Évaluation de la performance des capteurs véhiculaires pour la détection des usagers vulnérables

RÉSUMÉ: L'automatisation graduelle des véhicules repose sur les systèmes d'aide à la conduite. Ces systèmes se basent sur les données de différents capteurs embarqués permettant de percevoir l'environnement et prendre une décision en cas de danger. Dans ce cadre s'articule ce présent projet qui vise à évaluer des capteurs de détection des usagers de la route (véhicule, piéton et cycliste) et d'obstacles. Bien que de nombreuses études d'évaluation des systèmes de détection ont été réalisées dans la littérature, ce sujet reste un défi. Ces études se concentrent sur l'évaluation d'un système composé de différents capteurs fusionnés. Cependant, ce travail évalue la performance des capteurs de manière indépendante. Cette étude vise à déterminer l'efficacité de ces dispositifs destinés à aider les conducteurs à éviter les collisions avec les usagers vulnérables et autres obstacles. Ce présent rapport présente le choix et l'intégration des capteurs véhiculaires, la réalisation de l'expérimentation et la collecte de données dans la ville de Montréal. Les capteurs de détection en question sont un lidar à état stable (solide state) et des caméras de bord (dashcams) qui permettent de détecter les usagers de la route à proximité du véhicule. 'identification des interactions se repose sur des scénarios statiques et dynamiques. Les scénarios statiques étudiés visent à examiner l'efficacité de lidar à la détection d'un piéton et d'un cône de signalisation. Par la suite, une analyse exploratrice a été réalisée pour chaque scénario. Les prédictions ont été extraites en identifiant les données atypiques (les mesures aberrantes) dans l'ensemble de données. La matrice de confusion a été générée en comparant les annotations manuelles et les prédictions. Le rappel du lidar avec l'approche de classification établie est 85,5 %. Nous analysons par la suite la performance sur la mesure de la distance pour le piéton et le cône en test statique. Nous avons calculé l'erreur moyenne absolue et le taux des mesures de la distance dans l'intervalle de tolérance 0,3 quand le piéton, ou le cône existent réellement dans le champ de vision du lidar avec des prédictions qui indiquent l'existence de ces détections. D'une façon générale, nous constatons que l'erreur ne dépasse pas 2,6 m pour tous les segments sauf le segment 12 qui a une erreur de 7,12 m. Mais, le taux des mesures de la distance dans l'intervalle de tolérance ne dépasse pas 52 %. Pour l'étude dynamique, deux expériences ont été réalisées au centre de l'île de Montréal en hiver. La première expérience a duré plus que 2 heures à la fin de la semaine. La deuxième expérience a duré plus que 3 heures au milieu de la semaine. Des interactions avec les types d'usagers (voiture, piéton, cycliste) ont été analysées à partir des données collectées depuis le lidar. Pour les scénarios étudiés, les détections coïncident entre les segments voisins. Finalement, les caméras de bord sont incapables de détecter les usagers vulnérables avec une vitesse inférieure à 50 km/h. Nous constatons que les caméras Garmin 66 w et Thinkware Q800 ne sont pas destiné pour la détection des usagers vulnérables au milieu urbain. ABSTRACT: Advanced driver assistance systems are based on various sensors, which record data and detect vulnerable road users. In that context, this project aims to evaluate obstacle and road user detection sensors through the study of interactions between road users. Numerous studies evaluating obstacle detection systems have been carried out in the literature. These studies focus on the evaluation of the fusion of different sensors. However, this work evaluates the performance of sensors independently. This report presents the steps of the choice and the integration of vehicle sensors, the implementation of the experiment, and the data collection by circulating in dangerous zones in the city of Montreal. The detection sensors in question are a solid-state lidar and dashcams which detect road users near the vehicle. The identification of interactions is based on static and dynamic scenarios. The static scenarios studied aim to examine the effectiveness of lidar in detecting a pedestrian and a traffic cone. After extracting the observations corresponding to the areas of interest, an exploratory analysis was carried out for each scenario. Objects of interest were extracted by identifying outliers. Confusion matrix was generated by comparing the actual and estimated detections. In static scenarios, the lidar recall with the studied approach is 85.5%. Then, we analyze the performance on the measurement of the distance for the pedestrian and the cone in static test. The mean absolute error and the rate of the measurements of the distance on the tolerance range of 0,3 m were calculated when the pedestrian and the traffic cone exist in the field of view of the lidar and the predictions detect their presence. In general, the error does not exceed 2,6 m for all segments except segment 12 which has an error of 7,12 m. However, the rate of the measurements on the tolerance range do not exceed 52%. For the dynamic study, two experiments were carried out in the center of the island of Montreal in winter. The first experience lasted more than two hours at the end of the week. The second experiment lasted more than three hours in the middle of the week. Interactions with the types of users (car, pedestrian, cyclist) were analyzed from the observations of lidar. We notice a strong consistency in the distance to the object of interest between the neighboring segments. Finally, dashcams are not able to detect vulnerable users with speed below 50 km/h. Dashcams Garmin 66 W and Thinkware Q800 are not intended for the detection of vulnerable users in urban areas