Perception de bout en bout : comment rendre les corrections de maintien de voie des véhicules lourds plus précises ?

01
Aperçu du système et contexte technique

Dans les environnements portuaires, les parcs à conteneurs et la logistique des sites industriels, les véhicules de grande taille parcourent généralement de longues distances sur des voies fixes. Si un véhicule dévie latéralement, cela peut entraîner une usure anormale des pneus, des trajectoires qui empiètent sur les voies adjacentes, des risques de collision et une baisse de l’efficacité opérationnelle. La correction manuelle traditionnelle repose sur l’expérience du conducteur, ce qui aboutit à des interventions de régulation tardives et peu cohérentes. Lorsque les véhicules sont lourds, roulent à basse vitesse, effectuent de fréquentes accélérations‑décélérations ou travaillent de nuit, la déviation latérale s’accumule de manière plus marquée. Par conséquent, le système doit détecter en continu la position du véhicule par rapport à la chaussée ou à la voie de travail avec une précision de l’ordre du centimètre et rétroagir de façon stable cette déviation au système de commande.

Par conséquent, l’essentiel d’un système de commande de correction des écarts ne consiste pas seulement à « savoir où se trouve le véhicule », mais, dans des conditions de fonctionnement complexes, à estimer de manière fiable l’écart latéral du véhicule, l’erreur d’assiette et les variations de tendance par rapport à la trajectoire de référence, puis à traduire ces informations en commandes de correction efficaces, douces et peu abrasives.

Évolution de la feuille de route technologique :

1.1 De « Hard Assist » à « Fusion logicielle de l’IA visuelle et du GNSS »

Les premiers schémas de correction s’appuyaient davantage sur la correction basée sur le GNSS. Le GNSS présente l’avantage d’une mise en œuvre relativement simple et de résultats de coordonnées intuitifs, ce qui le rend adapté au positionnement global et à la planification d’itinéraires dans les zones dégagées. Toutefois, dans les applications pratiques, les portiques de levage évoluent souvent à proximité de ponts roulants, de bâtiments industriels, de cargaisons, de conteneurs et d’ouvrages métalliques, où les signaux satellites sont facilement perturbés par l’obstruction, la réflexion multipath et les dérives transitoires. Dans les scénarios impliquant le déplacement de véhicules de grande taille, se fier exclusivement au GNSS rend difficile le maintien d’une stabilité à long terme.

Afin d’améliorer la précision locale, l’industrie a également recours à des solutions d’assistance rigide, telles que les lignes de contact coulissantes, les balises magnétiques et les câbles souterrains. Ces approches peuvent fournir une référence stable dans des zones délimitées, mais elles entraînent des coûts d’installation élevés, des délais de construction longs ainsi qu’une maintenance continue, sensible à l’usure du sol, aux tassements et aux modifications de tracé liées aux travaux de rénovation. Pour les parcs à conteneurs et les zones portuaires qui exigent un déploiement rapide, des adaptations minimales et une reproductibilité aisée, ces solutions manquent de flexibilité technique suffisante.

La valeur de la correction visuelle réside dans l’utilisation des environs immédiats du véhicule comme référence directe pour la commande. Les caméras peuvent détecter des éléments locaux tels que les marquages au sol, les limites de chaussée et la signalisation des zones de travaux. , qui peut pallier les insuffisances du GNSS dans des environnements caractérisés par des blocages de signal et des dérives.

1.2  HIRI Le cœur et les avantages du système de commande de correction de la direction des véhicules lourds

Il s’agit d’un système de correction automatique de la déviation à haute précision destiné aux véhicules de grande taille, conçu pour les applications portuaires, les parcs à conteneurs et les transports industriels. Centré sur la perception visuelle basée sur l’intelligence artificielle, ce système intègre les données de positionnement GNSS, les informations sur l’état de mouvement du véhicule ainsi que des algorithmes de contrôle intelligents, afin de détecter en temps réel la relation spatiale entre le véhicule et sa trajectoire cible. Fournir en continu les principaux paramètres de contrôle, tels que l’écart latéral et l’écart de cap. et réaliser un ré‑suivi automatique du véhicule selon la trajectoire prédéfinie grâce à un contrôle en boucle fermée.

Contrairement aux solutions traditionnelles qui reposent sur une infrastructure fixe ou sur une méthode de positionnement unique, HIRI FUTURE adopte « Perception visuelle + assistance GNSS + Contrôle intelligent » L’architecture collaborative intègre de manière approfondie la capacité de perception de l’environnement et la capacité de contrôle du véhicule, Permettre aux véhicules de non seulement déterminer leur propre position, mais aussi de comprendre les relations spatiales entre les bordures de la chaussée, les voies de circulation et l’itinéraire prévu. , permettant ainsi d’obtenir un contrôle de correction automatique de la déviation plus précis et plus stable.

Avantages pratiques de HIRI dans les systèmes de commande de correction de déviation :

Rétrofit à faible coût : Cela supprime le recours aux caténaires et aux balises magnétiques, s’appuyant principalement sur des caméras, le GNSS et une unité de calcul embarquée pour son déploiement. Cela se traduit par un délai de construction court et une perturbation minimale des infrastructures existantes.

Haute précision : Le modèle visuel fournit des informations sur les lignes de voie plus stables, avec un écart inférieur à 3 cm, tant en conditions de haute vitesse qu’en conditions de basse vitesse, pour les véhicules de grande taille.

Haute fiabilité : La redondance double entre la vision et le GNSS garantit que, lorsque l’un des capteurs subit une anomalie passagère, l’autre peut assurer un soutien fiable, permettant la fusion des données pour offrir des performances de contrôle supérieures.

Contrôle de la douceur : Un petit ajustement du couple est effectué toutes les 200 ms afin d’affiner la direction, ce qui permet d’obtenir une tension et un courant plus réguliers.

Scénarios complets : Il peut prendre en charge divers scénarios d’exploitation au sein du parc à conteneurs, tels que la conduite autonome et la navigation en voie fixe, et constitue une base de perception propice à l’extension future des fonctions de conduite autonome.

02 Approche technique fondamentale : comment réaliser la correction visuelle

2.1 Défis du secteur : pourquoi est-il si difficile pour les solutions traditionnelles d’atteindre une précision de 3 cm ?

Dans le processus de suivi de trajectoire des équipements de transport automatisés, le principal défi pour atteindre une précision de correction de l’ordre du centimètre réside dans la capacité à acquérir de manière continue et stable la relation positionnelle relative entre le véhicule et la trajectoire cible. Même lorsque la correction traditionnelle basée sur le GNSS est complétée par l’augmentation RTK, les environnements industriels complexes restent exposés à des facteurs tels que le blocage des signaux, les réflexions multipath, les erreurs d’installation des antennes ainsi que les variations de l’assiette du véhicule, ce qui entraîne des fluctuations des résultats de positionnement et rend difficile le maintien d’une sortie stable et de haute précision sur le long terme.

La correction visuelle exploite directement les marquages au sol, les lignes de délimitation et les éléments structurels au niveau du sol présents dans l’environnement routier situé devant le véhicule, afin d’assurer la perception et d’établir une relation spatiale relative entre le véhicule et la chaussée, ce qui permet d’améliorer la stabilité de la poursuite de la trajectoire.

Avec l’avancement des technologies d’apprentissage profond, Le modèle visuel d’HIRI a déjà fait preuve de capacités puissantes d’extraction des caractéristiques et de compréhension de l’environnement, lui permettant de détecter avec précision les marquages au sol et les informations relatives aux limites de la chaussée, quelles que soient les conditions d’éclairage, les intempéries et les arrière-plans complexes. Même lorsqu’il est confronté à des conditions telles que des marquages au sol partiellement usés, des occlusions d’ombre, des taches au sol ou des interférences réfléchissantes, le modèle peut tout de même s’appuyer sur ses caractéristiques sémantiques globales apprises et, grâce à une modélisation conjointe de la structure de la chaussée, des caractéristiques des bordures et de la direction de déplacement du véhicule, Calculer avec précision l’écart latéral et l’écart d’assiette du véhicule par rapport à la trajectoire de référence. et renvoyer ces informations au système de contrôle en temps réel.

Performance de détection du modèle dans des conditions environnementales et des niveaux d’éclairage variés.

2.2  De la segmentation YOLO à la détection par modèle IA de bout en bout

Afin d’obtenir de manière stable [quelque chose] dans des environnements industriels complexes, Avec une précision de correction de l’ordre de 3 cm, le système doit non seulement détecter avec précision la position des lignes de voie, mais aussi fournir en continu des estimations d’offset fluides et stables, soumises à des contraintes géométriques. HIRI a intégré la technologie de « détection de modèles AI de bout en bout » dans son pipeline de perception visuelle. 。

Aux premières étapes de la planification visuelle, le modèle de segmentation YOLO est particulièrement adapté pour vérifier rapidement la faisabilité. Il permet d’effectuer une segmentation au niveau du pixel des marquages au sol, des limites de voies, des panneaux au sol et des zones praticables, tout en offrant une vitesse d’inférence élevée et un écosystème technique bien rodé, ce qui facilite son déploiement sur les unités de calcul embarquées. Par rapport aux méthodes traditionnelles de seuillage et de détection des contours, la segmentation YOLO extrait la structure de la route de manière plus directe ; toutefois, elle impose des exigences strictes en matière de visibilité des marquages et des limites au sol : lorsque ces marquages sont peu nets, usés ou interrompus, recouverts de boue ou d’eau, ou en présence de pluie, de brouillard, d’éblouissement nocturne, de réflexions intenses ou d’occlusions par des ombres, le masque de segmentation est sujet à des sauts de bordure, à des lacunes locales et à des segments erronés. Des étapes de traitement ultérieures, telles que la transformation perspective, l’ajustement de la ligne centrale, la conversion des distances latérales et le filtrage temporel, demeurent nécessaires pour convertir les résultats de segmentation en valeurs d’écart utilisables par le contrôleur.

▲ Usure des marquages au sol — Résultats de la détection YOLO (avec occlusion partielle)                  

La détection de modèles de bout en bout basée sur l’IA d’HIRI a permis de remédier à ces limitations.

Ce modèle ne génère plus de masques de segmentation intermédiaires ; il prédit directement, à partir de l’image d’entrée, la localisation et la catégorie (par exemple, lignes de voie, lignes de délimitation, marquages de passage piéton) des marquages routiers, ainsi que les scores de confiance correspondants. Cette architecture présente des avantages notables :

Une robustesse environnementale accrue :

Au cours de la phase d’entraînement, le modèle a appris en profondeur à partir d’échantillons issus du monde réel, incluant l’usure des marquages au sol, les occlusions partielles, la pluie et le brouillard, les éblouissements ainsi que la présence d’eau stagnante sur la chaussée. Même lorsque les marquages locaux sont peu visibles, il parvient néanmoins à produire des résultats cohérents et continus en matière de lignes de voie, s’appuyant sur les caractéristiques globales de la structure routière.

Un pipeline de traitement plus rationalisé :

En éliminant les étapes traditionnelles et complexes de post‑traitement géométrique, le modèle fournit directement des informations sur les lignes de voie dotées d’une signification géométrique claire, réduisant ainsi l’accumulation d’erreurs et la latence du système.

Entrée de polarisation plus stable :

La sortie de bout en bout présente une gigue temporelle minimale dans la localisation des lignes de voie et une grande précision dans la classification des catégories, offrant ainsi une base de perception fiable pour les modules ultérieurs de calcul géométrique et de contrôle.

▲ Usure des marquages au sol Performance de détection IA de bout en bout (complète)

2.3 Analyse technique : de « la perception des biais » à « la maîtrise de la stabilité »

La première étape est l’acquisition visuelle. Le système s’appuie sur les caméras anti-collision déjà installées sur les pieds de porte du chariot principal, ce qui permet de réduire les coûts de production tout en capturant des images de la voie de circulation et des voies d’accès au chantier.
La deuxième étape est la vérification du modèle de bout en bout. Le modèle détermine non seulement la présence de lignes ou de marquages dans l’image, mais il fournit également des positions de lignes de voie plus stables, des catégories de lignes de voie ainsi que des scores de confiance, constituant ainsi une base pour les calculs ultérieurs d’écart. Au cours de l’entraînement, le modèle intègre des échantillons présentant des conditions d’éclairage variées, ainsi que des effets tels que la pluie, le brouillard, les taches, l’usure, les ombres et les occlusions, afin d’améliorer sa capacité de généralisation dans des conditions d’exploitation réelles. La troisième étape est la fusion douce de la vision et du GNSS. Le GNSS assure le positionnement global et l’identification des segments de route, tandis que la vision permet la détection de déviations à haute précision et à courte portée. Ces deux modalités ne sont pas simplement combinées ; elles sont plutôt fusionnées en fonction des niveaux de confiance et de l’état actuel de la scène. Lorsque la perception visuelle est temporairement obstruée ou altérée par des conditions environnementales défavorables, le système s’appuie sur le GNSS et sur les données historiques de trajectoire pour maintenir un contrôle continu. La quatrième étape est la régulation en boucle fermée. Le contrôleur calcule l’action de braquage corrective en fonction de l’écart latéral, de l’erreur d’orientation, de la vitesse du véhicule, de l’état de charge et des données de tendance historique, tout en recourant à la limitation des gains, au filtrage et à des ajustements de micro‑couple afin de prévenir les oscillations latérales. L’objectif du contrôle n’est pas de ramener brusquement le véhicule au centre en une seule manœuvre ; il s’agit plutôt de guider le véhicule de manière fluide vers la trajectoire souhaitée, tout en garantissant la sécurité et en préservant la durabilité mécanique.

03
Plan du projet : Comment le système sera-t-il mis en œuvre ?

3.1 Voie de mise en œuvre de l’IA visuelle

Afin de concrétiser le lien de perception susmentionné, le système de correction visuelle HIRI repose sur une architecture à trois niveaux en phase d’ingénierie :

(1) Caméra industrielle RGB à double canal + étalonnage des marquages de voie

Le système déploie des équipements industriels embarqués sur les côtés gauche et droit du chariot. La caméra RGB sélectionne, pour le calcul, soit la caméra orientée vers l’avant, soit celle orientée vers l’arrière, en fonction du sens de marche du véhicule. Le champ de vision de la caméra est centré sur les marquages de voie, les limites de la chaussée, la signalisation au sol et la position relative du véhicule dans la voie. Cette configuration à double caméra fournit non seulement des repères de correction primaires dans la direction avant, mais préserve également une référence arrière, permettant de détecter toute déviation angulaire de l’orientation globale du véhicule. Après l’installation, un étalonnage des lignes de voie est effectué afin de déterminer les paramètres essentiels — tels que les points de référence, la largeur de la voie et l’échelle pixel‑réalité — et de convertir les coordonnées spatiales des marquages de voie présents sur l’image en écarts réels dans le système de coordonnées local du véhicule.

(2) ROI clé + Détection de voies de bout en bout

Le niveau de modélisation définit des zones visuelles clés autour des lignes de voie, des limites de voies et des zones praticables. Le modèle de segmentation YOLO produit principalement des masques de lignes de voie, qui sont ensuite traités en post‑traitement pour extraire les lignes centrales ; toutefois, cette approche dépend fortement de la clarté des lignes de voie, des conditions d’éclairage et des conditions météorologiques. En revanche, le modèle end‑to‑end piloté par l’IA d’HIRI apprend directement à la fois la structure et les informations catégorielles des lignes de voie, ce qui lui permet d’obtenir des résultats plus continus même dans des conditions telles que des marquages usés, des occlusions partielles, la pluie ou le brouillard, l’éblouissement et les flaques d’eau. Cela simplifie le pipeline visuel traditionnel de filtrage et de fusion des lignes de voie, permettant au modèle de produire rapidement les données relatives aux lignes de voie. Par ailleurs, il peut classer les types de lignes de voie afin d’aider à identifier des zones spéciales comme les zones de départ/arrivée et les sections de transition, évitant ainsi que ces situations critiques ne soient faussement interprétées comme de simples écarts.

(3) Stabilité à court terme de la séquence + contrôle déterministe

Le contrôle de correction des biais ne repose pas sur les résultats d’une seule reconnaissance d’image ; il intègre plutôt les écarts visuels, la direction du mouvement du véhicule, l’état de vitesse et des seuils de sécurité dans une boucle de régulation déterministe. Le système déclenche une décélération ou une protection d’arrêt en fonction de l’amplitude de l’écart calculé et valide des images anormales successives, évitant ainsi qu’une erreur de reconnaissance sur une seule image n’entraîne directement un arrêt intempestif. En cas de perte de ligne de visée ou de faible niveau de confiance, il peut être combiné avec… Le décalage GPS génère une redondance pour la protection. La valeur de correction finale est écrite dans l’automate programmable, permettant au véhicule de revenir sur la voie cible par petits pas successifs et, à terme, de maintenir le grand véhicule dans une tolérance d’écart de 3 cm.

3.2 Stratégie de contrôle

Le modèle de bout en bout renforce la stabilité des sorties relatives aux lignes de voie et aux catégories, tandis que le module de calcul géométrique convertit les résultats concernant les lignes de voie en déviation latérale. Le module de contrôle génère ensuite des commandes de correction en fonction de la déviation, de la vitesse, de la direction de conduite ainsi que de la disparité entre les caméras avant et arrière. Tout au long du processus, des seuils de décision clairs sont respectés : les situations autorisant une correction normale, celles nécessitant une décélération et celles imposant l’arrêt sont déterminées selon une logique déterministe.

En termes de performance de contrôle, le système privilégie des « petits pas avec des ajustements rapides » ainsi qu’une limitation continue du gain. Le contrôleur met à jour la commande de correction tous les 200 ms environ, en recourant au filtrage et à une limitation dynamique du gain afin de supprimer les oscillations et d’éviter des ajustements brusques et de grande amplitude susceptibles d’engendrer des mouvements latéraux du véhicule ou des chocs mécaniques. Dans des situations telles que des charges lourdes, des manœuvres d’accélération‑décélération à basse vitesse, l’approche de la position cible, ou lorsque les écarts mesurés par les caméras avant et arrière diffèrent, le système peut affiner davantage la correction d’assiette en intégrant les informations issues des deux caméras et de l’état du véhicule, ce qui se traduit par des manœuvres de correction plus douces et mieux maîtrisées.