Renforcer la sécurité des voitures autonomes avec un système de détection d’objets basé sur l’apprentissage en profondeur

Les voitures autonomes, ou véhicules autonomes, ont longtemps été désignées comme le mode de transport de la prochaine génération. Pour permettre la navigation autonome de ces véhicules dans différents environnements, de nombreuses technologies différentes liées au traitement du signal, au traitement d’image, à l’apprentissage en profondeur de l’intelligence artificielle, à l’informatique de pointe et à l’IoT doivent être mises en œuvre.

L’une des plus grandes préoccupations concernant la vulgarisation des véhicules autonomes est celle de la sécurité et de la fiabilité. Afin de garantir une expérience de conduite sûre pour l’utilisateur, il est essentiel qu’un véhicule autonome surveille et distingue de manière précise, efficace et efficiente son environnement ainsi que les menaces potentielles pour la sécurité des passagers.

À cette fin, les véhicules autonomes utilisent des capteurs de haute technologie, tels que la détection et la télémétrie de la lumière (LiDaR), des radars et des caméras RVB qui produisent de grandes quantités de données sous forme d’images RVB et de points de mesure 3D, appelés «nuage de points».

Le traitement et l’interprétation rapides et précis de ces informations collectées sont essentiels pour l’identification des piétons et des autres véhicules. Cela peut être réalisé grâce à l’intégration de méthodes informatiques avancées et de l’Internet des objets (IoT) dans ces véhicules, ce qui permet un traitement rapide des données sur site et une navigation plus efficace dans divers environnements et obstacles.

Dans une étude récente publiée dans Transactions IEEE des systèmes de transport intelligentsun groupe de chercheurs internationaux, dirigé par le professeur Gwanggil Jeon de l’Université nationale d’Incheon, en Corée, a maintenant développé un système de bout en bout intelligent compatible IoT pour la détection d’objets 3D en temps réel basé sur l’apprentissage en profondeur et spécialisé pour les situations de conduite autonome.

« Pour les véhicules autonomes, la perception de l’environnement est essentielle pour répondre à une question centrale : » Qu’est-ce qui m’entoure ? » Il est essentiel qu’un véhicule autonome puisse comprendre efficacement et avec précision ses conditions et environnements environnants afin d’effectuer une action réactive », explique le professeur Jeon.

« Nous avons conçu un modèle de détection basé sur YOLOv3, un algorithme d’identification bien connu. Le modèle a d’abord été utilisé pour la détection d’objets 2D, puis modifié pour les objets 3D », précise-t-il.

L’équipe a fourni les images RVB et les données de nuages ​​de points collectées en tant qu’entrées à YOLOv3, qui, à son tour, génère des étiquettes de classification et des cadres de délimitation avec des scores de confiance. Ils ont ensuite testé ses performances avec l’ensemble de données Lyft. Les premiers résultats ont révélé que YOLOv3 atteignait une précision de détection extrêmement élevée (> 96 %) pour les objets 2D et 3D, surpassant les autres modèles de détection de pointe.

La méthode peut être appliquée aux véhicules autonomes, au stationnement autonome, à la livraison autonome et aux futurs robots autonomes ainsi qu’aux applications où la détection, le suivi et la localisation visuelle d’objets et d’obstacles sont nécessaires.

« À l’heure actuelle, la conduite autonome est réalisée grâce au traitement d’image basé sur LiDAR, mais il est prévu qu’une caméra générale remplacera le rôle du LiDAR à l’avenir. En tant que telle, la technologie utilisée dans les véhicules autonomes change à chaque instant, et nous sont à l’avant-garde », déclare le professeur Jeon. « Sur la base du développement des technologies élémentaires, des véhicules autonomes à sécurité améliorée devraient être disponibles dans les 5 à 10 prochaines années. »

Fourni par l’Université nationale d’Incheon