Par Chet Babla, SVP Marketing stratégique
L'assistance au conducteur et l'automatisation de la conduite nécessitant de multiples capteurs et un traitement en temps réel, les architectures des systèmes électriques et électroniques ADAS seront confrontées au défi de l'évolutivité.
Les avantages sociétaux d'une plus grande sécurité des conducteurs, des passagers et des usagers de la route sont bien compris et documentés, et d'ailleurs les gouvernements réglementent de plus en plus la nécessité de systèmes avancés d'aide à la conduite (ADAS) dans les nouveaux véhicules(voir l'exemple). Outre l'impact humain évident des systèmes de sécurité, un récent rapport de McKinsey estime que les ADAS représentent déjà une opportunité de revenus de 55 à 70 milliards de dollars aujourd'hui, et qu'en combinaison avec la conduite autonome (AD), ils pourraient représenter collectivement un revenu de 300 à 400 milliards de dollars d' ici 2035 (voir figure 1).
Figure 1 - Chiffre d'affaires des ADAS et AD en milliards de dollars (source : McKinsey Center for Future Mobility)
Pour atteindre les objectifs de fonctionnalité et de sécurité nécessaires à des niveaux d'automatisation plus élevés, le nombre de capteurs sur le véhicule et la capacité à traiter les données en temps réel devront augmenter considérablement (voir notre blogue À la poursuite de la voiture sans accident).
Les systèmes d'aide à la conduite (ADAS) et les systèmes d'aide à la conduite (AD) s'appuient sur diverses modalités de capteurs (y compris la vision par ordinateur, les ultrasons, le radar et le LiDAR ; voir également notre Blogue à ce sujet) pour recueillir et traiter les données relatives à l'environnement extérieur et intérieur du véhicule.
En termes de détection ADAS, il existe de multiples compromis. Par exemple, le radar offre une bonne capacité de détection des objets traversant ou arrivant sur la trajectoire d'un véhicule dans diverses conditions météorologiques, mais sa précision en profondeur et sa capacité de reconnaissance des objets sont limitées. À l'inverse, les caméras sont extrêmement performantes pour la reconnaissance d'objets, de la même manière que la vision pour les humains, mais leurs performances sont médiocres dans des conditions météorologiques ou d'éclairage défavorables. Et si le LiDAR excelle dans la précision de la portée et de la profondeur, et n'est pas affecté par un faible éclairage, il peut être gêné par de fortes pluies ou du brouillard.
Disséquer l'architecture du système de détection
En outre, la nécessité de fusionner les capteurs, c'est-à-dire de combiner les informations provenant de différentes modalités de capteurs, est reconnue comme essentielle pour améliorer la perception et la capacité de prise de décision.
L'architecture du système de détection est donc un facteur essentiel de la capacité globale réalisable en matière d'ADAS et d'automatisation et de la détermination des contraintes pratiques qui seront imposées au concepteur du système en termes de puissance, de taille et de coût. Un article récemment publié ("How Many Sensors For Autonomous Driving ?") passe en revue certaines de ces considérations et défis en matière de capteurs, et fait observer ce qui suit :
"Lorsqu'elle sera enfin mise en œuvre, la conduite autonome de niveau 3 pourra nécessiter plus de 30 capteurs ou une douzaine de caméras, selon l'architecture de l'équipementier."
Cette prolifération de capteurs est un défi qui n'affecte pas seulement l'automatisation de niveau 3. En effet, plusieurs véhicules haut de gamme sont déjà équipés de plus de 30 capteurs à modalités multiples pour les capacités ADAS de niveau 2 et 2+. Prenons le cas de la détection par caméra. La détection robuste et en temps réel des marquages de voies, des panneaux de signalisation, des piétons, etc. nécessite plusieurs caméras d'une résolution allant jusqu'à 12 mégapixels. Ces capteurs génèrent de grandes quantités de données d'imagerie qui doivent être transportées et traitées et, en fonction de l'architecture de traitement électrique et électronique (E/E) de l'ADAS, peuvent entraîner des goulets d'étranglement au niveau des données et d'autres défis importants en matière de conception de systèmes.
Un autre article récent de McKinsey explore, par le biais d'une série d'hypothèses, les tendances croissantes dans les architectures E/E automobiles - y compris les facteurs conduisant à la consolidation du matériel en un nombre réduit d'unités de contrôle électronique (ECU) tirant parti de l'intégration de silicium monolithique - et saisit un grand nombre des principaux moteurs de l'industrie pour le changement d'architecture. Outre les observations de l'article de McKinsey, on observe depuis quelques années un discours de plus en plus répandu selon lequel une architecture ADAS "à calcul central" finira par s'imposer comme l'approche industrielle de facto. Ce discours a été particulièrement soutenu par certains nouveaux acteurs de l'"architecture propre" des véhicules électriques, les entreprises de Robotaxi et les équipementiers de la classe premium uniquement - tous n'ayant pas d'anciennes plates-formes ou seulement un très petit nombre de plates-formes à prendre en charge. Cependant, l indie estime que si la consolidation des calculateurs de véhicules est absolument la bonne direction pour l'industrie, l'affirmation de l'architecture ADAS à calcul central ne peut pas être appliquée comme une solution unique car elle ne tient pas compte des besoins de la majorité des équipementiers en matière d'évolutivité des plates-formes de véhicules. L'évolutivité est mieux assurée par une approche architecturale ADAS à "intelligence distribuée".
Dans une architecture de détection à calcul central, les données multi-capteurs brutes sont généralement transportées directement vers un système sur puce (SoC) centralisé, et peu ou pas de traitement à la périphérie est utilisé. Le SoC central ingère et traite les données brutes des capteurs pour effectuer la perception de l'environnement, en s'appuyant sur de puissants algorithmes d'intelligence artificielle pour contrôler les actions liées aux mouvements du véhicule. Une telle architecture de calcul central peut conférer des avantages théoriques liés à la gestion et à la mise à jour du logiciel du véhicule et permet de tirer parti d'une perception précoce basée sur la fusion pour un traitement algorithmique potentiellement plus riche. Cependant, elle nécessite également une très grande largeur de bande pour l'interface capteur-processeur, ainsi qu'une puissance de traitement informatique et une mémoire importantes. Ces exigences entraînent à leur tour une augmentation des coûts de câblage et du poids, et posent également d'importants problèmes de gestion thermique aux intégrateurs de systèmes qui doivent dissiper plusieurs centaines de watts d'énergie consommée dans le SoC de calcul central et dans l'infrastructure de soutien. Le manque d'évolutivité est donc le talon d'Achille de l'informatique centrale.
Dans une architecture de détection à intelligence distribuée, différents degrés de traitement des données des capteurs peuvent être effectués plus près des capteurs, à la périphérie du véhicule, en déployant des SoC qui requièrent une puissance de traitement relativement modeste. Le traitement effectué à la périphérie peut aller de la classification et de la détection complètes d'objets (impliquant une architecture de perception à fusion tardive) à un prétraitement et une réduction plus simples des données pour faciliter les problèmes de transport. Dans le cas de la détection de la vision par caméra, par exemple, les cas d'utilisation les plus récents (par exemple, la vue arrière, la vue surround) nécessitent des capacités de perception basées sur la vision humaine et la vision par ordinateur pour répondre aux exigences de sécurité en constante évolution (telles que les protocoles de protection des usagers vulnérables de la route de l'Euro NCAP).
Cette perception en temps réel peut facilement être effectuée au niveau du capteur et les données prétraitées qui en résultent sont regroupées en zones pour être traitées et perçues en aval. Ce prétraitement réduit le volume des données transportées par les capteurs, ce qui permet d'atténuer certains des problèmes d'interface, de câblage et de température évoqués précédemment. Cette approche, qui s'appuie sur la fusion late(r), permet aux constructeurs automobiles de bénéficier de l'évolutivité de la plateforme de la ville à la voiture de luxe, de l'optionnalité des capteurs et de l'interopérabilité. Chaque équipementier doit donc trouver le bon équilibre entre la quantité de prétraitement effectuée à la périphérie, dans la zone ou au centre, en fonction des besoins plus larges de la plateforme.
indie continuons à investir et à développer notre approche de l'évolutivité de la plateforme, en mettant au point des solutions de détection et de perception de la vision basées sur la périphérie, qui permettent une intelligence distribuée.
Les avantages d'une architecture de détection distribuée sont réexaminés par l'industrie automobile qui se rend compte qu'une architecture de détection basée sur un ordinateur central n'est peut-être pas la panacée. Par conséquent, de nombreux fournisseurs de silicium, de niveau 1 et d'équipementiers étudient actuellement comment le prétraitement sélectif des données de capteurs dans le contexte de l'intelligence distribuée entre les zones, les domaines et le traitement centralisé peut faciliter la conception du système, l'intégration et les défis en matière de coûts.
indie s'engage à soutenir l'industrie avec une feuille de route de solutions ADAS innovantes, permettant aux intégrateurs de systèmes et aux équipementiers de faire les choix architecturaux appropriés pour leurs besoins en matière de plateforme.