Un enjeu essentiel pour les constructeurs automobiles et leurs partenaires est de garantir aux usagers de la route un haut niveau de sécurité quand ces derniers activeront les fonctions d’automatisation de leur véhicule dans un trafic routier souvent complexe, ou quand ils seront transportés par des véhicules ou des taxis autonomes sans chauffeur. C’est pour assurer cette sécurité que l’Institut VEDECOM a lancé en 2015, en partenariat avec PSA, Renault, et Valeo, le projet MOOVE qui vise à constituer une base de données de scénarios de conduite réelle du trafic routier comme référence technique pour la conception et la validation de fonctions de conduite déléguée automatisée. Le point sur ce projet d’envergure qui fait rouler une flotte de neuf véhicules pour recueillir les données de roulage, susceptibles d’apporter une connaissance fine des différentes situations routières auxquelles se trouvent confrontés les véhicules…
Collecter tous les paramètres de conduite pour dégager des modèles de comportement des usagers de la route
L’hypothèse que font tous les constructeurs automobiles est que la seule façon d’identifier et donc de traiter la complexité et la diversité des situations de trafic rencontrées sur nos routes consiste à recueillir de vastes quantités de données (actuellement 1 million de km de données réelles). C’est la raison pour laquelle, depuis 2016, neuf véhicules sillonnent les routes d’Europe dans le cadre du projet MOOVE. Leur mission : rouler par tous les temps et en tous lieux pour enregistrer le maximum de données sur les différentes situations routières auxquelles se trouve confronté un véhicule, en particulier pour identifier les situations à risque pour le véhicule autonome.
Situations à risque et comportement du chauffeur : rien n’est laissé au hasard
Conduits par des conducteurs humains, ils sont équipés de capacités de perception similaires à celles des véhicules autonomes : radars, lidars et caméras de réalité terrain enregistrant en permanence des vidéos en 360°. Trois caméras intérieures observent les mains, les pieds et les yeux du conducteur, qui dispose également d’une tablette de notification dynamique pour signaler en temps réel les situations de conduite critiques ou particulières. Un monitoring complet du réseau de communication interne du véhicule permet de connaître toutes les actions exercées sur le frein, l’accélérateur, la direction, les feux, les essuie-glaces ainsi que la vitesse du véhicule, le passage des vitesses, sa position GPS… Au total, ce sont 500 signaux différents qui sont enregistrés : des données qui, synchronisées, permettent aux data scientists de reconstituer les situations routières réelles et de savoir comment le conducteur a réagi.
250 To de données collectées dans 17 pays européens
D’abord roulant en métropole parisienne et dans les grandes villes d’Europe, les véhicules ont ensuite parcouru les autoroutes et les voies rapides, les routes secondaires et les Alpes où ils ont enduré neige et brouillard. Ils ont franchi tous les grands ponts d’Europe de l’Ouest, et traversé les tunnels. Ils sillonnent actuellement l’Europe de l’Est et devraient bientôt arriver en zones urbaines et sur les routes de campagne. Avec 1 million de kilomètres à leur actif en quelques 15 000 heures de route dans 17 pays différents, les véhicules MOOVE ont déjà permis d’enregistrer 250 To de données qui constituent une base de données brutes de tous les paramètres des situations routières rencontrées.
Transformer la base de données brutes en base de données relationnelle de scénarios labélisés
Une infrastructure hardware et software a été mise en place chez VEDECOM pour le stockage, l’archivage et les calculs de traitement des 250 To de données. Les partenaires du projet peuvent y accéder à distance de façon hautement sécurisée.
Les données brutes sont organisées selon une structure adaptée à un tel volume. Elles sont pour cela soumises à une succession de transformations qui doivent permettre l’analyse, mais aussi des accès performants et des calculs 100 fois plus rapides que le temps réel : « Nous analysons les signaux avec 171 algorithmes pour y trouver des règles d’expert, identifier ce qui s’est passé et en sortir tous les attributs : vitesse, inter distance, etc., détaille Annie Bracquemond, chef du projet à l’Institut VEDECOM. Cela servira ensuite aux conducteurs automobiles et à leurs partenaires pour spécifier et valider des lois de commande des futurs véhicules autonomes. »
Modéliser des scénarios remarquables avec des algorithmes robustes
Au terme de ce processus, une base de données relationnelle de 5 To d’objets interprétés reconstituant les scénarios routiers, synchronisés aux vidéos, a été établie. 80 scénarios remarquables et pertinents ont pu ainsi être relevés. Un progiciel dédié d’interrogation de cette base de données (MOVIN-SALSA) a été développé sur la base du logiciel SALSA du CEESAR (Centre Européen d’Etudes de Sécurité et Analyse des Risques) afin d’extraire et modéliser les scénarios routiers souhaités.
Par ailleurs, une centaine de Paramètres Haut Niveau ont été définis pour spécifier tous les objets et acteurs de la scène routière. Ces paramètres permettent de modéliser l’intégralité de l’environnement du véhicule. Chacun a été renforcé par des algorithmes spécifiques pour les rendre le plus robuste possible. Traités par algorithmes, ces paramètres permettent aux data scientists de détecter les événements extérieurs au véhicule ainsi que les actions du conducteur, mais aussi de reconstituer les éléments de l’infrastructure routière ou des séquences temporelles et conditions climatiques dans lesquelles se déroulent les scénarios.
Des bases de données intelligentes de scénarios du trafic routier pour sécuriser la conduite déléguée
La dernière phase du processus consiste à extraire les séquences critiques et réaliser des statistiques de probabilité d’apparition de ces événements, d’actions ou réactions des conducteurs. Le tout en fonction des infrastructures routières de qualité inégale et de conditions climatiques plus ou moins difficiles. Il ne s’agit rien de moins que de modéliser le monde réel et ainsi de projeter cette connaissance vers les concepteurs des fonctions de perception et de supervision intelligente. Simuler pour finalement valider les mécanismes de contrôle des véhicules autonomes. Objectif : une sécurité maximale.
