Qu'est-ce que la vision industrielle et quelle est son importance pour les voitures autonomes ?

Éléments Essentiels à Retenir

• Les véhicules autonomes utilisent la technologie de vision industrielle pour percevoir et interpréter leur environnement, ce qui leur permet de repérer les objets, de déchiffrer les panneaux de signalisation et de se déplacer sur les routes.
• La vision industrielle appliquée aux voitures autonomes est un ensemble comprenant un système de caméras, un traitement informatique avancé et des algorithmes d'intelligence artificielle. Ces éléments interagissent pour collecter des informations visuelles, les traiter en temps réel et identifier des schémas et des objets.
• La vision industrielle est indispensable pour parvenir à une autonomie complète des véhicules autonomes. Elle rend possible la classification des objets, la détection des voies et des signaux, la lecture des panneaux et l'interprétation du trafic. Le futur des véhicules autonomes est étroitement lié aux progrès de l'intelligence artificielle, du traitement informatique de pointe et de la technologie des caméras.

Les voitures autonomes suscitent un grand intérêt depuis longtemps. Bien que les véhicules totalement autonomes ne soient pas encore monnaie courante, il existe des voitures équipées de systèmes d'assistance à la conduite (ADAS) perfectionnés, qui permettent la direction automatique, le changement de voie, le stationnement et le régulateur de vitesse adaptatif.

Un véhicule autonome utilise de nombreux capteurs pour son ADAS, la vision industrielle étant le principal moyen de repérer, d'identifier et d'évaluer la distance des objets et de l'environnement en général. Sans la vision industrielle, les voitures autonomes dotées d'un régulateur de vitesse et d'un pilote automatique seraient pratiquement inexistantes.

Qu'est-ce que la vision industrielle ?

La vision industrielle est une technologie qui donne aux machines la capacité de voir et de reconnaître les objets qui les entourent. Il s'agit d'une branche de la vision par ordinateur axée sur les applications industrielles de la détection d'objets, dans des machines autonomes comme les robots et les véhicules.

Actuellement, la vision industrielle emploie des algorithmes d'apprentissage profond de l'intelligence artificielle, comme les réseaux neuronaux convolutifs (CNN), pour créer des modèles robustes et généralisables, aptes à identifier des objets avec précision, quelles que soient les conditions. Cela permet d'appliquer la vision industrielle dans divers domaines nécessitant une grande fiabilité, tels que la production, l'agriculture, la robotique et l'automobile.

Comment fonctionne la vision industrielle dans les voitures autonomes ?

La vision industrielle appliquée aux véhicules autonomes peut être décomposée en trois parties : le système de caméras, le traitement des données (informatique de pointe) et l'intelligence artificielle. Cet ensemble technologique permet à une voiture autonome de voir, d'analyser et d'identifier les signaux et les obstacles pendant la conduite. Examinons chaque partie en détail pour comprendre comment ces technologies interagissent pour créer la vision industrielle d'un véhicule autonome.

Système de caméras

La vision industrielle utilise des systèmes de caméras pour recueillir des informations visuelles sur l'environnement. Les véhicules autonomes sont équipés de plusieurs caméras disposées autour du véhicule afin de capturer le plus de données visuelles possible.

Deux types principaux de capteurs sont employés dans les caméras de vision industrielle : les semi-conducteurs métal-oxyde-complémentaires (CMOS) et les dispositifs à transfert de charge (CCD). Pour les véhicules autonomes, le CMOS est souvent privilégié en raison de sa vitesse de lecture élevée, de son électronique embarquée performante et de ses capacités de traitement parallèle. Cela en fait le capteur le plus rapide, bien que susceptible d'être affecté par le bruit ou les artefacts. Différentes solutions, telles que des modes d'éclairage variés, la vision nocturne numérique et des filtres, peuvent améliorer les performances du capteur CMOS dans des conditions d'éclairage peu idéales.

Dans les véhicules autonomes, les caméras sont installées à des distances précises les unes des autres pour produire une vision stéréoscopique. La vision stéréoscopique est la faculté de combiner deux ou plusieurs flux visuels afin de créer une impression de profondeur ou de tridimensionnalité des objets et de l'environnement. Cela permet aux véhicules de trianguler et de calculer la distance approximative entre l'objet et la voiture.

Comme nous avons deux yeux, les humains bénéficient également d'une vision stéréoscopique. Vous pouvez le vérifier vous-même : fermez un œil et choisissez un petit objet sur votre bureau. Placez votre main à côté de l'objet, en vous assurant que la pointe de l'objet est au moins à cinq centimètres. Essayez de faire une pause de quelques secondes et voyez dans quelle mesure votre estimation est précise. Ensuite, ouvrez les deux yeux et observez l'amélioration de votre perception de la profondeur.

Ordinateur embarqué

Pendant que le système de caméras d'un véhicule autonome collecte des données, un ordinateur embarqué (processeur Edge) traite en temps réel toutes les informations reçues, afin de tenir immédiatement le système informé de l'état de l'environnement. Bien que les tâches typiques de vision industrielle puissent être exécutées dans le cloud, pour des raisons économiques, les risques pour les véhicules autonomes d'être connectés au cloud sont tout simplement trop élevés, même s'il s'agit d'externaliser le processus pour répondre à ses besoins en matière de vision industrielle.

L'utilisation d'un ordinateur de pointe pour traiter les données d'entrée permet d'éviter les problèmes de latence et garantit que les données sont reçues, traitées et transmises en temps réel. Les ordinateurs Edge destinés aux véhicules autonomes sont des ordinateurs spécialisés, qui intègrent des processeurs graphiques d'intelligence artificielle, tels que les cœurs Tensor Core et CUDA de NVIDIA.

Algorithmes d'intelligence artificielle

Les algorithmes ont toujours joué un rôle crucial dans la vision industrielle. C'est l'algorithme qui permet à un ordinateur de repérer tous les motifs, les formes et les couleurs capturés par le système de caméras. L'utilisation de l'intelligence artificielle, au lieu des algorithmes de vision industrielle plus traditionnels, améliore considérablement la capacité d'un véhicule autonome à identifier avec fiabilité les objets, les panneaux de signalisation, le marquage routier et les feux de circulation. De nombreux algorithmes d'intelligence artificielle sont utilisés dans le développement des véhicules autonomes. Parmi les plus courants, on trouve :

• YOLO (You Only Look Once) : un algorithme de détection d'objets en temps réel qui repère et suit les objets dans le champ de vision du véhicule.
• SIFT (Scale-Invariant Feature Transform) : utilisé pour l'extraction de caractéristiques, il aide le véhicule à reconnaître les points de repère et les objets spécifiques dans son environnement.
• Histogramme de gradients orientés (HOG) : utilisé pour la reconnaissance d'objets, il se concentre sur l'extraction de motifs et de gradients locaux à partir d'images.
• TextonBoost : un algorithme qui facilite la reconnaissance d'objets en analysant les textures de l'environnement.
• AdaBoost : utilisé pour la classification des données, AdaBoost combine plusieurs classificateurs faibles pour prendre des décisions solides concernant les objets et les obstacles sur la trajectoire du véhicule.

L'importance de la vision industrielle dans les véhicules autonomes

Crédit photo : Automobile Italia/Flickr

La vision industrielle est le principal moyen par lequel un véhicule autonome peut détecter et interpréter son environnement. Sans elle, il est fort probable que les véhicules autonomes resteraient au niveau 1 de l'échelle d'autonomie des véhicules et ne parviendraient jamais à une pleine autonomie.

Grâce à la vision industrielle, les véhicules autonomes sont aujourd'hui capables de catégoriser les objets, de détecter les voies et les signaux, de lire les panneaux de signalisation et d'interpréter le trafic.

Bien que de nombreux véhicules autonomes utilisent désormais divers capteurs, tels que les LIDAR, RADAR et SONAR, ils s'appuient tous principalement sur la vision industrielle pour observer l'environnement, identifier les objets et comprendre la signification des panneaux et des feux de circulation sur la route. Tous ces capteurs supplémentaires ne servent qu'à renforcer la vision industrielle et à améliorer la sécurité des personnes, des animaux et des biens.

Cela dit, la vision industrielle peut fonctionner de manière indépendante, sans l'aide d'autres capteurs, pour fournir des capacités de pilotage automatique. En fait, les derniers véhicules autonomes de Tesla ont renoncé au RADAR et se basent désormais uniquement sur la vision industrielle pour leur système de pilotage automatique.

Bien que cela ne remette pas en cause l'utilité des autres technologies de capteurs, cela témoigne de l'importance et de la puissance de la vision industrielle dans les véhicules autonomes.

L'avenir de la vision industrielle dans les véhicules autonomes

La vision industrielle est fondamentale pour le développement des véhicules autonomes. Grâce à elle, les voitures peuvent observer et percevoir l'environnement de la même manière que les humains. Même si des défis persistent, les avantages de la vision industrielle en termes de sécurité et de navigation sont indéniables. Quant à l'avenir des véhicules autonomes, tout progrès de l'intelligence artificielle, de l'informatique de pointe et/ou de la technologie des caméras ne fera que rendre les voitures autonomes plus performantes, ce qui les fera probablement évoluer vers un niveau d'automatisation plus élevé.