AI-translated from English; not yet reviewed by a fluent editor.

# Des motifs répétitifs faussent l’estimation de la profondeur stéréoscopique dans des essais de véhicules

> Une étude menée par l’Université de Floride relie les erreurs d’estimation stéréoscopique de la profondeur à l’échantillonnage et au calibrage des caméras. Des essais contrôlés avec des véhicules montrent une perception erronée d’obstacles ; une défense proposée réduit les erreurs sur des ensembles d’images limités.

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

Selon une équipe dirigée par l’Université de Floride, des motifs visuels répétitifs peuvent amener les caméras stéréoscopiques et les modèles d’IA d’estimation de profondeur à mal évaluer la distance des objets. Lors d’expériences contrôlées, les caméras montées sur un robot terrestre mobile et sur une voiture ont produit de fausses estimations d’obstacles qui ont persisté assez longtemps pour atteindre un seuil de réaction que les chercheurs citent pour les logiciels de conduite autonome.

L’[étude publiée sur arXiv le 14 septembre](https://arxiv.org/abs/2609.16336) relie ces erreurs à la façon dont les caméras transforment la lumière en pixels et alignent leurs deux images. Elle teste également une défense logicielle. Pour les personnes qui développent ou évaluent des systèmes autonomes, le résultat utile met en évidence un mécanisme précis de défaillance qui touche aussi les modèles d’estimation de profondeur appris, ainsi que des éléments montrant comment réduire ses effets.

## Le grand changement

- **Ce qui a changé :** Les chercheurs relient l’ambiguïté des motifs visuels répétitifs aux artefacts mesurables des caméras, puis montrent des erreurs de profondeur dans les méthodes classiques de mise en correspondance stéréoscopique comme dans les modèles appris. Remplacer l’algorithme de mise en correspondance par une IA n’a pas éliminé cette faiblesse dans les systèmes testés.
- **Pourquoi c’est important :** Les estimations de distance alimentent la détection d’obstacles. Dans ces expériences, une camionnette placée à côté de la trajectoire de la voiture pouvait apparaître comme un obstacle sur celle-ci. La fiabilité de l’estimation de profondeur peut donc influer sur la décision suivante du véhicule.
- **À suivre :** La défense proposée vérifie si le processus de mise en correspondance détecte des répétitions. Les résultats prometteurs portent sur des ensembles d’images limités ; sa fiabilité avec d’autres caméras, modèles et conditions d’utilisation reste la question pratique à résoudre avant son adoption.

## Comment les répétitions faussent l’estimation de distance

Une caméra stéréoscopique utilise deux images d’une même scène. Le logiciel repère un élément dans chacune et mesure son déplacement horizontal, appelé disparité. La géométrie de la caméra convertit ce déplacement en distance.

Un motif répétitif offre plusieurs correspondances plausibles. L’[analyse de l’article](https://arxiv.org/html/2609.16336v1#S3) met en évidence deux raisons pour lesquelles la mauvaise correspondance peut l’emporter. Premièrement, chaque caméra échantillonne la scène sur une grille de pixels. La limite entre une forme sombre et un arrière-plan clair peut tomber à des endroits différents sur les deux grilles, produisant de légères différences d’intensité entre les pixels. Deuxièmement, des erreurs résiduelles de calibrage déforment la correspondance entre les images.

Ces effets combinés peuvent faire qu’une autre répétition ressemble davantage à la référence que la bonne. Le déplacement ainsi calculé place alors la surface à une distance erronée. L’équipe a aussi observé cette sensibilité dans des modèles stéréoscopiques appris, qui comparent des caractéristiques extraites des images.

Les chercheurs ont choisi ces motifs de façon délibérée. Le modèle de menace de l’étude suppose que l’on connaît la caméra et les paramètres de traitement concernés, ou que l’on a accès à un système comparable pour l’évaluer. Dans [la présentation de l’étude par l’UF, datée du 22 septembre](https://news.ufl.edu/2026/09/ai-powered-vehicles/), la responsable de la recherche, Sara Rampazzi, signale également que des répétitions présentes dans l’environnement peuvent poser un problème de sécurité. L’étude ne mesure pas la fréquence à laquelle des textures ordinaires au bord des routes provoquent des erreurs dangereuses dans les véhicules en service.

## Les essais ont couvert différentes parties du système de perception

Les chercheurs ont combiné des expériences sur des images enregistrées, des mesures effectuées avec de vraies caméras et des simulations.

| Évaluation | Systèmes et conditions | Mesure effectuée |
| --- | --- | --- |
| Images de conduite modifiées | Motifs superposés à 7 518 paires d’images stéréoscopiques KITTI ; algorithmes de mise en correspondance BM et SGBM, ainsi que PSMNet, MoCha-Stereo et UniMatch | Variations de la profondeur estimée avec les méthodes classiques et les modèles appris |
| Fusion stéréoscopie–LiDAR | SGM-DDC, avec un nuage de points LiDAR synthétisé représentant un mur plat | Résistance de cette méthode de fusion à l’erreur induite par les motifs |
| Essais avec de vraies caméras | Caméras ZED2 et RealSense, en intérieur et en extérieur | Erreurs de profondeur provoquées par des motifs affichés ou projetés |
| Mouvement réel | Caméras montées sur un véhicule terrestre AgileX Hunter 2.0 roulant à 10 km/h et sur une voiture roulant à environ 15 km/h | Durée de persistance des fausses estimations de profondeur pendant le mouvement |
| Simulation à vitesse plus élevée | CARLA à 10, 20, 30 et 40 km/h, avec des images stéréoscopiques traitées par BM | Persistance de l’erreur de profondeur en conduite simulée |

L’article et son annexe consacrée aux artefacts identifient le capteur RealSense comme le modèle D435. La [page de démonstration des auteurs](https://cpseclab.github.io/stereocam/) le désigne comme D435i ; ces descriptions des sources ne permettent pas de déterminer avec certitude la variante exacte.

Lors d’un essai en intérieur, une surface située à trois mètres des caméras a été estimée à 0,8 mètre par la ZED2 et à 0,6 mètre par la RealSense, avec les motifs sélectionnés pour l’expérience.

La méthode SGM-DDC utilise les distances LiDAR pour contraindre la mise en correspondance stéréoscopique. Elle a mieux résisté aux changements de motifs que les méthodes sans fusion, mais a tout de même produit des erreurs dans la configuration testée. L’utilisation d’une entrée LiDAR synthétisée limite ce constat à une méthode de fusion et à des conditions construites.

## Les essais de conduite ont établi une perception erronée d’obstacles

Dans l’essai physique avec une voiture, l’équipe a projeté un motif sur une camionnette placée à côté de la trajectoire du véhicule. La fausse estimation de profondeur a placé une partie de cette surface dans le champ perçu comme la trajectoire de la voiture. Le tableau des résultats de l’article indique que les fausses estimations ont persisté environ 0,7 à 1,2 seconde selon les deux caméras et les conditions d’éclairage.

Pour l’évaluation en aval, les chercheurs ont utilisé le regroupement euclidien d’Autoware, qui rassemble des points proches dans une carte de profondeur pour repérer d’éventuels obstacles. Ils ont considéré un essai comme réussi lorsque les points erronés étaient détectés comme un obstacle et citent un seuil de persistance de 0,5 seconde comme suffisant pour une réaction automatique, telle qu’un freinage d’urgence. L’[annexe consacrée aux artefacts](https://zenodo.org/records/20767261) décrit également l’évaluation des nuages de points enregistrés et la durée de persistance du groupe de fausses profondeurs.

L’évaluation rapportée ne documente aucune manœuvre réelle de freinage d’urgence, décélération mesurée ou collision. L’UF présente les collisions et les dangers d’un freinage brusque comme des risques soulevés par la recherche. Ces conséquences n’ont pas été démontrées dans les expériences rapportées.

Les essais physiques se sont déroulés dans des environnements contrôlés et à des vitesses allant jusqu’à 15 km/h. À 40 km/h, le résultat provenait de CARLA : dans la simulation, la manipulation de la profondeur persistait pendant 2,1 secondes. Cette simulation distincte élargit les conditions étudiées, mais n’établit pas qu’un essai physique ait été réalisé à cette vitesse.

## Une défense repère les correspondances candidates répétitives

La défense proposée examine les scores servant à comparer les deux images. Les structures répétitives produisent une séquence récurrente de correspondances plausibles. La méthode détecte cette régularité et traite la zone concernée comme un ensemble plus large, ce qui réduit le risque de sélectionner le mauvais élément répété.

Sur 200 paires d’images stéréoscopiques recueillies dans les conditions des essais physiques, les auteurs rapportent une réduction de l’erreur de profondeur sous un demi-mètre dans 96,5 % des cas évalués. Ils ont également adapté leur approche aux informations intermédiaires de mise en correspondance à l’intérieur de PSMNet. Sur 200 paires KITTI auxquelles les motifs avaient été ajoutés, cette version a ramené l’erreur sous 0,1 mètre dans chacun des cas évalués.

Le résultat de la défense appliquée au modèle appris concerne PSMNet ; il n’établit pas les mêmes performances pour MoCha-Stereo ou UniMatch. L’étude limite également ses expériences physiques aux surfaces de projection plates ou presque plates et utilise un motif fixe pendant les essais dynamiques. Les auteurs indiquent que les données d’entraînement peuvent modifier les motifs auxquels un modèle est sensible et l’ampleur de cette sensibilité.

Les expériences incitent les concepteurs de systèmes à examiner les effets des motifs répétitifs, aussi bien dans le traitement des images par les caméras que dans l’estimation de profondeur par apprentissage. Les performances de la défense dans l’ensemble des conditions d’utilisation d’un système déployé ne sont pas établies.

Les auteurs indiquent que l’article doit paraître à l’ACM CCS 2026. Le [site officiel de la conférence](https://www.sigsac.org/ccs/CCS2026/) annonce qu’elle se tiendra à La Haye du 15 au 19 novembre et que le programme définitif est en préparation. Les travaux n’y ont pas encore été présentés.

## Sources et lectures complémentaires

- [Illusion of Depth: Révéler des vulnérabilités cachées de la vision stéréoscopique dans l’estimation de profondeur](https://arxiv.org/abs/2609.16336), 14 septembre 2026. L’article complet décrit le mécanisme, les algorithmes et caméras évalués, les conditions physiques et simulées, les résultats de la défense et les limites. La conséquence observée sur les véhicules est une perception erronée d’obstacles, associée à un seuil de réaction cité par les auteurs ; les méthodes ne documentent aucune manœuvre réelle de freinage ni collision.
- [Présentation de la recherche par l’Université de Floride](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 22 septembre 2026. Elle expose les explications de l’équipe de recherche et les conséquences possibles pour la sécurité qui lui sont attribuées. Les scénarios de collision et de freinage brusque décrivent des conséquences possibles, et non des incidents observés.
- [Page de démonstration des auteurs : Illusion of Depth](https://cpseclab.github.io/stereocam/) et [artefacts de recherche](https://zenodo.org/records/20767261), consultés le 24 septembre 2026. L’annexe consacrée aux artefacts décrit les évaluations sur images, nuages de points et simulations. Les légendes de démonstration indiquent RealSense D435i, tandis que l’article et l’annexe mentionnent D435. BIG CHANGE n’a pas reproduit les expériences.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), consulté le 24 septembre 2026. Confirme les dates et le lieu de la conférence. Les auteurs indiquent que l’article doit y paraître ; la page consultée pour cet article ne précisait pas de créneau de présentation.

## Sources

- [Illusion of Depth : révéler des vulnérabilités cachées de la vision stéréoscopique dans l’estimation de profondeur](https://arxiv.org/abs/2609.16336) — 14 septembre 2026. L’article complet, ses méthodes, figures et annexes établissent le mécanisme, les systèmes évalués et les résultats de la défense. Les essais physiques de conduite ont mesuré les fausses profondeurs et le regroupement des obstacles ; la réaction a été déduite d’un seuil de persistance, sans manœuvre physique de freinage ni collision documentée.
- [Université de Floride : des motifs visuels simples peuvent tromper les véhicules et robots équipés d’IA](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — Daté du 22 septembre 2026 dans la source en ligne. Présente l’explication de l’équipe de recherche et les risques pour la sécurité qui lui sont attribués. Les scénarios de collision et de freinage brusque sont des conséquences possibles, et non des incidents observés.
- [Page de démonstration des auteurs : Illusion of Depth](https://cpseclab.github.io/stereocam/) — Consultée le 24 septembre 2026. Décrit l’expérience et la publication à venir à l’ACM CCS. Les légendes de démonstration indiquent RealSense D435i, tandis que l’article et l’annexe consacrée aux artefacts indiquent D435. Les vidéos intégrées n’ont pas servi de preuves supplémentaires.
- [Artefacts et annexe de recherche d’Illusion of Depth](https://zenodo.org/records/20767261) — Version actuelle publiée le 8 août 2026 ; consultée le 24 septembre. L’annexe complète décrit les évaluations sur nuages de points enregistrés, la durée des essais physiques, les simulations CARLA et l’évaluation de la défense. BIG CHANGE n’a pas reproduit les expériences.
- [Site officiel de la conférence ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/) — Consulté le 24 septembre 2026. Confirme que la conférence aura lieu à La Haye du 15 au 19 novembre et qu’un avis du 18 septembre indique que le programme définitif est en préparation. Les auteurs annoncent la publication prochaine de leur article ; la page de la conférence consultée n’en indiquait pas le créneau de présentation.