Pierre Duthon, CEREMA Quand le véhicule autonome apprend à conduire dans le brouillard

1. 1
QUAND LE VÉHICULE AUTONOME APPREND À
CONDUIRE DANS LE BROUILLARD
SÉMINAIRE IA & VA
26/11/2021
Nguyen Anh Minh Mai, Cerema, Equipe Recherche STI, Toulouse
Pierre Duthon, Cerema, Equipe Recherche STI, Clermont-Ferrand
Louahdi Khoudour, Cerema, Equipe Recherche STI, Toulouse
Alain Crouzil, IRIT, Université de Toulouse, Toulouse
Sergio A. Velastin, Universidad Carlos III de Madrid and Queen Mary University of London

2. 2
25/11/2021
CONTEXTE
Explosion des véhicules
autonomes
- Travaux de recherche qui
s’accélèrent
- Appui européen et national
par des financements
- Homologation en cours de
préparation
Qu’est ce qui est nécessaire pour conduire ?
- Se localiser (sur la carte mais aussi localement par rapport à la voie)
- Lire les signalisations
- Adapter sa conduite à la situation
- Prendre des décisions
- Détecter les obstacles

3. 3
25/11/2021
DES CAPTEURS POUR LA CONDUITE AUTONOME
LIDAR
Camera stéréovision
Velodyne HDL-64E: 64 beamsN. A. Minh MAI (Cerema & IRIT) SLS-
Fusion March
ScaLa: 4 beams
N. A. Minh MAI (Cerema & IRIT) SLS-Fusion March
Bosch

4. 4
25/11/2021
DES CAPTEURS POUR LA CONDUITE AUTONOME
Camera stéréovision
LIDAR

5. 5
25/11/2021
DES ALGORITHMES POUR LA CONDUITE AUTONOME
On se concentre ici uniquement sur la détection des objets :
Algorithme SLS Fusion (Nguyen Anh Minh Mai, 2021, Sparse LiDAR and Stereo Fusion (SLS-Fusion) for Depth Estimation
and 3D Object Detection, hal-03233457)
Type d’objet (classification), Localisation des objets, Distance des objets

6. 6
25/11/2021
PROBLEMATIQUE
Dans la littérature seules les conditions normales sont généralement
adressées.
Problématique du jour : que se passe-t-il si la météo se dégrade?
> Le cas du brouillard.

7. 7
25/11/2021
FONCTIONNEMENT D’UN ALGORITME DE DEEP
LEARNING
Une structure, avec des poids, des entrées, des sorties
∑ f(x)
Entrée Sortie
w0

8. 8
25/11/2021
FONCTIONNEMENT D’UN ALGORITME DE DEEP
LEARNING
Une structure, avec des poids, des entrées, des sorties
Une base de données
~ 7500 images pour l’apprentissage +
7500 images pour le test

9. 9
25/11/2021
FONCTIONNEMENT D’UN ALGORITME DE DEEP
LEARNING
Une structure, avec des poids, des entrées, des sorties
Une base de données
Une optimisation

10. 10
25/11/2021
FONCTIONNEMENT D’UN ALGORITME DE DEEP
LEARNING

11. 11
25/11/2021
BASE DE DONNEES EN CONDITION DE BROUILLARD

12. 12
25/11/2021
BASE DE DONNEES EN CONDITION DE BROUILLARD

13. 13
25/11/2021
RESULTATS
Facile -
APBEV
Facile -
AP3D
Modér
é -
APBEV
Modér
é -
AP3D
Difficile
-
APBEV
Difficile
- AP3D
Solution de base -
Test : Temps clair
Solution de base -
Test : Brouillard

14. 14
25/11/2021
RESULTATS
Facile -
APBEV
Facile -
AP3D
Modér
é -
APBEV
Modér
é -
AP3D
Difficile
-
APBEV
Difficile
- AP3D
Solution de base -
Test : Temps clair
Solution de base -
Test : Brouillard
Solution brouillard -
Test : Temps clair
Solution brouillard -
Test : Brouillard

15. 15
25/11/2021
CONCLUSION ET PERSPECTIVES
On a montré :
- que les résultats sont clairement moins bons en présence de
brouillard
- qu’une prise en compte des conditions de brouillard à l’apprentissage
permet de résoudre ce problème
Nos perspectives à court terme :
- Analyser l’impact de chaque capteur (caméra et lidar) séparément
- En conditions normales, puis en conditions de brouillard

16. 16
25/11/2021
CONCLUSION ET PERSPECTIVES
Plus généralement :
- Les combinaisons de capteurs seront une clé de réussite
- L’intelligence artificielle sera de la partie
- L’homologation se fera probablement par la preuve du constructeur
(audit)
- La simulation numérique sera un passage obligé
- Les ODD (operational design domain) vont évoluer progressivement

17. 17
25/11/2021
MERCI !
Sur les détails techniques :
Nguyen Anh Minh Mai, 2021, 3D Object Detection with SLS-Fusion Network in Foggy
Weather Conditions, https://www.mdpi.com/1424-8220/21/20/6711
Sur les conditions météorologiques dégradées et leur modélisation :
adweather@cerema.fr
POUR EN SAVOIR PLUS…