Choisir les yeux du véhicule autonome : une bataille de capteurs, de stratégies et de compromis

D'ici 2030, le marché des véhicules autonomes devrait Le chiffre d'affaires devrait dépasser les 2.2 XNUMX milliards de dollars, avec des millions de voitures circulant sur les routes grâce à l'IA et à des systèmes de capteurs avancés. Pourtant, face à cette croissance rapide, un débat fondamental demeure : quels capteurs sont les mieux adaptés à la conduite autonome : lidars, caméras, radars, ou une technologie entièrement nouvelle ?

Cette question est loin d'être théorique. Le choix des capteurs influence tous les aspects, de la sécurité et des performances au coût et à l'efficacité énergétique. Certaines entreprises, comme Waymo, misent sur la redondance et la diversité, en équipant leurs véhicules d'une gamme complète de lidars, de caméras et de radars. D'autres, comme Tesla, adoptent une approche plus minimaliste et plus rentable, s'appuyant fortement sur les caméras et l'innovation logicielle.

Explorons ces stratégies divergentes, les paradoxes techniques auxquels elles sont confrontées et la logique commerciale qui motive leurs décisions.

Pourquoi des machines plus intelligentes exigent des solutions énergétiques plus intelligentes

C'est effectivement un enjeu important. J'ai été confronté à un dilemme similaire lorsque j'ai lancé une start-up spécialisée dans les drones en 2013. Nous tentions de créer des drones capables de suivre les mouvements humains. À l'époque, l'idée était prometteuse, mais il est vite apparu qu'il existait un paradoxe technique.

Pour qu'un drone puisse suivre un objet, il doit analyser les données de ses capteurs, ce qui nécessite une puissance de calcul importante : un ordinateur embarqué. Or, plus l'ordinateur doit être puissant, plus la consommation d'énergie est élevée. Par conséquent, une batterie de plus grande capacité est nécessaire. Or, une batterie plus grande augmente le poids du drone, et plus le poids est important, plus la consommation d'énergie est importante. Un cercle vicieux se crée : l'augmentation de la puissance requise entraîne une augmentation de la consommation d'énergie, du poids et, in fine, des coûts.

Le même problème se pose pour les véhicules autonomes. D'un côté, il faut équiper le véhicule de tous les capteurs possibles pour collecter un maximum de données, les synchroniser et prendre les décisions les plus judicieuses. De l'autre, cela augmente considérablement le coût et la consommation énergétique du système. Il est important de prendre en compte non seulement le coût des capteurs eux-mêmes, mais aussi l'énergie nécessaire au traitement de leurs données.

Le volume de données et la charge de calcul augmentent. Bien sûr, au fil du temps, les systèmes informatiques sont devenus plus compacts et plus économes en énergie, et les logiciels ont été optimisés. Dans les années 1980, le traitement d'une image de 10×10 pixels pouvait prendre des heures ; aujourd'hui, les systèmes analysent des vidéos 4K en temps réel et effectuent des calculs supplémentaires sur l'appareil sans consommer excessivement d'énergie. Cependant, le dilemme des performances persiste, et les fabricants d'AV améliorent non seulement les capteurs, mais aussi le matériel de calcul et les algorithmes d'optimisation.

Traitement ou perception ?

Les problèmes de performance, lorsque le système doit décider quelles données rejeter, sont principalement dus à des limitations de calcul plutôt qu'à des problèmes liés aux capteurs LiDAR, caméras ou radars. Ces capteurs, véritables yeux et oreilles du véhicule, capturent en permanence d'énormes quantités de données environnementales. Cependant, si le « cerveau » informatique embarqué n'a pas la puissance de traitement nécessaire pour traiter toutes ces informations en temps réel, la tâche devient écrasante. Par conséquent, le système doit prioriser certains flux de données par rapport à d'autres, ignorant potentiellement certains objets ou scènes dans certaines situations pour se concentrer sur des tâches plus prioritaires.

Ce goulot d'étranglement informatique signifie que, même si les capteurs fonctionnent parfaitement et sont souvent redondants pour garantir leur fiabilité, le véhicule peut avoir du mal à traiter efficacement toutes les données. Dans ce contexte, il est inapproprié de blâmer les capteurs, car le problème réside dans la capacité de traitement des données. L'amélioration du matériel informatique et l'optimisation des algorithmes sont essentielles pour pallier ces difficultés. En améliorant la capacité du système à traiter de grands volumes de données, les véhicules autonomes peuvent réduire le risque de manquer des informations critiques, ce qui améliore la sécurité et la fiabilité des opérations.

Systèmes Lidar, caméra et radar : avantages et inconvénients

Il est impossible de dire qu'un type de capteur est meilleur qu'un autre : chacun a sa propre fonction. Les problèmes se résolvent en sélectionnant le capteur adapté à une tâche spécifique.

Le LiDAR, bien qu'il offre une cartographie 3D précise, est coûteux et présente des difficultés dans des conditions météorologiques défavorables comme la pluie et le brouillard, qui peuvent disperser ses signaux laser. Il nécessite également d'importantes ressources de calcul pour traiter ses données denses.

Les appareils photo, bien que économiques, dépendent fortement des conditions d'éclairage et sont peu performants en cas de faible luminosité, d'éblouissement ou de changements brusques de luminosité. Ils manquent également de perception de la profondeur et peinent à gérer les obstacles tels que la saleté, la pluie ou la neige sur l'objectif.

Le radar est fiable pour détecter des objets dans diverses conditions météorologiques, mais sa faible résolution rend difficile la distinction entre les objets petits ou rapprochés. Il génère souvent des faux positifs, détectant des éléments non pertinents pouvant déclencher des réponses inutiles. De plus, contrairement aux caméras, le radar ne peut pas déchiffrer le contexte ni identifier visuellement les objets.

En exploitant la fusion des capteurs (combinant les données du LiDAR, du radar et des caméras), ces systèmes acquièrent une compréhension plus globale et plus précise de leur environnement, ce qui améliore à la fois la sécurité et la prise de décision en temps réel. Keymakr'Notre collaboration avec les principaux développeurs ADAS a démontré l'importance cruciale de cette approche pour la fiabilité du système. Nous avons travaillé en permanence sur des ensembles de données diversifiés et de haute qualité pour soutenir l'apprentissage et l'affinement des modèles.

Waymo contre Tesla : l'histoire de deux visions autonomes

Dans le secteur des véhicules autonomes, peu de comparaisons suscitent autant de débats que Tesla et Waymo. Tous deux sont pionniers de la mobilité du futur, mais avec des philosophies radicalement différentes. Alors, pourquoi une voiture Waymo ressemble-t-elle à un vaisseau spatial truffé de capteurs, tandis que Tesla semble quasiment dépourvue de capteurs externes ?

Prenons l'exemple du véhicule Waymo. Il s'agit d'une Jaguar de base modifiée pour la conduite autonome. Son toit abrite des dizaines de capteurs : lidars, caméras, systèmes laser rotatifs (appelés « spinners ») et radars. Ils sont vraiment nombreux : caméras dans les rétroviseurs, capteurs sur les pare-chocs avant et arrière, systèmes de vision longue portée ; tout est synchronisé.

Si un tel véhicule est impliqué dans un accident, l'équipe d'ingénieurs ajoute de nouveaux capteurs pour recueillir les informations manquantes. Leur approche consiste à exploiter au maximum les technologies disponibles.

Alors pourquoi Tesla ne suit-il pas la même voie ? L'une des principales raisons est que Tesla n'a pas encore commercialisé son Robotaxi. De plus, son approche privilégie la minimisation des coûts et l'innovation. Tesla estime que l'utilisation de lidars est peu pratique en raison de leur coût élevé : le coût de fabrication d'une caméra RVB est d'environ 3 $, tandis qu'un lidar peut coûter 400 $, voire plus. De plus, les lidars contiennent des pièces mécaniques (miroirs rotatifs et moteurs), ce qui les rend plus vulnérables aux pannes et à leur remplacement.

Les caméras, en revanche, sont statiques. Elles ne comportent aucune pièce mobile, sont beaucoup plus fiables et peuvent fonctionner pendant des décennies, jusqu'à ce que le boîtier se dégrade ou que l'objectif perde de sa luminosité. De plus, elles sont plus faciles à intégrer à la conception d'une voiture : elles peuvent être dissimulées à l'intérieur de la carrosserie, les rendant ainsi presque invisibles.

Les approches de production diffèrent également considérablement. Waymo utilise une plateforme existante – une Jaguar de série – sur laquelle sont montés des capteurs. Ils n'ont pas le choix. Tesla, quant à lui, fabrique ses véhicules de A à Z et peut planifier l'intégration des capteurs dans la carrosserie dès le départ, les dissimulant ainsi. Officiellement, ils seront listés dans les spécifications, mais visuellement, ils seront presque invisibles.

Actuellement, Tesla utilise huit caméras autour de la voiture : à l'avant, à l'arrière, dans les rétroviseurs et sur les portières. Utiliseront-ils des capteurs supplémentaires ? Je le pense.

Fort de mon expérience de conducteur Tesla et de mes déplacements à bord de véhicules Waymo, je pense que l'intégration du lidar améliorerait le système de conduite entièrement autonome de Tesla. J'ai le sentiment que le système de conduite entièrement autonome de Tesla manque actuellement de précision. L'ajout de la technologie lidar pourrait améliorer sa capacité à naviguer dans des conditions difficiles, comme un fort ensoleillement, de la poussière en suspension ou du brouillard. Cette amélioration rendrait le système potentiellement plus sûr et plus fiable que s'il reposait uniquement sur des caméras.

Mais d'un point de vue commercial, lorsqu'une entreprise développe sa propre technologie, elle vise un avantage concurrentiel, une avance technologique. Si elle parvient à créer une solution nettement plus efficace et moins coûteuse, elle s'ouvre la voie à la domination du marché.

Tesla suit cette logique. Musk ne veut pas emprunter la voie d'autres entreprises comme Volkswagen ou Baidu, qui ont également réalisé des progrès considérables. Même des systèmes comme Mobileye et iSight, installés dans des voitures plus anciennes, affichent déjà une autonomie décente.

Mais Tesla vise à être unique, et c'est une logique commerciale. Si vous ne proposez pas quelque chose de radicalement meilleur, le marché ne vous choisira pas.