Les voitures et camions capables de rouler sans l’assistance d’un conducteur devraient arriver en masse au cours de la prochaine décennie. Ils feront appel à de puissants calculateurs embarqués. Mais aussi à des systèmes de Machine Learning avancés, capables de proposer les meilleures techniques de conduite automatique.
Des voitures capables de conduire toutes seules. De la science-fiction ? Pas selon Uber, qui a mis à l’essai une flotte de véhicules autonomes. Des voitures qui ne se sont pas bornées à rouler sur autoroute, puisqu’elles ont été vues dans les rues de San Francisco. Certes, un accident a mis fin à cette opération… pour le moment.
Certains prédisent une arrivée rapide des véhicules autonomes sur les routes. Mais probablement pas de suite dans votre garage. C’est en effet chez les professionnels que cette nouvelle génération de voitures, et camions, devrait s’imposer le plus rapidement, en particulier dans le transport de personnes et de marchandises. La raison en est évidente : les entreprises vont ainsi pouvoir économiser en frais de personnel, mais aussi pouvoir faire rouler des véhicules sans temps de repos, sans risque de dépassement de vitesse, etc.
Un moteur informatique puissant…
Les véhicules autonomes sont des concentrés de technologie, qui embarquent des capteurs et caméras permettant une prise en compte à 360° de l’environnement. Une vision qui passe par l’optique, le son et des radars embarqués.
Les voitures équipées de tels dispositifs sortiront en série dès 2021. Elles devront intégrer de puissants systèmes informatiques. Un marché qu’Intel compte aborder en partenariat avec sa filiale Mobileye et le constructeur BMW. Mais aussi plus largement au travers des solutions Intel Go. HPE nous a pour sa part décrit des projets de voitures autonomes centrées autour de systèmes Edgeline EL1000 Converged Edge.
Chez Intel, les solutions Go devraient associer des composants Xeon à des FPGA, lesquels permettront d’accélérer le traitement des informations issues des capteurs.
… mais aussi bien entrainé et connecté.
Mais quelle que soit la puissance de ce moteur numérique, il ne lui sera pas possible d’embarquer toute l’intelligence nécessaire à un traitement ex nihilo de l’information. Il faudra entrainer ses algorithmes au préalable, avec des comportements prédéfinis aussi nombreux que possible, afin de s’adapter à toutes les situations.
Pour cela, des infrastructures à la croisée entre le Big Data analytique et le HPC vont être chargées d’étudier les informations remontées par les véhicules autonomes. Cette analyse permettra d’appliquer des techniques de Machine Learning aux systèmes ADAS (Advanced Driver Assistance Systems).
Mais il n’est pas question de figer dans le marbre les algorithmes de ces systèmes de conduite. Il faudra donc que le véhicule autonome soit également un véhicule connecté. Capable de recevoir de nouvelles révisions de ses algorithmes. Mais aussi en mesure de faire remonter les informations issues de ses capteurs, afin d’alimenter le système analytique central chargé d’améliorer les capacités de conduite du système ADAS utilisé. Nous sommes donc ici face à une application combinée de technologies émergentes : Edge Computing, Big Data et Machine Learning.
David Feugey, ex-rédacteur en chef de Silicon.fr
