Comment les systèmes de détection pilotent la fonctionnalité ADAS

Pour connaître les dernières informations sur capteurs pour systèmes de conduite automatisée, j'ai interviewé Alberto Marinoni, Directeur Marketing Produit, TDK/Invensense (San Jose, CA).

Le terme couramment utilisé, Systèmes Avancés d'Aide à la Conduite (ADAS) se réfère essentiellement au Niveau SAE 2 (L2), Automatisation Partielle de Conduite. À ce niveau, le conducteur doit être dans la voiture et doit être vigilant — il ne peut pas lire un livre, par exemple — cela nécessiterait Niveau 3 ou au-delà. (Le niveau le plus haut — 5 — est un véhicule totalement automatisé qui n'a même pas besoin de l'un de nous humains dans le véhicule.)

Au Niveau 2, la voiture peut être contrôlée automatiquement longitudinalement (accélération/décélération) ou latéralement (direction), selon l'application. Cependant, le conducteur doit être présent, garder les yeux sur la route, et être vigilant pour reprendre le contrôle si nécessaire. En contraste, Niveau 1 peut faire freinage/accélération automatisé OU direction latérale, mais pas les deux.

Pour L2, il y a multiples capteurs, incluant caméras, radar, et unités de mesure inertielle (IMU). Un système de navigation par satellite global (GNSS), comme GPS, est aussi inclus.

Pour certaines applications L2, bien que pas la majorité, lidar est aussi disponible, bien que ce soit principalement pour Niveau 3. Ce n'est pas toujours inclus en L2 à cause de son coût élevé relatif aux autres technologies. Marinoni a expliqué que le radar est un détecteur longue portée — son utilisation est pour détection d'obstacles à distance — pour alerter la voiture que quelque chose est présent devant elle. Le lidar ajoute au mélange d'automatisation en reconnaissant objets en détail plus près de la voiture. Il peut aussi scanner l'environnement pour obtenir information sur l'environnement immédiat. Cette information peut être géo-référencée par rapport à la terre pour localiser la position absolue de la voiture en utilisant un système de navigation inertielle (INS) composé d'une IMU et GNSS. Une carte 3D peut être construite pour localiser précisément objets en combinant l'information position absolue de l'INS et l'image de l'environnement relatif basée sur le lidar.

Unité de Mesure Inertielle (IMU)

L'IMU TDK/InvenSens a deux composants MEMS dans le même boîtier : un accéléromètre 3-axes et un gyroscope 3-axes. L'accéléromètre est sensible à la fois aux accélérations statiques (ex. gravité) et dynamiques dans les trois axes et peut être utilisé pour déterminer l'angle d'inclinaison de l'IMU. Le gyroscope est principalement utilisé pour conditions dynamiques dans lesquelles il y a vitesse angulaire en plus de la gravité. Les sorties de ces deux capteurs sont combinées mathématiquement pour déterminer l'orientation du système.

La tendance générale aujourd'hui est de placer une IMU à côté de chaque capteur pour augmenter la précision de détection.

Accélération/Décélération

Selon Marinoni, les fonctions de décélération les plus importantes sont freinage d'urgence et évitement collision. Pour ces applications, capteurs comme radar scannent l'avant de la voiture, cherchant un objet ou personne. Les données de scan sont envoyées à une unité de traitement central, qui peut décider si le véhicule doit s'arrêter. Si oui, elle sort un signal vers actionneurs qui agissent comme un conducteur le ferait, en appuyant la pédale de frein pour arrêter la voiture avant un crash.

L'IMU joue un rôle important ici. Le capteur radar est typiquement monté dans le pare-chocs du véhicule et peut fonctionner parfaitement s'il est parallèle à la rue. Cependant, si pour quelque raison le pare-chocs a été déformé, l'information radar sera peu fiable. Une IMU montée à côté du capteur radar peut surveiller dynamiquement l'inclinaison pour fournir information corrective. Le même concept est appliqué aux modules caméra.

Direction

Dans les véhicules d'aujourd'hui, il y a multiples caméras, 10 ou plus, pour ADAS. Cependant, comme il y a beaucoup de vibrations quand vous conduisez, l'image capturée par le module caméra peut être floue. Si vous mettez une IMU près de chaque caméra, vous pouvez facilement mesurer la vibration appliquée à la caméra au moment exact où elle prend une photo. Avec cette information, vous pouvez stabiliser l'image et nettoyer le bruit pour une vue claire.

Une application typique caméra-based est assistance maintien voie active. Pour cela, il y a habituellement une caméra près du rétroviseur arrière, utilisée pour détecter les lignes de rue et faire traitement d'image. La qualité d'image est importante pour cette application car vous devez reconnaître la ligne et si la voiture la traverse. En montant une IMU à côté de la caméra pour la stabiliser, vous produisez une image plus claire, ce qui réduit la charge computationnelle sur le processeur central. Pour certaines applications maintien voie, le conducteur est alerté, pour qu'il puisse reprendre contrôle de la direction pour rester sur trace. Il y a d'autres applications où cette information est utilisée par la voiture pour contrôler directement la direction pour la garder automatiquement dans la voie.

Fusion de capteurs

J'ai alors demandé à Marinoni le rôle de la fusion de capteurs en ADAS. Il a expliqué que c'est un algorithme capable de combiner information venant de multiples capteurs pour fournir une sortie meilleure que la somme de chaque capteur individuel.

Un exemple serait un INS, dans lequel un GNSS reçoit information d'un satellite pour déterminer la localisation absolue du véhicule. Cependant, il y a conditions sous lesquelles l'information GNSS n'est pas fiable, par exemple, dans un tunnel, en canyon urbain, ou dans un parking multi-niveaux. Vous auriez donc besoin d'une IMU proche du GNSS pour calculer la position du système quand le GNSS n'est pas disponible. Un algorithme fusion capteurs tournant dans le module GNSS combinerait l'information de l'IMU et du GNSS pour générer une position fiable sous toutes conditions. Cela optimise le système car l'IMU et GNSS se complètent grâce à leurs forces et faiblesses respectives. L'algorithme fusion garde l'information venant de l'IMU quand le GNSS n'est pas fiable et utilise l'information du système GNSS quand la voiture est en condition ciel ouvert. Quand il y a un bon signal GNSS, l'algorithme fusion permet aussi aux données GNSS de calibrer l'IMU pour ces temps où le GNSS n'est pas disponible.

Estimation à la dérive (Dead Reckoning)

Quand le signal GNSS n'est pas disponible, l'IMU navigue par estimation à la dérive en partant de la dernière position absolue reçue. À ce point elle commence à intégrer l'information gyroscope sur le temps, pour mettre à jour la position. S'il y a bonne information gyroscope et bon timing, vous avez de bons résultats. Si, Cependant, la sortie gyroscope est bonne, mais le timing ne l'est pas, vous avez de mauvais résultats. Si les deux sont pauvres vous avez des résultats complètement mauvais. Parce que vous intégrez, l'erreur s'accumule et après un certain temps, résultats estimation à la dérive pourraient ne plus être acceptables.

Si vous conduisez à travers un tunnel ou en ville, où le signal GNSS est mauvais pendant assez longtemps, l'estimation à la dérive basée sur l'IMU, ne serait pas fiable. Sous ces conditions, ce serait au constructeur automobile. Ils pourraient initier une alerte conducteur ; si le conducteur ne réagit pas à l'alerte, une seconde alerte pourrait être générée. Si celle-ci aussi était ignorée, alors l'ADAS pourrait prendre contrôle et diminuer la vitesse — mais pas arrêter la voiture, ce qui serait dangereux. Une action additionnelle pourrait être générer un appel, comme à OnStar, pour vérifier si le conducteur est en sécurité. Il y a multiples façons de gérer la situation.

Fiabilité du système ADAS

La fiabilité du système ADAS lui-même est évidemment critique. L'intégrité des données doit être garantie sous toutes conditions. Selon Marinoni, les IMU 6-axes TDK/Invensense pour ADAS incluent un diagnostic embarqué développé pour systèmes rencontrant exigences jusqu'au niveau Automotive Safety Integrity (ASIL) B. Si communication avec l'unité centrale n'est pas fiable, par exemple, cela peut générer une alarme pour alerter le conducteur. La puce sécurité embarquée inclut un mécanisme qui vérifie continuellement la fonctionnalité de tous les blocs du système. Si le composant détecte un dysfonctionnement dans l'accéléromètre, gyroscope, logique numérique, ou dans le bus communication, il envoie une alarme au système, lui disant d'être conscient que quelque chose a mal tourné et l'information venant du capteur n'est plus fiable. L'auto-diagnostic est obligatoire en applications sécurité automobile, surtout si vous contrôlez vitesse, freinage, ou direction. Ces problèmes sont adressés dans la spécification ASIL. Cependant, même si ce n'est pas pour application Niveau 2, un système comme contrôle stabilité électronique doit aussi être 100% fiable.

Où en sommes-nous et où allons-nous ?

J'ai demandé à Marinoni où il voit cette technologie maintenant et quoi attendre dans le futur. « À ce moment, Niveau 2 est une réalité — c'est déjà dans la rue », a-t-il dit. « Mais ça monte en puissance maintenant dans le sens qu'on s'attend que les volumes IMU augmentent de maintenant à 2030, de moins de 10 millions véhicules à plus de 40 millions. » Pour la prochaine étape, Niveau 3, le changement principal sera probablement l'introduction de nouvelles technologies comme lidar. « Du point de vue de notre IMU, nous sommes déjà prêts pour applications L3, grâce à notre intégration 6-axes », a-t-il dit.

Il a poursuivi que le prochain point d'innovation dans ce domaine pourrait être la réduction de consommation d'énergie. Certaines applications ADAS sont requises d'être allumées même quand moteur est éteint. Pour cette raison, la consommation d'énergie de chaque composant dans l'application compte. Dans le passé, quand applications tournaient seulement si moteur allumé, ça n'était pas un problème. Mais maintenant les fabricants changent leurs spécifications pour inclure consommation d'énergie.

Et last but not least, depuis que l'intégration estimation à la dérive est affectée par l'erreur accumulée sur le temps, l'autre point important, surtout avec voitures autonomes, est de réduire davantage le bruit du composant, pour améliorer performance du capteur, pour implémenter intégration estimation à la dérive plus longue, gardant l'erreur totale sous contrôle.

J'ai ensuite demandé à Marinoni quand il pensait que Niveau 3 pourrait frapper les rues. Son estimation est qu'on ne verra pas beaucoup de mouvement dans le marché L3 avant 2025.

« Un autre sujet important, bien que pas basé sur théorie — c'est plus une règle de base — est que pour systèmes L2, deux technologies parallèles suffisent. Pour systèmes L3, pour garantir précision, stabilité, et performance, vous devez combiner au moins trois technologies, et très probablement pour L4, vous en avez besoin de quatre. Cela devrait vous donner un sens de la complexité de garantir performance et sécurité », a-t-il dit. Cela placera plus grandes demandes sur algorithmes requis et ressources informatiques. C'est là que la 5G est susceptible d'entrer en jeu, pour permettre de déplacer beaucoup du calcul vers le cloud. Bien sûr, cela ouvre la porte à du piratage possible.

Cet article a été écrit par Ed Brown, Éditeur Technologie Capteurs. Pour plus d'informations, visitez .