L’IA générative au service des tests de sécurité et de l’innovation.

Des voitures intelligentes et connectées

Si les voitures modernes ressemblent encore à des voitures, elles sont aussi, d’une certaine manière, devenues des « smartphones sur roues ». Les véhicules d’aujourd’hui intègrent de nombreux capteurs, des technologies d’assistance à la conduite et des systèmes d’infodivertissement puissants. De plus, la tendance aux véhicules définis par logiciel signifie que la mécanique et le matériel sont de plus en plus remplacés par des solutions logicielles lorsque cela est possible. 

Toutes ces fonctionnalités informatiques interagissent en permanence, traitant des données issues de capteurs qui surveillent le véhicule, son environnement et ses passagers.

Un défi de taille

Construire cette infrastructure technologique avancée ne suffit pas : elle doit être rigoureusement testée pour garantir la sécurité des véhicules et leur conformité aux réglementations.

Les méthodes de test traditionnelles peinent à suivre l’évolution des véhicules informatisés. Imaginez tester un système de navigation dans une voiture roulant sur une autoroute à plusieurs voies, en pleine tempête, tout en recevant des commandes vocales d’un conducteur distrait.

Un nombre impressionnant de scénarios de test doit être généré pour couvrir toutes les situations possibles sur une plateforme de véhicule dotée de la conduite mains libres, du centrage sur la voie, du régulateur de vitesse adaptatif, de la connectivité smartphone et de l’interaction vocale. Sans oublier le traitement des données issues du LiDAR, du radar, des caméras et des capteurs de comportement du véhicule.

Les limites des tests conventionnels

La méthode classique mais coûteuse et chronophage de test automobile est le Hardware-in-the-loop (HIL). Elle inclut des tests sur banc, la génération manuelle de scénarios et la construction de prototypes physiques.

Ces méthodes ne couvrent que partiellement les « edge cases », c’est-à-dire les situations aux limites des capacités opérationnelles d’un véhicule. En bref, la complexité croissante des véhicules modernes dépasse les capacités des tests conventionnels.

Dans une industrie automobile très concurrentielle, le time-to-market (temps de mise sur le marché) est essentiel. Or, des tests nécessitant énormément de ressources constituent un frein majeur à l’innovation.

Une solution basée sur l’IA générative

Kishore Raj, consultant Akkodis aux États-Unis et expert en intelligence artificielle (IA), a été confronté à ce dilemme. Travaillant avec une équipe d’ingénieurs en collaboration avec des clients du secteur automobile, il a constaté les limites des méthodes traditionnelles.

« L’installation du matériel, la conduite des véhicules prototypes et la collecte des données prennent énormément de temps et mobilisent de nombreuses ressources humaines », explique Raj.

Convaincus que l’IA générative pouvait offrir une alternative, lui et son équipe ont présenté leur approche à un grand constructeur automobile américain.

Le client souhaitait accélérer le développement de son système avancé d’assistance à la conduite (ADAS) et de son système d’infodivertissement. Il cherchait un moyen de réduire les cycles de test et d’élargir la couverture des scénarios de test.

L’objectif ultime était d’offrir des produits plus performants et plus fiables que ceux de la concurrence, en améliorant la fiabilité, les performances et l’évolutivité du système pour les futures mises à jour. Par ailleurs, il était essentiel de garantir la conformité aux normes de sécurité et aux réglementations internationales.

« Les tests manuels étaient non seulement lents, mais ils omettaient des edge cases critiques », souligne Raj. « Et le coût des prototypes physiques ne cessait d’augmenter. Nous savions qu’une nouvelle approche était nécessaire, capable à la fois d’élargir le champ des tests et d’en améliorer la précision. »

Akkodis a proposé une solution basée sur l’IA générative pour automatiser et optimiser les tests HIL du système ADAS et d’infodivertissement du client.

L’approche s’est déroulée en deux étapes :

• Analyse des données : les modèles d’IA générative ont analysé les données issues des véhicules du constructeur pour identifier et générer des « edge cases » .
• Génération synthétique de scénarios : pour compléter les tests, des modèles d’IA ont créé artificiellement des « edge cases » supplémentaires.

Ce processus a permis d’atteindre une couverture de 95 % de tous les scénarios de test possibles, contre moins de 40 % avec la configuration initiale.

L’interface entre l’humain et le véhicule va évoluer. Nous devons développer de nouveaux systèmes de test basés sur l’IA générative pour évaluer cette nouvelle expérience « human-in-the-loop ». 

Kishore Raj, consultant et expert en IA chez Akkodis USA

Du concept à la réalité

Le client a d’abord demandé à Akkodis de développer une preuve de concept. Après cette phase initiale, Raj et son équipe ont conçu un système complet de tests HIL basés sur l’IA générative.

« Nous ne testions plus uniquement des composants individuels », précise Raj. « Nous étions capables d’évaluer l’ensemble de l’écosystème d’infodivertissement et d’assistance à la conduite du véhicule, en simulant des conditions réelles avec un niveau de détail incroyable. Tester un GPS sur un banc est une chose, mais simuler des scénarios complexes comme des fermetures de voies, des conditions météorologiques défavorables ou un conducteur inattentif en est une autre. Ce niveau de complexité était essentiel, et l’IA générative l’a rendu possible.

Réduction du temps et des coûts de test

Le nouveau système a permis de réduire le temps de test de 40 %, d’augmenter la couverture des edge cases de 70 % et de diminuer les coûts de test de 30 %

Grâce à l’IA générative, les tests ne sont plus un obstacle majeur. Les cycles de test, qui prenaient des semaines voire des mois, sont désormais réalisés en quelques jours. Le constructeur a ainsi pu lancer de nouvelles fonctionnalités 25 % plus rapidement.

De plus, cette approche a permis d’identifier des problèmes qui, autrement, n’auraient pas été détectés. S’ils n’avaient pas été corrigés à temps, ces défauts auraient entraîné des mises à jour logicielles post-lancement, voire des rappels coûteux.

Suite à ce succès, Akkodis a été mandaté pour tester l’ensemble de la plateforme du constructeur avec cette nouvelle méthodologie.

L’avenir du test automobile : une interaction toujours plus fluide entre l’humain et la machine

La prochaine étape du test automobile sera probablement la simulation des comportements humains, explique Raj.

« Les constructeurs s’intéressent de plus en plus à l’interaction entre le véhicule, son conducteur et ses passagers. »

Déjà aujourd’hui, les systèmes d’info-divertissement et d’assistance à la conduite s’adaptent au comportement humain. Par exemple, certains véhicules détectent un manque d’attention du conducteur grâce à des caméras embarquées.

« Cette tendance va s’intensifier », conclut Raj. « L’interface entre l’homme et la machine va évoluer. Nous devons donc concevoir de nouveaux systèmes de test pilotés par l’IA générative pour répondre à ces enjeux. »