Apprentissage des trajectoires pour la planification et le contrôle de véhicules autonomes

par Aubrey Clausse

Projet de thèse en Informatique temps réel, robotique et automatique - Paris

Sous la direction de Arnaud de La Fortelle.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de Ecole doctorale Sciences des métiers de l'ingénieur (Paris) , en partenariat avec Mathématiques et Systèmes (laboratoire) , CAOR - Centre de CAO et Robotique (equipe de recherche) et de École nationale supérieure des mines (Paris) (établissement de préparation de la thèse) depuis le 01-11-2017 .


  • Résumé

    Dans un environnement opérationnel complexe, la prise de décision et le contrôle reposent de plus en plus sur des systèmes hiérarchiques permettant à la fois d'atteindre les niveaux d'abstraction nécessaire à des raisonnements sophistiqués tout en conservant toujours le lien vers les commandes élémentaires des véhicules ou vers les données issues des capteurs. Typiquement, il s'agit de reconnaître le contexte de la conduite (ce qui exige un bon niveau d'abstraction) et de moduler aussi bien les algorithmes de perception que ceux de commande : on n'observera pas l'environnement de la même manière au voisinage d'une école en ville à 16h que sur une autoroute à minuit ; les décisions n'auront probablement que peu de rapport tant en termes de planification que d'action. Les modèles de planification et de contrôle sont le plus souvent en relation de manière à assurer la bonne exécution des décisions. Ce sont généralement des modèles déterministes. Afin de limiter l'espace de recherche, la planification introduit souvent des manœuvres agrégées (changement de file, suivi de véhicule...) qui permettent de décomposer la trajectoire future en un ensemble de manœuvres qui permettent de réaliser l'intention de conduite (aller à sa destination). Différents algorithmes sont mis en œuvre lors de chaque manœuvre ou changement de manœuvre. Le problème que l'on se pose, est de savoir comment l'on peut prédire les intentions des autres usagers afin d'adapter son comportement. La partie perception (détection/classification/tracking) n'est pas le cœur de la thèse, même si la compréhension (voire l'amélioration) de certains algorithmes de perception peuvent être nécessaire. De même, les parties planification et contrôles sont des parties importantes pour comprendre comment sera exploité le travail de thèse, mais sont déjà largement étudiées. Le problème qui se pose est le suivant : à partir d'observations imparfaites, comment déduire des intentions d'autres usagers, en particulier des véhicules, de façon à ajuster sa conduite. Le travail à conduire recouvre de multiples facettes : clarification de la notion d'intention (entre décision de manœuvre, p. ex. encodé par une classe d'homotopie, et prédiction de trajectoire), données accessibles et données nécessaires au calcul. La piste la plus prometteuse consisterait à coupler de l'apprentissage sur des données de trajectoires (en général accessibles depuis un observatoire fixe) et données embarquées (celles qui sont issues des capteurs du véhicule et de leur fusion)

  • Titre traduit

    Trajectory learning for the planning and control of autonomous vehicles


  • Résumé

    In a complex operating environment, decision-making and control are increasingly based on hierarchical systems that allow the abstraction levels required for sophisticated reasoning to be reached while still maintaining the link to the elementary commands of Vehicles or to data from the sensors. Typically, it is a matter of recognizing the driving context (which requires a good level of abstraction) and of modulating both the perception and control algorithms: the environment will not be observed in the same way In the vicinity of a school in town at 16h that on a highway at midnight; Decisions will probably have little relevance in terms of planning and action. Planning and control models are most often linked in order to ensure the proper execution of decisions. They are usually deterministic models. In order to limit the search space, planning often introduces aggregate maneuvers (change of file, vehicle follow-up, etc.) which allow the future trajectory to be broken down into a set of maneuvers that enable the driving intention to be realized Go to its destination). Different algorithms are implemented during each maneuver or change of maneuver. The problem is how to predict the intentions of other users in order to adapt their behavior. The perception (detection / classification / tracking) is not the core of the thesis, although understanding (or even improving) some perceptual algorithms may be necessary. Similarly, the planning and control parts are important parts to understand how the thesis work will be exploited, but are already widely studied. The problem that arises is the following: from imperfect observations, how to deduce the intentions of other users, especially vehicles, in order to adjust its conduct. The work to be conducted covers many facets: clarification of the notion of intention (between maneuver decision, eg encoded by a homotopy class, and trajectory prediction), accessible data and data required for calculation. The most promising route would be to link learning to trajectory data (usually accessible from a fixed observatory) and on-board data (those derived from vehicle sensors and their fusion)