Retour au portfolio
Véhicule autonome en test

Véhicule autonome : Détection de panneaux routiers

Contexte

Ce projet a été réalisé dans le cadre de mon cursus en ingénierie des systèmes numériques, avec pour objectif de développer un algorithme capable de détecter et reconnaître des panneaux routiers en temps réel, afin de réguler automatiquement la vitesse d'un véhicule autonome.

Les véhicules autonomes doivent être capables d'interpréter leur environnement pour prendre des décisions sûres. La détection des panneaux routiers est une étape clé pour respecter les limitations de vitesse et assurer la sécurité des passagers.

Python OpenCV TensorFlow IA Traitement d'image Automatique
Schéma du système de détection

Défi technique

Le principal défi était de concevoir un système capable de :

  • Détecter les panneaux routiers dans des conditions variables (luminosité, angle, distance).
  • Différencier les panneaux entre eux avec une précision élevée.
  • Intégrer la détection dans une boucle de contrôle pour ajuster la vitesse en temps réel.
  • Optimiser les performances pour un traitement fluide.
Exemples de panneaux du dataset

Solution mise en œuvre

J'ai développé une solution en plusieurs étapes :

Détection des panneaux : Utilisation d'un modèle de détection d'objets entraîné sur un dataset de panneaux routiers français. Le modèle atteint une précision de 98% sur les panneaux de limitation de vitesse.
Reconnaissance (Méthode 1) : Un alogorithme de reconnaissance de formes à été implémenté pour reconnaitre les panneaux. L'algorithme le plus efficace place et compare un nombre important de point clés pour comparer une reference à un panneau pour l'identifier.
Reconnaissance (Méthode 2) : Un réseau de neurones convolutif (CNN) a été entraîné pour classifier les panneaux détectés. Le modèle utilise TensorFlow et Keras, avec une architecture complexe pour une performance élevée.

Résultats et impact

Précision : 98% de reconnaissance correcte des panneaux de limitation de vitesse dans des conditions de test contrôlées.
Réduction des temps d'attente : Le réseau de neurones peut identifier un panneau en moins d'une seconde et agir sur le système plus rapidement.
Performance : Le réseau de neurones est compact et permet de l'integrer facilement à tout type de véhicules.
Graphique des résultats de détection

Retour d'expérience

Ce projet m'a permis de développer des compétences clés en :

  • Traitement d'image et vision par ordinateur (OpenCV).
  • Apprentissage profond (TensorFlow, Keras) pour la classification d'images.
  • Intégration de systèmes embarqués et contrôle automatique.
  • Optimisation des performances pour des applications temps réel.

J'ai particulièrement apprécié la recherche des couches adaptées au réseau de neurone convolutif. C'est la partie la plus importante du projet, elle définit quels sont les capacitées de l'IA.

Perspectives : Ce projet pourrait être étendu pour inclure la détection d'autres types de panneaux (stop, cédez le passage) et une intégration avec d'autres capteurs (LiDAR, radar) pour améliorer la robustesse du système.

Retour au portfolio