A Multi-modal Detection System for Infrastructure-based Freight Signal Priority

Cet article présente la conception, le déploiement et l'évaluation d'un système de détection multimodal intégrant LiDAR et caméras pour la priorisation des signaux aux feux pour les camions, démontrant une surveillance fiable des mouvements de fret à haute résolution spatio-temporelle grâce à une architecture hybride et des méthodes de perception avancées.

L'essentiel

🚛 Le Problème : Les Camions qui Attendent Trop

Imaginez une intersection avec un feu rouge. Une petite voiture passe, tourne et repart. Mais un gros camion arrive, il doit s'arrêter, attendre, redémarrer lentement... C'est frustrant pour le camionneur, ça consomme beaucoup de carburant et ça pollue plus que les voitures.

L'idée du Signal Prioritaire pour le Fret (FSP), c'est comme un "feu vert magique" pour les camions. Si le système détecte qu'un camion arrive, il peut changer le feu pour lui permettre de passer sans s'arrêter. Mais pour que ça marche, le système doit être très précis : il doit savoir exactement où est le camion, à quelle vitesse il va, et surtout, c'est bien un camion (et pas une simple camionnette).

🛠️ La Solution : Des "Yeux" sur la Route

Les chercheurs de l'Université de Californie ont construit un système pour "voir" les camions avant qu'ils n'arrivent à l'intersection. Voici comment ils ont fait, avec des analogies simples :

1. Deux Paires d'Yeux pour un Seul Regard

Le terrain où ils ont installé le système est un peu compliqué : la route tourne en courbe. C'est comme si vous essayiez de voir un ami qui arrive dans un virage : vous ne le voyez pas tout de suite à cause du mur ou des arbres.

Pour résoudre ce problème, ils ont installé deux stations de surveillance :

• Station 1 (À l'intersection) : Comme un gardien de la porte, elle regarde droit devant.
• Station 2 (Au milieu de la route) : Comme un vigile placé plus loin, avant le virage, pour voir arriver le camion avant qu'il ne soit caché par la courbe.

Ces deux stations se parlent entre elles par Wi-Fi (comme deux policiers qui se passent l'info sur une radio) pour dire : "Hé, un camion arrive, prépare-toi !"

2. Le Duo Magique : Le Radar et la Caméra

Chaque station est équipée de deux outils :

• Le LiDAR (Le Radar Laser) : Imaginez un laser qui tire des milliers de petits points par seconde pour dessiner une carte en 3D de tout ce qui l'entoure. C'est comme si le camion était fait de Lego invisibles. Le LiDAR voit la forme, la taille et la distance, même dans le noir.
• La Caméra (L'Œil Humain) : Elle prend des photos pour confirmer ce que le LiDAR voit.

Ensemble, ils forment un duo infaillible : le LiDAR dit "Il y a un gros objet ici", et la caméra dit "Oui, c'est bien un camion".

🧠 Le Cerveau du Système : Comment ça marche ?

Une fois que les données arrivent, un petit ordinateur local (une "boîte noire" intelligente) doit les analyser en temps réel. Voici les étapes, expliquées simplement :

1. Redresser l'image : Parfois, le LiDAR est un peu penché sur son poteau. Le système utilise des mathématiques (comme un niveau à bulle virtuel) pour remettre tout droit, sinon un camion penché pourrait ressembler à un camion couché !
2. Nettoyer le brouillard : Le LiDAR voit aussi les arbres, les poteaux et le sol. Le système efface tout ce qui ne bouge pas (comme si on enlevait le fond d'une photo pour ne garder que les personnages qui bougent).
3. Regrouper les points : Les points du LiDAR forment des grumeaux. Le système regroupe ces grumeaux pour former des "objets".
4. Le Détective (Filtrage) : Le système utilise un outil mathématique appelé DBSCAN (un peu comme un détective qui regroupe les suspects par proximité) pour isoler les véhicules.
5. Le Suivi (Kalman) : Une fois le camion repéré, le système utilise un Filtre de Kalman. Imaginez que vous lancez une balle dans le brouillard. Vous ne la voyez pas parfaitement, mais vous devinez sa trajectoire. Ce filtre "lisse" le mouvement du camion pour prédire où il sera dans une seconde, même si le signal tremble un peu.
6. Le Tri (Camion vs Voiture) : Le système mesure la hauteur. Un camion est grand (comme un immeuble), une voiture est basse (comme une maison). Si l'objet est trop haut, c'est un camion !

📍 La Boussole : Se Repérer sur la Carte

Pour que le feu s'alligne au bon moment, le système doit savoir où il se trouve sur la carte du monde (GPS). C'est comme essayer de superposer deux calques de papier : l'un dessiné par le LiDAR, l'autre par le GPS.

Les chercheurs ont fait une "danse de calibration" : ils ont pris des photos de points fixes (comme un poteau) avec le LiDAR et le GPS en même temps, puis ils ont ajusté les deux images jusqu'à ce qu'elles se superposent parfaitement. C'est comme aligner deux puzzles pour qu'ils ne fassent qu'un.

📊 Les Résultats : Est-ce que ça marche ?

Ils ont testé le système avec 20 situations différentes (camions, camionnettes, fausses alertes).

• Le verdict : Le système est très prudent. Il ne déclenche le feu vert que s'il est sûr à 75% que c'est un camion (très peu de fausses alertes).
• Le bémol : Parfois, il rate un camion (50% de réussite), surtout si le camion est très long et qu'on ne le voit que de côté. C'est comme essayer de reconnaître un éléphant en ne voyant que son oreille : c'est difficile !
• La vitesse : Tout se passe en une fraction de seconde (moins de 0,05 seconde par image), donc c'est assez rapide pour être utilisé en temps réel sur la route.

🚀 Conclusion : Vers l'Avenir

Ce système est une première étape prometteuse. Il prouve qu'on peut utiliser des capteurs sur les routes (sans avoir besoin d'équipement spécial sur le camion lui-même) pour aider les poids lourds à circuler plus fluidement.

L'objectif final ? Créer un monde où les camions passent les intersections sans s'arrêter, économisant ainsi du carburant, réduisant la pollution et évitant les embouteillages. C'est comme donner un "passe-droit" intelligent aux géants de la route pour qu'ils ne soient plus bloqués par les petits feux rouges.

Résumé technique

1. Problématique

La mobilité des poids lourds aux intersections équipées de feux de signalisation est un enjeu majeur. Les camions, bien qu'ils ne représentent que ~9 % du trafic, contribuent à ~39 % des émissions de gaz à effet de serre sur leur cycle de vie. Les stratégies de Priorité aux Feux pour le Transport de Marchandises (FSP - Freight Signal Priority) visent à réduire les temps d'arrêt et la consommation de carburant.

Cependant, les solutions actuelles reposant sur la communication véhicule-infrastructure (V2I) nécessitent un équipement embarqué coûteux, ce qui limite leur adoption réelle. De plus, les sites d'application réels présentent des défis géométriques, tels que des courbes de route qui créent des obstructions visuelles, empêchant une détection précoce et fiable des camions à l'approche de l'intersection. Il existe donc un besoin critique de systèmes de détection basés sur l'infrastructure, capables de fonctionner sans équipement embarqué et de surmonter les limitations de visibilité.

2. Méthodologie

L'article propose un système complet de détection précoce multi-modal (LiDAR + Caméra) intégré à l'infrastructure routière.

Architecture du Système

Le système est déployé sur un site spécifique présentant une courbure de route et se compose de deux sous-systèmes interconnectés par une liaison sans fil (Ubiquiti AirFiber) :

1. Sous-système à l'intersection : Équipé d'un LiDAR solide longue portée (Livox TELE-15) et d'une caméra pour surveiller la direction sud.
2. Sous-système en milieu de bloc (Midblock) : Équipé d'un LiDAR mécanique moyenne portée (Robosense Ruby Plus) et d'une caméra, placé en amont pour compenser l'occlusion causée par la courbe de la route.
   Les données sont traitées localement sur des ordinateurs de bord (Edge Computing) avant d'être transmises au contrôleur de trafic.

Pipeline de Traitement des Données

Le traitement des données brutes suit plusieurs étapes critiques :

• Prétraitement du Nuage de Points : Correction de l'orientation (rotation pour aligner l'axe Z), découpage par région d'intérêt (ROI), réduction de la résolution par voxelisation et filtrage du bruit.
• Extraction des Objets : Utilisation d'une carte de fond hors ligne pour soustraire les éléments statiques, suivie d'un filtrage adaptatif basé sur la distance (KD-tree) pour isoler les objets en mouvement.
• Clustering et Suivi : Les points restants sont regroupés via l'algorithme DBSCAN. Le suivi temporel est assuré par un Filtre de Kalman à 6 dimensions (position et vitesse constante) pour lisser les trajectoires et estimer la vitesse.
• Détermination de la Direction et Classification : La direction d'approche est déduite du produit scalaire entre le vecteur vitesse et le vecteur de visée. La classification camion/voiture repose sur trois caractéristiques géométriques : la hauteur absolue, la hauteur relative et la distribution des points selon l'axe Z.
• Calibration GPS-LiDAR : Une procédure en deux étapes (enregistrement statique de points de référence et alignement de trajectoires dynamiques) permet d'inscrire les coordonnées du LiDAR dans un référentiel géodésique (ENU), permettant une localisation au niveau de la voie.

3. Contributions Clés

1. Architecture de détection hybride : Conception d'un système à deux sites (intersection + milieu de bloc) spécifiquement conçu pour résoudre les problèmes d'occlusion visuelle dus aux courbes de route, assurant une détection continue.
2. Pipeline de traitement complet : Développement et évaluation d'une chaîne de traitement de bout en bout, allant de l'acquisition des données brutes à la génération de requêtes de priorité, en passant par la calibration géodésique.
3. Stratégie de détection sans apprentissage profond (Deep Learning) : Face au manque de données étiquetées spécifiques aux LiDARs solides et aux camions, l'approche utilise des méthodes conventionnelles (DBSCAN + Kalman) robustes et efficaces, évitant les problèmes de généralisation des modèles pré-entraînés.
4. Évaluation orientée application : Proposition d'une méthode d'évaluation basée sur le déclenchement correct de la priorité (vrai positif/négatif au niveau de la trame) plutôt que sur la précision des boîtes englobantes, ce qui correspond mieux aux besoins opérationnels du FSP.

4. Résultats

Le système a été évalué sur le terrain avec les résultats suivants :

• Précision de Détection : Sur 20 scénarios représentatifs, le système a obtenu une précision (Precision) de 0,75 et un rappel (Recall) de 0,50.
  • Interprétation : Le système est conservateur ; il déclenche rarement de fausses alertes (faux positifs), mais peut manquer certains camions (faux négatifs), en particulier les véhicules longs partiellement visibles.
• Efficacité Temps Réel : Le temps de traitement par trame reste inférieur à 0,05 seconde, même avec une densité de points élevée, satisfaisant largement l'exigence de 10 Hz pour le déploiement en temps réel.
• Calibration GPS :
  • À l'intersection : Erreur moyenne d'enregistrement de 0,21 m et erreur d'alignement de trajectoire de 0,34 m.
  • En milieu de bloc : Les erreurs sont plus élevées (0,35 m et 0,88 m respectivement) en raison de la distance plus grande aux points de référence et de la vitesse plus élevée des véhicules, réduisant la densité des points de trajectoire.
• Localisation : La calibration permet une localisation précise au niveau de la voie, essentielle pour attribuer correctement la priorité à la bonne file de circulation.

5. Signification et Perspectives

Cette étude démontre la faisabilité technique d'un système de détection de camions basé uniquement sur l'infrastructure, capable de fonctionner dans des environnements complexes sans équipement embarqué.

• Impact Pratique : Le système offre une solution viable pour améliorer la mobilité des poids lourds et réduire les émissions, là où les solutions V2I échouent en raison du manque d'équipement sur les véhicules.
• Limites et Futur : Les auteurs reconnaissent que le rappel actuel est modéré. Les travaux futurs se concentreront sur :
  • La fusion des données caméra et LiDAR pour améliorer la classification.
  • La création d'un jeu de données multi-modal annoté spécifique aux camions et aux LiDARs solides pour permettre l'entraînement de modèles d'apprentissage profond.
  • L'amélioration de la calibration GPS en collectant des points de référence sur une surface plus large pour renforcer les contraintes géométriques.

En conclusion, ce travail fournit une base solide pour le développement de systèmes de perception infrastructurels destinés aux applications de transport intelligent (ITS) axées sur le fret.