Ce whitepaper, co-Ă©crit par SHERPA Engineering (site de Nantes) et AME-EASE (UniversitĂ© Gustave Eiffel – IFSTTAR Ă Bouguenais) a Ă©tĂ© publiĂ© dans le numĂ©ro de dĂ©cembre 2022 de la revue scientifique de rĂ©fĂ©rence « Sensors ».
Cet article dĂ©crit la conception d’un système de perception et de localisation de haut niveau, compact, Ă©volutif et de longue autonomie pour les applications de conduite autonome. Notre benchmark est composĂ© d’un lidar haute rĂ©solution (128 voies), d’une camĂ©ra stĂ©rĂ©o Ă obturateur global, d’un système de navigation inertielle, d’un serveur de synchronisation et d’un calculateur embarquĂ©. De plus, afin d’acquĂ©rir des donnĂ©es et de crĂ©er des ensembles de donnĂ©es multimodales, ce système intègre deux algorithmes de perception (dĂ©tection RBNN, dĂ©tection DCNN) et un algorithme de localisation (localisation par lidar) pour fournir en temps rĂ©el des informations avancĂ©es telles que la dĂ©tection et la localisation d’objets dans des environnements difficiles (absence de GPS). Afin d’entraĂ®ner et d’Ă©valuer les algorithmes de perception, un ensemble de donnĂ©es est construit Ă partir de 10 000 images lidar annotĂ©es provenant de divers trajets effectuĂ©s dans des conditions mĂ©tĂ©orologiques et des densitĂ©s de trafic et de population diffĂ©rentes. Les performances des trois algorithmes sont compĂ©titives par rapport Ă l’Ă©tat de l’art. De plus, les temps de traitement de ces algorithmes sont compatibles avec les applications de conduite autonome en temps rĂ©el. En fournissant directement des rĂ©sultats avancĂ©s prĂ©cis, ce système pourrait faciliter considĂ©rablement le travail des chercheurs et des ingĂ©nieurs en ce qui concerne les modules de planification et de contrĂ´le. Ainsi, cette Ă©tude entend contribuer Ă dĂ©mocratiser l’accès aux plateformes de recherche sur les vĂ©hicules autonomes.
