Optimisation de trajectoire en environnement 2D : application au véhicule autonome.

par Jean-Baptiste Receveur

Thèse de doctorat en Automatique, Productique, Signal et Image, Ingénierie cognitique

Sous la direction de Pierre Melchior.


  • Résumé

    Les sujets principaux de cette thèse sont la planification et l'optimisation de trajectoire pour les véhicules autonomes. Dans le premier chapitre, les principales notions liées à la planification de chemin ou de trajectoire sont définies. Un état de l'art des méthodes y est dressé, notamment celles qui sont exploitables pour les véhicules autonomes terrestres. De cet état de l'art est tirée une structure générale de planification, composée d'un algorithme d'optimisation globale, hors-ligne d'une méthode de planification locale réactive. Le second chapitre de la thèse se concentre sur un critère particulier d'optimisation, le critère de coût énergétique d'une trajectoire, au moyen d'une méthode indirecte, utilisant le principe du maximum de Pontryagin. Celle-ci permet d'obtenir une consigne longitudinale optimale en fonction de conditions initiales et finales, ainsi que des forces extérieures qui s'appliquent au véhicule. Puis, dans le troisième chapitre, la méthode d'optimisation hors-ligne utilisant un algorithme génétique (GA) est décrite. Celle-ci génère des points de passages optimisés liés par une courbe continue, polynomiale. Le problème d'optimisation est multicritère, non-linéaire et adapté à une distance particulière qui correspond aux tâches habituellement réalisées par le conducteur humain. Les trajectoire optimales obtenues dans ce chapitre sont utilisées dans le quatrième chapitres comme références pour la méthode de contrôle utilisant les champs de potentiel (PF). La méthode GA-PF ainsi définie présente des avantages en terme d'anticipation et de réaction. Enfin, dans le dernier chapitre, la position obtenue en sortie de la méthode GA-PF est injectée en entrée de la boucle de contrôle de trajectoire d'un modèle complet de véhicule. Un modèle bicyclette est utilisé notamment pour faire de l'inversion de modèle et de la génération de commande. Deux boucles de commandes pour le suivi de trajectoire sont définies: une commande robuste en longitudinal et une commande non linéaire en latéral. Des résultats de simulation sur des scénarios routiers sont proposés, avec obstacles en mouvement, ainsi qu'une extension possible à un système 3D.

  • Titre traduit

    2D trajectory optimization: autonomous cars application


  • Résumé

    Main concerns of this PHD thesis are the planning and optimization of a trajectory for autonomous vehicles. In the first chapter, main notions about trajectory or path planning are defined. A state of the art of the existing methods is presented, particularly oriented toward autonomous vehicles methods. From this state of the art is drawn a general planning structure, composed of a global (off-line) optimization algorithm and a local (on-line) reactive local method. The second chapter of this thesis focuses on a particular optimization criterium, the energetic cost of a trajectory, using an indirect method and the Pontryagin's maximum principle. This method gives an optimal longitudinal speed reference function of initial and final conditions, along with external forces. Then, in the third chapter, the global optimization method using a Genetic Algorithm (GA) is described. This method generates optimal passage points linked through a continuous curve composed of polynomials. The optimization uses five criteria, not necessarily linear, and fit to a particular distance corresponding to tasks usually handled by the human driver. Obtained optimal trajectories in chapter three are used in chapter four as a reference for the reactive trajectory control method using Potential Fields (PF). The defined GA-PF method is interesting in terms of optimization, anticipation, and reactivity. Finally, in the last chapter, the GA-PF method trajectory is injected in a trajectory tracking loop of a complex model of the vehicle horizontal dynamics. A bicycle model is inverted to create a relevant feedforward. Two feedback loops are used: a robust longitudinal control loop and a non-linear lateral control loop. Simulation results are presented in all the chapters, on road scenarios, with mobile obstacles, and in the end a possible extension to a 3D system.