Accueil › Glossaire › Computer Vision Automobile

Computer Vision Automobile

La computer vision automobile (vision par ordinateur appliquée à l’automobile) désigne l’ensemble des techniques d’intelligence artificielle qui permettent à un véhicule d’analyser des données visuelles (images de caméras, nuages de points LiDAR) pour percevoir, interpréter et comprendre son environnement routier en temps réel.

C’est le « système visuel » des voitures intelligentes. Sans computer vision, un véhicule est aveugle : il ne peut ni détecter un piéton, ni lire un panneau, ni suivre une voie. En 2026, la vision par ordinateur automobile est au cœur de tous les systèmes ADAS (des centaines de millions de véhicules équipés) et de tous les systèmes de conduite autonome de niveau 3+. C’est le domaine d’application du deep learning qui traite le plus grand volume de données en temps réel, avec les contraintes de latence et de fiabilité les plus strictes qui soient : une erreur de détection peut tuer.

Les tâches fondamentales

La computer vision automobile se décompose en plusieurs tâches complémentaires. Chaque tâche répond à une question différente que le véhicule doit résoudre en permanence.

Détection d’objets (Object Detection)

La tâche la plus critique : identifier et localiser chaque objet de la scène routière avec une boîte englobante (bounding box). Véhicules, piétons, cyclistes, motos, camions, animaux, cônes de chantier, barrières. Le modèle doit fonctionner en temps réel, par tous les temps, de jour comme de nuit.

Les architectures dominantes :

YOLOv8 reste la référence pratique pour les systèmes ADAS embarqués grâce à son compromis vitesse/précision. Les recherches de 2025-2026 montrent qu’il surpasse les modèles Transformer comme RT-DETR en conditions réelles, notamment pour la gestion des déséquilibres de classes (piétons et cyclistes sous-représentés). AWD-YOLO (Adverse Weather Dual-backbone YOLO), publié début 2026, est spécifiquement conçu pour maintenir la détection dans des conditions dégradées en utilisant un double backbone qui traite simultanément l’image brute et une version prétraitée.

Segmentation sémantique et d’instances

La segmentation attribue une classe à chaque pixel de l’image. La segmentation sémantique classifie les pixels en catégories (route, trottoir, végétation, ciel, bâtiment, véhicule, piéton). La segmentation d’instances va plus loin en distinguant les objets individuels (la voiture A vs la voiture B).

Cette tâche est essentielle pour comprendre « l’espace praticable » (drivable space) : la zone où le véhicule peut circuler en toute sécurité. Les architectures U-Net, DeepLabv3+ et SegFormer sont les plus utilisées. Le dataset Cityscapes (5 000 images finement annotées de scènes urbaines européennes) est le benchmark de référence.

Estimation de profondeur monoculaire

Estimer la distance des objets à partir d’une seule caméra (sans LiDAR ni stéréo). C’est un problème fondamentalement mal posé (une image 2D ne contient pas explicitement l’information de profondeur), mais les réseaux de neurones apprennent à inférer la profondeur à partir d’indices visuels (taille relative, perspective, occlusion, texture).

L’estimation de profondeur monoculaire est critique pour les systèmes « vision seule » comme Tesla, qui n’utilisent pas de LiDAR. La précision reste inférieure à la mesure directe du LiDAR, mais elle s’améliore rapidement grâce aux architectures à attention et aux volumes massifs de données d’entraînement.

Détection de voies et marquages

Identifier les lignes de voie, les lignes de stop, les passages piétons et les limites de la chaussée. C’est la base du centrage de voie (lane centering) et de l’alerte de sortie de voie (LDW). Les modèles spécialisés comme LaneNet et Ultra-Fast-Lane-Detection traitent cette tâche avec une latence extrêmement faible.

Reconnaissance de panneaux et feux

Détecter et classifier les panneaux de signalisation, les feux tricolores et leur état (rouge, vert, orange, flèches directionnelles). Le GSR2 européen exige une précision supérieure à 90 % pour la reconnaissance de panneaux dans le cadre de l’ISA (Intelligent Speed Assistance). Les modèles combinent CNN pour la détection et classifieurs spécialisés pour la reconnaissance fine du contenu.

Suivi d’objets (Object Tracking)

Maintenir l’identité de chaque objet détecté d’une frame à la suivante. Si le modèle détecte un piéton dans la frame N, il doit savoir que c’est le même piéton dans la frame N+1, même s’il a bougé ou est partiellement occlus. Les algorithmes comme DeepSORT et ByteTrack combinent détection par deep learning et filtrage de Kalman pour le suivi multi-objets.

Prédiction de trajectoire

Anticiper les mouvements futurs des agents détectés (véhicules, piétons, cyclistes). Le piéton va-t-il traverser ? Le véhicule devant va-t-il tourner ? Les modèles de prédiction utilisent des Transformers temporels entraînés sur des datasets comme Argoverse, Waymo Open Dataset et nuScenes pour prédire des trajectoires multimodales (plusieurs scénarios possibles avec probabilités associées).

Évolution des architectures

L’ère des CNN (2012-2020)

Les réseaux de neurones convolutifs (CNN) ont dominé la vision par ordinateur automobile pendant une décennie. AlexNet (2012), VGG, ResNet (2015) puis EfficientNet ont servi de backbones (extracteurs de features) pour toutes les tâches de perception. Les CNN excellent dans l’extraction de patterns locaux (bords, textures, formes) grâce à leurs filtres convolutifs, mais capturent mal les relations à longue distance dans l’image.

L’irruption des Transformers (2020-présent)

L’application des Vision Transformers (ViT) à la perception automobile a marqué un tournant. Le mécanisme d’attention permet de capturer des relations globales dans l’image, ce qui est crucial pour comprendre des scènes complexes (un piéton partiellement caché par un véhicule, un panneau reflété dans une vitre). Les architectures hybrides (backbone CNN + attention Transformer) comme Swin Transformer et BEVFormer offrent le meilleur des deux mondes.

La révolution BEV (Bird’s Eye View)

La tendance architecturale majeure de 2023-2026 est la représentation en vue de dessus (Bird’s Eye View, BEV). Au lieu de traiter chaque image caméra indépendamment, les modèles BEV projettent les données de toutes les caméras (et éventuellement du LiDAR et du radar) dans un espace 3D unifié vu de dessus. Cela simplifie la fusion multi-capteurs et la planification de trajectoire.

BEVFormer utilise des queries Transformer pour extraire des features BEV à partir de plusieurs caméras. BEVFusion fusionne les représentations BEV de caméras et de LiDAR. Tesla utilise une architecture de ce type (BEV + Transformers temporels) pour son système FSD. C’est l’approche standard des systèmes de perception de nouvelle génération.

End-to-end : du pixel à la commande

La tendance la plus récente est le remplacement du pipeline modulaire (détection → suivi → prédiction → planification) par des modèles end-to-end qui prennent les pixels en entrée et produisent directement les commandes de conduite. GenAD traite la conduite autonome comme un problème de modélisation générative. ST-P3 utilise l’apprentissage spatio-temporel pour unifier perception, prédiction et planification.

Mobileye, au CES 2026, a présenté son architecture « fast thinking / slow thinking » : un système rapide (latence minimale, contrôle en temps réel) et un système lent (modèle vision-langage-sémantique-action, VLSA, pour la compréhension profonde des scènes complexes). Le système VLSA ne contrôle pas directement le véhicule mais fournit un guidage sémantique structuré au planificateur, tandis que le contrôle critique reste dans la couche rapide avec des garanties de sécurité formelles.

Les capteurs visuels et leur traitement

Caméras RGB

Le capteur le plus répandu et le moins cher. Les caméras modernes pour l’automobile atteignent 8 à 17 mégapixels (Waymo 6e gen utilise des caméras 17 MP, les plus hautes résolutions de l’industrie). Un véhicule autonome typique utilise 6 à 12 caméras pour une couverture à 360°. Mobileye traite les données de toutes les caméras et radars sur une seule puce EyeQ6H.

Caméras stéréo

Deux caméras espacées de quelques centimètres simulent la vision binoculaire humaine. La disparité entre les deux images permet de calculer la profondeur par triangulation. Subaru EyeSight utilise exclusivement la stéréovision. La précision de profondeur est bonne à courte et moyenne portée mais se dégrade avec la distance.

Caméras infrarouges et thermiques

Les caméras thermiques détectent le rayonnement infrarouge émis par les objets chauds (piétons, animaux, véhicules) et fonctionnent en totale obscurité. Les systèmes de vision nocturne (Audi, BMW, Mercedes) utilisent des caméras infrarouges longue portée. Leur résolution est inférieure aux caméras RGB mais elles apportent une information complémentaire critique la nuit.

Caméras événementielles (neuromorphiques)

Les caméras événementielles (event cameras) ne capturent pas des images à intervalles fixes mais enregistrent les changements de luminosité pixel par pixel, de façon asynchrone. Elles offrent une résolution temporelle de l’ordre de la microseconde, une plage dynamique extrêmement élevée (140 dB vs 60 dB pour une caméra classique) et une consommation très faible. Elles excellent dans les conditions d’éclairage difficiles (contre-jour, tunnels) et pour la détection d’objets rapides. Les datasets GEN1 et 1MP sont les benchmarks de référence pour la détection d’objets basée sur des caméras événementielles.

Fusion multi-capteurs

La fusion de capteurs combine caméras, LiDAR et radar pour une perception robuste. L’approche BEV (Bird’s Eye View) est le framework de fusion dominant en 2026 : toutes les modalités sont projetées dans un espace commun en vue de dessus, ce qui facilite la détection 3D et la planification. La fusion mid-level (au niveau des features extraites) est préférée à la fusion early (données brutes) ou late (décisions) car elle offre le meilleur compromis entre richesse d’information et robustesse aux pannes de capteur.

Défis spécifiques à l’automobile

Contrainte temps réel

Un système ADAS ou de conduite autonome doit traiter les images et prendre des décisions en moins de 100 millisecondes (souvent moins de 50 ms). À 130 km/h, un véhicule parcourt 3,6 mètres en 100 ms. Tout retard dans la détection peut être fatal. Les modèles doivent être optimisés pour l’inférence embarquée : quantification (INT8), pruning, distillation de connaissances, compilation TensorRT.

Conditions dégradées

Pluie, neige, brouillard, nuit, contre-jour, éblouissement : les conditions de conduite réelles sont bien plus variées que les datasets d’entraînement. La détection d’objets peut chuter de 20 à 40 % par pluie forte. Les modèles comme AWD-YOLO (double backbone, fusion features brutes et prétraitées) et les architectures avec augmentation de données spécifique (simulations météo, dégradation d’images) adressent ce problème.

Cas limites (edge cases)

Un piéton avec un parapluie, un enfant déguisé, un camion transportant un bateau, un animal traversant la route : les cas rares mais critiques (la « longue traîne ») sont le défi principal. Les modèles entraînés sur les situations courantes échouent sur ces cas atypiques. La réponse passe par la simulation massive (CARLA, Waymo SimCraft), la génération de données synthétiques (NVIDIA Cosmos, LidarGen), et la détection de monde ouvert (open-world detection) qui identifie les objets inconnus.

Explicabilité

Un réseau de neurones qui détecte un piéton ne peut pas « expliquer » pourquoi il l’a détecté. Pour la certification et la confiance des régulateurs, l’IA explicable (XAI, Explainable AI) appliquée à la perception automobile est un axe de recherche actif. Les techniques de feature attribution et d’attention visualization permettent de comprendre quelles zones de l’image ont influencé la décision du modèle.

Datasets et benchmarks

Processeurs et matériel embarqué

La computer vision automobile nécessite des processeurs capables d’exécuter des milliards d’opérations par seconde (TOPS) tout en consommant peu d’énergie. Les puces spécialisées intègrent des accélérateurs d’inférence IA (NPU, Neural Processing Unit) optimisés pour les opérations matricielles des CNN et Transformers.

La tendance est à la centralisation : un seul supercalculateur par véhicule qui traite toutes les tâches de perception, planification et contrôle, au lieu de dizaines d’ECU (Electronic Control Units) indépendants. Mobileye traite les données de l’ensemble des caméras et radars sur une seule puce EyeQ6H dans un seul boîtier ECU, réduisant la complexité et le coût pour les constructeurs.

Au-delà de la route : vision en production automobile

La computer vision ne sert pas uniquement sur la route. Elle transforme aussi les usines automobiles. L’inspection visuelle automatisée (contrôle qualité de peinture, détection de défauts de soudure, vérification d’assemblage) utilise les mêmes technologies de deep learning que la perception routière. La traçabilité par vision (lecture de codes-barres, suivi de pièces sur la chaîne) améliore l’efficacité de la supply chain. C’est un marché adjacent en forte croissance.

Verdict

La computer vision est le sens le plus important d’un véhicule intelligent. Sans elle, pas d’ADAS, pas de conduite autonome, pas de robotaxi. En 2026, le domaine connaît une triple transformation : le passage aux architectures Transformer et BEV pour une compréhension de scène plus profonde, l’émergence des modèles end-to-end qui unifient perception et planification, et l’arrivée de processeurs embarqués massivement plus puissants (NVIDIA Thor à 2 000 TOPS).

Le défi reste le même depuis le début : fonctionner de façon fiable dans toutes les conditions réelles, y compris les cas rares et les conditions météo extrêmes. C’est ce qui sépare un prototype impressionnant en démo d’un système qui peut être déployé sur des millions de véhicules sans mettre de vies en danger.

Pour un développeur IA, la perception automobile est l’un des domaines les plus exigeants et les mieux rémunérés. Il combine vision par ordinateur, traitement de nuages de points 3D, architectures Transformer, optimisation embarquée et une dose d’ingénierie système que peu d’autres applications requièrent.