Académique Documents
Professionnel Documents
Culture Documents
Le deep learning est utilisé dans le fonctionnement des voitures autonomes, afin de reconnaître un
piéton, à l'aide de caméras et de capteurs, et permet l'identification de panneaux de signalisation.
Qu'est-ce que "la chaîne de traitement d'une voiture autonome" (il est possible, et même
souhaitable, de faire un schéma) ?
La chaîne de traitement d'une voiture autonome est le processus par lequel les données provenant
des différents capteurs de la voiture autonome sont collectées, traitées et utilisées pour prendre des
décisions en temps réel. Cette chaîne de traitement comprend généralement plusieurs étapes,
notamment la collecte de données à partir des capteurs, le prétraitement des données, la fusion des
données provenant de différents capteurs, la perception de l'environnement, la prise de décision, la
planification de trajectoire et le contrôle de la voiture.
Les capteurs utilisés dans les voitures autonomes peuvent inclure des caméras, des lidars, des radars
et des capteurs de proximité. Les données collectées à partir de ces capteurs sont généralement
prétraitées pour supprimer les bruits et les erreurs avant d'être utilisées pour la perception de
l'environnement.
La perception de l'environnement implique d'analyser les données des capteurs pour comprendre
l'environnement de conduite de la voiture, tels que la position des autres véhicules, les piétons, les
obstacles, les marquages de route, les panneaux de signalisation et les feux de circulation. La prise de
décision consiste à utiliser ces informations pour déterminer les actions à entreprendre, telles que la
vitesse et la direction à suivre. La planification de trajectoire est le processus de sélection de la
trajectoire la plus appropriée pour la voiture, en tenant compte de l'environnement de conduite et
des décisions prises. Enfin, le contrôle de la voiture implique de commander les actionneurs de la
voiture, tels que les moteurs et les freins, pour effectuer les actions planifiées.