Principes, rôles et défis du LiDAR pour les véhicules intelligents

Les véhicules automobiles modernes subissent des changements majeurs en réponse aux facteurs technologiques et sociétaux. Les systèmes de perception sont devenus partie intégrante de ces véhicules. En peu de temps, nous avons constaté l’utilisation de capteurs à ultrasons, aujourd’hui disponibles dans la plupart des véhicules, ainsi que l’introduction des caméras vidéo, d’abord comme aide à la visualisation des manœuvres de marche arrière, aujourd’hui élément constitutif des systèmes avancés d’aide à la conduite (Advanced Driving Assistance Systems – ADAS). Les images sont traitées à l’aide de techniques d’apprentissage automatique pour fournir des informations sémantiques qui incluent la détection et la classification des différents utilisateurs de la route et leur position spatiale par rapport au véhicule. Il est possible d’extraire des caractéristiques routières telles que le marquage des voies, les panneaux de signalisation, etc. Aujourd’hui, les caméras sont largement utilisées dans le cadre de plusieurs fonctions ADAS telles que le freinage d’urgence automatisé (AEB), la détection de voie, etc. Les radars sont utilisés dans plusieurs cas, pour compléter les limites des caméras vidéo dans la déduction des informations de distance. C’est-à-dire que les véhicules automobiles ont bénéficié de l’introduction de capteurs de perception capables de détecter différents utilisateurs de la route ou objets dans leur environnement immédiat. Les informations déduites sont utilisées pour améliorer la vigilance du conducteur ou déclencher des manœuvres d’urgence, et par conséquent améliorer la sécurité routière. Plusieurs applications sont devenues des fonctionnalités standard dans les véhicules automobiles. Ces systèmes de perception constituent la base de nouvelles applications critiques pour la sécurité qui contrôlent la réponse du véhicule, comme le régulateur de vitesse adaptatif (Adaptive Cruise Control – ACC) ou les systèmes actifs d’assistance au maintien de voie (Automated Line Keeping Assistance System – ALKAS), etc.

La transformation des véhicules automobiles est continue ; les logiciels sont devenus le composant prédominant qui, associés à des capteurs et à de puissants ordinateurs embarqués, sont utilisés pour fournir différentes fonctions améliorant le confort de conduite, la consommation de carburant, la sécurité, etc. Cela a conduit à l’introduction de niveaux d’automatisation plus élevés où les ordinateurs enlèvent progressivement les conducteurs de la boucle de contrôle du véhicule, menant à ce que l’on appelle aujourd’hui les « véhicules autonomes » ou les « véhicules intelligents ». Dans cet article, nous nous concentrons sur une classe de capteurs de détection et de perception connue sous le nom de LiDAR, un acronyme pour « télédétection et télémétrie par impulsions de lumière » (LIght Detection And Ranging), parfois appelé « scanner laser 3D ». Un LiDAR est un capteur actif qui fonctionne comme un radar, émettant des impulsions de lumière infrarouge à la place d’ondes radio, et mesure l’intervalle de temps nécessaire pour que le signal revienne après avoir rebondi sur des objets proches. Le temps entre l’impulsion laser de sortie et l’impulsion réfléchie permet au LiDAR de calculer précisément la distance à chaque objet, en fonction de la vitesse de la lumière. Sa principale caractéristique est qu’il mesure la portée avec précision. Avant son utilisation intensive sur les véhicules intelligents, il était connu sous le nom de LADAR pour « Laser Detection And Ranging » (détection et télémétrie laser) et était utilisé dans différentes plateformes mobiles comme les chariots élévateurs à fourche dans les usines. L’une des principales caractéristiques d’un LiDAR réside dans sa capacité à fournir des informations spatiales 3D à partir du faisceau projeté.

L’utilisabilité des télémètres laser à balayage 2D (ou scanners linéaires) pour la détection d’obstacles sous forme de grilles d’occupation a déjà été démontrée pour plusieurs applications robotiques dans les années 1990 ; la capacité à mesurer la distance de manière précise permet aux plateformes mobiles d’estimer leur position . Cela a été renforcé par des travaux sur la localisation et la construction de cartes simultanées (Simultaneous Localisation And Map building – SLAM) où des télémètres laser 2D ont été utilisés pour de telles tâches dans des environnements non structurés . Le potentiel de ces types de capteurs pour la navigation de véhicules autonomes a été démontré dans des applications liées à la défense où des véhicules ont été déployés dans des situations difficiles en fusionnant des données provenant de la stéréovision, de caméras infrarouge et de télémètres laser 2D . Cependant, ces capteurs étaient insuffisants pour des tâches complexes. Des télémètres laser pour un balayage en 3D spécialement conçus ont été construits pour des applications de défense à des prix prohibitifs, tout en démontrant la puissance des nuages de points 3D . Des études sur des solutions alternatives à faible coût ont montré la faisabilité de la construction de télémètres laser 3D et la richesse des informations spatiales qu’ils peuvent fournir . Cependant, ces systèmes étaient soit très coûteux, soit trop volumineux et lourds pour être utilisés à bord de véhicules automobiles.

Le DARPA Grand Challenge 2007 est considéré comme une étape importante dans le domaine de la conduite autonome ; il a démontré le potentiel des systèmes de perception LiDAR. Les trois meilleures équipes étaient équipées de plusieurs LiDAR. Notamment, le Velodyne HDL64, un LiDAR à 64 couches (une tranche de données 3D à une hauteur spécifique), formant des cercles à 360°, a joué un rôle majeur pour l’équipe gagnante et finaliste . Le dévoilement des Toyota Prius de Google fonctionnant de manière autonome sur la voie publique en octobre 2011 a changé tout le domaine. C’était un message clair que des véhicules avec des niveaux élevés d’automatisation capables de naviguer dans des conditions complexes pourraient être mis en œuvre . L’industrie automobile a pris conscience du potentiel des véhicules autonomes, des projets ambitieux ont émergé un peu partout avec des financements conséquents. Un levier majeur a été la capacité à capter l’environnement en 3D (nuages de points 3D), d’où l’intérêt de la technologie LiDAR qui s’intègre aujourd’hui dans les systèmes d’aide à la conduite. L’incorporation de systèmes de perception avancés permet le développement de véhicules intelligents avec différents niveaux d’automatisation.

Cet article comporte trois section. La première aborde le contexte automobile pour apporter une vision globale ; elle est découpée en trois sous-sections : les complexités de l’environnement perçu d’un point de vue spatial appliquées aux véhicules intelligents, un aperçu des systèmes d’aide à la conduite qui intègrent des capteurs LiDAR dans leurs architectures système, l’architecture fonctionnelle classique d’un véhicule autonome, pour poser le cadre opérationnel d’utilisation des LiDAR pour des manœuvres de navigation autonome. Vient ensuite une description des technologies associées aux capteurs LiDAR, incluant les différents principes qui s’appliquent, les composants majeurs tels que le télémètre laser, le laser d’émission et de réception et le système de balayage. Cette description est complétée par une liste récapitulative des LiDAR actuellement disponibles dans le commerce. On examine aussi, dans le contexte du véhicule intelligent, la manière dont les informations spatiales d’un LiDAR sont extraites pour fournir une représentation numérique de l’environnement qui est ensuite utilisée pour la compréhension de la situation, la prise de décision et la navigation. Dans cette section, on insiste sur les algorithmes utilisés pour traiter les données LiDAR, y compris les méthodes basées sur des modèles et basées sur les données pour fournir les différents niveaux d’informations que l’on attend d’un système de perception. La dernière section de cet article traite de l’association du LiDAR à d’autres capteurs et de ce que l’on peut attendre de tels systèmes de perception. Il comprend des perspectives sur les algorithmes de perception et les technologies déployées par les start-ups émergentes.