Estimation des intentions des usagers de la route pour le véhicule autonome.

par Abdelmoudjib Benterki

Projet de thèse en Génie électrique

Sous la direction de Moussa Boukhnifer et de Choubeila Maaoui.

Thèses en préparation à Paris Saclay , dans le cadre de Electrical, Optical, Bio: PHYSICS_AND_ENGINEERING , en partenariat avec ESTACA (laboratoire) , S2ET - Systèmes et Energie Embarqués pour les Transports (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2017 .


  • Résumé

    L'objectif de cette thèse est de proposer et de développer une méthode d'estimation des intentions des utilisateurs de la route à partir des informations disponibles dans un véhicule autonome. L'étude se concentrera dans un premier temps sur les véhicules légers. Les méthodes développées pourrons par la suite être étendues autres types de véhicules (poids-lourd, deux roues) et aux piétons. La littérature scientifique explore plusieurs méthodes pour l'estimation des intentions des autres véhicules. Une des premières tâches du candidat sera d'étudier ces différentes méthodes et de se familiariser avec leurs principes théoriques. Cette étape permettra de dégager les cas d'usages et les scénarios intéressants pour cette étude. Pour la reconstruction des trajectoires passées d'une cible, le candidat pourra s'inspirer sur les travaux initiés au sein de l'institut sur le suivi des cibles et l'estimation de leur dynamique. En particulier, un observateur probabiliste multi-modèles, basé sur l'approche IMM (Interacting Multiple Models), fournit des informations sur l'état des cibles et leur dynamique (vitesse, accélération, rayon de courbure) en se basant sur une variété de modèles physique pour chacune des cibles. Cette approche sera adaptée aux cas d'étude identifiés, et validée à partir de données expérimentales. À partir de la trajectoire passée et de la dynamique actuelle d'un véhicule cible, il s'agira ensuite d'anticiper sa trajectoire probable pendant les prochaines secondes. Pour cela, il s'agit d'identifier la manœuvre initié par la cible (par exemple, changement de voie, insertion, freinage). Deux approches de classification pourront être explorées : - Des méthodes déterministes probabilistes basées sur la modélisation bayésienne des manœuvres réalisables par la cible. La génération des trajectoires possibles pourra s'inspirer des algorithmes de planification pour l'ego-véhicule développés au sein de VeDeCom. - Des approches basées sur l'apprentissage automatique, selon une représentation sémantique des manœuvres. Cette approche nécessitera la génération d'une base de données incluant une variété de scènes (autoroute, intersections, insertions) avec différents types d'acteurs Finalement à partir de la base de données générée, la reconstruction des trajectoires réalisées par les véhicules peut permettre d'identifier des caractéristiques (pattern) propres à certains conducteurs, afin de classifier le comportement du conducteur. La reconnaissance de pattern peut être effectuée au moyen de divers algorithmes d'apprentissage automatique tels les réseaux de neurones. Ce travail comporte donc une forte composante expérimentale avec des campagnes de mesure sur les véhicules d'essai VeDeCom. Les essais de validation permettront la génération d'une base de données pour la mise en œuvre et la validation des méthodes d'apprentissage.

  • Titre traduit

    Estimation of the intentions of the road users for the autonomous vehicle.


  • Résumé

    The objective of this thesis is to propose and develop a method for estimating the intentions of road users based on information available in an autonomous vehicle. The study will focus initially on light vehicles. The methods developed will eventually be extended to other types of vehicles (trucks, two-wheeled) and pedestrians. The scientific literature explores several methods for estimating the intentions of other vehicles . One of the first tasks of the candidate will be to study these different methods and to become familiar with their theoretical principles. This step will reveal the cases of use and the interesting scenarios for this study. For the reconstruction of past trajectories of a target, the candidate can draw inspiration from the work initiated within the institute on the follow-up of the targets and the estimation of their dynamics. In particular, a multi-model probabilistic observer, based on the IMM (Interacting Multiple Models) approach, provides information on the state of the targets and their dynamics (speed, acceleration, radius of curvature) based on a variety of physical models for each of the targets. This approach will be adapted to the case studies identified, and validated from experimental data. Based on the past trajectory and the current dynamics of a target vehicle, it will then be necessary to anticipate its probable trajectory during the next few seconds. This involves identifying the maneuver initiated by the target (eg lane change, insertion, braking). Two approaches to classification can be explored: - Probabilistic deterministic methods based on Bayesian modeling of the maneuvers achievable by the target. The generation of possible trajectories can be inspired by the ego-vehicle planning algorithms developed within VeDeCom. - Approaches based on automatic learning, according to a semantic representation of the maneuvers. This approach will require the generation of a database including a variety of scenes (motorway, intersections, inserts) with different types of actors. Finally, the reconstruction of the trajectories carried out by the vehicles can make it possible to to identify patterns specific to certain drivers in order to classify the behavior of the driver. Pattern recognition can be performed using various automatic learning algorithms such as neural networks. This work therefore includes a strong experimental component with measurement campaigns on the VeDeCom test vehicles. The validation tests will allow the generation of a database for the implementation and validation of the learning methods.