La communication proposée présente une approche innovante pour fusionner des données LIDAR et vidéo stéréoscopique, dans le but d’améliorer les fonctions de détection d’obstacles en 3D par des véhicules autonomes.
Actualité de l'Equipe projet de recherche STI : Systèmes de Transports Intelligents, vers plus de sécurité et d’intégration aux territoires durables
Découvrez l'équipe, ses enjeux, ses membres, son actualité... en consultant sa page
L’équipe de recherche STI (Systèmes de Transports intelligents) du Cerema travaille sur les interactions infrastructure – véhicule dans le cadre du développement des infrastructures et véhicules connectés.
Elle travaille notamment sur les technologies de capteurs pour les véhicules autonomes, pour améliorer la perception de l’environnement par ces véhicules et leur capacité à détecter des obstacles éventuels pouvant obstruer leur bonne marche . Actuellement les capteurs les plus performants sont basés sur la technologie des radars LIDAR. Ils sont souvent accompagnés de capteurs vidéo pour améliore les détections.
Une présentation récompensée du prix du meilleur papier
L’intervention de Nguyen Anh Minh MAI, doctorant au Cerema à Toulouse, lors de la 11e conférence ICPRS (International Conference on Pattern Recognition Systems) sur les systèmes de reconnaissance présentait les travaux menés autour de la combinaison de caméras et de technologie LIDAR pour détecter les objets 3D. L’enjeu a été de développer une architecture permettant de traiter les données.
En matière de détection d'objets 2D à 3D, le plus difficile est de déterminer la distance entre le véhicule et les objets. Une technologie coûteuse comme le LiDAR peut fournir des informations de profondeur précises. En fonction de la précision des Lidar, leurs cibles 3D peuvent être complétées, enrichies par des cartes de profondeurs calculées avec de la stéréovision vidéo. Le Cerema s’est intéressé à la manière de combiner la technologie LIDAR 4 nappes avec des caméras stéréo comme données d’entrée dans un réseau de neurones profonds, pour améliorer la perception de la profondeur.
Cet article présente le procédé SLS-Fusion, une nouvelle approche qui permet de fusionner les données du LiDAR à 4 nappes avec celles d'une caméra stéréo pour l'estimation de la distance de l’obstacle par les véhicules autonomes. Cette méthode permet d'obtenir des cartes de profondeur plus denses et ainsi d’améliorer les performances de détection d'objets 3D.
Une meilleure estimation de la profondeur de l'obstacle
Les jeux de données comprennent des données pour estimer la profondeur et des données pour détecter les objets 3D. L'évaluation des algorithmes développés dans le cadre de cette étude est réalisée pour l'instant sur des jeux de données académiques (Base KITTI), mais l'objectif est d'intégrer des scénarios réels pour évaluer le système en vraie grandeur.
Étant donné que le LiDAR à 4 nappes est moins cher que le bien connu LiDAR à 64 nappes, cette approche est également classée comme une méthode basée sur des capteurs à faible coût. Grâce à une évaluation sur le benchmark KITTI, il a été démontré que la méthode proposée améliore les performances d'estimation de la profondeur par rapport à d’autres méthodes de la littérature.
La suite des travaux va consister à détecter des obstacles avec des algorithmes améliorés et tenant compte en particulier d’une météo dégradée : détection par brouillard par exemple.
