Comment la fusion de capteurs améliore la fiabilité, la sécurité et l'efficacité des systèmes autonomes

La fusion de capteurs reste une pierre angulaire de la technologie moderne, surtout avec l'expansion de l'Internet des objets et la généralisation des véhicules autonomes et des systèmes d'aide à la conduite avancés (ADAS). Bien que le concept remonte aux années 1960, l'industrie d'aujourd'hui débloque de nouvelles perspectives sur les flux de capteurs à combiner et la manière d'en extraire une intelligence actionnable. Le bon mélange dépend de l'application spécifique et de l'équilibre entre coût, risque et bénéfice.

La quantité de fusion de capteurs nécessaire dépend de l'application et des avantages coût/risque (Image : SAR Insight and Consulting)

À une époque où des acteurs individuels et des agences étatiques posent des menaces croissantes aux systèmes autonomes, la fusion de capteurs est plus critique que jamais. Si le débat politique se concentre souvent sur les risques de sécurité de l'information de la 5G, les logiciels malveillants capables de saboter ou d'extorquer les opérateurs de systèmes autonomes présentent un danger tangible. Les architectes système doivent reconnaître ces menaces et éviter les erreurs coûteuses qui ont tourmenté les géants de l'automobile et de l'aviation. Par exemple, le rappel de la Ford Pinto dans les années 1970 a souligné le coût humain de mesures de sécurité insuffisantes, et la décision de Boeing de facturer en plus la redondance critique de fusion de capteurs sur le 737 MAX continue de se répercuter sur sa chaîne d'approvisionnement.

Au-delà de la sécurité, les avantages économiques et sanitaires de la fusion de capteurs avancée — qu'il s'agisse de surveiller l'activité humaine ou d'alimenter l'automatisation industrielle — sont déjà évidents.

Tolérance aux pannes et résilience

Chaque capteur et modèle prédictif comporte une erreur inhérente. En agrégeant plusieurs mesures de la même variable, les systèmes gagnent en fiabilité et résilience, atténuant les défaillances qui pourraient sinon être catastrophiques. Si la redondance introduit du coût et de la complexité, les cas Ford et Boeing illustrent que les raccourcis à courte vue peuvent mener à des résultats désastreux.

Résistance aux attaques

Les attaquants par logiciels malveillants cherchent constamment à perturber les systèmes basés sur capteurs. Des stratégies robustes de fusion de données, couplées à des protocoles sécurisés et à une détection d'anomalies pilotée par l'IA, peuvent protéger les opérations contre de telles intrusions. Les vecteurs d'attaque typiques incluent :

• Leurrerie de signaux LiDAR et caméras ;
• Annulation de signaux et interférence avec capteurs magnétiques ABS ou panneaux de signalisation vandalisés ;
• Fuites par canaux auxiliaires où un malware implanté récolte des informations sensibles via les capteurs.

Fusion multi-capteurs d'activité humaine

La combinaison de capteurs portables et ambiants pour interpréter le comportement humain offre de meilleurs résultats de santé et des économies de coûts — crucial alors que les populations vieillissent. Les cas d'usage couvrent les soins aux personnes âgées, la détection de chutes, la surveillance de sécurité, le monitoring d'athlètes, le statut des premiers intervenants et les aides à la navigation pour les personnes handicapées.

Fusion de données dans le réseau

Historiquement, la fusion et l'analytique se déroulaient sur des serveurs centraux ou dans le cloud. La miniaturisation et la réduction des coûts des capteurs permettent désormais l'IA et le machine learning au niveau edge. Les futures architectures hybrides superposeront la fusion de données sur trois niveaux :

• Fusion de bas niveau sur appareils intelligents ou passerelles agrégeant plusieurs entrées ;
• Fusion de niveau intermédiaire sur passerelles hub et nœuds de calcul edge pour une analytique plus approfondie sur un ensemble d'appareils plus large ;
• Fusion de haut niveau dans les centres de données ou le cloud, offrant la perspective système la plus large.

Réduction des coûts d'exploitation

La fusion de capteurs étend la portée et l'utilité des appareils autonomes — UAV, robotique, etc. — réduisant les dépenses d'exploitation. Les avantages incluent l'évitement de collision automatisé pour drones d'inspection, l'intervention à distance du conducteur dans des transports largement autonomes, et la réduction des coûts de main-d'œuvre dans les scénarios d'opérations à distance.

Tendances

La miniaturisation et la réduction des coûts se poursuivent pour les capteurs, processeurs et connectivité, alimentées par la consumerisation dans les écosystèmes industriels et IoT. Le CES 2020 a présenté des percées dans les capteurs MEMS, comme des miroirs LiDAR plus petits bénéficiant à l'automobile et aux systèmes de transport intelligents.

Le filtre de Kalman reste l'algorithme standard pour la fusion de capteurs, modélisant les états du système avec mesure et prédiction continues. Dans des systèmes de plus en plus complexes, les architectes emploient aussi le machine learning et les réseaux de neurones pour contrer les attaques sophistiquées d'injection de signaux.

En intégrant judicieusement la fusion de capteurs, les concepteurs et architectes peuvent renforcer l'intégrité, la fiabilité et la robustesse des systèmes — protégeant les personnes, les biens et les intérêts économiques contre les dysfonctionnements et les activités malveillantes.

>> Cet article a été publié à l'origine sur notre site sœur, EE Times Europe.