Solution de composants définis par logiciel

Introduction

SANJAY : Bienvenue dans ce nouvel épisode de « Driving Innovation », la série de podcasts de Sonatus, où nous explorons les technologies et les solutions qui accélèrent la transition vers des véhicules définis par logiciel. Je m’appelle Sanjay Khatri. Dans cet épisode, nous allons parler de notre solution de composants définis par logiciel, récemment annoncée.

Qu'est-ce que la DDC ?

SANJAY : Le concept de véhicules « définis par logiciel », dans lesquels les véhicules sont continuellement améliorés et optimisés, existe depuis quelques années déjà. Mais jusqu’à présent, cela s’est principalement limité à quelques modules du véhicule, comme les systèmes ADAS ou le système d’infodivertissement embarqué (IVI), ce qui empêche la plupart des autres composants du véhicule de bénéficier du même type d’améliorations et d’optimisations. C’est là qu’intervient la solution « Software-Defined Components ».

Présentation de la DDC

SANJAY : Pour expliquer le fonctionnement de cette solution, j'aimerais donner la parole à Yu Fang, directeur technique et cofondateur d'Sonatus. Yu Fang, bienvenue dans cet épisode.

YU : Merci. Je suis ravi d'être ici.

SANJAY : Pourriez-vous donc me donner un aperçu de la solution SDC ?

YU : Oui, tout à fait. Un véhicule est donc un système global composé de nombreux composants. Et quand on parle de composants, il peut s’agir de composants matériels, comme les calculateurs, mais aussi de composants logiciels, comme une application, voire un modèl AI , n’est-ce pas ? Chacun de ces composants peut donc faire l'objet d'une surveillance continue pendant son fonctionnement en conditions réelles. Et grâce aux informations que nous pouvons recueillir sur ce composant, nous pouvons apporter des améliorations continues, des réglages et des optimisations à ces composants pendant qu'ils sont en service. C'est ce que nous entendons par « composants définis par logiciel ».

Collecte de données en conditions réelles

SANJAY : Bien sûr. Vous avez donc évoqué la collecte de données en conditions réelles. Je veux dire, on sait que les équipementiers collectent énormément de données. En quoi la manière dont vous décrivez cette collecte de données en temps réel ou en conditions réelles est-elle différente ?

YU : Oui, c'est vrai. Donc oui, bien sûr, tous les fournisseurs de premier rang et les équipementiers effectuent un nombre considérable de tests avant la livraison des véhicules, n'est-ce pas ? Cependant, nous savons bien que, lorsqu’il s’agit de tester différents types de situations de conduite réelles, il est impossible de toutes les couvrir. Il est donc très important de pouvoir obtenir des informations sur certains composants directement depuis le véhicule, alors qu’ils fonctionnent en conditions réelles et qu’un conducteur réel les utilise au quotidien. Ces informations sont extrêmement importantes pour vous aider à comprendre les performances réelles d’un composant.

Optimisation des composants

SANJAY : D'accord. Donc, il ne s'agit pas seulement de données recueillies sur piste d'essai, mais bien de vraies personnes, tu vois, des gens ordinaires qui conduisent dans différentes conditions et à différents endroits. C'est génial. Et ensuite, qu'est-ce qui se passe, une fois que vous avez terminé cette collecte de données en conditions réelles ?

YU : Exactement. Les véhicules d'aujourd'hui comportent de nombreux composants qui ne cessent de gagner en sophistication. Cela signifie qu'il existe de nombreuses façons d'optimiser ces composants pour qu'ils fonctionnent correctement dans des situations particulières, par exemple lorsque la température est élevée ou basse, ou encore lors d'une montée ou d'une descente, etc. Il est donc également très important de disposer de la capacité d'optimiser ces composants en temps réel en fonction des conditions de conduite spécifiques.

Conditions de circulation

SANJAY : Permettez-moi de revenir sur ce que vous venez de dire. Vous avez évoqué l'adaptation à différentes conditions de conduite et l'optimisation en fonction de ces conditions. Pourriez-vous nous donner quelques exemples ?

YU : Oui, il existe de nombreux exemples de ce genre. Par exemple, tous les véhicules sont aujourd’hui équipés d’un système de contrôle de traction. Cependant, il peut être nécessaire de régler ce système en fonction de la route sur laquelle vous roulez, des conditions météorologiques, et peut-être d’autres facteurs, tels que votre vitesse, etc. N'est-ce pas ? Voilà donc un exemple. Un autre exemple : de nos jours, chaque véhicule est équipé de nombreuses caméras. Et quiconque a déjà utilisé une caméra sait que pour prendre la meilleure photo possible, il faut tenir compte des conditions d’éclairage environnantes, qu’il fasse jour ou nuit, ainsi que de nombreux autres facteurs. Par conséquent, selon que vous roulez face au soleil ou dos au soleil, ou encore qu’il s’agisse du petit matin ou de la fin d’après-midi, vous aurez peut-être intérêt à régler votre caméra de manière dynamique afin d’obtenir la meilleure image possible pour votre modèle d’ AI .

Boucle de rétroaction

SANJAY : Si ce que vous avez vu et entendu jusqu’à présent vous a plu, cliquez sur « J’aime » et abonnez-vous pour découvrir d’autres contenus de ce type. Vous venez de nous donner d’excellents exemples. Comment la solution « Software-Defined Components » que nous annonçons permet-elle d’y parvenir ?

YU : L’essentiel ici est donc de parvenir à créer une boucle de rétroaction. Cela commence par la collecte de données sur n’importe quel composant spécifique de votre véhicule dans des conditions de conduite réelles, puis par la collecte de toutes ces informations à l’échelle d’une flotte de véhicules. Disposer de ces données dans le cloud, où vous pouvez exécuter vos analyses de données sophistiquées, vos algorithmes et vos modèles d’apprentissage automatique, vous permet de tirer des enseignements de ces informations. Et une fois que vous savez ce que vous pouvez faire pour optimiser les performances du composant, vous pouvez alors très rapidement procéder à cet ajustement sur n'importe quel véhicule auquel vous souhaitez l'appliquer.

SANJAY : Ce cycle de rétroaction semble très intéressant. Vous avez évoqué la collecte des données, leur analyse, puis leur application au véhicule. Est-ce similaire à ce que font actuellement les constructeurs automobiles avec une solution OTA ?

YU : Pas exactement. Tout d’abord, vous aurez besoin d’un outil tel que l’ Sonatus Collector pour pouvoir cibler un composant particulier en fonction des conditions de conduite spécifiques dans lesquelles vous vous trouvez, et pour pouvoir collecter les informations en fonction d’événements spécifiques qui se produisent. Une fois que vous disposez de ces informations provenant d’une large gamme de véhicules, vous pouvez alors identifier les optimisations possibles dans diverses conditions de conduite. Ensuite, une fois ces informations en votre possession, vous souhaitez pouvoir les intégrer dans une politique très légère, comme celle prise en charge par notre « Sonatus Automator » : pouvoir déployer cette politique sur n’importe quel véhicule de votre choix, après quoi l’« Sonatus Automator » sera en mesure d’appliquer la meilleure optimisation en fonction des conditions de conduite spécifiques dans lesquelles vous vous trouvez.

Conclusion

SANJAY : Vous venez de décrire une méthode qui permet non seulement de collecter les données de manière intelligente, mais aussi de doter le véhicule de l’intelligence nécessaire pour appliquer des paramètres de réglage optimisés au fur et à mesure des besoins, en fonction des conditions de conduite. Cela semble être une solution très, très intéressante. Est-ce que cette technologie sera disponible dans un avenir proche ou lointain ?

YU : Oui. Aujourd’hui, Sonatus collabore avec de nombreux partenaires pour concrétiser ce projet. Nous présentons actuellement certains cas d’utilisation spécifiques. L’un d’entre eux concerne l’optimisation des moteurs. Un autre porte sur l’optimisation de l’éclairage au CES. Mais nous travaillons également avec d’autres partenaires afin de proposer de plus en plus de cas d’utilisation sur le marché.

SANJAY : Eh bien, cette conversation a été passionnante, Yu Fang. Je tiens à te remercier d'avoir participé au podcast « Driving Innovation ».

YU : Merci, Sanjay, pour cette conversation. Ce fut un plaisir.

SANJAY : Voilà, c'est tout pour cet épisode de « Driving Innovation ». Restez à l'écoute pour les prochains épisodes, où nous aborderons d'autres thèmes liés à la transition vers les véhicules définis par logiciel.