Prévenir les accidents de véhicules en apprenant des insectes

<

div id=\ »attachment_517905\ » style=\ »width: 1930px\ » class=\ »wp-caption aligncenter\ »>

<

p id=\ »caption-attachment-517905\ » class=\ »wp-caption-text\ »>Un criquet \u2013 photo d’illustration. Cr\u00e9dit image : christels via Pixabay, licence gratuite<\/p><\/div>\n

De nombreux syst\u00e8mes d’\u00e9vitement de collision (CAS) sont d\u00e9j\u00e0 inclus dans les v\u00e9hicules, et ils peuvent automatiquement freiner lorsqu’un objet s’approche trop pr\u00e8s. Certains fonctionnent en analysant une image de l’espace autour de la voiture, mais dans des conditions telles que de fortes pluies ou une faible luminosit\u00e9, l’image n’est pas aussi claire. Pour compenser cela, des processeurs de signaux compliqu\u00e9s donnent un sens \u00e0 ce qui est encore visible.<\/p>\n

Une autre m\u00e9thode consiste \u00e0 incorporer des capteurs radar ou LiDAR (d\u00e9tection et t\u00e9l\u00e9m\u00e9trie de la lumi\u00e8re), mais ceux-ci sont difficiles \u00e0 miniaturiser et n\u00e9cessitent beaucoup de puissance. En fin de compte, ces instruments peuvent ajouter du poids, des besoins \u00e9nerg\u00e9tiques et des complications inutiles, m\u00eame s’ils rendent le v\u00e9hicule plus s\u00fbr.<\/p>\n

Mais les insectes, y compris les criquets et les mouches, peuvent facilement \u00e9viter les collisions entre eux sans s’appuyer sur des logiciels sophistiqu\u00e9s ou LiDAR, m\u00eame la nuit. Au lieu de cela, ils engagent certains circuits neuronaux \u00e9vitant les obstacles, qui sont tr\u00e8s efficaces et pourraient inspirer un CAS de nouvelle g\u00e9n\u00e9ration.<\/p><\/span>\n

Ainsi, Saptarshi Das et ses coll\u00e8gues ont voulu cr\u00e9er un d\u00e9tecteur de collision inspir\u00e9 des insectes adapt\u00e9 aux v\u00e9hicules de d\u00e9tection qui soit efficace, s\u00fbr et consomme moins d’\u00e9nergie que ses pr\u00e9d\u00e9cesseurs.<\/p>\n

Tout d’abord, l’\u00e9quipe a con\u00e7u un algorithme bas\u00e9 sur les circuits neuronaux que les insectes utilisent pour \u00e9viter un obstacle. Au lieu de traiter une image enti\u00e8re, ils n’ont trait\u00e9 qu’une seule variable : l’intensit\u00e9 des phares d’une voiture. Sans avoir besoin d’une cam\u00e9ra embarqu\u00e9e ou d’un capteur d’image, les unit\u00e9s de d\u00e9tection et de traitement ont \u00e9t\u00e9 combin\u00e9es, ce qui rend le d\u00e9tecteur global plus petit et plus \u00e9conome en \u00e9nergie.<\/p>\n

Le capteur \u00e9tait compos\u00e9 de huit \ »memtransistors\ » photosensibles construits \u00e0 partir d’une couche de bisulfure de molybd\u00e8ne (MoS_{2<\/sub>), organis\u00e9 en circuit. Il n’a fallu que 40 \u00b5m^{2<\/sup> et n’utilisaient que quelques centaines de picojoules d’\u00e9nergie – des dizaines de milliers de fois moins que les syst\u00e8mes existants.<\/p>\n}}

Enfin, dans des sc\u00e9narios nocturnes r\u00e9els, le d\u00e9tecteur pourrait d\u00e9tecter un accident potentiel impliquant deux voitures deux \u00e0 trois secondes avant qu’il ne se produise, laissant au conducteur suffisamment de temps pour prendre des mesures correctives critiques. Les chercheurs affirment que ce nouveau d\u00e9tecteur peut contribuer \u00e0 rendre les CAS existants meilleurs et plus s\u00fbrs.<\/p>\n

<