Les véhicules autonomes améliorent leur visibilité dans l'obscurité
infohightech ·
Une équipe de chercheurs en Chine a découvert un moyen d'aider les voitures autonomes à mieux « voir » dans l'obscurité, en augmentant de plus de 10 % leurs capacités de conduite. Le secret du succès des chercheurs réside dans une théorie vieille de plusieurs décennies sur le fonctionnement de l'œil humain.
Les voitures autonomes peuvent notamment utiliser un ensemble de caméras, chacune équipée d'un filtre spécial pour détecter la polarisation de la lumière entrante. La polarisation fait référence à la direction d'oscillation des ondes lumineuses lors de leur propagation, ce qui peut fournir de nombreuses informations sur l'objet sur lequel elles ont rebondi en dernier, notamment les caractéristiques de surface et les détails de l'objet.
Cependant, bien que les filtres de polarisation fournissent aux véhicules autonomes des informations supplémentaires sur les objets qui les entourent, le filtre comporte certains pièges.
« Bien qu’elle fournisse des informations supplémentaires, cette conception à double filtre rend la capture des photons plus difficile la nuit », précise Yang Lu, doctorant à l’Université de l’Académie chinoise des sciences de Pékin. « Le résultat est que dans des conditions de faible luminosité, la qualité de l’image d’une caméra polarisante chute considérablement, les détails et la netteté étant plus gravement affectés. »
Pour surmonter ce problème, Yang Lu et ses collègues se sont tournés vers une théorie qui tente d’expliquer pourquoi les humains sont capables de discerner les couleurs relativement bien dans des conditions de faible luminosité. La théorie Retinex suggère que notre système visuel est capable de discerner la lumière de deux manières différentes, à savoir la composante de réflexion et la composante d’éclairage de la lumière. Fait important, même dans des conditions de faible luminosité, nos yeux et notre cerveau sont capables de compenser les variations d’éclairage de la lumière suffisamment pour discerner les couleurs.
L’équipe de Yang Lu a appliqué ce concept à son système de navigation pour voiture autonome, qui traite séparément les qualités de réflexion et de luminescence de la lumière polarisée. Un algorithme, formé à l’aide de données réelles des mêmes images dans des conditions de lumière et d’obscurité, fonctionne comme notre propre système visuel pour compenser les changements de luminosité. Un deuxième algorithme traite les propriétés de réflexion de la lumière entrante, supprimant ainsi le bruit de fond.
Les chercheurs ont installé des caméras sur des voitures pour tester leur modèle RPLENet dans le monde réel. Yang Lu
Alors que les véhicules autonomes classiques ont tendance à traiter uniquement les propriétés réfléchissantes de la lumière, cette double approche offre de meilleurs résultats. « Au final, nous obtenons une image [plus] clairement rendue », explique Yang Lu.
Dans une étude publiée le 8 août dans IEEE Transactions on Intelligent Vehicles , les chercheurs ont mis à l’épreuve leur nouvelle approche, appelée RPLENet.
L’équipe a d’abord réalisé des simulations à l’aide de données réelles d’environnements peu éclairés pour vérifier que leur approche pouvait produire de meilleures images en basse lumière. Ils ont ensuite monté une caméra basée sur RPLENet sur une voiture et l’ont testée dans un scénario réel de nuit. Les résultats montrent que la nouvelle approche peut améliorer la précision de conduite d’environ 10 % dans des expériences avec des algorithmes de conduite autonome.
Yang Lu estime que cette nouvelle approche pourrait conduire à des voitures autonomes plus sûres. « Les excellents résultats obtenus lors de nos tests, notamment dans des scénarios réels de nuit, démontrent le potentiel d’application pratique de notre méthode », déclare-t-il.
Cependant, l’approche RPLENet présente un défi : elle nécessite une formation approfondie sur des ensembles de données difficiles à obtenir (par exemple, des images du même objet sous différents scénarios d’éclairage).
« À l’avenir, nous prévoyons d’explorer davantage les méthodes d’apprentissage faiblement supervisées et non supervisées afin de réduire la dépendance à de grandes quantités de données étiquetées », souligne Yang Lu. « Cela accélérera le développement d’algorithmes et contribuera à fournir des solutions plus efficaces et plus rentables dans les applications du monde réel. »