Navigation autonome parmi les appareils de mobilité personnels – ANNAPOLIS

La méthodologie globale repose sur le paradigme de la perception augmentée et sur l'hybridation d'approches fondées sur des modèles et sur des données, complétée par la prise de décision en situation d'incertitude, afin de résoudre le problème de la conduite autonome en toute sécurité face à des événements imprévus et à des comportements à risque de la part des autres usagers de la route.

La durée du projet fixée initialement à quatre ans a été prolongée de 6 mois .

Le projet se compose de cinq lots de travaux~:

Lot1 : Management

Lot2 : Perception Collaborative

Lot3 : Détection et suivi des PPMP/PLEV - Prédiction du mouvement

Lot4 : Décision et contrôle

Lot5 : Intégration et évaluation

Les principaux résultats du projet ANNAPOLIS concernent :

Apprentissage frugal en annotations pour les RSU. Une méthode d'auto-annotation de nuages de points d'unités routières a été développée afin de réduire le coût de constitution des données d'apprentissage

Fusion collaborative et robustesse. Une fusion tardive pondérée regroupe par parcours en largeur (BFS) les boîtes issues de plusieurs agents à partir d'une IoU 3D pénalisée par l'orientation, puis calcule une boîte consensuelle pondérée par les confiances.

Usagers vulnérables et données hétérogènes. Une architecture hybride enrichit d'abord le nuage de l'ego-véhicule par des détections tardives, réalise ensuite une fusion intermédiaire, puis raffine les propositions sur la carte BEV collaborative.

Prédiction de trajectoires de véhicules aux intersections. CG-Net permet d’ améliorer la prédiction des trajectoires dans les intersections urbaines en intégrant l'information de "candidate centerlines" associée à chaque véhicule ainsi qu'un encodeur d'interactions s'inspirant du comportement humain.

Prédiction de trajectoires d'agents hétérogènes. CG-MOVE est capable de générer des prédictions diversifiées et précises à l'échelle de la scène pour des agents de natures variées (piétons, trottinettes). Notre approche s'appuie sur un module hiérarchique de Mixture-of-Experts (MoE) pour générer les probabilités des différents scénarios.

Navigation Autonome en présence d’évènements inattendus. Une approche probabiliste globale à contrôleurs multiples, est intégrée dans une architecture système fiable d'évaluation et de gestion des risques. Elle introduit une stratégie de décision et de commande reposant sur une méthode d'optimisation de trajectoire multiniveau, laquelle prend en compte les incertitudes liées aux déplacements des agents environnants grâce à une fusion de profils stochastiques de distance inter-véhiculaire prédictive (F-sPIDP).

Navigation autonome basée contexte : En intégrant des cartes haute définition (HD) fondées sur le format Lanelet2 à des données de perception en temps réel, on caractérise dynamiquement l'espace entourant un usager de la route. Cette intégration tire parti de la structure en graphe, de la richesse sémantique et de la modularité des cartes Lanelet2 pour fournir une représentation complète et contextuelle de l'environnement. L'objectif est d'appréhender la route du point de vue de l'usager en extrayant des informations pertinentes pour la navigation, favorisant ainsi une prise de décision adaptative et proactive ; cela renforce la conscience situationnelle du véhicule ainsi que sa capacité à naviguer en toute sécurité et efficacité dans des scénarios urbains.

Création de Dataset. En 2024, puis 2025, nous avons créé des datasets pour la navigation en présence de trottinettes et piétons.

En dehors des améliorations des contributions amenées dans le projet ANNAPOLIS, il est important de considérer les points suivants.

DATASETs: Le nombre et la diversité des datasets disponibles est pour l'instant insuffisant pour assurer l'entrainement de modèles basés données. Il est important de disposer d'outils d'extraction de contexte et scénarios permettant d'illustrer des situations particulières provoquées par les Véhicules Électriques Légers Personnels (PLEVs), et des les transformer en scénarios virtuels paramétrables pour enrichir les bases d'apprentissage.

La perception multi modale est un enjeu majeur pour aborder les problèmes de navigation long terme. Il est tout aussi important de repenser le contenu et la structure de la représentation de l'environnement dans lequel le véhicule autonome évolue, que d'étudier des méthodes de fusion multi sensorielles permettant d'appréhender au mieux les conditions d'acquisitions de données difficiles (météo dégradée, Nuit/jour, ...) pour les fonctions essentielles de la conduite automatisée ou autonome.

FM/LLM/VLA: Depuis le lancement du projet ANNAPOLIS, de nouvelles méthodes outils et approches ont vu le jour. Il serait intéressant de repenser l'architecture d'analyse de situation et prise de décision afin d'intégrer ces nouvelles approches tout en restant à la fois explicables, éthiques et responsables.

Decoder/Transformer/LLN: De nouveaux réseaux plus économes sont aujourd'hui possible permettant d'envisager des implémentations plus frugales.

L'extraction de carte d'attention et détection des intentions sont deux problèmes encore insuffisamment abordés.

L'acceptabilité des véhicules autonomes dans la société passe par des efforts de communication entre le véhicule autonome et ses passagers, mais aussi avec les autres usagers de l'espace navigable dans lequel évolue ce véhicule autonome.

Les centres urbains sont de plus en plus envahis par de nouveaux moyens de transport individuel électrique (trottinette électrique, Hoverboard, Gyro-roue, …) à la source directement ou indirectement de nouveaux comportements erratiques et imprévisibles dans l’environnement de circulation. La « Loi mobilité 2019 » prévoit de renvoyer l’usage des trottinettes sur la voie circulation lorsque les voies dédiées au vélo sont absentes. Dans un tel contexte, les véhicules autonomes souffrent de leur perception obtenue à partir des capteurs embarqués et parfois réduite dans le champ de mesure par des obstacles encombrants (bus, camions, …). ANNAPOLIS envisage d’augmenter la capacité de perception du véhicule dans les aspects précision, champ de mesure et contenu de l’information extraite, de rechercher de nouveaux modèles pour prendre en compte ces comportements inattendus, d’interpréter et d’analyser des scènes en constante évolution, de décider et sélectionner le meilleur mouvement futur.