Les voitures électriques ressemblent de plus en plus à des ordinateurs sur roues. Pour rester stables, efficaces et sûres, elles s’appuient sur des logiciels capables de comprendre ce qui se passe sous la carrosserie en une fraction de seconde.
Pourquoi l’estimation de l’état du véhicule est décisive
Dès qu’un véhicule prend en charge des tâches de conduite, il doit interpréter des situations routières complexes plus vite et plus finement qu’un humain. Cela exige une connaissance précise de son état dynamique à tout moment: vitesse latérale, cap, angle de dérive (sideslip), forces de pneus, etc. La moindre erreur se propage dans le freinage, la direction et la stabilité, et dans un système autonome ces écarts se cumulent très vite. C’est pourquoi l’estimation d’état est devenue l’un des piliers de la mobilité de demain.
Les limites des modèles classiques
Les schémas traditionnels reposent sur des modèles physiques simplifiés. Or, la route réelle n’obéit pas toujours aux hypothèses du laboratoire: déformation des pneus, changement d’adhérence, manœuvres brusques, variations de température et d’usure. Ces facteurs rendent la dynamique du véhicule non linéaire et changeante, ce qui fait dérailler les estimateurs purement déterministes. Résultat: les systèmes réagissent parfois trop tard, notamment pour détecter la dérive latérale, essentielle pour prévenir les pertes de contrôle.
Une réponse hybride qui marie physique et IA
Une équipe dirigée par le professeur Kanghyun Nam au DGIST, en collaboration avec la Shanghai Jiao Tong University et l’University of Tokyo, propose une approche qui réconcilie théorie et réalité. Leur solution observe en temps réel des états difficilement mesurables par les capteurs, et se concentre notamment sur l’angle de dérive, indicateur clé du glissement latéral lors des virages ou sur sol à faible friction.
Le cadre d’estimation combine:
- un modèle physique de pneus pour conserver la cohérence mécanique;
- une régression par intelligence artificielle pour apprendre les écarts dus aux comportements de pneus changeants et aux variations d’environnement.
Des mesures de force latérale de pneus alimentent en continu le système. L’IA ajuste la réponse pour suivre la non-linéarité des pneus et les changements d’adhérence, sans renier la structure physique du problème.
Au cœur du dispositif: un filtre de Kalman non linéaire et une IA bayésienne
Le cœur technique associe un observateur par filtre de Kalman sans parfum (Unscented Kalman Filter, UKF) et une régression par processus gaussiens (Gaussian Process Regression, GPR):
- le UKF impose la cohérence physique des états estimés et gère la propagation des incertitudes;
- la GPR apporte de la souplesse et de la capacité d’apprentissage, en corrigeant en ligne les écarts entre le modèle et la route réelle.
Cette complémentarité accélère l’estimation et en améliore la précision face aux méthodes classiques qui peinent dès que les pneus ou la chaussée s’écartent des hypothèses initiales.
Validation sur route et bénéfices concrets
Les chercheurs ont validé leur approche sur une plateforme de véhicule électrique en conditions réelles: différentes vitesses, revêtements variés et scénarios de virage. L’estimateur est resté robuste et précis dans tous les cas, un point jugé déterminant pour l’intégration en série.
Des estimations fiables renforcent:
- le contrôle de stabilité (interventions plus précoces et plus fines);
- la sécurité en conduite autonome (anticipation des pertes d’adhérence);
- l’efficacité énergétique (moins de corrections inutiles, trajectoires plus propres).
Le professeur Nam insiste sur la fiabilité autant que sur la précision: associer physique et IA comble les lacunes des modèles traditionnels sans sacrifier la rigueur nécessaire aux applications critiques. Les résultats sont publiés dans IEEE Transactions on Industrial Electronics: https://ieeexplore.ieee.org/document/11269968
Ce que cela change pour l’architecture des véhicules
Cette méthode dessine une voie pour des contrôleurs physiques assistés par l’IA: des algorithmes capables d’apprendre des conditions réelles tout en respectant les lois mécaniques. À la clé, des systèmes plus généralisables, qui gardent leurs performances à travers les saisons, les pneus et les routes, et qui facilitent l’échelle industrielle des fonctions d’aide à la conduite et d’autonomie.
Focus: l’angle de dérive, sentinelle de la stabilité
- L’angle de dérive mesure le décalage entre la direction du véhicule et sa trajectoire réelle.
- Détecté tôt, il permet de corriger la trajectoire avant l’apparition d’un survirage ou d’un sous-virage.
- Estimer cet angle sans capteur direct est difficile; la fusion physique + IA en améliore la détection et la réactivité.
FAQ
Quand cette technologie pourrait-elle apparaître dans des véhicules de série ?
Le calendrier dépend des validations réglementaires et de l’industrialisation logicielle. Sur le plan technique, un estimateur hybride physique + IA est compatible avec les calculateurs actuels des véhicules électriques haut de gamme; une adoption progressive peut commencer via des mises à jour logicielles sur des plateformes pilotes.
Quels capteurs sont nécessaires pour alimenter l’estimateur ?
Le système exploite des mesures liées aux forces latérales et s’intègre à la fusion de capteurs déjà présente à bord (par ex. IMU, vitesses de roue, angle de braquage, parfois efforts roue/pneu estimés). L’intérêt est de déduire des états clés (comme l’angle de dérive) sans ajouter de capteurs coûteux.
Quel est l’impact sur la consommation d’énergie ?
Des estimations plus stables et précises réduisent les corrections de trajectoire inutiles, limitent les pertes par patinage et optimisent l’arbitrage entre motricité et récupération d’énergie, ce qui peut apporter un gain mesurable sur certains parcours.
Quelles sont les principales contraintes d’intégration ?
Il faut garantir la robustesse aux nouvelles routes et aux pneus vieillis, maîtriser la latence pour rester temps réel, et définir des garde-fous de sécurité fonctionnelle afin que l’IA n’outrepasse jamais les limites physiques. Un processus de calibration et de mise à jour continue est recommandé pour maintenir les performances dans la durée.
