Toyota réalise la première séquence de dérapage en tandem contrôlée par l’IA, pour améliorer la sécurité au volant

24 juillet 2024

Aujourd'hui, le Toyota Research Institute (TRI) et Stanford Engineering ont annoncé une première mondiale dans la recherche sur la conduite : faire déraper deux voitures de manière autonome en tandem.

Depuis près de sept ans, les équipes collaborent à des recherches visant à rendre la conduite plus sûre. Les expériences automatisent une manœuvre de sport automobile appelée « drift », dans laquelle un conducteur contrôle précisément la direction de son véhicule après avoir fait perdre l'adhérence aux pneus arrière— une compétence utile pour rétablir un dérapage sur la neige ou la glace. En ajoutant une deuxième voiture dérapant en tandem, les équipes ont pu mieux simuler des conditions dynamiques dans lesquelles les voitures doivent réagir rapidement aux autres véhicules, aux piétons et aux cyclistes.

« Nos chercheurs se sont réunis avec un objectif en tête : rendre la conduite plus sûre », a déclaré Avinash Balachandran, Vice-président de la division Human Interactive Driving de TRI. « Aujourd'hui, grâce aux derniers outils de l'IA, nous pouvons faire déraper deux voitures en tandem de manière autonome. Il s'agit de la manœuvre la plus complexe du sport automobile, et le fait d'atteindre cette étape avec l'autonomie signifie que nous pouvons contrôler les voitures de manière dynamique à l'extrême. Cela a des implications considérables pour l'intégration de systèmes de sécurité avancés dans les futures automobiles. »

«La physique du drifting est en fait similaire à celle d'une voiture sur la neige ou la glace » , explique Chris Gerdes, professeur de génie mécanique et codirecteur du Center for Automotive Research at Stanford (CARS). «Ce que nous avons appris grâce à ce projet de dérapage autonome a déjà conduit à de nouvelles techniques pour contrôler les véhicules automatisés en toute sécurité sur la glace. »

Dans une séquence de dérapage autonome en tandem, deux véhicules—une voiture de tête et une voiture suiveuse— roulent sur un parcours parfois à quelques centimètres l'un de l'autre tout en opérant à la limite du contrôle. L'équipe a utilisé des techniques modernes pour construire l'IA du véhicule, notamment un modèle de pneu à réseau neuronal qui lui permet d'apprendre par l'expérience, à l'instar d'un conducteur expert.

«Les conditions de la piste peuvent changer radicalement en quelques minutes lorsque le soleil se couche », a déclaré M. Gerdes. « L’IA que nous avons développée pour ce projet apprend de tous les trajets effectués sur la piste afin de gérer cette variation. »

Les accidents de la route causent chaque année environ 1,35 million de décès dans le monde. Nombre de ces accidents sont dus à une perte de contrôle du véhicule dans des situations soudaines et dynamiques. L'autonomie est extrêmement prometteuse pour aider les conducteurs à réagir correctement.

« Lorsque votre voiture commence à déraper ou à glisser, vous comptez uniquement sur vos compétences de conducteur pour éviter d'entrer en collision avec un autre véhicule, un arbre ou un obstacle. Un conducteur moyen a du mal à gérer ces circonstances extrêmes, et une fraction de seconde peut faire la différence entre la vie et la mort », a ajouté M. Balachandran. « Cette nouvelle technologie peut intervenir à temps pour protéger le conducteur et gérer une perte de contrôle, comme le ferait un pilote expert. Faire ce qui n'a jamais été fait auparavant montre vraiment ce qui est possible. Si nous pouvons faire cela, imaginez ce que nous pouvons faire pour rendre les voitures plus sûres. », a ajouté M. Gerdes.

Caractéristiques techniques

Des expériences ont été menées au Thunderhill Raceway Park à Willows, en Californie, avec deux GR Supras modifiées : Les algorithmes de la voiture de tête ont été développés au TRI, tandis que les ingénieurs de Stanford ont développé ceux de la voiture suiveuse
Le TRI s'est concentré sur le développement de mécanismes de contrôle robustes et stables pour la voiture de tête, lui permettant d'effectuer des parcours reproductibles et sûrs.
Stanford Engineering a développé des modèles de véhicules et des algorithmes d'IA qui permettent à la voiture suiveuse de s'adapter de manière dynamique au déplacement de la voiture de tête afin de pouvoir déraper à ses côtés sans entrer en collision.
GReddy et Toyota Racing Development (TRD) ont modifié la suspension, le moteur, la transmission et les systèmes de sécurité de chaque voiture (par exemple, l'arceau de sécurité, la suppression des incendies). Bien que légèrement différents les uns des autres, les véhicules ont été construits selon les mêmes spécifications que celles utilisées dans les compétitions de Formula Drift afin d'aider les équipes à collecter des données avec des pilotes experts dans un environnement contrôlé.
Tous deux sont équipés d'ordinateurs et de capteurs qui leur permettent de contrôler la direction, l'accélérateur et les freins, tout en détectant leur mouvement (position, vitesse et vitesse de rotation).
- Surtout, ils partagent un réseau Wi-Fi dédié qui leur permet de communiquer en temps réel en échangeant des informations telles que leurs positions relatives et leurs trajectoires planifiées.
- Pour parvenir à un dérapage autonome en tandem, les véhicules doivent continuellement planifier leurs commandes de direction, d'accélération et de freinage ainsi que la trajectoire qu'ils ont l'intention de suivre à l'aide d'une technique appelée contrôle prédictif de modèle non linéaire (NMPC).
Dans le NMPC, chaque véhicule commence par avoir des objectifs, représentés mathématiquement sous la forme de règles ou de contraintes auxquelles il doit obéir.
- L'objectif du véhicule de tête est de maintenir un dérapage le long d'une trajectoire souhaitée tout en restant soumis aux contraintes des lois de la physique et aux limites matérielles telles que l'angle de braquage maximal.
- L'objectif du véhicule suiveur est de déraper aux côtés du véhicule de tête tout en évitant de manière proactive une collision.
Chaque véhicule résout alors un problème d'optimisation jusqu'à 50 fois par seconde pour décider quelles commandes de direction, d'accélération et de freinage répondent le mieux à ses objectifs tout en s'adaptant à des conditions qui changent rapidement.
En tirant parti de l'IA pour former en permanence le réseau neuronal à l'aide des données des essais précédents, les véhicules s'améliorent à chaque passage sur la piste.