Planification de mouvement temps réel pour véhicules autonomes en milieu urbain : Étude prototype à échelle réduite

Les véhicules autonomes avancés promettent un avenir plus sûr et plus efficace pour la mobilité urbaine. Pourtant, malgré d'importants investissements industriels, aucun système fully autonome n'a atteint le marché grand public. Un goulot d'étranglement clé est l'absence d'un moteur de planification de mouvement robuste, temps réel, capable de naviguer en sécurité dans des rues urbaines complexes.

Objectif du projet

Le but de cette recherche est de concevoir et implémenter un système fiable de planification de mouvement temps réel qui réduit les taux d'accidents pour voitures autonomes. Le système intègre maintien de voie, évitement d'obstacles, évitement de véhicules en mouvement, régulateur de vitesse adaptatif, et évitement d'accident basique.

Architecture matérielle

Nous avons construit un véhicule « ego » (EGO) à échelle réduite utilisant un kit châssis robot rond 3 couches Adafruit avec deux moteurs DC, un Raspberry Pi 3 B+, un scanner laser RPLIDAR-A1, deux capteurs ultrasoniques HC-SR04, et un pack batterie Anker PowerCore 13000.

Le Raspberry Pi sert de hub de traitement, recevant les données brutes du LIDAR et des capteurs ultrasoniques via broches GPIO et délivrant les commandes moteurs à une carte pilote moteur DRV8833.

Pile logicielle

Tout le logiciel tourne sur Raspbian. Python 3 est le langage principal, exploitant le SDK officiel LIDAR et le VNC Viewer pour surveillance à distance. SSH permet l'accès ligne de commande sans fil.

Méthodologie

1. Phase 1 – Construction matérielle : Assembler le véhicule EGO et installer OS, drivers, et outils de connectivité.
2. Phase 2 – Développement contrôle : Implémenter modules maintien de voie, évitement obstacles, évitement véhicules mobiles, et régulateur adaptatif via fusion de capteurs.
3. Phase 3 – Validation : Effectuer une batterie de tests de fiabilité dans une maquette urbaine à échelle réduite, raffiner itérativement les algorithmes, et intégrer tous modules dans une pile unique de planification de mouvement.

Algorithmes clés

L'évitement d'obstacles repose sur données LIDAR segmentées en secteurs avant et arrière ; si un obstacle apparaît dans le secteur avant, le système vérifie la voie opposée via capteurs ultrasoniques avant de décider d'arrêter ou changer de voie. Le régulateur de vitesse adaptatif ajuste la vitesse de ±5 % ou ±1 % de la vélocité courante pour maintenir une distance de suivi sûre.

Résultats et améliorations

Tests initiaux ont démontré :

• Maintien de voie garde le véhicule centré avec succès.
• Évitement d'obstacles arrête fiablement le véhicule devant obstacles statiques.
• Évitement véhicules mobiles peut changer de voie quand la voie opposée est libre.
• Régulateur adaptatif maintient la distance mais présente gigue de vitesse.

Nous avons atténué le design trop lourd du véhicule en retirant le second Raspberry Pi et en abaissant le châssis, réduisant le risque de renversement. L'ajout de capteurs ultrasoniques a amélioré la détection latérale, et une routine d'ajustement de vitesse plus douce a amélioré la stabilité du régulateur.

Travaux futurs

Les itérations futures exploreront la planification de chemin basée machine learning, l'intégration temps réel de signaux routiers, et la coordination multi-véhicules via communication V2X. L'amélioration de l'algorithme de régulateur adaptatif avec modèles prédictifs basés sur calculs distance-temps est aussi planifiée.

Conclusion

En combinant fusion de capteurs, logique de contrôle modulaire, et tests itératifs, nous avons produit un prototype de système de planification de mouvement temps réel opérant en sécurité dans un environnement urbain contrôlé. Bien que pas encore prêt pour la production, l'architecture pose une base solide pour la conduite autonome niveau 4.

Remerciements

Remerciements spéciaux au Dr. Lisa Fiorentini pour son mentorat, à ma famille pour son soutien indéfectible, et à mes pairs pour leurs retours constructifs.

Références

1. Aqib, « What is Raspberry pi? Getting Started with Raspberry Pi 3 », Electronics Hobbyists, 18-jan-2019. https://electronicshobbyists.com/tutorial-1-what-is-raspberry-pi-getting-started-with-raspberry-pi-3/.
2. Adafruit Industries, « Mini 3-Layer Round Robot Chassis Kit – 2WD with DC Motors », 2020. https://www.adafruit.com/product/3244.
3. Adafruit Industries, « Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board », 2020. https://www.adafruit.com/product/3297.
4. T. Huang, « RPLIDAR-A1 360° Laser Range Scanner », SLAMTEC, 2020. https://www.slamtec.com/en/Lidar/A1.
5. « PowerCore 13000 », Anker, 2020. https://www.anker.com/store/powercore-13000/A1215011.
6. « Welcome to lidar's documentation! ¶ », Documentation LIDAR, 2020. https://lidar.readthedocs.io/en/latest/.
7. « RealVNC », VNC® Connect, 2020. https://www.realvnc.com/en/connect/download/viewer/macos/.
8. Adafruit Industries, « HC-SR04 Ultrasonic Sonar Distance Sensor 2 × 10 kΩ resistors », 2020. https://www.adafruit.com/product/3942.