ADAS et conduite autonome : principes fondamentaux de la détection — Intelligence artificielle dans l'ingénierie automobile

Gains :

Capacité à expliquer les rôles de la caméra, du radar, du LiDAR et de la fusion de capteurs dans la chaîne de détection et les niveaux d'automatisation SAE
Capacité à créer un étiquetage des données, une définition de scénarios et des mesures d'évaluation pour la détection, la classification et le suivi des objets.
Capacité à évaluer de manière critique les cas limites, l'équilibre des faux positifs/négatifs et la marge de sécurité dans la sortie du modèle de détection

La plupart des véhicules disposent aujourd’hui de fonctionnalités telles que l’avertissement de sortie de voie, le freinage d’urgence automatique ou le régulateur de vitesse adaptatif. Tout cela est sous l’égide des ADAS (Advanced Driver Assistance Systems). Au cœur de ces systèmes et de la conduite autonome se trouve la perception : la façon dont le véhicule « voit » le monde qui l'entoure grâce à des capteurs et le « comprend » grâce à l'intelligence artificielle. Dans cette unité, nous aborderons la chaîne de détection, les capteurs, les niveaux d'automatisation et le problème le plus critique, les limites de sécurité.

Un avertissement dès le début : cette zone est critique pour la sécurité. Si le modèle de détection ne détecte pas de piéton, le résultat peut être fatal. C'est pourquoi chaque sortie d'IA ici doit être entourée de processus d'ingénierie de sécurité (ISO 26262 et SOTIF dans les prochaines unités).

Capteurs : yeux, oreilles et radar

Une pile de conduite autonome combine différents capteurs car chacun présente des forces et des faiblesses :

Caméra : La caméra "voit" mieux la couleur, le texte (panneau de signalisation), la ligne de voie et le type d'objet. Mais c'est médiocre la nuit, le brouillard, les forts reflets du soleil et l'estimation de la distance.
Radar (détection et télémétrie radio) : mesure la distance et la vitesse avec des ondes radio. Il est moins affecté par la pluie/le brouillard et mesure directement la vitesse (avec effet Doppler) ; mais sa résolution est faible, ce qui rend difficile la distinction « est-ce un piéton ou une boîte ?
LiDAR (Light Detection and Ranging) : tire un laser et produit un « nuage de points » tridimensionnel précis de l'environnement ; Cela donne très bien de la distance et de la forme. Mais cela coûte cher et peut être affecté par un fort brouillard/pluie.
Ultrasonique : courte portée, comme les capteurs de stationnement.

Comme ni l’un ni l’autre ne suffit à lui-même, une fusion de capteurs est réalisée : en combinant les données de différents capteurs, la faiblesse de chacun est compensée par la force de l’autre. Par exemple, la caméra dit « piéton », le radar dit « à 12 mètres, approchant les 5 km/h » ; Fusion combine les deux et crée une piste fiable.

Astuce : lors de l'évaluation d'une allégation de détection, "quel capteur peut la voir et dans quelle mesure ?" demander. Si l'estimation de la distance par la caméra la nuit est mauvaise, une décision de distance basée sur une seule caméra est discutable.

Chaîne de détection

La chaîne typique depuis les données brutes des capteurs jusqu’à la décision est la suivante :

Détection : Rechercher des objets dans l'image/le nuage de points ("il y a un outil ici").
Classification : Détermination du type d'objet (piéton, vélo, véhicule, panneau).
Suivi : suivre l'objet entre les images, estimer sa vitesse et sa direction.
Fusion : combiner des capteurs pour créer un modèle mondial cohérent.
Prédiction : « Ce piéton traversera-t-il la rue ?
Planification et contrôle : Décision et commande de direction/freinage/accélérateur.

Intelligence artificielle (notamment apprentissage profond) 1-3. très fort dans les pas ; 5-6. Les étapes sont de plus en plus entourées de règles d’ingénierie et de logiques de sécurité.

Niveaux d'automatisation SAE

L’autonomie n’est pas une question de « oui/non », elle est progressive. La norme SAE J3016 définit six niveaux :

Niveau

Nom

Qui conduit ?

exemple

Pas d'automatisation

tous conduisent

Avertissement uniquement (avertissement d'angle mort)

Assistance aux pilotes

pilote + support unique

Croisière adaptative OU maintien de voie

Automatisation partielle

Chauffeur (supervision constante)

Vitesse + voie ensemble, conducteur responsable

Automatisation conditionnelle

Système (sous certaines conditions)

Dans certaines conditions, le système roule, le conducteur est prêt à prendre le relais

haute automatisation

Système (dans une zone spécifique)

Sans conducteur dans une zone définie

Automatisation complète

Système (dans toutes les conditions)

Sans conducteur partout (pas encore)

Attention : Le malentendu le plus dangereux est le niveau 2. Au niveau 2, le véhicule soutient la direction et la vitesse, mais le conducteur conserve une surveillance et une responsabilité constantes. Confondre le système avec un « pilote automatique » et ne pas y prêter attention a conduit à des accidents mortels. Le niveau 2 ne signifie pas « sans conducteur ».

Paramètres d'évaluation : faux positifs et faux négatifs

Deux types d'erreurs sont critiques lors de l'évaluation d'un modèle de détection :

Faux positif : Penser qu’il existe quelque chose qui n’existe pas. Par exemple, penser que l’ombre d’un pont est un « obstacle » et freiner inutilement. Inquiétant et parfois dangereux (collision arrière).
Faux négatif (faux négatif/manque) : Ne pas pouvoir voir quelque chose qui existe. Par exemple, ne pas voir un vrai piéton. C’est l’erreur la plus meurtrière de la conduite autonome.

Métriques qui résument ces éléments :

Précision : dans quelle mesure ce que vous avez marqué est réellement correct.
Rappel (sensibilité) : Quelle quantité de ce qui existe réellement avez-vous capturé.
mAP (mean Average Precision) : métrique composite commune pour la détection d'objets.

Le rappel (ne manquer aucun piéton) est vital dans des domaines tels que la détection des piétons en conduite autonome ; L'augmenter augmente parfois le nombre de faux positifs. Ce compromis est une décision d’ingénierie de sécurité et non une simple précision du modèle.

Cas Edge et longue traîne

Le plus difficile dans la conduite autonome, ce ne sont pas les situations courantes, mais les situations rares et étranges : le panneau à moitié visible sous la neige, le camion renversé, un piéton costumé, des meubles tombés sur la route. Ces situations rares mais dangereuses sont appelées longue traîne. Même si un modèle peut être parfait pour parcourir des millions de kilomètres « normaux », il peut échouer dans une situation extrême jamais vue auparavant. C'est pourquoi les tests, les simulations et les validations basées sur des scénarios sont infinis.

Mini-études de cas

Cas 1 - La valeur de la fusion. En testant le freinage d'urgence automatique, une équipe ADAS a constaté qu'il était lent de repérer un véhicule de couleur sombre devant elle en plein soleil avec juste la caméra. Lorsque les données radar sont ajoutées (le radar n'est pas affecté par l'éblouissement), le système détecte le véhicule 0,4 seconde plus tôt ; Cela signifie une distance de freinage d'environ 10 mètres à 90 km/h. Résultat : Fusion a fermé l'angle mort d'un seul capteur.

Cas 2 - Balance de rappel/précision. Lorsque le seuil du modèle de détection des piétons est abaissé, le rappel augmente de 96 % à 99 %, mais les faux positifs (ombre, buissons) augmentent, ce qui entraîne un freinage inutile. L'équipe de sécurité prend la décision : éviter les piétons est une priorité, mais le confort est maintenu en éliminant les faux positifs grâce à une logique de fusion et de suivi. Conclusion : la sélection d'une métrique est une décision d'ingénierie/de sécurité, il n'existe pas de "numéro correct" unique.

Cas 3 – Cas Edge surprise. Alors qu'un modèle a réussi à 99,8 % son ensemble de validation, il a confondu la photo d'un piéton géant derrière un camion portant une publicité pour des pneus neige dans le champ avec un "vrai piéton" et a freiné brusquement. L'équipe ajoute ce cas limite à la bibliothèque de scénarios et recycle le modèle. Conclusion : La longue traîne ne « finit » jamais ; Une collecte constante de scénarios est nécessaire.

modèles d'invite

Modèle 1 - Génération d'une liste de scénarios :

Rôle : Vous êtes l'ingénieur du scénario de test ADAS. Tâche : Produire des scénarios de test difficiles (cas extrêmes) pour le freinage d'urgence automatique. Contexte : Urbain, 30-50 km/h, mixte piéton et cycliste. Contrainte : donner la priorité aux scénarios rares/dangereux, et non aux scénarios fréquents ; écrivez le comportement correct attendu pour chaque scénario. Sortie : Scénario | état | comportement attendu | niveau de risque.

Modèle 2 – Aperçu du guide d’étiquetage :

Rôle : responsable de la qualité de l'étiquetage des données. Tâche : rédiger un projet de règles de cohérence pour l'étiquetage des piétons. Contexte : des piétons sont partiellement visibles, assis, en fauteuil roulant et en groupes. Résultat : Règle | exemple | tableau des notes à l’état limite.

Modèle 3 – Interprétation métrique :

Rôle : Expert en évaluation de la vision par ordinateur. Tâche : Interpréter mes résultats de détection de piétons. Contexte : précision 0,93, rappel 0,90, la plupart des ratés la nuit ou sous la pluie. Contrainte : Insister sur l'importance du rappel pour la sécurité ; Dites-moi dans quelles conditions une vérification supplémentaire est requise. Résultat : commentaire + domaines prioritaires d’amélioration.

Modèle 4 – Aperçu de la logique de fusion :

Rôle : Vous êtes ingénieur en fusion de capteurs. Tâche : Suggérer un projet de logique de décision en cas de conflit entre caméra et radar. Contexte : le radar voit un petit objet en mouvement à 15 m tandis que la caméra indique « pas de piéton ». Contrainte : Appliquer le principe d'hypothèse en faveur de la sécurité (safe side). Résultat : Tableau de décision + justification.

Invite faible/Invite forte

Invite faible :

Mon modèle de véhicule autonome est-il sécuritaire ?

Sans contexte ; « sûr » n'est pas défini ; L’IA ne parle qu’en termes généraux et peut donner une confiance trompeuse.

Invite puissante :

Rôle : Vous êtes le consultant en évaluation de sécurité ADAS. Tâche : Créez une liste de contrôle pour que je puisse remettre en question les vulnérabilités de mon modèle de détection des piétons. Contexte : système urbain de niveau 2 ; Le rappel tombe la nuit et sous la pluie ; Il n'y a que caméra + radar, pas de LiDAR. Contrainte : Ne pas déclarer « sûr » ; préciser dans quelles conditions le système est à sa limite et quels tests supplémentaires sont nécessaires. Résultat : Zone à risque | pourquoi | test recommandé | tableau d'importance.

Erreurs courantes

Confondre le niveau 2 avec « sans conducteur ». La responsabilité incombe au conducteur ; Cette idée fausse est fatale.
S'appuyer sur un seul capteur. Chaque capteur a un angle mort ; la fusion est essentielle.
Je regarde juste la précision moyenne. 99 % de réussite, 1 % de piéton manqué pourrait être fatal ; les cas de rappel et de bord sont critiques.
Ignorer les cas extrêmes. La longue queue ne finit jamais ; La collecte de scénarios est continue.
Laisser la décision de sécurité au modèle. Les décisions concernant les seuils et les équilibres relèvent de la responsabilité de l’ingénierie de sécurité.

En résumé

Au cœur de l'ADAS et de la détection de la conduite autonome se trouve la fusion des caméras, des radars, des LiDAR et des capteurs ; Chaque capteur présente des forces/faiblesses différentes.
La chaîne de détection comprend la détection, la classification, la surveillance, la fusion, la prédiction et le contrôle ; L'IA est forte dans les premiers pas.
Les niveaux SAE vont de 0 à 5 ; Au niveau 2, la responsabilité incombe au conducteur.
Le faux négatif (enlèvement de piétons) est l’erreur la plus fatale ; les rappels et les cas extrêmes sont prioritaires.
Les décisions en matière de sécurité relèvent de la responsabilité de l'ingénierie ; La précision du modèle n'est pas le seul critère.

Tâche de candidature

Sélectionnez une fonction ADAS (par exemple, aide au maintien de voie). (1) Écrivez dans un tableau quels capteurs prennent en charge cette fonction et dans quelle mesure. (2) Générez 5 scénarios de cas extrêmes avec le modèle 1 et spécifiez le comportement sûr attendu pour chacun. (3) Comparez les résultats de faux positifs et de faux négatifs pour cette fonction. (4) Énumérez les tests indépendants requis avant de prétendre que le modèle est « sûr ».

liste de contrôle

[ ] J'ai évalué les points forts/faibles des capteurs en fonction de leur fonction.
[ ] J'ai également répertorié les scénarios de fin de parcours (longue traîne).
[ ] J'ai comparé les résultats faussement positifs/négatifs pour des raisons de sécurité.
[ ] J'ai pris en compte l'importance critique de Recall pour la sécurité.
[ ] J'ai clarifié le niveau SAE et qui est responsable.
[ ] J'ai préparé un plan de test indépendant avant de prétendre « sûr ».