Nous avons déjà expliqué les niveaux d’autonomie SAE — le cadre permettant de savoir qui conduit légalement. Ce que nous n’avons pas encore expliqué, c’est comment la voiture elle-même parvient réellement à effectuer une conduite de Niveau 4, et tout commence par la première des trois étapes que traverse chaque véhicule automatisé, des milliers de fois par seconde : percevoir, penser, agir (sense, think, act). Cet article couvre la première. Avant qu’une voiture puisse décider de quoi que ce soit, elle doit construire un modèle précis et continuellement mis à jour de tout ce qui l’entoure — et cela s’avère un problème bien plus difficile que d’installer quelques caméras.
Trois types de capteurs, trois façons différentes de se tromper
Aucune technologie de capteur unique n’est suffisamment bonne à elle seule, et c’est précisément pourquoi tout système de conduite autonome sérieux en embarque plusieurs. Les caméras sont peu coûteuses et voient la seule chose que rien d’autre ne peut voir — couleur, texte, marquage au sol, état des feux de circulation — mais elles se dégradent précisément quand conduire devient le plus difficile : fort contre-jour, pluie battante, brouillard ou nuit nuisent tous directement à l’image dont une caméra peut extraire des informations utiles. Le radar résout le problème inverse : les ondes radio ignorent la pluie, le brouillard et l’obscurité, et mesurent directement la vitesse d’une cible via l’effet Doppler, ce qui explique pourquoi le radar est à la base du freinage d’urgence automatique et du régulateur de vitesse adaptatif depuis deux décennies — mais sa résolution spatiale est grossière, il peine à classifier ce qu’il observe, et il ne peut pas lire un panneau ou un feu. Le LiDAR fait tourner un laser autour de la voiture des milliers de fois par seconde et chronomètre les réflexions pour construire un nuage de points 3D précis de l’environnement, fournissant des données de distance et de forme précises au centimètre que ni la caméra ni le radar ne peuvent égaler — au prix d’être le capteur le plus coûteux de la voiture, et dont les performances chutent elles-mêmes en cas de neige intense, de brouillard ou de poussière, lorsque les impulsions laser se dispersent sur les particules dans l’air plutôt que sur la cible au-delà.
Fusion : transformer trois images imparfaites en une seule fiable
Parce que chaque capteur échoue dans des conditions différentes, la réponse pratique n’est pas de choisir un gagnant — c’est la fusion de capteurs : combiner les données de la caméra, du radar et du LiDAR en un seul modèle du monde plus fiable que ce qu’un seul capteur pourrait produire seul. La fusion peut avoir lieu à différents points du pipeline : la fusion de bas niveau (brute) combine les signaux bruts des capteurs avant même que les objets individuels soient identifiés, préservant le maximum d’informations mais exigeant beaucoup plus de puissance de calcul ; la fusion au niveau objet (tardive) laisse chaque capteur détecter d’abord les objets de façon indépendante, puis fusionne ces détections séparées, ce qui est plus léger en calcul mais peut perdre des détails qu’un seul capteur aurait captés. Dans les deux cas, l’intérêt de la fusion est une redondance avec un but précis : si une caméra est éblouie par un contre-jour sur une cible que le radar a déjà repérée et suivie par sa vitesse, la voiture ne perd pas cet objet — elle fait simplement confiance au capteur encore opérationnel.
Le problème le plus difficile : percevoir ce qu’on ne peut pas voir du tout
Chaque capteur décrit jusqu’ici partage une limite fondamentale : il ne peut détecter que ce qui se trouve dans sa ligne de vue directe. Un piéton surgissant de derrière une camionnette de livraison garée, ou un cycliste caché par la voiture qui précède à un carrefour, est invisible aux caméras, au radar et au LiDAR de la même façon jusqu’au moment où il est déjà trop tard pour réagir confortablement — c’est l’occlusion, et c’est l’un des derniers problèmes véritablement non résolus de la perception autonome, précisément parce qu’aucune quantité de matériel supplémentaire sur la voiture elle-même ne peut voir au-delà d’un objet solide qui bloque la vue.
Où va l’état de l’art : la recherche européenne sur la perception
Rendre la perception embarquée véritablement robuste a fait l’objet de l’un des plus grands efforts de recherche en électronique automobile jamais financés par l’UE. PRYSTINE (2018-2021, 14,37M€, coordonné par Infineon Technologies en Allemagne, sous l’entreprise commune ECSEL) s’est donné pour objectif de réaliser ce qu’il a appelé “Fail-operational Urban SuRround PercepTION” — une fusion robuste radar/LiDAR alliée à des fonctions de contrôle spécifiquement conçues pour continuer à fonctionner, pas seulement à détecter correctement, lorsque les conditions ou les composants se dégradent. Le matériel de fusion lui-même continue d’évoluer : PARALIA (2023-2027, 5,00M€, coordonné par l’Université Aristote de Thessalonique, Grèce) repense les capteurs eux-mêmes, développant une plateforme photonique partagée de formation de faisceaux radar/LiDAR visant une résolution ultra-élevée à très longue portée, pour une fraction du coût et de la consommation d’énergie actuels. Et HIDDEN (2025-2028, 5,00M€, coordonné par ICCS, l’Institut des Systèmes de Communication et d’Informatique en Grèce) s’attaque spécifiquement au problème de l’occlusion, développant des techniques de conscience collective qui permettent à un véhicule de détecter des objets occlus et des usagers vulnérables de la route, avec ou sans l’aide de l’infrastructure routière, en prédisant leur mouvement à court terme grâce à des modèles comportementaux, et en combinant cette image générée par la machine avec le suivi du regard du conducteur dans une boucle hybride d’intelligence homme-machine.
Pourquoi cela compte plus qu’une fiche technique
Les décisions d’une voiture autonome ne peuvent jamais être meilleures que l’image du monde à partir de laquelle elle décide — c’est pourquoi la perception, et non la commande de direction qui en découle, est le point où un système autonome a le plus de chances d’échouer en premier. Une fois cette image construite, cependant, l’avoir n’est que la moitié du travail : la transformer en une véritable décision de conduite est un problème à part entière, et c’est là que nous irons dans le prochain article.
Photo : © Car-Shooters