Formula Student : conduite autonome et vision 3D

Le challenge Formula Student Driverless met en compétition des universités et écoles d’ingénieurs du monde entier pour récompenser le meilleur véhicule de course autonome. À Munich, l’équipe municHMotorsport s’est allié à STEMMER IMAGING pour intégrer des composants de vision au système de reconnaissance et d’évaluation des démarcations de la piste.

www.youtube.com/watch

Il y a de la Formule 1 dans l'air lorsque les membres de l'équipe Formula Student Racing de l'Université des sciences appliquées de Munich se réunissent. Leur objectif : développer et optimiser un véhicule autonome pour accéder au podium. Étudiants en ingénierie automobile, mécanique ou industrielle, en informatique, design, administration d'entreprise ou autre, ils participent depuis 2005 à ce projet. Une façon ludique de se préparer à la future réalité professionnelle interdisciplinaire.

« Notre équipe compte en ce moment environ 120 étudiants, et beaucoup d’entre nous s’investissent à fond dans ce projet », explique Timo Socher, étudiant en informatique et membre actif depuis trois ans. Nommé directeur technique pour cette année, il est en charge de tous les aspects techniques du véhicule autonome que municHMotorsport enverra en compétition en 2020. Au terme de ce projet, géré du début à la fin par les étudiants, une somme à six chiffres aura été investie dans le développement du véhicule de course capable d’atteindre 65 km/h.



Dans la discipline reine du Track Drive, les véhicules autonomes doivent effectuer dix tours sur un parcours jusqu'alors inconnu d'une longueur maximale de 500 mètres. Source de l’image : municHMotorsport

Un parcours inconnu
Pour accéder au podium, ce n’est pas seulement la vitesse par tour ou la vitesse maximale atteinte qui compte, mais également la capacité d’accélération et l’agilité du véhicule. Les performances sont en effet testées lors de trois épreuves dynamiques. La première évalue l’accélération sur une piste de 75 mètres en départ arrêté et jusqu’à l’arrêt complet du véhicule. La deuxième est un skidpad : le véhicule doit parcourir un tracé connu en forme de huit. La troisième est la discipline reine, celle que tout le monde attend : le track drive. Les véhicules doivent faire dix tours sur un parcours qu’ils ne connaissent pas, de maximum 500 mètres.

Pour chaque discipline, les pistes sont délimitées par des cônes bleus et jaunes, disposés de chaque côté tous les cinq mètres le long des lignes de démarcation. « Ces cônes servent de repères aux véhicules autonomes. Ils utilisent pour cela les meilleures technologies en matière de logiciels et de matériel afin de contrôler les accélérations, le freinage et la direction. Les véhicules sont optimisés au maximum pour que leurs performances de conduites soient les meilleures possibles, » explique Timo Socher.

"La vision industrielle est l’un des composants essentiels de notre système. Son rôle est décisif pour la reconnaissance des cônes. Le capteur transmet aux systèmes d’évaluation en aval les données de base qui feront réagir le véhicule. De ce fait, tous les modules de la voiture dépendent de la qualité de détection des cônes et de l'environnement. Elle est essentielle pour la stabilité et les performances de l'ensemble du système." Timo Socher, CTO Driverless, municHMotorsport



Timo Socher explique : « La vision industrielle est l'un des composants clés de notre système et constitue la base de tous les autres modules de notre voiture de course autonome. »

Un système très pointu de reconnaissance d‘objets
Sur leur véhicule de compétition, les étudiants munichois ont installé deux systèmes de vision industrielle dont les images constituent la base de reconnaissance de la piste. L'un de ces deux systèmes est fixé à l'arceau de sécurité et détecte les cônes à distance, entre 5 et 20 mètres. Pour la saison à venir, cette portée doit être étendue à 30 mètres pour que le système dispose de plus de temps pour faire les calculs nécessaires et pouvoir mieux anticiper les réactions du véhicule. Le second système est composé de deux caméras Intel RealSense montées sur le devant du véhicule, chacune avec des angles d'ouverture de 80 degrés qui se chevauchent. Elles enregistrent des images qui permettent d’évaluer les démarcations de la piste à des distances de 1,5 à 8 mètres.

Les données d'image ainsi obtenues sont transmises à l'unité centrale située à l'arrière du véhicule. Elles sont évaluées par un ordinateur embarqué Jetson Xavier avec d’autres données. Les technologies utilisées ici pour calculer la position et l’orientation de la voiture à partir des images prises sont, entre autres, la fusion de données et l’odométrie visuelle. Cette dernière est souvent utilisée dans l'industrie pour le positionnement correct des robots. Une preuve supplémentaire du lien entre ce projet étudiant de municHMotorsport et les applications industrielles réelles.

Une voiture de course doit naturellement être rapide. Le traitement des images doit donc lui-aussi être rapide et efficace. La vision industrielle est ici utilisée pour localiser les cônes de couleur sur les images, les classer et estimer finalement leur position par rapport à la caméra. Certains facteurs imprévisibles peuvent compliquer la détection des objets : les conditions météorologiques, la luminosité ou l’état des pistes qui, avec des trous, des bosses ou du dénivelé, sont loin d’être uniformes. L’arrière-plan joue aussi un rôle important ; il peut varier d’une course à l’autre en raison des tribunes ou d’autres objets.



Deux caméras 3D Intel RealSense placées sur le devant du véhicule renvoient des images stéréo de la piste et de ses démarcations à de faibles distances.

De meilleurs résultats avec le deep learning
Afin d’être préparés à toutes les éventualités, les étudiants utilisent les techniques les plus récentes pour la reconnaissance d’objets, explique M. Socher. « Pour la reconnaissance et la classification d'objets sur des images en couleur, il existe un grand nombre d'algorithmes et de réseaux de neurones. Il est aussi possible d’utiliser des méthodes conventionnelles de traitement d'image, telles que la détection de contours avec des filtres couleur spéciaux. Cependant, nous avons choisi une autre approche, celle du deep learning. Elle s'est avérée particulièrement résistante aux différentes conditions météorologiques et semblait donc très prometteuse. »

Les étudiants ont alors varié les arrière-plans et les environnements pour prendre les images nécessaires des cônes dans différentes situations. Ils ont ensuite enrichi ces ensembles de données en utilisant des techniques d'augmentation de données. L'idée de base de cette approche est la suivante : plus les données fournies au système sont diverses, plus les modèles formés sont précis. Grâce à l'augmentation de données, les images existantes peuvent facilement être modifiées par un logiciel, par exemple en ajoutant des valeurs aléatoires de pixels, en floutant les images, en les faisant légèrement pivoter ou en modifiant les contrastes pour générer un plus grand nombre d'images d'entraînement.

« Nous avons par ailleurs partagé nos images avec d'autres équipes en compétition et avons utilisé environ 3 000 images provenant de la base de données d’images KITTI (un projet de l’Institut de technologie de Karlsruhe) qui nous a fourni des images de routes sans cônes ». L'ensemble des données d'entraînement comprend maintenant plusieurs milliers d'images. Grâce à elles, les étudiants peuvent tester leur prototype et effectuer des simulations pour optimiser les performances du véhicule.

Des spécialistes de la vision industrielle comme partenaires
Pour de nombreux membres de l'équipe de course Formula Student de l'université des sciences appliquées de Munich, la vision industrielle est un terrain encore inconnu.

"Afin d’approfondir le sujet, certains d'entre nous ont participé à des formation organisées par l’European Imaging Academy (EIA) de STEMMER IMAGING. Les nouveaux membres du projet ont ainsi pu se familiariser avec les notions de base de la vision, pour mieux en comprendre les interactions" Timo Socher, CTO Driverless, munichMotorsport

L’offre de formation de l’European Imaging Academy est très variée et prend la forme de cours pratiques, de vidéos ou d'événements sur le thème de la vision industrielle. Elle s’adresse à des personnes de tout niveau, pour apprendre les bases ou approfondir un thème spécifique, avec des conseils pratiques pour améliorer des applications concrètes. Les formateurs sont des spécialistes de la vision, avec une grande expérience pratique. Les cours sont proposés à travers toute l’Europe, dans les différents sites où l’entreprise est implantée. Pour M. Martin Kersting, directeur technique de STEMMER IMAGING, « Formula Student combine la théorie et l'expérience pratique. Ce projet met en pratique de façon exemplaire l'acquisition d'aptitudes et de compétences clés telles que la réflexion interdisciplinaire, la résolution de problèmes et les connaissances en matière de gestion d'entreprise ».

L'université des sciences appliquées de Munich et STEMMER IMAGING entretiennent de bonnes relations depuis de nombreuses années, ce qui a notamment conduit l’entreprise à soutenir municHMotorsport en tant que sponsor. « Lorsque nous avons développé les systèmes de vision pour notre véhicule, nous avons pleinement profité de la très grande expérience industrielle de l’entreprise qui nous a également fourni des composants de vision performants, comme par exemple des caméras stéréoscopiques pour la 3D ». Compactes, robustes et avec une grande profondeur de champ, ces caméras ultra rapides ont été choisies pour être les yeux de la voiture autonome de compétition.

C’est également sur cette solide expérience pratique des experts en vision que les étudiants ont pu compter pour concevoir le système de transmission des données. En effet, les données proviennent de deux caméras et doivent être transmises à l’ordinateur central du véhicule. Pour cela, les câbles doivent traverser tout l’habitacle et passer parfois devant des circuits électroniques puissants : il fallait donc qu’ils répondent à des exigences très particulières pour être suffisamment résistants. « STEMMER IMAGING nous a ici beaucoup aidé en fabriquant des câbles spécifiques à blindage CEM pour notre véhicule. »



Les étudiants utilisent un ensemble de données d'entraînement de plusieurs milliers d'images pour simuler différents scénarios de course et optimiser les performances du véhicule autonome.

Un objectif : monter sur le podium
Pour la prochaine saison de courses automobiles, les étudiants travaillent donc d’arrache-pied pour mettre au point un véhicule de compétition et porter haut les couleurs de leur équipe, de leur école et de leurs sponsors. « Notre objectif cette année : que notre véhicule autonome soit parmi les trois premiers, » déclare fièrement M. Solcher. Avec une telle ambition et les composants de vision utilisés, toutes les conditions sont réunies pour que l’équipe munichoise monte sur le podium.

www.stemmer-imaging.com

  Demander plus d’information…