Estimation de la traversabilité hors route d’un véhicule récréatif à partir d’une caméra stéréo

Le Centre de Technologies Avancées, BRP, l’Université de Sherbrooke, l’Université McGill, LeddarTech et CM Labs Simulations Inc. s’unissent pour développer des techniques d’aide à la conduite pour les véhicules hors route, dans le but de les rendre plus sécuritaires. Plus spécifiquement, ce projet s’intéresse aux méthodes perceptives servant à l’analyse de la traversabilité du terrain. Les méthodes existantes sont généralement conçues pour les environnements urbains, tandis que celles adaptées au milieu hors route offrent une portée de perception insuffisante pour être utilisables sur des véhicules se déplaçant à grande vitesse. Ce travail propose un système de perception embarqué pour véhicule hors route basé sur un réseau de neurones artificiels, capable de générer des cartes en vue de dessus de la sémantique et de l’élévation du terrain à l’avant du véhicule sur une portée de 150 mètres, à partir d’images issues d’une caméra stéréo. Pour ce faire, un véhicule côte à côte de BRP est équipé de deux caméras et d’un lidar. Une banque de données de scènes hors route est constituée, incluant l’annotation sémantique des nuages de points issus du lidar. Ces données sont utilisées afin de générer des paires d’images stéréo rectifiées ainsi que des cartes de vérité terrain, nécessaires à l’entraînement du réseau de neurones. Ce réseau est composé du module de correspondance stéréo IGEV++ dans son variant temps réel, d’un extracteur de caractéristiques RGB-D basé sur EfficientNet, d’un projecteur bilinéaire 3D à 2D (vue de dessus), ainsi que d’un réseau encodeur-décodeur multi-têtes produisant simultanément des cartes de la sémantique, de l’élévation minimale et de l’élévation maximale du terrain. Les résultats d’entraînement du réseau montrent une capacité de généralisation satisfaisante malgré la diversité limitée du jeu de données. Le modèle atteint une intersection sur l’union moyenne de 0,342 pour la sémantique, une erreur absolue moyenne de 0,367 m pour l’élévation minimale et de 0,136 m pour l’élévation maximale. La latence d’inférence moyenne obtenue est de 76 ms. Bien que le déploiement sur la plateforme embarquée n’ait pas été réalisé, les performances indiquent une faisabilité concrète. En comparaison, la méthode de référence TerrainNet obtient une intersection sur l’union moyenne de 0,469 pour la sémantique, une erreur absolue moyenne de 0,244 m pour l’élévation minimale et de 0,277 m pour l’élévation maximale. Toutefois, elle génère des cartes de plus petite résolution que la méthode proposée. Les travaux réalisés offrent une base solide pour l’analyse de traversabilité hors route et ouvrent la voie à plusieurs perspectives. À terme, les cartes BEV produites par le réseau de neurones pourraient être utilisées par des systèmes d’aide à la conduite, comme l’avertissement de dangers imminents ou l’évitement de collisions. Elles pourraient aussi être exploitées par des systèmes de gestion intelligents de la dynamique du véhicule.