Détection et suivi d'objets dans le cadre de la théorie de l'évidence pour l'aide à la conduite automobile

par Yann Lemeret

Thèse de doctorat en Génie informatique et automatique

Sous la direction de Daniel Jolly.

Soutenue en 2006

à l'Artois .

  • Titre traduit

    Objects tracking with use of evidence theory for driver assistance systems


  • Pas de résumé disponible.


  • Résumé

    Les travaux présentés dans ce mémoire s’inscrivent dans le cadre du projet RaViOLi et traitent du suivi multi-objets pour l’aide à la conduite. Dans ce projet, les capteurs utilisés sont : un radar, un lidar et un système de stéréovision. Chaque capteur fourni une liste d’objets détectés avec leurs coordonnées respectives référencées en distance et en angle par rapport à ce capteur. L’utilisation de ces nformations s’effectue grâce à la théorie des fonctions de croyance, qui permet de transformer ces données en masses de croyance et de les fusionner. Ensuite, un algorithme de mise en correspondance, basé lui aussi sur la the��orie des fonctions de croyance, permet de retrouver les objets dans la scène à chaque nouvelle mesure des capteurs. Cette mise en correspondance s’effectue en comparant la liste des objets de l’instant précédent avec la nouvelle provenant des capteurs, il faut alors retrouver les objets correspondants dans les deux listes. Pour cette étape d’association, nous avons repris un algorithme existant, qui avait été développé par M. Rombaut, et que nous avons modifié pour qu’il s’adapte aux contraintes du projet RaViOLi. Nous comparons donc les résultats obtenus par les deux méthodes d’association ainsi que leurs limites et les avantages des modifications que nous avons apportés. Enfin, nous terminons par une étape de prédiction. Une première prédiction de l’évolution de la position des objets est effectuée à t + dt seconde, où dt représente la période d’échantillonnage du capteur. Cette prédiction est utilisée comme une information supplémentaire dans l’étape d’association des objets pour améliorer le suivi. Une seconde prédiction est réalisée à plus long terme t+n secondes, où n dépend de la vitesse du véhicule. Cette prédiction permet de détecter les véhicules potentiellement dangereux et de prévenir le conducteur suffisamment à l’avance pour qu’il puisse réagir. Des tests sont effectués, sur des données synthétiques puis réelles, pour vérifier la robustesse de l’algorithme dans différentes situations.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (115 p.)
  • Annexes : Bibliogr. p. 109-114

Où se trouve cette thèse ?

  • Bibliothèque : Université d'Artois (Béthune, Pas-de-Calais). Bibliothèque de Sciences appliquées.
  • Disponible pour le PEB
  • Cote : 2006 ARTO 0205
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.