⚡ electrical engineering

Highway Readiness Assessment for SAE Levels of Automation and V2X Notification

Ce document propose un indice quantitatif de préparation des autoroutes (HRI) pour évaluer le soutien des infrastructures aux niveaux d'automatisation SAE au moyen d'attributs statiques du domaine opérationnel de conception pondérés par des experts, en démontre l'application dans une étude de cas visant à identifier les lacunes en matière d'infrastructures, et décrit son intégration dans les messages IVIM pour communiquer aux véhicules connectés des consignes d'automatisation au niveau des segments.

Auteurs originaux : Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Publié 2026-05-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de conduire une voiture autonome. Vous pourriez penser que la voiture est la seule chose qui compte, mais ce document soutient que la route elle-même est tout aussi importante. Les auteurs, une équipe composée d'universitaires et d'une entreprise de gestion autoroutière en Italie, ont réalisé que, tandis que nous construisons de meilleures voitures, nous ne disposons pas d'un bon moyen de mesurer si nos routes sont réellement « prêtes » pour elles.

Voici la décomposition de leur solution, expliquée simplement :

1. Le Problème : Le fossé du « Permis de conduire »

Pensez aux voitures autonomes comme à des élèves apprenant à conduire.

Les Niveaux SAE 1–2 sont comme un élève avec un permis d'apprenti : ils peuvent diriger ou freiner automatiquement, mais un humain doit toujours surveiller la route.
Les Niveaux SAE 3–4 sont comme un élève avec un permis complet : la voiture conduit elle-même, et l'humain ne reprend le contrôle que si quelque chose tourne mal.

Le problème est que les routes sont comme des salles de classe. Certaines salles ont des tableaux blancs, un bon éclairage et des bureaux silencieux (idéal pour apprendre). D'autres ont de la peinture écaillée, des lumières cassées et des travaux de construction bruyants à côté (terrible pour apprendre). Actuellement, les gestionnaires de routes n'ont pas de test pour voir si leur « salle de classe » est assez bonne pour qu'un « élève » passe à un niveau de conduite supérieur.

2. La Solution : L'« Indice de Prêtitude Autoroutière » (HRI)

Les auteurs ont créé une fiche de notes appelée Indice de Prêtitude Autoroutière (HRI). Imaginez cela comme un bulletin scolaire pour la route.

Au lieu de simplement regarder la route et de deviner, ils ont décomposé la route en parties spécifiques et mesurables, telles que :

La Peinture : Les lignes de voie sont-elles lumineuses, larges et cohérentes ? (Si la peinture est fanée, la voiture se perd).
Les Panneaux : La voiture peut-elle lire les panneaux clairement ?
La Surface : L'asphalte est-il lisse, ou est-il bosselé et fissuré ?
La Carte Numérique : La voiture dispose-t-elle d'une « carte GPS » ultra-détaillée (carte HD) chargée avant même de commencer à conduire ?

3. Comment ils ont créé la fiche de notes

Pour s'assurer que la fiche de notes était équitable, ils ont demandé à 17 experts (comme des professeurs, des ingénieurs et des directeurs technologiques) de voter sur ce qui compte le plus.

Pour l'« Élève » (SAE 1–2) : Les experts ont déclaré que la peinture claire et les panneaux visibles sont les plus importants. Si les lignes sont désordonnées, le conducteur humain doit reprendre le contrôle.
Pour le « Diplômé » (SAE 3–4) : Les experts ont dit que tout compte davantage, mais les Cartes HD et les voies d'urgence sont devenus critiques. Une voiture autonome a besoin d'une carte numérique parfaite pour savoir exactement où elle se trouve, et elle a besoin d'un endroit sûr pour s'arrêter si elle reste bloquée.

Ils ont transformé ces opinions en poids mathématiques. Si une route a une excellente peinture mais pas de carte HD, le score pour le niveau « Diplômé » chute considérablement.

4. Le Message « Feux de circulation » (IVIM)

Une fois le score calculé, ils le transforment en un message numérique envoyé de la route à la voiture. Imaginez un feu de circulation, mais au lieu de Rouge/Jaune/Vert, il dit à la voiture :

Vert (Score élevé) : « Vous êtes en sécurité pour conduire seul au niveau 4. »
Jaune (Score moyen) : « Vous pouvez essayer le niveau 2, mais faites attention. »
Rouge (Score faible) : « Ne faites pas confiance à l'automatisation ; l'humain doit conduire. »

Ce message est envoyé via un système standard appelé IVIM. C'est comme si la route chuchotait à la voiture : « Hé, la peinture s'écaille plus loin, n'essaie pas de conduire toi-même ici. »

5. Test sur une vraie autoroute

Ils ont testé cela sur un tronçon de 24 kilomètres d'autoroute en Italie.

Scénario A (Jour normal) : La route était bien entretenue. Le score était élevé, et le système a dit : « Oui, les voitures peuvent conduire seules ici. »
Scénario B (Travaux routiers) : Ils ont simulé des travaux de construction avec une peinture temporaire désordonnée. Le score a chuté brutalement. Le système a immédiatement dit à la voiture : « Non, reprends le volant », car les conditions étaient trop risquées pour une voiture autonome.
Scénario C (Mauvais entretien) : Ils ont simulé une route avec un revêtement fissuré et des panneaux manquants. Le score s'est effondré. Le système a dit : « Pas d'automatisation autorisée. »

La Grande Conclusion :
Le document montre que vous ne pouvez pas simplement construire une voiture intelligente et vous attendre à ce qu'elle fonctionne partout. Vous avez besoin d'une route intelligente pour l'accompagner. En utilisant ce « Bulletin Scolaire » (HRI), les gestionnaires de routes peuvent voir exactement où ils doivent réparer la peinture ou ajouter des cartes numériques pour rendre l'autoroute sûre pour les voitures autonomes. Cela transforme l'idée vague de « cette route est-elle prête ? » en une réponse claire et numérique.

Résumé Technique : Évaluation de la Prêtitude des Autoroutes pour les Niveaux d'Automatisation SAE et la Notification V2X

Énoncé du Problème

Malgré les avancées rapides des technologies de conduite automatisée (AuD), les gestionnaires de voirie manquent actuellement de méthodes pratiques et quantitatives pour évaluer si leur infrastructure existante peut prendre en charge des niveaux d'automatisation (LOA) spécifiques. Bien que les normes définissent les Domaines de Conception Opérationnelle (ODD) et les niveaux d'automatisation, elles ne fournissent pas de cadre reproductible pour mapper les caractéristiques statiques de la chaussée aux exigences opérationnelles des Systèmes de Conduite Automatisée (ADS). Par conséquent, les autorités ne peuvent pas identifier systématiquement les facteurs physiques ou liés à la maintenance qui entravent des niveaux d'automatisation supérieurs, ni communiquer les capacités de l'infrastructure aux Véhicules Connectés et Automatisés (CAV) de manière standardisée. Les cadres existants se concentrent souvent sur la connectivité numérique ou reposent sur des tests étendus de flottes, échouant à offrir une métrique évolutive, centrée sur l'infrastructure, pour une évaluation à l'échelle du réseau.

Méthodologie

L'article propose un Indice de Prêtitude Autoroutière (HRI) quantitatif conçu pour traduire les conditions d'infrastructure statiques et semi-statiques en attributs mesurables pondérés selon leur impact sur la performance des ADS. La méthodologie est structurée en trois étapes :

Opérationnalisation et Pondération des Attributs :
- Taxonomie : Les auteurs définissent un ensemble d'attributs ODD statiques regroupés en quatre macro-catégories : Marquages et Signalisation Routiers, Entretien et Gestion de la Voirie, Conception de la Chaussée et Dispositifs de Sécurité, et Cartes Haute Définition (HD) Préchargées.
- Enquête auprès d'Experts : Pour dériver les pondérations, une enquête a été menée auprès de 17 professionnels issus du milieu universitaire, de l'industrie et de la gestion d'infrastructures. Les répondants ont évalué l'impact de l'absence ou de la dégradation d'un attribut sur deux groupes de LOA : SAE 1–2 (Conduite Assistée) et SAE 3–4 (AuD).
- Différenciation : L'enquête a révélé que si la visibilité des voies et l'entretien sont critiques pour le SAE 1–2, des attributs tels que les cartes HD, les bandes d'arrêt d'urgence et les voies dédiées aux véhicules autonomes deviennent significativement plus importants pour le SAE 3–4.
Modèle de Prêtitude au Niveau du Segment :
- Les segments routiers (par exemple, 100 m) sont évalués par rapport à des critères mesurables dérivés des normes nationales de conception.
- Une valeur observée $v_i \in \{0, 1, 2\}$ est attribuée à chaque attribut en fonction de son adéquation.
- Un score de prêtitude $S^{(\ell)}$ est calculé pour un niveau d'automatisation spécifique $\ell$ en utilisant une somme pondérée normalisée par le score maximal possible :
  $S^{(\ell)} = \frac{\sum w_i^{(\ell)} \cdot v_i}{\sum w_i^{(\ell)} \cdot v_{max}} \times 100$
- Des pondérations distinctes ( $w_i^{(\ell)}$ ) sont appliquées pour le SAE 1–2 et le SAE 3–4 afin de refléter leurs sensibilités différentes à la qualité de l'infrastructure.
Orientation de l'Infrastructure et Intégration IVIM :
- Les scores sont classés en trois catégories : Peu susceptible d'être adapté (0–33%), Peut-être adapté (33–66%) et Très susceptible d'être adapté (66–100%).
- Un seuil conservateur de 66 % est établi. Seuls les niveaux SAE dont les scores dépassent ce seuil sont communiqués aux véhicules.
- Ces recommandations sont intégrées dans le message standardisé Infrastructure-to-Vehicle Information Message (IVIM) au sein du cadre des Systèmes de Transport Intelligents Coopératifs (C-ITS), permettant aux Unités Routières (RSU) de diffuser des orientations d'automatisation au niveau des segments.

Résultats Clés

La méthodologie a été validée par une étude de cas sur le corridor Gallarate–Gattico (24 km) dans le nord de l'Italie, géré par Autostrade Per l'Italia (ASPI).

Conditions de Référence : Dans les conditions actuelles bien entretenues, le corridor prend constamment en charge le SAE 1–2 et le SAE 3–4 (scores >66 %), indiquant que les autoroutes existantes de haute qualité peuvent supporter une automatisation avancée dans des configurations stables.
Scénario de Travaux Routiers : La simulation de travaux temporaires (km 11–17) avec un marquage dégradé et des transitions géométriques a provoqué une chute brutale de la prêtitude, en particulier pour le SAE 3–4. Plusieurs segments sont tombés en dessous du seuil de 66 %, déclenchant correctement un message IVIM conservateur qui a retenu les recommandations d'automatisation pour ces sections.
Scénario d'Entretien : La simulation d'un entretien à long terme déficient (marquages dégradés, détérioration de la chaussée, dispositifs de sécurité manquants) a entraîné des baisses significatives de la prêtitude sur l'ensemble du corridor, de nombreux segments tombant dans la fourchette « Peu susceptible d'être adapté » pour les deux groupes d'automatisation.
Analyse de Sensibilité : Une analyse théorique a démontré que les Cartes HD Préchargées ont le poids le plus élevé pour le SAE 3–4. L'inclusion de cartes HD dans des scénarios d'infrastructure dégradée a partiellement compensé les déficiences physiques, faisant passer les scores de prêtitude de « Peu susceptible » à « Peut-être adapté », soulignant le rôle critique des couches numériques aux côtés de l'infrastructure physique.

Importance et Revendications

L'article revendique fournir la première méthodologie quantitative, centrée sur l'infrastructure et évolutive pour mapper les caractéristiques statiques de la chaussée aux exigences opérationnelles des ADS. Ses contributions principales incluent :

Une Métrique Reproductible : Le HRI offre aux gestionnaires de voirie une approche structurée pour évaluer la prêtitude de l'infrastructure et identifier des lacunes spécifiques (par exemple, la cohérence du marquage, le contrôle de la végétation) qui limitent les niveaux d'automatisation supérieurs.
Évaluation Différenciée : En distinguant le SAE 1–2 du SAE 3–4, le cadre reconnaît que les niveaux d'automatisation supérieurs reposent davantage sur une géométrie stable, des zones de repli et une redondance numérique (cartes HD) plutôt que sur de simples repères visuels.
Intégration Opérationnelle : Ce travail comble le fossé entre l'évaluation de l'infrastructure et l'exploitation des véhicules en définissant comment les scores de prêtitude peuvent être directement traduits en messages V2X standardisés (IVIM). Cela permet à l'infrastructure de guider proactivement les véhicules, potentiellement en prévenant les désengagements en avertissant les conducteurs ou les systèmes de segments inadaptés avant qu'ils ne soient rencontrés.
Planification Stratégique : Le cadre sert non seulement d'outil de diagnostic pour des corridors spécifiques, mais aussi d'instrument stratégique pour la planification à l'échelle du réseau, permettant aux autorités de prioriser les investissements dans l'entretien et la numérisation en fonction de leur impact sur la prêtitude à l'automatisation.

Les auteurs concluent que, bien que le cadre actuel se concentre sur des conditions statiques et semi-statiques, il pose les bases d'une future intégration avec des facteurs dynamiques (trafic, météo) et d'une validation internationale élargie.