Les capteurs qui fonctionnent sous la pluie, la neige et le brouillard en Écosse fournissent des données qui pourraient aider les véhicules autonomes à voir et à fonctionner en toute sécurité par mauvais temps.
Le projet Radiate, dirigé par l'université Heriot-Watt, a publié un nouvel ensemble de données comprenant trois heures d'images radar. Des images qui comprennent également 200 000 acteurs de la route étiquetés, dont d'autres véhicules et des piétons. Cet ensemble de données résout un problème auquel sont confrontés les fabricants et les chercheurs de véhicules autonomes.
Jusqu'à présent, presque toutes les données disponibles et étiquetées étaient basées sur des jours ensoleillés et clairs. Il n'y avait donc pas de données publiques disponibles pour aider à développer des véhicules autonomes capables de fonctionner en toute sécurité dans des conditions météorologiques défavorables.
En outre, la recherche s'est principalement appuyée sur les données recueillies par des capteurs optiques. Des capteurs qui, à l'instar de la vision humaine, ne fonctionnent pas aussi bien par mauvais temps.
Une collecte de données de plusieurs années
Le professeur Andrew Wallace et le Dr Sen Wang recueillent ces données depuis 2019. Ils ont équipé une camionnette de détecteurs, de LiDAR, de radars, de caméras, ainsi que de dispositifs de géopositionnement.
Ils ont conduit la voiture autour d'Édimbourg et des Highlands écossais pour capturer les routes urbaines et rurales à toute heure du jour et de la nuit. Pour ce faire, ils n'ont pas manqué de chasser volontairement le mauvais temps.
Le professeur Wallace a déclaré : « Les ensembles de données sont essentiels pour développer et évaluer les systèmes de perception des véhicules autonomes. Nous sommes encore loin de voir des voitures sans conducteur dans les rues. Toutefois, les véhicules autonomes sont déjà utilisés dans des circonstances contrôlées ou dans des zones de pilotage. »
« Nous avons montré que le radar peut aider les véhicules autonomes à naviguer, cartographier et interpréter leur environnement par mauvais temps, lorsque la vision et le LiDAR peuvent échouer. »
L'équipe affirme qu'en étiquetant tous les objets que leur système a repérés sur les routes, ils ont permis aux chercheurs et aux fabricants de franchir une nouvelle étape.
Le Dr Sen Wang explique qu'ils ont étiqueté plus de 200 000 objets routiers dans leur ensemble de données. Des données comme les vélos, voitures, piétons, panneaux de signalisation et autres acteurs de la route.
Améliorer la capacité de perception des véhicules autonomes
« Nous pourrions utiliser ces données pour aider les véhicules autonomes à prédire l'avenir et à naviguer en toute sécurité. »
« Lorsqu'une voiture se gare devant vous, vous essayez de prédire ce qu'elle va faire — va-t-elle faire un écart, va-t-elle partir ? C'est ce que les véhicules autonomes devront faire. Maintenant nous avons une base de données qui peut les mettre sur cette voie, même par mauvais temps. »
L'équipe est basée à l'Institut des capteurs, des signaux et des systèmes d'Heriot-Watt. Un institut qui a déjà développé des approches classiques et d'apprentissage profond pour interpréter les données sensorielles.
Ils affirment que leur objectif ultime est d'améliorer la capacité de perception. Wallace explique qu'ils « doivent améliorer la résolution du radar, qui est naturellement floue. Si nous pouvons combiner des images optiques haute résolution avec la capacité de pénétration météorologique d'un radar amélioré, cela nous rapproche des véhicules autonomes capables de mieux voir et de mieux cartographier, et finalement de naviguer de manière plus sûre. »
- Partager l'article :
