Comment fonctionnent les voitures autonomes?

Êtes-vous prêt à faire de votre voiture un conducteur autonome?

Au cours des dix dernières années, les progrès dans le domaine des voitures autonomes ont été énormes. Waymo et Uber, tous deux en tête de la course à un avenir de conduite autonome, n'étaient pas inclus avant même 2009.

Entre 2015 et 2019, le pilote automatique Tesla a atteint plus d'un milliard de kilomètres d'utilisation totale. Et entre janvier 2019 et janvier 2020, le pilote automatique Tesla devrait plus que doubler son utilisation à plus de 2,3 milliards de kilomètres.

Malgré tous ces progrès, les accidents et les décès dus aux voitures autonomes sont toujours une menace très réelle. Dans cet article, nous discuterons des tenants et aboutissants de l'industrie des véhicules autonomes, de la technologie qui stimule le progrès et des problèmes qui menacent la sécurité publique pendant le déploiement de la technologie (tous les jeux de mots voulus).

Qu'est-ce qu'une voiture autonome?

Une voiture autonome, également connue sous le nom de véhicule autonome, est une voiture connectée qui dépend d'une combinaison de matériel, de logiciels et d'apprentissage automatique pour naviguer dans différentes conditions météorologiques, des obstacles et des conditions routières en utilisant des données sensorielles en temps réel.

Les gens associent souvent les voitures autonomes à l'intelligence artificielle, mais de nombreuses voitures ont aujourd'hui atteint plusieurs niveaux d'autonomie sans intelligence artificielle. Par exemple, des fonctions telles que l'assistance au freinage, l'assistance au changement de voie et le régulateur de vitesse adaptatif peuvent être considérées dans une certaine mesure comme une conduite autonome.

Les voitures autonomes ne s'appuient pas sur les progrès de l'intelligence artificielle pour faire progresser l'industrie, bien que le niveau d'autonomie dépend du raffinement des modèles d'apprentissage approfondi utilisés pour conduire la voiture. En théorie, il existe 5 niveaux d'autonomie qui définissent une voiture autonome.

Les 5 niveaux de véhicules autonomes

Ces 5 niveaux de véhicules autonomes ont été définis par SAE International en 2014 comme un point de référence commun pour l'industrie. Chaque niveau dépend du niveau d'automatisation et du degré d'implication humaine requis.

Niveau 0

D'accord, donc techniquement, il existe 6 niveaux de voitures autonomes, à commencer par absolument aucune automatisation.

À ce niveau, les gens contrôlent tous les aspects de l'environnement de conduite, depuis l'accélération, le changement de vitesse, la direction, la navigation, la météo et plus encore. Un exemple de véhicule de phase 0 est le Ford Model T, car il n'a pas de fonctionnalités qui réduisent la dépendance de la voiture à l'égard des personnes, comme le régulateur de vitesse et même les vitres automatiques.

Au niveau 0, les personnes sont chargées d'effectuer des manœuvres, de surveiller l'environnement et de réduire les performances en cas de panne de voiture (crevaison, perte de freins, etc.). Il n'y a aucun aspect de l'automatisation à ce niveau.

Niveau 1

La première étape sur la voie des voitures autonomes est l'aide à la conduite élémentaire. Votre voiture peut même faire partie de ce spectre d'auto-conduite si elle dispose d'une assistance de voie, d'une assistance au freinage ou d'un régulateur de vitesse.

Une fonction aussi petite que les voyants des rétroviseurs latéraux pour avertir le conducteur lorsqu'une voiture se trouve sur la voie suivante peut être considérée comme un niveau d'assistance à la conduite. .

Au niveau 1, il existe certains aspects de l'automatisation lors de l'exécution de fonctions de conduite, telles que la direction, l'accélération et la décélération.

Niveau 2

La prochaine étape sur l'échelle autonome est l'autonomie de niveau 2 et est en fait un grand pas en avant par rapport au niveau 1.

Au niveau 2, le système automatisé prend enfin le contrôle des aspects fonctionnels de la conduite, tels que la direction, l'accélération et la décélération, entre autres. Cependant, le conducteur humain est toujours responsable de la surveillance de l'environnement de conduite.

Des exemples de voitures qui sont actuellement autonomes au niveau 2 sont les véhicules de Tesla avec le pilote automatique activé et l'assistance Nissan ProPilot.

Niveau 3

L'autonomie de niveau 3 est lorsque les voitures autonomes traversent l'abîme pour surveiller conditionnellement l'environnement de conduite. La réserve conditionnelle est qu'un conducteur humain est toujours la redondance d'urgence lorsqu'une conduite dynamique est requise.

Si une voiture avec une autonomie de niveau 3 ne parvient pas à franchir suffisamment un obstacle sur la route ou des conditions météorologiques dangereuses, le conducteur humain doit intervenir.

La voiture autonome d'Uber est un exemple de niveau 3, car bien que la voiture contrôle la majeure partie de la navigation, des personnes sont toujours nécessaires pour les scénarios de bord sur lesquels le système n'est pas formé.

Niveau 4

Il s'agit actuellement du plus haut niveau atteint par l'industrie des véhicules autonomes. Le niveau 4 est défini comme une automatisation élevée. Le système d'auto-conduite est responsable de toute la mise en œuvre, la surveillance et la rechute, mais n'est pas efficace à 100% dans tous les modes de conduite.

Cela signifie que la voiture ne comprendra pas comment fonctionner dans des scénarios extrêmement rares que les modèles ne sont pas formés pour reconnaître.

Waymo, la société de véhicules autonomes créée par Google, est actuellement en autonomie de niveau 4. Les voitures testent actuellement des trajets sans conducteur dans de grandes villes américaines sans conducteur humain. Mais il existe encore de rares cas où la voiture autonome est impliquée dans une situation qui transcende la compréhension et la capacité du modèle à prévenir un accident.

Niveau 5

Le niveau 5 est l'objectif d'une conduite autonome caractérisée par une automatisation complète.

L'automatisation complète signifie qu'une personne n'a jamais à intervenir et que la voiture peut gérer toutes les routes (ou tout-terrain), les conditions météorologiques, les obstacles ou d'autres circonstances auxquelles elle est confrontée. Un monde de niveau 5 fonctionnerait mieux si un réseau de seulement d'autres véhicules autonomes de niveau 5. S'il y a des erreurs humaines, le système est vulnérable aux erreurs.

Étant donné que la formation de modèles d'apprentissage automatique est essentielle pour gérer des scénarios sans pilote 5, certains pensent que celui qui a le plus de données a le plus d'autonomie. George Hotz, le fondateur de la start-up autonome Comma.ai, estime que Tesla sera le premier à atteindre une autonomie de niveau 5 entièrement basée sur la quantité de données collectées.

Technologie dans les véhicules autonomes

Bien que le corps d'une voiture autonome ne soit pas une réinvention, les entreprises qui développent des technologies autonomes ont réinventé la façon dont la voiture interagit avec le monde qui l'entoure. Une combinaison de matériel, de logiciel et d'apprentissage automatique est nécessaire pour avoir les capacités et la redondance d'une voiture autonome de niveau 3 et plus.

Radar

Le radar, ou radio-détection et télémétrie, est ce que les voitures autonomes utilisent pour compléter les capteurs à plus haute résolution lorsque la visibilité est faible, comme dans une tempête ou la nuit.

Le radar fonctionne en transmettant en continu des ondes radio réfléchies vers la source pour fournir des informations sur la distance, la direction et la vitesse des objets. Bien que le radar soit précis dans toutes les conditions de visualisation et soit relativement bon marché, il ne dispose pas des informations les plus détaillées sur les objets détectés.

LiDAR

LiDAR, ou Light Detection and Ranging, est ce que les voitures autonomes utilisent pour modéliser leur environnement et fournir des données géographiques très précises sur une carte 3D.

Comparé au radar, le LiDAR a une résolution beaucoup plus élevée. En effet, les capteurs LiDAR émettent des lasers – au lieu d'ondes radio – pour détecter, suivre et cartographier l'environnement de la voiture avec des données envoyées littéralement à la vitesse de la lumière.

Malheureusement, les faisceaux laser ne fonctionnent pas aussi précisément dans des conditions météorologiques telles que la neige, le brouillard, la fumée ou le smog.

Mais même un petit objet tel qu'un ballon pour enfants qui roule dans la rue peut être reconnu par les capteurs LiDAR. Le LiDAR suit non seulement la position du ballon, mais également la vitesse et la direction, ce qui permet à la voiture de céder ou de s'arrêter si l'objet présente un risque pour les passagers ou les piétons.

Caméras et vision par ordinateur

Les caméras utilisées dans les voitures autonomes ont la résolution la plus élevée de chaque capteur. Les données traitées par les caméras et les logiciels de vision par ordinateur peuvent aider à identifier les scénarios de cas limites et des informations détaillées sur l'environnement de la voiture.

Par exemple, tous les véhicules Tesla dotés de capacités de pilote automatique ont 8 caméras externes qui les aident à comprendre le monde autour de leurs voitures et à former leurs modèles pour les scénarios futurs.

Malheureusement, les caméras ne fonctionnent pas aussi bien par mauvaise visibilité, comme les tempêtes, le brouillard ou même le smog dense. Heureusement, les voitures autonomes sont construites avec des systèmes redondants pour se replier lorsqu'un ou plusieurs systèmes ne fonctionnent pas correctement.

Capteurs supplémentaires

De nos jours, les voitures autonomes disposent également de matériel permettant le suivi GPS, de capteurs à ultrasons pour la détection d'objets et d'IMU (unité de mesure inertielle) pour mesurer la vitesse de la voiture.

Un capteur souvent négligé mais important pour les voitures autonomes est un microphone pour traiter les informations audio. Cela devient vital pour détecter la nécessité de céder à un véhicule d'urgence ou de détecter un accident dans le quartier qui peut être dangereux pour la voiture.

Calcul

Pour que le logiciel d'autocontrôle communique avec les composants matériels en temps réel et traite efficacement toutes les données des capteurs, il a besoin d'un ordinateur doté de la capacité de traitement pour traiter cette quantité de données.

Les puces informatiques de votre ordinateur ou smartphone standard sont connues sous le nom d'unités centrales de traitement (CPU), mais lorsque vous considérez la puissance de calcul nécessaire pour une voiture autonome, un processeur n'a nulle part près de la bande passante pour traiter le nombre d'opérations – mesuré en GOPS ou giga (milliards) d'opérations par seconde.

Les unités de traitement graphique (GPU) sont devenues la véritable puce de nombreux constructeurs automobiles autonomes. Mais même les GPU ne sont pas la solution idéale si l'on considère la quantité de données à traiter par les véhicules autonomes.

Les accélérateurs de réseau neuronal (NNA), introduits dans la puce FSD de Tesla en 2019, ont une bien meilleure puissance de calcul pour traiter les données en temps réel des différentes caméras et capteurs de leur voiture autonome.

Selon Tesla, voici comment ces puces sont liées au traitement des trames par seconde pour 35 milliards de GOPS (giga opérations par seconde):

  • CPU: 1,5
  • GPU: 17
  • NNA: 2100
  • Comme vous pouvez le voir, les NNA de Tesla sont une technologie révolutionnaire pour les voitures autonomes.

    Technologie logicielle pour les voitures autonomes

    Lorsque les voitures autonomes atteindront l'autonomie de niveau 5, elles utiliseront presque certainement une combinaison de trois composants différents: matériel, données et algorithmes de réseau neuronal.

    Nous avons déjà discuté du composant matériel, qui est actuellement le seul composant avec le plus de performances. Les algorithmes et les composants de données ont encore un long chemin à parcourir avant d'atteindre l'autonomie de niveau 5.

    Algorithmes de réseau neuronal

    Un réseau de neurones est un algorithme avancé basé sur des matrices complexes conçues pour reconnaître les modèles sans être spécifiquement programmées. Les algorithmes de réseaux neuronaux sont en fait formés à l'aide des données étiquetées pour devenir compétents dans l'analyse de situations dynamiques et agir sur leurs décisions.

    Certains des algorithmes qui sont construits à l'aide de réseaux de neurones et qui sont utilisés dans les voitures autonomes sont:

    Les réseaux de neurones doivent être formés avec des données sur la tâche qu'ils sont censés effectuer. Par exemple, lorsque Google forme des réseaux de neurones pour la reconnaissance d'images, ils doivent former le modèle avec des millions et des millions d'images étiquetées.

    Les données

    Les données sont l'un des composants les plus importants pour que les véhicules entièrement autonomes (niveau 5) deviennent réalité.

    De grandes quantités de données sont les matières premières pour que les modèles d'apprentissage approfondi deviennent des produits finis, dans ce cas des véhicules entièrement autonomes.

    Tesla possède actuellement la plus grande source de données avec plus de 400 000 véhicules sur la route qui envoient des données à partir de leur flotte de capteurs. En janvier 2019, Tesla avait 1 milliard de miles de données sur l'utilisation du pilote automatique. Comparez cela avec Waymo, qui n'a parcouru que 10 millions de miles autonomes en octobre 2018.

    Selon Rand, la technologie autonome devrait parcourir 275 millions de kilomètres avant qu'un véhicule autonome puisse démontrer un niveau de fiabilité plus élevé que les gens, avant de pouvoir prouver qu'il est plus sûr que les personnes avec un niveau de confiance de 95%.

    Points de défaillance pour les véhicules autonomes

    En ingénierie, un seul point de défaillance est celui qui provoque l'arrêt complet du système en cas de défaillance. L'un des principes d'ingénierie les plus importants est la redondance, ou un système secondaire qui fonctionne comme une sécurité intégrée en cas d'arrêt de travail. C'est la raison pour laquelle les avions ont plus d'un moteur, car en cas de panne, l'avion peut toujours voler.

    Parce que les voitures autonomes utilisent des caméras, des radars, des LiDAR et d'autres capteurs pour comprendre l'environnement, le risque d'un seul point de défaillance qui rend la voiture inutilisable est extrêmement faible.

    Lorsque Tesla a conçu leur puce FSD (entièrement autopropulsée), ils ont installé deux ordinateurs indépendants et identiques, non seulement pour la redondance en cas de défaillance de l'un, mais pour la communication entre les deux pour valider les décisions.

    Mais même avec toute cette redondance, le point de défaillance le plus important pour les voitures autonomes se trouve dans le logiciel.

    Les modèles d'apprentissage en profondeur sont formés à l'aide de la conduite et de simulations du monde réel, mais même après des milliards de kilomètres d'expérience, il existe encore de rares cas marginaux que ces modèles d'apprentissage ne comprendront pas.

    Ces cas marginaux sont un point de défaillance important pour les voitures autonomes, car les modèles d'apprentissage en profondeur ne sont pas équivalents à l'intelligence. Certains problèmes menaçants qui menacent l'avenir des voitures autonomes sont:

  • Prédire le comportement des agents: il est actuellement difficile de bien comprendre la sémantique d'une scène, le comportement des autres agents sur la route et les signaux d'apparence, tels que les feux clignotants et les feux stop. Sans parler de la prédiction des erreurs humaines, comme lorsqu'une personne se tourne vers la gauche mais se tourne en fait vers la droite.
  • Comprenez la complexité de la perception: les véhicules autonomes échouent lorsque les objets sont obscurcis, comme lors des tempêtes de neige, les objets vus en réflexion, les objets se déplaçant rapidement autour d'un angle mort et d'autres scénarios à longue queue.
  • Menaces de cybersécurité: les logiciels sont écrits par des personnes et les gens écrivent du code avec des vulnérabilités. Bien que très peu de gens comprennent suffisamment les réseaux de neurones pour exploiter ces vulnérabilités, cela peut et sera fait.
  • Développement et mise en œuvre continus: un problème pour les véhicules autonomes est la revalidation des modifications apportées au logiciel. Si et quand la base de code change, doit-elle tester encore 275 millions de miles pour valider ses performances?
  • Exemples tirés de la pratique des dysfonctionnements du système à dysfonctionnement automatique

    Le 18 mars 2018, la voiture autonome d'Uber a tué un piéton qui a traversé la rue illégalement. L'autonomie de niveau 3 d'Uber a probablement échoué dans la capacité du modèle d'apprentissage automatique à prendre une décision basée sur la détection sensorielle d'un piéton.

    Sans oublier l'échec de la part du système de secours en cas d'accident imminent: l'être humain. Le conducteur de sécurité Uber derrière le volant n'a pris aucune mesure pour prévenir l'accident.

    Seulement 5 jours plus tard, le 23 mars 2018, le véhicule autonome Tesla de niveau 2 a frappé frontalement une ligne de front, tuant le conducteur.

    Tesla a confirmé que le mode de pilote automatique était activé et que le système était défaillant car les lignes de distribution des voies n'étaient pas clairement définies.

    L'avenir des voitures autonomes

    Malgré les problèmes évidents décrits ci-dessus, les constructeurs automobiles autonomes progressent et s'améliorent chaque jour.

    Étant donné qu'environ 93% des accidents de voiture sont causés par une erreur humaine, la capacité des voitures autonomes à éliminer une menace majeure pour la vie quotidienne de milliards de personnes est trop importante pour être abandonnée. Il y aura de nombreux débats sur l'efficacité des voitures autonomes et sur les obstacles juridiques avant de voir l'autonomie de niveau 5 se déployer dans le monde entier.

    Articles associés: