Comment les véhicules autonomes perçoivent-ils leur environnement et surmontent-ils les défis de conduite en zones rurales?

Les véhicules autonomes (VA) font face à une variété de défis lorsqu'ils naviguent dans des environnements complexes, notamment les routes rurales ou historiques, où les conditions de circulation et les infrastructures peuvent être particulièrement difficiles. Les routes étroites, souvent sans marquages visibles, ne sont qu'un exemple parmi d'autres. Ces routes exigent parfois que les véhicules s'écartent partiellement du trajet pour permettre le passage de l'autre véhicule. Si la conduite manuelle dans de telles situations repose sur des décisions intuitives prises par le conducteur, il en va autrement pour les véhicules autonomes. Lorsque deux véhicules autonomes se rencontrent sur une route étroite, il est nécessaire de définir un protocole pour déterminer quel véhicule doit céder le passage. Dans des situations encore plus complexes, certains envisagent des mécanismes de « paiement pour priorité », où les véhicules pourraient négocier leur droit de passage via des systèmes connectés, l’un payant l’autre pour éviter une manœuvre inverse. De telles situations soulignent l'importance de développer des systèmes autonomes capables de gérer des décisions complexes dans des environnements ruraux, tout en prenant en compte les implications sociales et éthiques de ces technologies.

Parmi ces capteurs, les caméras jouent un rôle fondamental dans la détection des objets, que ce soit d'autres véhicules, des piétons ou des panneaux de signalisation. Les caméras sont capables de mesurer des angles précis, un aspect essentiel pour la gestion de la trajectoire du véhicule. Elles permettent ainsi de détecter les marquages de voie, facilitant des fonctions telles que l'assistance au maintien de voie. Cependant, des approches divergentes existent parmi les fabricants : Tesla, par exemple, défend une stratégie qui repose uniquement sur des caméras, qu'ils appellent "Tesla Vision". Selon Tesla, l'autonomie totale peut être atteinte grâce à une approche vision basée uniquement sur des réseaux neuronaux avancés. Néanmoins, cette méthode n'est pas exempte de critiques, notamment en ce qui concerne la gestion du fonctionnement des essuie-glaces. Contrairement à d’autres constructeurs qui utilisent des capteurs spécifiques, Tesla choisit d’utiliser des caméras pour contrôler l'activation des essuie-glaces. Ce système a fait l’objet de critiques concernant des délais de réponse lents à la pluie légère et une sensibilité excessive dans certaines conditions. En effet, en cas d'obstruction des caméras par la saleté ou la neige, la détection de la pluie devient moins fiable, ce qui rend cette approche vulnérable.

Comment la technologie LiDAR et la position des capteurs influencent la sécurité et l'efficacité de la conduite automatisée ?

Les systèmes LiDAR utilisés dans les véhicules autonomes sont composés de trois éléments clés : un système d’émission (Tx), un système de réception (Rx), et un système de traitement numérique permettant d’extraire les informations relatives aux nuages de points. Ces nuages de points sont des ensembles de données mesurant un grand nombre de points sur les surfaces des objets environnants. Cette méthode permet de créer une représentation 3D de l’environnement, essentielle pour une analyse précise de la scène, ce qui est crucial pour les systèmes de conduite automatisée.

Le LiDAR, bien que très performant pour capter une grande quantité de données en temps réel, dépend largement de sa configuration et de sa position sur le véhicule pour fournir des informations complètes et fiables. Le champ de vision (FoV) d’un capteur LiDAR, qui correspond à la zone observée par celui-ci à un moment donné, est un facteur déterminant pour la performance globale du système. Ainsi, la manière dont ces capteurs sont positionnés sur le véhicule influence leur capacité à détecter différents types d’obstacles, que ce soit en avant, sur les côtés ou derrière le véhicule.

Un des défis majeurs de la conduite autonome est la détermination du "domaine de conception opérationnelle" (ODD), c’est-à-dire les environnements dans lesquels un véhicule autonome peut fonctionner en toute sécurité. Le choix des capteurs, notamment du LiDAR, est étroitement lié à ce domaine et nécessite une approche complexe, prenant en compte des variables telles que la portée, la précision, le coût, et la couverture visuelle. Cette approche est rendue encore plus complexe par la présence de scénarios communs et de cas limites, qui nécessitent une analyse approfondie.

Il est essentiel de comprendre que les capteurs LiDAR ont des limites lorsqu’ils sont mal positionnés. Par exemple, un capteur LiDAR monté trop bas ou ayant une faible résolution verticale peut manquer des obstacles proches du véhicule, comme des trottoirs, des blocs de parking ou des petits objets au sol. Ces obstacles peuvent non seulement passer inaperçus mais aussi provoquer des risques de collision ou perturber la visibilité des capteurs arrière. De plus, un LiDAR installé au centre du toit, bien qu’il offre une couverture à 360 degrés, peut souffrir de zones d’ombre dans certaines situations, en particulier pour la détection des objets bas ou proches.

L’une des solutions les plus courantes consiste à utiliser plusieurs capteurs LiDAR montés sur le toit, ce qui permet de minimiser les angles morts et d’optimiser la couverture en ajustant l’angle des capteurs. Cette méthode augmente la complexité de l’intégration et de la fusion des données des différents capteurs, mais elle améliore la détection des obstacles dans toutes les directions. Cependant, ce système présente des défis mécaniques et peut rendre le véhicule difficile à manœuvrer dans des parkings à faible hauteur.

Les capteurs LiDAR frontaux, qui se montent généralement au-dessus du pare-brise, sont aussi très efficaces pour détecter des obstacles sur des pentes abruptes ou des véhicules bas. Ce type de capteur est relativement facile à installer et offre une bonne couverture à l’avant du véhicule. Toutefois, ils ne suffisent pas toujours pour une utilisation urbaine complexe, car ils peuvent ne pas détecter correctement les obstacles qui se trouvent derrière des véhicules ou à des intersections mal visibles.

Les LiDARs latéraux, qui offrent une couverture horizontale et verticale plus large, sont très utiles pour la détection des cyclistes, des piétons et d’autres obstacles situés sur les côtés du véhicule. Leur positionnement sur les rétroviseurs ou sur d’autres parties du véhicule permet de surmonter les obstacles bas et d’observer les véhicules venant de directions obstruées, comme dans le cas des intersections. Cependant, leur efficacité est limitée par la faible résolution verticale, qui pose problème lorsque le véhicule se déplace sur des routes inclinées.

Au-delà des questions de positionnement, il est également crucial de prendre en compte les scénarios extrêmes, souvent appelés "cas limites" ou ODD, où les capteurs LiDAR peuvent échouer. Par exemple, des objets suspendus comme des portes ouvertes, des branches d'arbres ou des barrières peuvent facilement être ignorés par un capteur LiDAR bas. Les caméras et certains radars, bien qu’essentiels, rencontrent également des difficultés dans des conditions météorologiques défavorables, comme le brouillard, la pluie ou l’éblouissement, ce qui peut réduire la visibilité et affecter la fiabilité du système de détection.

Les technologies de détection, et en particulier le LiDAR, sont donc d’une importance capitale dans les véhicules autonomes, mais elles nécessitent un calibrage et une intégration précis pour maximiser leur efficacité. L'approche par simulation, alimentée par des scénarios réels ou générés, permet de tester différentes configurations de capteurs et d'optimiser les performances du système. Ce processus, souvent soutenu par l’apprentissage automatique, permet de mieux anticiper et éviter les échecs potentiels, en affinant les algorithmes de prise de décision en temps réel.

Le positionnement des capteurs, qu’ils soient LiDAR ou autres, doit donc être soigneusement étudié et testé pour chaque type d’environnement, qu'il soit urbain ou rural, et chaque scénario d'utilisation possible. L’adaptation du système de capteurs en fonction des caractéristiques du terrain, des conditions météorologiques et des comportements de la circulation est essentielle pour garantir que les véhicules autonomes fonctionnent de manière fiable et sécuritaire dans un large éventail de situations.

Pourquoi les véhicules automatisés sont-ils essentiels pour l'avenir du transport ?

Les véhicules automatisés (VA) ne sont plus un concept futuriste réservé aux films de science-fiction, mais une réalité qui prend forme grâce aux avancées technologiques récentes. Leur développement est motivé par plusieurs besoins urgents et défis auxquels les systèmes de transport actuels n'apportent que des réponses partielles. Mais qu'est-ce qui justifie leur nécessité ? Pourquoi la transition vers des véhicules autonomes devient-elle incontournable ?

En outre, l'automatisation des véhicules pourrait révolutionner la gestion du trafic. L'une des causes majeures de la congestion routière réside dans les erreurs humaines : freinages brusques, changements de voie non anticipés, ou réactions imprévues à la circulation. Les véhicules autonomes, qui communiquent entre eux et avec les systèmes de gestion du trafic, peuvent maintenir une vitesse optimale, éviter les arrêts inutiles, et fluidifier les flux de circulation. Cette capacité à réduire les embouteillages, en particulier dans les zones urbaines denses, pourrait offrir des bénéfices considérables pour l'économie, mais aussi pour l'environnement, en réduisant les émissions polluantes liées à la circulation.

Mais ce n’est pas tout. L’automatisation des véhicules ouvre la voie à une mobilité beaucoup plus inclusive. Les personnes âgées, celles ayant des handicaps physiques, ou encore celles qui n’ont pas la possibilité d’obtenir un permis de conduire, pourraient ainsi accéder à une indépendance de déplacement jamais atteinte auparavant. L’accessibilité des véhicules automatisés offrirait un véritable gain de liberté à une population souvent laissée de côté dans les systèmes de transport traditionnels.

Il est également pertinent de mentionner la capacité des véhicules autonomes à minimiser les coûts liés aux transports. En éliminant la nécessité d'un conducteur humain, ces véhicules pourraient rendre les services de transport plus abordables et plus accessibles. À long terme, cela pourrait se traduire par des économies substantielles, tant pour les consommateurs que pour les entreprises, tout en optimisant les chaînes logistiques et les flottes de transport commercial.

Enfin, au-delà de l’aspect technologique, l’introduction de véhicules automatisés devra s’accompagner d’un changement de mentalité et de formation des conducteurs et techniciens. Les professionnels du secteur automobile devront adapter leurs compétences aux nouvelles réalités de l’automatisation. La formation continue, l’acquisition de nouvelles compétences techniques et une mise à jour régulière des connaissances seront des éléments clés pour réussir la transition vers ce modèle de transport intelligent.

Les véhicules automatisés ne sont pas qu'une simple avancée technologique ; ils incarnent un changement profond dans la manière dont nous concevons la mobilité. De la sécurité à l’accessibilité, en passant par l’efficience du trafic, ils promettent de transformer le paysage urbain et rural de manière inédite. Mais pour réaliser ce potentiel, il est essentiel de surmonter des défis technologiques, juridiques et sociaux, qui façonneront l'avenir de cette technologie.

Qui devrait mourir lors d'un accident ? La prise de décision morale dans les véhicules autonomes

Le processus de traitement des images pour entraîner un système d'intelligence artificielle (IA) est un sujet complexe mais essentiel dans le développement des technologies de conduite autonome. Prenons un exemple simplifié pour mieux comprendre cette démarche. Supposons que les images utilisées pour former un système IA soient composées de grilles de 5 × 5 pixels. Bien que dans la réalité les images soient bien plus complexes et comportent des millions de pixels, cet exemple nous aide à saisir les principes de base. Ces images sont d'abord simplifiées, en analysant par exemple les bords et les zones sombres. Elles sont ensuite stockées en mémoire sous forme de tableaux à deux dimensions. Par exemple, l'image représentant un être humain pourrait être codée ainsi :
0, 0, 1, 0, 0
0, 0, 1, 0, 0
0, 1, 1, 1, 0
0, 1, 0, 1, 0
Un autre humain pourrait être représenté par une image où ce même modèle est déplacé à gauche :
0, 1, 0, 0, 0
1, 1, 1, 0, 0
0, 1, 0, 0, 0
1, 1, 1, 0, 0

Le traitement ultérieur de ces données devra prendre en compte cette imperfection. Plus le système est entraîné, plus les résultats seront précis. Cependant, la question qui se pose est celle de la gestion des incertitudes. Si un système IA peut déterminer qu'une image est partiellement correcte, comment doit-il réagir face à un choix à faire, en particulier dans des situations à haut risque, comme celles rencontrées dans la conduite autonome ?

Cette question rejoint le dilemme moral bien connu du « tramway » (ou trolley problem), une expérience de pensée en éthique qui explore la prise de décision dans des situations de vie ou de mort. Le scénario de base présente un tramway incontrôlable qui se dirige vers cinq personnes attachées aux rails. Vous vous trouvez à côté d'un levier qui peut dévier le tramway vers une autre voie, mais sur cette nouvelle voie, une seule personne est attachée. La question qui se pose alors est : faut-il laisser le tramway suivre son chemin et tuer cinq personnes, ou faut-il actionner le levier et tuer une seule personne pour sauver cinq autres ? Ce dilemme devient d’autant plus complexe lorsque des émotions humaines, des relations personnelles et des biais individuels interviennent.

L'une des tentatives pour étudier ces dilemmes moraux a été l'initiative du Moral Machine du MIT, qui a posé une série de questions à des millions de participants sur la manière dont un véhicule autonome devrait réagir dans différents scénarios de collision. Par exemple, la voiture devrait-elle sacrifier ses passagers pour sauver un enfant, un criminel, un chat, ou un sans-abri ? L'analyse des résultats a révélé des tendances intéressantes : les participants préféraient sauver les humains plutôt que les animaux, et semblaient privilégier les jeunes plutôt que les personnes âgées. Des facteurs comme le statut social ou le sexe des personnes impliquées ont également influencé les choix, bien que ces tendances soient moins marquées.

Les débats sur la moralité de ces décisions sont loin d'être résolus, et de nombreuses questions demeurent quant à la manière dont ces décisions devraient être prises. Cela soulève également des inquiétudes sur le pouvoir des constructeurs automobiles dans le façonnement de ces algorithmes. Si les choix moraux sont laissés aux entreprises privées, est-ce dans l’intérêt du public ou dans celui des fabricants ? La vigilance est essentielle, comme le souligne Sperling : « Si nous ne faisons pas attention, nous risquons de créer un cauchemar ».