Sécuriser les systèmes ADAS : Stratégies de sécurité pour la prochaine décennie

Les systèmes avancés d'aide à la conduite (ADAS) améliorent la sécurité des véhicules en surveillant l'environnement, en émettant des alertes, en actionnant les freins et en assistant la direction. La prochaine décennie verra une expansion rapide de ces systèmes, portée par les percées dans les technologies de capteurs et LiDAR et l'évolution des exigences réglementaires.

Selon Jeff Phillips, responsable du marketing automobile chez National Instruments, l'Union européenne a imposé en 2020 que tous les nouveaux véhicules incluent des systèmes de freinage d'urgence autonome (AEB) et d'alerte de collision frontale (FCW).

Bien que l'ADAS en soit encore à ses débuts, ses capacités de sécurité sont appelées à devenir un différenciateur clé pour les constructeurs automobiles, particulièrement à mesure qu'ils progressent vers des véhicules entièrement autonomes.

Les constructeurs et entreprises technologiques se disputent actuellement cet espace largement non réglementé pour conquérir des parts de marché et livrer les voitures les plus sûres. Avec près de 1,3 million de décès routiers dans le monde chaque année et un pic de 1 792 morts sur les routes britanniques en cinq ans, sécuriser la technologie ADAS est plus urgent que jamais.

Scénario catastrophe

Les ingénieurs de test font face à un paysage intimidant : réglementations évolutives, technologies de capteurs émergentes et architectures pilotées par l'IA qui peuvent être opaques. Les enjeux sont élevés — chaque incident médiatique impliquant un véhicule semi-autonome augmente le scrutin public, et même le nombre limité d'accidents de véhicules autonomes documentés a érodé la confiance des consommateurs.

Les ingénieurs de test doivent déterminer le niveau de vérification nécessaire pour satisfaire aux normes réglementaires et légales tout en répondant aux attentes du public. L'absence de directives claires pour les systèmes d'IA signifie que les approches de test traditionnelles sont insuffisantes.

Selon une étude 2018 de la Rand Corporation, un véhicule autonome devrait parcourir des dizaines de millions de miles pour démontrer statistiquement une performance équivalente — ou supérieure — à celle des conducteurs humains. Atteindre ce volume dans un délai réaliste exige des stratégies de test innovantes et des environnements de simulation à grande échelle.

L'histoire du Machine Learning

La conduite entièrement autonome repose fortement sur les modèles de machine learning car le spectre des scénarios réels est effectivement infini. Les ingénieurs collectent d'énormes quantités de données de conduite humaine, les annotent et entraînent des réseaux de neurones à reproduire la prise de décision humaine.

Si les équipes de conception peuvent développer les algorithmes sous-jacents, les modèles résultants fonctionnent comme des boîtes noires, compliquant la validation. Les ingénieurs de test doivent donc concevoir des bibliothèques de scénarios exhaustives couvrant une large gamme de cas limites, le manque de visibilité sur la logique interne excluant les tests unitaires traditionnels.

Une nouvelle feuille de route

Les portefeuilles de capteurs évoluent rapidement, réduisant les coûts et ouvrant de nouveaux choix architecturaux. Les fabricants doivent choisir entre traitement centralisé embarqué et edge computing distribué, et planifier l'ajout futur de capteurs comme LiDAR, radar et caméras supplémentaires.

Le cloud computing et la connectivité 5G ajoutent une couche de complexité, permettant l'échange de données en temps réel et le diagnostic à distance mais soulevant aussi des questions de latence et de bande passante.

Comme le mix de capteurs des plateformes futures est incertain, les équipes de test ont besoin d'infrastructures flexibles capables d'intégrer de nouveaux matériels sans reconstructions coûteuses. Les bancs de test modulaires et les environnements virtualisés permettent une montée en charge rapide des charges utiles caméra, radar et LiDAR.

Construire pour le changement

À mesure que les fonctions autonomes passent du prototype au produit, les organismes de réglementation doivent évoluer pour protéger les consommateurs. Des normes comme l'ISO 26262 pour la sécurité fonctionnelle et les protocoles de crash-test EURO-NCAP façonnent déjà l'industrie, tandis que le cadre éthique allemand récemment publié pour les véhicules autonomes établit des précédents pour les règles de prise de décision.

Même alors que les normes formelles mûrissent, les entreprises introduiront des couches de test propriétaires pour se différencier. Une infrastructure de test ouverte et adaptable donnera aux ingénieurs l'agilité nécessaire pour intégrer de nouvelles exigences réglementaires et objectifs de sécurité internes.

L'auteur de ce blog est Jeff Phillips, responsable du marketing automobile, National Instruments