Introduction
La perception de la courbure de la route est un défi fondamental pour les systèmes de vision embarquée, notamment ceux équipés de caméras frontales. En effet, la distorsion perspective inhérente à ces caméras rend complexe la détection et l’interprétation des marquages au sol, qui sont souvent intermittents ou partiellement effacés. Cette complexité est accentuée lorsque le véhicule s’engage dans des virages, où la géométrie de la scène évolue rapidement et où la précision de l’estimation du rayon de courbure est cruciale pour la sécurité et la conduite assistée. Comprendre et modéliser cette courbure à partir des images nécessite donc des méthodes robustes capables de transformer la vision 2D en une représentation géométrique fiable du monde réel.
1. De la caméra au monde : IPM et point de fuite
L’Inverse Perspective Mapping (IPM) est une technique clé pour transformer les images capturées par une caméra frontale en une vue dite « bird’s eye view » (BEV), ou vue de dessus. Cette transformation géométrique corrige la distorsion perspective et projette les marquages de voie sur un plan horizontal, facilitant ainsi leur analyse. Le point de fuite, quant à lui, est un indicateur fondamental qui correspond à la direction vers laquelle convergent les lignes parallèles dans l’image. En estimant précisément ce point, on peut déduire le cap du véhicule et, par extension, la courbure de la trajectoire. L’IPM combinée à l’analyse du point de fuite permet donc de passer d’une image 2D à une estimation 3D de la géométrie routière, essentielle pour anticiper les virages.
2. BEV et apprentissage profond
Les approches récentes exploitent des modèles d’apprentissage profond pour améliorer l’estimation de la géométrie routière à partir des flux caméra multiples. Des architectures telles que BEVRender ou BEVDepth utilisent des réseaux convolutifs ou des transformers pour extraire des représentations riches et contextuelles de la scène. Ces modèles apprennent à synthétiser une vue BEV à partir de plusieurs images, capturant non seulement les marquages au sol mais aussi la topologie et la courbure de la route. Grâce à ces techniques, il est possible d’estimer avec une grande finesse le rayon de courbure, même dans des conditions visuelles difficiles, en tirant parti de la puissance de l’apprentissage automatique pour généraliser à des configurations variées.
3. Fusion visuo-inertielle
Malgré les progrès de la vision par ordinateur, les approches purement visuelles restent vulnérables aux perturbations telles que le roulis du véhicule, la disparition temporaire des marquages ou les variations d’éclairage. La fusion visuo-inertielle apporte une solution en combinant les données issues des caméras avec celles des unités de mesure inertielle (IMU), notamment la vitesse angulaire et le yaw rate. Ces informations inertielle permettent de compenser les effets dynamiques du véhicule et d’améliorer la robustesse de l’estimation de la courbure. Ainsi, la complémentarité entre vision et inertie est un levier essentiel pour obtenir une perception fiable et stable des virages en conditions réelles.
4. Démonstration avec RS3
RoadSimulator3 (RS3) est un outil puissant pour simuler des trajectoires routières complexes, incluant des virages variés et des marquages dégradés. Il permet de tester et valider des algorithmes tels que l’IPM et BEVRender dans un environnement contrôlé et reproductible. Grâce aux champs Telemachus comme curvature_radius, curvature_sign et yaw_rate, RS3 offre un cadre précis pour évaluer la performance des méthodes d’estimation de la courbure. Cette simulation facilite le développement et l’optimisation des algorithmes visuo-inertiels avant leur déploiement sur véhicule réel, en garantissant une compréhension fine des interactions entre perception et dynamique.
Conclusion
L’estimation de la courbure à partir de la vision embarquée est un enjeu majeur pour la conduite assistée et autonome. La combinaison des techniques géométriques classiques comme l’IPM, des approches modernes d’apprentissage profond en BEV, et de la fusion visuo-inertielle ouvre la voie à des systèmes robustes et précis. En outre, les environnements simulés tels que RS3 permettent d’explorer des stratégies d’apprentissage auto-supervisé, offrant la perspective d’une amélioration continue des performances dans des scénarios variés. La complémentarité entre vision et inertie demeure ainsi la clé pour une perception fiable et sécurisée des virages.