Partager

Génération de scénarios de test pour la sécurité des véhicules autonomes

Crédit : Metamorworks / Adobe Stock
La sécurité des véhicules autonomes est difficile à garantir, du fait de la grande diversité des scénarios de conduite. L’approche du CEA-List repose sur l’établissement d’une base de scénarios de conduite abstraits, variés et représentatifs, pour le test des véhicules autonomes.

Le projet IRT SystemX 3SA a abouti à la conception d’une méthode outillée pour établir une base de scénarios de tests représentatifs, afin d’évaluer la sécurité des Véhicules Autonomes (VA) dans divers environnements et situations de conduite. Trois catégories de scénarios sont prises en compte : ceux qui sont issus d’accidents réels, de tests sur route réelle et de simulations numériques. Le choix de tests aléatoires ne garantit pas une représentativité suffisante et la sélection des situations les plus courantes risque de négliger des scénarios rares mais dangereux (selon la norme ISO/PAS 21448 SOTIF).

Pour résoudre ce problème, le CEA-List propose une approche utilisant un modèle abstrait du système au niveau des scénarios logiques. Ces derniers se présentent sous la forme de séquences temporelles de scènes de conduite, avec des paramètres définis dans un espace d’états discrets. Par exemple, les espaces d’état discrets du paramètre « accélération » peuvent être «accélération constante», « ralenti faible» ou « ralenti fort », etc. Les scénarios de test concrets sont dérivés de ces abstractions en numérisant les paramètres, en vue de leur simulation.

L’équipe a développé une méthode outillée pour générer ces scénarios logiques. Cela implique la construction d’un modèle abstrait dans l’outil Diversity du CEA-List, incluant le comportement du Véhicule Autonome (VA) et des autres acteurs routiers, puis l’utilisation d’un algorithme d’exécution symbolique pour explorer les chemins possibles du modèle. Ce dernier permet de générer un ensemble minimal de scénarios logiques abstraits couvrant l’ensemble des scénarios réels possibles à partir de la situation initiale.

Cycle d’un modèle

La cohérence du modèle est vérifiée par comparaison avec la simulation. Cela inclut l’abstraction et la discrétisation d’une série temporelle de données simulant le VA réel, le test d’appartenance pour vérifier la correspondance avec le modèle abstrait et le raffinement du modèle abstrait en tenant compte des écarts avec les phénomènes physiques.

Cette méthodologie a été appliquée à une situation de conduite impliquant une manœuvre de cut-in (insertion d’un véhicule dans une voie de circulation).

Situation de conduite cut-in

Sur la base du modèle de conception du système, notre méthode génère des scénarios de test abstraits et représentatifs, en tenant compte des normes.

Rebecca Cabean

Boutheina Bannour

Dr Ingénieure-chercheuse — CEA

A lire également

Enjeux

Intelligence artificielle

Les technologies d’intelligence artificielle se sont glissées dans tous les interstices de nos vies, privées comme professionnelles. Elles transforment nos activités, nos relations avec les autre...
Lire la suite
Plateformes technologiques

Intelligence artificielle

La plateforme IA Responsable met à disposition des partenaires du CEA-List un ensemble de moyens pour concevoir et valider des intelligences artificielles performantes, de confiance et frugales et po...
Lire la suite
Domaines applicatifs

Mobilité : des enjeux de confiance et de respect de l’environnement

Le CEA-List apporte des réponses aux grandes transformations de la mobilité : le numérique, la décarbonation et les nouveaux modèles d’affaires.
Lire la suite