Systèmes de Vision et Off-road

Le principe de fonctionnement

Les systèmes d’aide à la conduite pour les véhicules industriels, tels que les chariots élévateurs et les nacelles, s’appuient sur des technologies avancées de capteurs et de traitement local des données (Edge Computing). Ils utilisent des capteurs vidéo, radar ou LiDAR pour capturer des informations en temps réel sur l’environnement du véhicule, en intérieur comme en extérieur. Grâce à des algorithmes de machine learning – multilayer perceptron (MLP), support vector machine (SVM) – et de deep learning (DL) tels que les réseaux de neurones convolutifs (CNN) ou récurrents (RNN), les données sont analysées pour détecter et classifier les objets situés autour du véhicule. Le système alerte l’opérateur en cas de danger potentiel via une interface homme-machine (IHM), sous forme de signaux visuels ou sonores. Cette assistance permet d’anticiper les risques d’accidents et peut même suggérer des actions correctives. Une fonctionnalité supplémentaire d’enregistrement de séquences avant et après un choc peut également être proposée, à la manière d’une dashcam, afin de fournir des informations contextuelles en cas d’incidents et mettre en place des actions correctives.

Gérer des conditions environnementales complexes

L’un des défis majeurs du traitement des images réside dans la gestion des conditions environnementales en intérieur et/ou en extérieur, telles que des angles de vue limités, des objets masqués ou des variations de luminosité (diurne – nocturne) et de conditions météorologiques (brouillard, pluie, …). Pour permettre une reconstitution fiable de la scène, même dans des conditions difficiles, les systèmes peuvent combiner:

• Plusieurs technologies de capteurs (caméra, radar, LiDAR) dont le maillage de données capturées constitue un vaste jeu de données, exploitable pour une analyse approfondie par l’intelligence artificielle.
• Des capteurs vidéo utilisant des technologies avancées comme la vision panoramique, la vision stéréoscopique 3D ou encore l’infrarouge.
• Des algorithmes robustes de détection et classification d’images.

Ces technologies offrent ainsi une assistance optimale pour l’opérateur tout en garantissant une sécurité accrue dans des situations de travail complexes.

Exemples de cas d’usage

• Chariots élévateurs : En analysant l’environnement proche du véhicule, les systèmes de vision assistent l’opérateur dans la manipulation du chariot élévateur, qui s’avère d’autant plus délicate dans les milieux intralogistiques avec allées très étroites (VNA, Very Narrow Aisles). Au-delà d’éviter de potentielles collisions, les caméras ou les scanners facilitent le travail de l’opérateur en l’aidant à positionner correctement les fourches du chariot pour récupérer ou déposer une palette, même à très grande hauteur (> 10 m) sans risque de chute.
• Nacelles élévatrices : Les systèmes de vision permettent à la nacelle d’opérer même dans des conditions de faible visibilité, prolongeant ainsi les périodes de travail tout en maintenant la sécurité.

En prévenant des collisions et en facilitant la manœuvre, ces dispositifs limitent fortement la probabilité d’accidents humains, les dommages matériels, augmentent la productivité et réduisent la fatigue et le stress chez l’opérateur.

Points clés pour l’intégration d’équipements ADAS dans les véhicules industriels off-road

Même si ces applications ne demandent pas nécessairement un développement d’algorithmes complexes, plusieurs aspects méritent une attention particulière :

• Intégration dans l’architecture finale du véhicule : Le système doit être suffisamment compact pour être intégré facilement dans le châssis du véhicule. Cela est d’autant plus crucial dans le cadre d’un projet de rétrofit, où l’espace disponible est limité.
• Compréhension du milieu dans lequel évolue le véhicule industriel : Un environnement industriel exige une solution suffisamment robuste pour résister aux vibrations, aux variations de température et à d’éventuels chocs et ainsi minimiser les risques de défaillances. De plus, la solution devra adapter le choix des capteurs et les algorithmes en fonction de la zone d’évolution du véhicule, en intérieur et/ou en extérieur.
• Contraintes liées à l’Edge Computing : Dans les cas de traitement local des données, les contraintes énergétiques, thermiques et de durabilité sont des critères essentiels dans la conception du système et la sélection du SoC intégré. Ces critères déterminent en effet la performance globale et la fiabilité des dispositifs déployés.