tour d'horizon scientifique et industriel des véhicules...
TRANSCRIPT
1
Tour d'horizon scientifique et industriel des véhicules terrestres autonomes
et leurs défis
V. Cherfaoui – R. Chapuis
2
Sommaire
Enjeux
Perception et analyse de scène
Localisation et cartographie
Plannification / commande
Conclusion
3
I – les enjeux
5
Le véhicule autonomePourquoi aujourd'hui le véhicule autonome1 ?
La voiture est moins synonyme de plaisir qu'hier !
Elle est aujourd'hui perçue comme une contrainte (coût, temps, pollution, insécurité)
Des signes qui ne trompent pas : co-voiturage, auto-partage,...
Il est vu comme un secteur incontournableParticipe à des offres alternatives de transport (taux remplissage des véhicules < 30% de leur capacité1)
Le diktat des normes et des "étoiles" des organismes
évaluateurs2 :
Sécurité des occupants, des piétons,
Réduction énergétique (31% consommation énergie finale)*
Réduction des rejets polluants (27% des émissions globales)
1 http://www.automobile-propre.com2 http://euroncap.com
6
Les projets "Laboratoires" quelques dates80's :
travaux univ. Munich (VAMORS), EUREKA, DARPA :
+/- conduite assisté à 60km/h hors trafic,...
90's :
94 : VAMP : univ Munich + Demler : consuite +/- automatique sur autoroute (130km/h)
95 : NAVLAB : CMU : voiture semi-autonome route et chemins sur 5000km
96 : projet ARGO (Univ. Parme) : 1600km 90% automatique
2000's
2004-2005 : Darpa Grand Challenge
2007 : Darpa Urban Grand Challenge
2010 : VisLab intercontinental Challenge : Parme – Shanghaï
2010 : la Google Car
2012 : VisLab BRAiVE (déplacement en 100%
automatique centre ville de Parme)
7
Les projets récents : exempleLa Google Car
lancée oct en 2010,
déployé sur 6 Toyota Prius,
1 Audi TT, 3 Lexus RX450h,
mars 2012 : expérimentation
montrant Steve Mahan
(95% aveugle) allant
automatiquement faire des courses (une personne à côté avec ordinateur sur les genoux)
Assez convaincant pour faire que l'état du Nevada attribue un "permis de conduire" au véhicule
aout 2012 : Google annonce qu'ils ont fait environ 500 000km
environ 150 000 US$ d'équipement
Doit faire environ 3 passages préalables
8
Les projets récents Projet CMU SRX
Projet CMU : conduite automatique mais sans capteur apparent
Véhicule : Cadillac SRX :
2011 : conduit automatiquement 50km
Résultats montrés sur grande route
uniquement
9
Les projets récents : VisLab / BRAiVE1
Juillet 2013 : déplacement en 100% automatique dans le centre ville de Parme
Instrumentation
1http://www.braive.vislab.it/equipment.php
10
Les projets chez les constructeursBeaucoup de constructeurs automobiles expérimentent des prototypes de véhicule automatiques :
General Motors, Ford, Mercedes-Benz, Volkswagen, Audi, Nissan, Toyota, BMW, Volvo, Cadillac, ...
En général les constructeurs privilégient l'approche "évolution des ADAS"
ABS -> ACC -> AICC -> ESP -> assistance à la détection d'obstacle -> freinage d'urgence (AEB) -> Aide parking -> Parking automatique -> évitement d'obstacles -> navigation autonome
L'idée générale est d'éliminer les "erreurs conducteur" (90% des causes d'accident aujourd'hui1) pour environ 2020.
1http://www.gizmag.com/volvo-autonomous-cars/28161/
"The realization of the Autonomous Drive system is one of our greatest goals, because Zero Fatalities stands alongside Zero Emissions as major objective of Nissan's R&D."
Mitsuhiko Yamashita (VP R&D NISSAN)
14
Quelques projections...
2013 : Mercedes propose option de conduite automatique, accélération , freinage, jusqu'à 200km/h à la fois au milieu de trafic et sur autoroute (200km/h)
2013 : BMW : conduite automatique, freinage, accélération dans le trafic à 40km/h
2014 : Volvo : véhicule autonome à 50km/h même dans trafic intense
2015 : Audi : idem
2015 : Cadillac : "super cruise" : idem à plus haute vitesses
2015 : Nissan envisage mise sur le marché d'un véhicule autonome sur route, avec parking totalement automatique.
2016 : Tesla met au point son prototype couvrant 90% de distance en automatique
2016 : Mobileye prévoit de distribuer des technologies permettant la conduite entièrement automatique
2018 : Google : idem
2020 : Volvo promet que les passagers de ses voitures seront à l'abir des accidents
2020 : GM, Daimler, Audi, Nissan et BMW prévoient de vendre des véhicules autonomes...
17
Véhicules autonomes : soutien en France et en Europe
France :• Les labos impliqués dans les projets “véhicules autonomes”
• Institut Pascal, Heudiasyc, IRCCyn, IEF, Xlim, UTBM…
• INRIA (Emotion, lcare, lagadic, imara)
• LIVIC
• Caor
• Pôles de compétitivité Moveo, Véhicule du futur, I-trans…
• ANR Transports Terrestres Durables puis Transport Durable et Mobilité : peu de projets sur les véhicules autonomes.
18
Véhicules autonomes : soutien en France et en Europe
Equipex Robotex : achat de voitures électriques et automatisées (Zoe- Renault, Apogée) par plusieurs laboratoires
Institut IEED VeDeCoM : Véhicule Décarboné et Communicant et Mobilité : délégation de conduite (modes de déplacements automatisés)
Programme “Véhicule du futur” des investissements d’avenir (AMI :01/12/2014) •le développement de nouvelles solutions techniques innovantes sur l’articulation véhicule / service / infrastructure et sur les véhicules autonomes ou automatiques”
34 plans industriels du ministère du redressement productif :
-Véhicules à pilotage automatique
19
Véhicules autonomes : soutien en France et en Europe
Allemagnede nombreux projets portés par les universités, les instituts et les
constructeurs.
Ex Equipes Darpa Challenge, CognitiveCar
simTD
Roadmap “the cognitive car” RWTH Aachen, 2004.
IV 2011 Baden Baden –Démonstrateurs
20
Véhicules autonomes : soutien en France et en Europe
Europe - recherche•FP7-ICT : IP CVIS, SafeSPOT, PREvent, Coopers, …
•Horizon20201 : “Safe & Integrated Mobility”
Safety (Active, passive & integrated safety) Road Automation (cooperation with the iMobility Forum) Driver-Vehicle Dialogues Cloud-Integrated Vehicles Cooperative Vehicles Fluid Vehicle Traffic
EuroNCAP2:Attribue une note aux véhicule : max 5 étoilesForte pression sur les constructeurs, ex 2014 : Automatic Emergency Braking
1Research & Innovation : Roadmaps for The EUCAR Strategic Pillar: Safe & Integrated Mobility” 2 http://euroncap.com
21
Et les constructeurs français dans tout ça?
PSA :
intégration d’ADAS avec actions sur le véhicule
pas de conduite entièrement automatisée avant 2020.
Renault :
est en train de développer des projets en interne.
22
II - Perception et analyse de scène
23
Les capteurs de perception
But : comprendre l'environnement autour du véhicule : Tout bouge !
Aujourd'hui deux écoles
Traditionnelle : tout est à faire : de la donnée vers l'exploitation haut niveau
+ Maîtrise de toute la chaîne
+ Fusion possible à tous les niveaux de la chaîne
- beaucoup de temps à passer pour chaque modalité capteur
Approche un peu délaissée par les constructeurs sauf pour l'extraction directes des données (caméra de recul...)
Capteur "boîte noire" (smart sensors)
approche adoptée par la plupart des constructeurs
à partir de "smart sensors" : capteurs intelligents développés par les équipementiers
24
Les camérasMono : universellement utilisées
Technologies CCD ou CMOS
CCD : très bon recul mais en perte de vitesse aujourd'hui
dû aux Inconvénient : blooming, smearing,,
CMOS
prix faibles pour bas de gamme
Pas d'effet Blooming / smearing
Effet de rolling shutter pour entrée de gamme
Approches Stéréo
On a la distance !
... de près
De plus en plus de solutions intégrées
Le choix des constructeurs :
les moins chères => CMOS, Rolling Shutter, faible résolution, objectifs plastiques simples...
Approche stéréo utilisée par quelques constructeurs : Subaru, Lexus, Mercedes, Bosch.
Bomblebee2 de Point Grey
27
Les caméras "intelligentes""Smart Sensor"
Le fabriquant le plus connu : Mobileye
L'idée est d'intégrer du traitement
au plus près du capteur
Avantages :
Brique de base
Ne pas se préoccuper des données
brutes
Inconvénients
Boîte noire
Aucun retour possible sur la donnée brute
La caractérisation est difficile pour les étapes ultérieures de fusion
30
Les télémètresLes LIDAR : délaissés par les constructeurs automobiles ...
Intérêt pour les domaines agricole et militaire !
De nouvelles technologies de capteurs télémétrique arrivent sur le marché : caméra TOF
Intérêts
Pas d'organes mécaniques
Moins fragile que les LIDAR
Prix susceptibles de baisser beaucoup
Densité supérieure aux LIDAR pour prix équivalent
Fréquence de rafraichissement très supérieure
Savoir-faire LIDAR transférable immédiatement
Inconvénients
Mesures proches pour l'instant,
Réservé très souvent à l'indoor
Evolutions vers l'extérieur en cours et prometteuses
Kinect
Swiss ranger
32
Radar automotive
Technologie FMCW, 24 à 77GHz
Systèmes intégrés statiques
Fournit données haut niveau
Grandes diversité applicative
Source : FreeScale
Radar LRR3 Bosch
34
Capteurs pour faire quoi ?Détection, reconnaissance des obstacles
Détection / reconnaissance : piétons, véhicules, vulnérables...
Approches télémétriques et radar bien adaptées pour la détection, mais pas pour la reconnaissance
Approches visuelles très prometteuses tant pour la détection que pour la reconnaissance / classification (méthodes à noyau, SVM, Adaboost, sac de mots, ...) :
+ Bonnes performances générales,
- Très sensibles à la richesse de l'apprentissage
Reconnaissance faciale par algorithme Viola-Jones Reconnaissance de piétons par adaboost et
Ondelettes de Haar
35
Capteurs pour...Suivi des obstacles
But : gestion des pertes ponctuelles et occultations, localisation des obstacles
Il existe des approches de suivi de motifs image (Mean-Shift (Shen95), MST (Kanade12), TLD (Kala10), ESM (Malis07), ...),
Les approches MTT (Multi Targets Tracking)
commencent à être généralisées (JPDA (Bar Shalom),
MHT (Blackmann04), xxPHD (Mahler07)
Exemple suivi véhicule ESM
GM-CPHD
36
CapteursDétection, reconnaissance, suivi : verrous
Verrous pour les véhicules autonomes : la variabilité des scènes
Éclairement, orientation des objets, déformation des objets
Occultations
Mouvements, flous
Le suivi peut gérer quelques situations mais pas toutes !
L'interprétation des scène passera probablement par une analyse de plus haut niveau faisant intervenir l'ensemble des acteurs dela scène
Gestion des occultations pour filtres MTT (Lamard12)
38
Analyse de scène et calcul du risque de collision
Contexte Driver in the loopPas de planification de trajectoire de l’égo-véhicule
39
Analyse de scène et calcul du risque de collision
Contexte Driver in the loopPas de planification de trajectoire de l’égo-véhicule
Prédiction de trajectoires et calcul de risque de collisionPrise en compte des états successifs des obstacles et de l’égo-véhiculePrise en compte des règles de conduite et de la structure de la route Prise en compte du comportement conducteur
40
Prédiction de trajectoire
Prédiction basée sur la reconnaissance de manœuvres
Apprentissage des manœuvres élémentaires (change voie, va tout droit, tourne à droite, tourne à gauche) puis HMM
Utilisation de la courbe de la route
(T. Hulnhagen et. Al 2010) (Berthelot et al., 2011) (Schubert et al., 2008) (Houenou et al 2012) (S. Lefevre 2012)
41
Calcul du risque de collision
Risque de collision à quelques secondes- Propagation de l’incertitude- échantillonnage de la période de prédiction- Calcul du risque par MC
(C. Tay 2009) ( A. Lambert 2008)
(A. Houeou 2013)
42
Prise en compte du comportement conducteur
Intention du conducteur : estimée à partir des états observés successifs (HMM)
Prévision : estimée à partir des intentions et des règles de trafic
(Xi, Z., Levinson, D., 2006) ( S. Lefevre 2012) (Trivedi et al. 2010)
43
Verrous analyse de scène et risque
• Nécessité d’avoir une information sur la route pour mieux prédire les trajectoires : L’utilisation de cartes numériques peut améliorer cette connaissance
• Problème difficile si on ne connait pas les intentions des conducteurs (ego-véhicule et obstacles).
• Dans le contexte des véhicules autonomes :
• Problème simplifié si la trajectoire de l’ego-véhicule est planifiée,
• Si les véhicules sont communicants et envoient leur trajectoire : c’est encore mieux
• Mais ….obstacles non coopératifs dont les trajectoires sont difficiles à prédire :piétons et 2-roues
44
III- Localisation et cartographie
45
Se localiser : pourquoi faire ?Le but de la localisation : se localiser... par rapport à une carte (même très simple comme les bords d'une route)
Des approches absolues / locales
La localisation est un élement clé de la conduite autonome
Permet de "déplacer" le problème de l'analyse de la scène
47
Les systèmes de positionnement absolu
on en est où ?Mise en service
Précision Nb Satellites
Couverture Détenteur
GPS 1994 - 2000 10m 30 Monde USA
GLONASS 1996 - 2011 3m 29 Monde Russie
Beidou-2 / Compass
2012 (2020) 10m 30 (35) Asie Australie (monde)
Chine
GALILEO 2020 10m 4 (30) Monde Europe
Augmentation satellitaireSystème complété
Couverture
WAAS GPS Amérique Nord
EGNOS GALILEO – GLONASS
Europe
48
IMU Landins (Xsea)
Localisation inertielle
But : se localiser par rapport à un repère galiléen
On distingue
Les accéléromètres
Les gyroscopes
Les gyromètres
L'ensemble est fréquemment intégré dans
des "centrales inertielles"
Plusieurs technologies (gyrolaser, FOGS, MEMS, ...)
Les technologies MEMS ont permis de généraliser l'emploi des ces capteurs à bas cout :
Rappel : tous les systèmes inertiels dérivent
Gyrolaser Safran
Microstrain IMU
50
Localisation localeDe nombreuses techniques liées au contexte
Localisation par rapport à bord de voie
Localisation pour l'évitement d'obstacles,
Localisation sur carte pré-établie (par SLAM par exemple)
...
Les approches de type SLAM
SLAM LIDAR (souvent dédié intérieur)
SLAM Vision (mono, stéréo, ...)
SLAM Radar
BundleSLAM (Royer10)
SLAM Radar(Vivet11)
55
Fusion pour la localisationLa fusion a pour objectif d'améliorer la précision, la disponibilité, l'intégrité de la localisation.
Couplages lache ou serré (selon accessibilité donnée capteur) assez "simple" entre loc absolue et inertielle mais...
Couplage localisation absolu / local : non trivial
Référentiels différents
Dérive des approches SLAM
Approche de plus en plus utilisée : exploitation explicite des cartes pour la localisation
Contrainte sur la fct de vraisemblance de localisation
Approche top-down de sélection / focalisation sur les primitives de la carte
Localisation guidage par sélection / focalisationTessier07
57
Pourquoi la Google Car est en avance?
Maîtrise des cartes + capteur dense“…Prebuilt navigation maps indicate static infrastructure, such as telephone poles, crosswalks, and traffic lights, which enables software to quickly identify moving objects, like pedestrians and cyclists. “ Graham Murdoch
Au moins 3 passages pour construire les cartes- améliore le positionnement- facilite la détection des objets mobiles
(Google , Velodyne)
58
Les cartes pour les véhicules intelligents
Cartes dédiées à l’aide à la navigation et calcul d’itinéraires
Topologie
Informations sémantiques intéressantes
Modèles 3D urbains
Précision de l’ordre de 10 cmSurface roulable
OSM
IGN
59
Les cartes pour les véhicules intelligents
Véhicules intelligentsLes cartes pour planifier un
itinéraire, une trajectoire
Les cartes pour se localiser
Les cartes pour mieux percevoir et prédire les trajectoires
Local dynamic map Projet SAFESPOT
60
Les cartes pour se localiser
Enrichissement de la carte avec des amers géo-référencés
Ex : avec les marquages au sol détectés par vision (Zui 2012)
Précision :
61
Les cartes pour se localiser
Utilisation de l’empreinte des bâtiments + lidar
Précision : 40cm, 2°
62
Les cartes pour mieux percevoir et/ou prédire les trajectoires
(Moras 2012)
63
Exemple : représentation de la route
1) Linear graph (macro-scale topology / geometry)
3) Niveau 2 +traffic rules
Source IGN, projet PREDIMAP
2) Linear graph (micro-scale topology / geometry)
4) Graphe des surfaces (échelle micro + règles de trafic)
64
Les cartes pour les véhicules intelligents
Source IGN
65
Verrous carte
• Disponibilité des cartes, formats compatibles avec l’embarqué et le temps-réel
• Mises à jour des cartes
• par plusieurs opérateurs : véhicules collecteurs, cartographes, cadastre, capteurs embarqués, etc… : nécessité de standardisation
• Plus les cartes sont enrichies et plus elles ont précises, plus la mise à jour est nécessaire.
• Evolution des bases de données spatio-temporelles.
66
Les véhicules communicants
Communication inter-véhicule : V2V
Communication véhicules infrastructure : V2I
Consortium européen :
Technologie
Services
Projets
Verrous
67
Les technologies du V2x
Norme 802.11p (EU) - extension du standard sans fil 802.11 aux véhicules. Portée de 600m environ
- ITS Band 5,9 GHz (EU) Ex : 0.6 s /message/véhicule
Routage et Diffusion- Geocast, IPv6- Broadcasting, multihop,…
ActeursLabos et instituts de rechercheSociétés d’autoroutes et
équipementiers ConstruteursOpérateurs télécoms
Handbook on intelligent vehicle, ch 45 “ Vehicular Communications Requirements and Challenges” Scott Andrews
68
Les fonctions visées
SécuritéPerception augmentéeLocalisation coopérative,Conduite coopérativeAlertes, Météo,…
Trafic
Evaluation du trafic, ContrôleRéduction du CO2
Service aux passagersEucar
69S2, position3
opinion1
M R2
M, position1opinion1
S3, position4opinion1
R1
R2, position5opinion2
Regular Messages
Fake Messages
S1
S1, position2opinion1
S2
S3
Quelques verrous• Limitation de la bande passante et réseaux
dynamiques • Perte de messages, perte de chemins : algorithmes répartis• Dissémination des données (choix du contenu des messages, fréq.,… )• Compromis C2I-C2C
• Confidentialité, Protection de la vie privée
• Sécurité dans les réseaux ad hoc• Gestion de la confiance dans les noeuds
(protection attaques, noeuds malveilllants)
• Gestion de la confiance dans les messages (qualité de l’information reçue)
Ex: Attaque Sybil
70
Quelques verrous
Méthodes classiques
- Chiffrement, clés publiques
- Certificat à court terme
- Révocation
Nécessité d’avoir une connexion infrastructure
Approches algorithmique répartie:
• Algorithmes auto-stabilisants permettant d’être robuste à certaines erreurs
• Fusion de données distribuée : Gestion des cycles, risque de “data incest”
Source SEVECOM
71
Bilan véhicules communicants
Très soutenu par l’Europe + gros projets nationaux :
• Safespot, CVIS, Drive C2x, Sevecom,
• Scoref, SimTD etc…
Standardisation : protocoles, format des messages….
Source d’information intéressante dans le cadre des véhicules autonomes :
- envoi des poses successives et de la trajectoire planifiée… - envoi de l’intention du conducteur
Pas encore d’applications grande échelle en V2V
- SimTD : 120 véhicules équipés : test du carrefour intelligent avec communications V2I
73
IV- Planification et commande
Une autre fois peut-être ...
74
V- Conclusion ... encore beaucoup de questions...
mais ... Handbook of Intelligent Vehicles
(Springer 2013)
75
Quelles recherches après la Google car ?
La technologie rend elle caduque les nouveaux développements fondamentaux ?
Quels verrous scientifiques reste-t-il à lever ?
Comment garantir que les systèmes respectent une certaine sûreté de fonctionnement ?
Quel partage avec le conducteur et quelles interfaces homme-machine ?
Les véhicules communicants et coopératifs apportent-ils une réelle plus-value ?
Comment doit on intégrer les nouvelles potentialités des cartes ?
76
Conclusion
78