la voi­ture auto­nome est de détec­ter et com­prendre l’environnement com­plexe qui l’entoure. Cet envi­ron­ne­ment inclut d’autres véhi­cules, auto­nomes ou non, une signa­li­sa­tion qui peut être de qua­li­té variable, des pié­tons, des cyclistes et désor­mais des trot­ti­nettes. Ces trois der­nières caté­go­ries sont vul­né­rables et ont des tra­jec­toires dif­fi­ciles à pré­dire. Contrai­re­ment à une voi­ture, si un pié­ton avance tout droit à un ins­tant, il y a des chances pour qu’à l’instant sui­vant il ait fait un quart de tour pour s’engager sur la voie et traverser…

Le sys­tème auto­nome est équi­pé de cap­teurs, qui sont l’équivalent des yeux et des oreilles du conduc­teur tra­di­tion­nel. Ces cap­teurs se diver­si­fient et sont en constant pro­grès depuis quelques années. Mais aucun cap­teur, pris indi­vi­duel­le­ment, n’est aus­si effi­cace qu’une paire de bons yeux. La clé du défi est donc de varier les tech­no­lo­gies uti­li­sées afin d’assurer une com­plé­men­ta­ri­té des cap­teurs et une redon­dance de la détection.

La com­plé­men­ta­ri­té des cap­teurs consiste à uti­li­ser le meilleur de chaque tech­no­lo­gie pour maxi­mi­ser les per­for­mances de détec­tion. Par exemple, une camé­ra est idéale pour détec­ter les carac­té­ris­tiques séman­tiques d’un objet : dif­fé­ren­cier une voi­ture et un vélo, détec­ter et lire un pan­neau, etc. Les lasers scan­ners (ou lidars), dont le Sca­la®️ de Valeo est le pre­mier en série sur le mar­ché auto­mo­bile, sont les plus aptes à détec­ter un objet loin­tain (jusqu’à 300 m) avec une pré­ci­sion cen­ti­mé­trique. S’ajoutent les radars qui exploitent l’effet Dop­pler afin de mesu­rer la vitesse des objets envi­ron­nants et les ultra­sons (appe­lés abu­si­ve­ment « radars de recul ») qui détectent prin­ci­pa­le­ment les objets proches. On est capable de fusion­ner les infor­ma­tions de tous ces cap­teurs afin de pré­ci­ser les carac­té­ris­tiques d’un objet.

Au-delà de cette com­plé­men­ta­ri­té des cap­teurs, leur diver­si­té per­met d’assurer une redon­dance de la fonc­tion. Par exemple, quand les condi­tions de visi­bi­li­té sont faibles (nuit, brume, etc.), les lasers scan­ners et les radars conti­nuent à détec­ter l’environnement avec suf­fi­sam­ment d’information pour évi­ter tout acci­dent. On tire aus­si par­ti des pro­grès de l’intelligence arti­fi­cielle, notam­ment des tech­niques d’apprentissage pro­fond. Aujourd’hui, l’état de l’art des algo­rithmes est très com­plet en ce qui concerne le trai­te­ment d’images et s’applique faci­le­ment aux camé­ras des véhicules.

Se localiser avec précision

Un autre défi tout aus­si impor­tant pour un véhi­cule auto­nome est sa loca­li­sa­tion. En milieu urbain, celle-ci doit être pré­cise à une dizaine de cen­ti­mètres, donc bien en deçà des GPS tra­di­tion­nels de nos véhi­cules (quelques mètres). Les tech­no­lo­gies de GPS plus pré­cises (par exemple les GPS RTK) ont un coût beau­coup trop éle­vé et sont tou­jours affec­tées par les pertes de signaux inter­mit­tents en envi­ron­ne­ment urbain ou dans les tun­nels. L’arrivée de car­to­gra­phies très pré­cises des routes (cartes HD) per­met d’atteindre cette pré­ci­sion de loca­li­sa­tion tout en se pas­sant d’un tel maté­riel. Grâce aux cap­teurs, le sys­tème détecte des élé­ments de repère envi­ron­nants (ou land­marks), par exemple les mar­quages au sol et l’infrastructure, et les fait coïn­ci­der avec la car­to­gra­phie pour déduire sa posi­tion avec pré­ci­sion. L’autre avan­tage est de pou­voir faire auto­ma­ti­que­ment remon­ter les infor­ma­tions au four­nis­seur de car­to­gra­phie et mettre à jour la carte en temps réel en fonc­tion des chan­ge­ments détec­tés dans l’environnement.

Prendre des décisions sûres et réactives

L’objectif pre­mier des voi­tures auto­nomes est de réduire les acci­dents de la route, dont plus de 90 % sont dus aux usa­gers. En évi­tant les pro­blèmes d’alcoolémie, de fatigue et de dis­trac­tion, la voi­ture auto­nome a tout ce qu’il faut pour réduire dras­ti­que­ment ces acci­dents. Mais le défi est avant tout dans l’acceptation sociale de la tech­no­lo­gie. Un acci­dent cau­sé par une voi­ture auto­nome sera consi­dé­ra­ble­ment moins tolé­ré qu’un acci­dent cau­sé par un conduc­teur. Il est ain­si en géné­ral consi­dé­ré que le risque d’accident pour un véhi­cule auto­nome doit être trois ordres de gran­deur en des­sous de celui d’un conduc­teur humain (de l’ordre d’une chance sur un mil­lion par heure de conduite), soit une chance sur un mil­liard par heure.

L’intelligence du véhi­cule doit donc être capable de gérer une diver­si­té de cas d’usage extrê­me­ment éle­vée et d’y réagir de façon à la fois sûre et natu­relle pour ses uti­li­sa­teurs. Pour cela, dif­fé­rentes approches existent et sont en géné­ral combinées.

L’approche « clas­sique » consiste à modé­li­ser l’envi­ronnement et le com­por­te­ment poten­tiel des usa­gers et d’introduire dans les pro­grammes du véhi­cule un ensemble de règles que le véhi­cule doit res­pec­ter (s’arrêter au feu rouge, ne pas fran­chir une ligne conti­nue, etc.). Cela peut s’apparenter, pour un être humain, à l’apprentissage du « code » avant le pas­sage du per­mis de conduire. Cette approche ne per­met cepen­dant pas de gérer tous les cas d’utilisation, trop nombreux.

L’autre approche qui vient en com­plé­ment est celle de l’apprentissage (que l’on peut com­pa­rer aux heures de conduite et à l’expérience d’un conduc­teur). Les tech­niques d’apprentissage pro­fond per­mettent alors de gérer un ensemble de cas d’usage beau­coup plus grand. En pous­sant l’idée au plus loin, des concepts de véhi­cule auto­nome dit end-to-end ont été pré­sen­tés, pour les­quels toute la chaîne de trai­te­ment depuis les don­nées cap­teurs jusqu’aux com­mandes volant et moteur est un gigan­tesque réseau de neu­rones entiè­re­ment construit par apprentissage.

Les nouveaux acteurs de l’innovation

L’automatisation de la conduite ouvre l’industrie auto­mo­bile à de nom­breux nou­veaux acteurs. Les équi­pe­men­tiers tra­di­tion­nels ajoutent à leurs por­te­feuilles des cap­teurs consi­dé­rés comme néces­saires et acquièrent de l’expertise dans cer­taines briques logi­cielles. De nom­breuses start-up pro­posent des cap­teurs inno­vants per­met­tant de faci­li­ter la per­cep­tion et la localisation.
On peut ajou­ter à ces acteurs proches de l’automobile des acteurs d’écosystèmes paral­lèles : des géants de l’industrie de l’IT comme Intel et Nvi­dia inves­tissent mas­si­ve­ment pour péné­trer le mar­ché auto­mo­bile avec des puces élec­tro­niques per­met­tant d’améliorer les algorithmes.
Les GAFA uti­lisent leurs atouts en infor­ma­tique pour avan­cer dans ce domaine. Des entre­prises de flottes de véhi­cules déve­loppent des navettes auto­nomes et des taxis robots. Enfin, les acteurs de la 5G s’intéressent de près aux besoins des voi­tures auto­nomes et des four­nis­seurs de cartes très pré­cises se développent.

Un écosystème en pleine mutation

Toute l’activité de déve­lop­pe­ment d’un véhi­cule auto­nome, de sa spé­ci­fi­ca­tion avec un ensemble de cas d’usage à sa vali­da­tion sur des don­nées simu­lées, enre­gis­trées ou en conduite réelle, en pas­sant bien sûr par le déve­lop­pe­ment d’algorithmes de plus en plus fon­dés sur de l’apprentissage, néces­site donc une quan­ti­té de don­nées tou­jours plus grande. Il s’agit d’un véri­table défi pour les construc­teurs et équi­pe­men­tiers qui ren­forcent pour cela leurs équipes de Data Science. Le défi est d’autant plus grand que la don­née doit être « anno­tée » pour être exploi­tée, c’est-à-dire qu’une véri­té ter­rain doit lui être asso­ciée, indi­quant l’état réel de l’environnement ou la déci­sion que le véhi­cule est cen­sé prendre.

Les pro­grès tech­no­lo­giques de la voi­ture auto­nome s’accélèrent et l’écosystème s’agrandit. L’état de l’art des cap­teurs, des algo­rithmes d’intelligence arti­fi­cielle et des cal­cu­la­teurs doit être maî­tri­sé et en même temps por­té à un niveau de matu­ri­té et de sûre­té auto­mo­bile suf­fi­sant. Cela bou­le­verse les méthodes de dévelop­pement tra­di­tion­nelles et demande aux acteurs de l’automobile de s’adapter afin de tenir compte d’un besoin éten­du en masse de don­nées et en méthodes de vali­da­tion effi­caces. C’est éga­le­ment une oppor­tu­ni­té pour eux d’étendre leur posi­tion­ne­ment et pour des nou­veaux acteurs d’émerger à l’aide d’innovations judicieuses. 

Un changement de paradigme pour l’ingénieur

His­to­ri­que­ment, le déve­lop­pe­ment d’un véhi­cule néces­site une vali­da­tion de sûre­té por­tant essen­tiel­le­ment sur les défaillances internes, notam­ment élec­tro­niques. La ques­tion que se posait l’ingénieur était :
« Mon sys­tème va-t-il conti­nuer à fonc­tion­ner dans son état nomi­nal ? » Cette ques­tion est tou­jours aus­si impor­tante pour le véhi­cule auto­nome mais ne suf­fit plus : il est main­te­nant néces­saire de s’intéresser aus­si à l’environnement autour du véhi­cule et aux dif­fé­rents évé­ne­ments qui peuvent s’y pro­duire. La ques­tion que l’ingénieur doit se poser est alors : « Est-ce que le sys­tème est suf­fi­sant pour faire face à tous les évé­ne­ments exté­rieurs pos­sibles ? » Une telle vali­da­tion est un énorme défi pour tous les acteurs de l’industrie auto­mo­bile, car le nombre de cas d’utilisation est infini.
De nou­veaux stan­dards sont donc en cours de développement.

Lire aus­si : https://www.lajauneetlarouge.com/equipementiers-et-constructeurs-un-partenariat-en-mutation/

---

Articles similaires :

Connec­ti­vi­té, robo­ti­sa­tion, intel­li­gence arti­fi­cielle, la pro­duc­tion auto­mo­bile 4.0 Quelles appli­ca­tions pour l’IA dans le domaine des missiles ? Intel­li­gences arti­fi­cielles : à quoi res­sem­ble­ra le futur ? Appa­rie­ment des don­nées : le poten­tiel de l’IA dans le par­cours de soins IA et tran­si­tion éner­gé­tique : l’impact d’une tech­no­lo­gie indispensable