Au fil des années, les voitures gagnent de plus en plus d’autonomie jusqu’à laisser apparaître un véhicule autonome. Toutefois, il convient de noter qu’avant de pouvoir emprunter les routes, ce genre de véhicule doit subir un certain nombre de tests. De la phase de conception aux validations des algorithmes, en passant par les simulations virtuelles, plusieurs étapes doivent être suivies afin de confirmer la fiabilité d’une voiture autonome. En ce qui concerne les simulations, notamment, l’usage de celles-ci dans les phases d’entraînement des voitures autonomes est considéré par plusieurs personnes comme étant une réelle innovation de l’industrie de l’automobile. Mais en quoi sont-elles importantes ? Quelle est réellement la place des simulateurs dans les phases d’entraînement des véhicules autonomes ? Comment se passe la simulation d’une voiture autonome ? Découvrez ci-dessous les réponses à ces interrogations.
Pourquoi l’utilisation de simulations est-elle utile pour tester des voitures autonomes ?
La phase de simulation virtuelle fait partie des étapes à valider avant la réalisation des tests physiques. Mais pourquoi cette phase est-elle si indispensable ? Voici les réponses.
Possibilité de réaliser des tests sous différents scénarios
En ayant recours à un logiciel de simulation lors des essais, les concepteurs et les testeurs de voitures autonomes disposent d’un large champ d’action quant aux tests. En effet, de cette façon, ils sont libres de mettre en place différents types de scénarios de conduite qui peuvent être impossibles à provoquer lors des tests physiques réalisés sur les routes ouvertes. Les simulations sont d’autant plus importantes car certaines situations peuvent se révéler dangereuses tant pour les testeurs que pour les autres utilisateurs de la route.
Ainsi, grâce à cette liberté d’action, les concepteurs peuvent avancer plus vite dans leurs missions, notamment celles concernant les fonctions sensibles, à savoir :
- La création et la validation des algorithmes de détection d’obstacles ;
- La compréhension de la façon dont l’environnement impacte le comportement d’une voiture autonome ;
- La planification de trajectoire ;
- L’accélération ;
- Le freinage ;
- Le braquage ;
- Etc.
À noter que lors des tests, ces scénarios de conduite sont déclinés sous plusieurs versions. En d’autres termes, les testeurs jouent sur de nombreux paramètres ainsi que sur la dynamique des épisodes de manière à créer un environnement où tout type de situation peut arriver. En outre, l’ensemble de ces paramètres sont finement calibrés dans l’optique d’avoir des résultats pouvant coïncider avec la réalité. Le but ici est de réduire au minimum la marge d’erreur entre la simulation et la réalité.
Simulation : alternative intéressante aux tests sur routes
L’entraînement des voitures autonomes dans les simulations virtuelles se fait de manière poussée et de façon à imiter le plus possible les conditions d’un environnement réel. Grâce à une technologie de pointe, la majorité des logiciels de simulation peuvent même simuler, et ce, de manière totalement indépendante, les caractéristiques des véhicules autonomes ainsi que leur comportement suite à une interaction avec d’autres voitures, que celles-ci soient connectées ou non.
Du fait de ces fonctionnalités, les logiciels de simulation s’avèrent donc une alternative à la fois efficace et intéressante aux tests physiques pour entraîner les véhicules autonomes.
Simulation : tests complémentaires aux tests physiques
Bien que le recours aux simulateurs minimise le besoin des tests sur routes, il convient de noter que les simulations virtuelles ne peuvent pas remplacer complètement les prototypages physiques. En effet, il existe toujours des paramètres qui nécessitent un réglage sur routes.
Par contre, il faut reconnaître que les simulations restent hautement indispensables dans la mesure où elles sont une manière de rassurer les régulateurs. En effet, elles permettent de valider les cas théoriques, de massifier les cas d’usages et de garantir la progression des logiciels de conduite autonome.
En un mot, elles complètent les tests physiques, car si les résultats des simulations ne sont pas satisfaisants, il y a peu de chance, voire aucune, que les résultats sur route le soient.
Plusieurs kilomètres parcourus en une journée de simulation
Pour attester de leur fiabilité, les voitures autonomes doivent avoir été testées sur plusieurs millions ou milliards de kilomètres. Un kilométrage qui, notons-le, s’avère chronophage à atteindre. C’est aussi le cas des processus de test et de validation. En effet, les industries chargées de la fabrication des équipements d’origines ont besoin d’une à plusieurs centaines d’années de test et d’entraînement pour atteindre ce nombre de kilomètres.
Pour ne pas perdre du temps, la solution consiste donc à opter pour les essais sous forme de simulation virtuelle. En effet, en ayant recours à un bon logiciel de simulation, il est possible de parcourir facilement des milliards de kilomètres en seulement quelques jours de simulation. Un fait qui constitue un gain de temps et une progression considérables dans les phases de test des voitures autonomes.
Comment les voitures autonomes sont-elles entraînées ?
L’entraînement d’un véhicule autonome repose majoritairement sur l’intelligence artificielle. En effet, si la conduite est devenue de plus en plus automatisée ces derniers temps, c’est grâce à l’IA, et plus précisément, grâce à des algorithmes particuliers dits Machine Learning AI. Mais quelle est réellement l’importance de ces algorithmes dans les processus de test des voitures autonomes ? Voici les réponses.
Des algorithmes pour interpréter et donner un sens aux données
Les capteurs d’un véhicule arrivent à collecter une impressionnante quantité de données qu’il faut traiter et analyser. Pour ce faire, ce sont les algorithmes machine learning, aussi appelés algorithmes d’apprentissage, qui interviennent. Ils se chargent, notamment :
- De la détection des obstacles ;
- De la classification de ces derniers par catégories, à savoir : piétons, motos, vélos, camions et bien d’autres encore ;
- De l’identification des différents panneaux de signalisation ainsi que de la lecture des contenus de chaque panneau ;
- De l’identification des feux de circulation ;
- De l’analyse des différentes configurations de la route : bas-côtés, intersections, routes principales, ronds-points, carrefours, etc. ;
- De l’identification des différents marquages au sol ;
- De l’interprétation des données des radars et des lidars.
Une fois ces tâches exécutées, d’autres d’algorithmes de planification viennent ensuite contribuer à la décision à prendre quant à chaque situation et à chaque obstacle rencontré. Tout cela en veillant au respect du Code de la route.
La labellisation
Avant de pouvoir intervenir dans la conduite d’une voiture autonome, les algorithmes machine learning doivent être soumis à de nombreux entraînements afin de pouvoir démontrer leur efficacité. En d’autres termes, ils seront soumis à des tests en laboratoire qui consistent principalement en un entraînement sur une large gamme de données collectées dans différentes conditions. On parle, notamment, des données sur les autoroutes, sur les routes secondaires, les rues de la ville, etc.
À noter que ce processus d’apprentissage se fait de manière supervisée. Chaque image dispose, notamment, d’une indication préalable mentionnant le type d’objet et montrant l’emplacement de celui-ci. L’ensemble de ce processus est nommé labellisation.
Mise en situation
Lors de leur entraînement, les voitures autonomes sont soumises à des tests de mise en situation. Cela consiste à intégrer les algorithmes dans différents scénarios afin de pouvoir constituer une base de données pouvant contenir toutes les situations possibles.
Lors de ce type de test, la diversité est la clé. Les algorithmes doivent ainsi être capables de détecter efficacement, plusieurs différents cas de figure, le taux de réussite à atteindre étant supérieur à 90 %.
La simulation
Ici, le but est de valider tous les algorithmes et les scénarios. Pour ce faire, les voitures autonomes doivent parcourir pas moins de plusieurs millions, voire plusieurs milliards de kilomètres.
Pour atteindre cette distance, la simulation dans un environnement virtuel s’avère nécessaire. En effet, cela permet non seulement de parcourir un nombre maximal de kilomètres en peu de temps, mais permet aussi de rejouer les scénarios autant de fois que possible et dans toutes les versions imaginables. Tout cela dans un environnement sécurisé et contrôlé permettant de réduire les risques et les dangers propres aux tests sur routes.
Simulations : quel pourrait être l’avenir de cette technologie dans l’automobile ?
Pour le moment, les tests sous forme de simulation permettent aux concepteurs d’entraîner les voitures autonomes à adapter leur comportement face à différentes situations qui ne peuvent pas être provoquées sur les routes.
On s’attend évidemment à ce que le recours à cette technologie, avec l’aide de la méthode reinforcement learning, apporte de grandes améliorations dans le système de conduite autonome. Une coopération des véhicules est, notamment, attendue. Selon Danny Lange, vice-président de l’IA et de l’apprentissage automatique chez Unity Technologies, les changements ne seront notables que lorsque les véhicules peuvent coopérer les uns avec les autres. Ils doivent aussi pouvoir coopérer avec les feux de circulation et avec la ville dans laquelle ils se situent.
Dans un premier temps, ces systèmes d’intelligence artificielle vont être initialement adaptés à des besoins spécifiques. Ensuite, c’est au moment où la communication entre les véhicules s’améliore et au moment où ils sont capables d’orchestrer des solutions à des problèmes non simulés que l’évolution sera effective. Il est fort à parier qu’à ce moment-là, cette évolution ne concernera plus uniquement les voitures autonomes, mais aussi d’autres nombreux aspects de la société. En effet, les processus d’automatisation nourris par le machine learning seront de plus en plus présents aussi bien au sein des foyers que dans le monde des services publiques et privés pour ne citer que ces exemples.
Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data Analyst, Data Scientist, Data Engineer et AI Scientist.
Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !
