Approche fiabiliste et mécanique pour la prédiction de risques d'accident de poids lourds

par Yamine Sellami

Thèse de doctorat en Automatique, robotique et traitement du signal

Sous la direction de Jean-Charles Cadiou.

Soutenue en 2008

à Nantes .


  • Résumé

    Cette thèse propose une nouvelle approche de prédiction de risques d’accident liés aux poids lourds. Le but est d’alerter le conducteur ou le système de contrôle actif, suffisamment tôt, pour leur permettre d’anticiper et de réagir avant d’entrer en situation accidentogène. La prédiction du risque est fondée sur la prise en compte des incertitudes du système véhicule/conducteur/infrastructure. Celles-ci sont modélisées par des quantités aléatoires, conduisant à évaluer le risque par la probabilité de dépassement d’un seuil critique de sécurité. Cependant, étant donnée la complexité du système, le calcul embarqué de cette probabilité n’est pas évident avec les outils classiques tels que les simulations de Monte Carlo. Dès lors, notre contribution réside dans l’introduction d’une approche fiabiliste, initialement employée dans la sécurité des structures, afin de réaliser un tel calcul probabiliste en temps réel. Une grandeur, dite indice de fiabilité, est introduite pour caractériser le risque d’accident au lieu d’une évaluation déterministe. Dans ce travail, nous traitons principalement le cas de renversement. Deux dispositifs de prédiction fiabiliste du risque sont développés : une prédiction à long terme avant l’entrée dans la zone de risque, et une prédiction à court terme durant l’évolution du véhicule. Afin d’optimiser le temps de calcul, une modélisation empirique du risque par les machines à vecteurs supports est mise en œuvre. Le modèle empirique fournit des expressions explicites de la limite de sécurité en fonctions des incertitudes du système. Les méthodes proposées s’appliquent aussi bien à d’autres types de véhicules qu’à d’autres types de risque d’accident

  • Titre traduit

    Reliability and mechanical-based approach to accident risk prediction of heavy vehicles


  • Résumé

    In this thesis, we propose a new approach to accident risk prediction of heavy goods vehicles. The aim is to warn the driver or the active control system, enough early, to allow them to anticipate and react before entering into an accident-proning situation. The risk prediction is based on the system vehicle-driver-infrastructure uncertainties. These latters are modelled by random quantities, leading to evaluate the risk by the probability of exceeding a critical safety level. However, due to the complexity of the system, the embedded computation of this probability is not obvious with the classical methods like Monte-Carlo simulations. So, our contribution consists in introducing the reliability theory, initially used in structural safety, in order to realize such a probability calculus in real-time. A measure, known as reliability index, is introduced to characterize the accident risk instead of a determinist evaluation. In this work, rollover risk prediction is mainly dealt with. Two methods of reliability-based prediction are developed: a long-term prediction before entering into a hazardous area, and a short-term prediction performed during the dynamical evolution of the vehicle. To more optimize the computing time, an empirical model of the risk is implemented by using support machine vectors (SVM). The obtained empirical model provides explicit functions of the safety limit according to the system uncertainties. The proposed methods could be applied as well to other kinds of vehicles as to prevent other kinds of accident risks

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (150 f.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. f. 143-150

Où se trouve cette thèse ?

  • Bibliothèque : Université de Nantes. Service commun de la documentation. Section Sciences.
  • Disponible pour le PEB
  • Cote : 2008 NANT 2111
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.