Apprentissage automatique pour l'amélioration des systèmes avancés d'assistance au conducteur

par Jabbar Rateb

Projet de thèse en Informatique

Sous la direction de Kamel Barkaoui et de Krichen Moez.

Thèses en préparation à Paris, CNAM , dans le cadre de École doctorale Informatique, télécommunications et électronique (Paris) , en partenariat avec Centre d'études et de recherche en informatique et communications (Paris) (laboratoire) et de Systèmes sûrs - VESPA : Vérification et Evaluation de systèmes Parallèles et Asynchrones (equipe de recherche) depuis le 01-10-2018 .


  • Résumé

    Sujet : Apprentissage approfondi pour l'amélioration des Systèmes Actifs d'Aide à la Conduite Mots-clés : Systèmes Actifs d'Aide à la Conduite, Apprentissage approfondi, Système de Suivi du Conducteur, Détection de Somnolence, Véhicules connectés. Contexte : Le concept de villes intelligentes gagne en importance dans les métropoles modernes à cause de l'émergence et la propagation de dispositifs, systèmes et technologies intelligentes, connectées et intégrées dans la vie de tous les jours, qui ont créé une opportunité de connecter chaque "chose" à internet. Dans l'ère à venir de l'Internet of Choses, l'Internet des Véhicules (ou IOV) jouera un rôle crucial dans la construction d'une ville intelligente. En fait, l'IOV a déjà un potentiel pour résoudre les divers problèmes de trafic efficacement. C'est important pour l'amélioration du l'utilisation de la route, réduire la consommation d'énergie et la pollution, et améliorer la sécurité routière. Les Systèmes Actifs d'Aide à la Conduite (ADAS) sont une partie intégrante de la technologie automobile, comme ils accroissent la sécurité du système et fournissent une meilleure expérience de conduite pour l'utilisateur. C'est pour le moment le segment grandissant le plus rapidement dans l'industrie électronique automobile. Beaucoup des ADAS ont été conçus et développés par les joueurs comme la Régulation de Vitesse Adaptative (ACC), le Système de Prévention de Collision, la Détection de Somnolence du Conducteur, l'Adaptation de Vitesse Intelligente (ISA), le parking automatique, la vision automobile de nuit, et d'autres. Les ADAS sont une des fonctionnalités les plus fondamentales du microcontrôleur automobile. Cependant, les ADAS sont encore dans leurs premiers jours et par conséquent, il y a énormément de possibilités d'amélioration. Par exemple, un système de détection de somnolence qui utilise les caractéristiques faciales pour détecter le Comportement du conducteur nécessite une fenêtre de moyenne mobile pour traquer les changements lents dans la vigilance du conducteur. - En outre, les systèmes de prévention avant collision ont toujours des difficultés à identifier les objets, particulièrement quand le véhicule voyage à grande vitesse. De plus, dans l'essor de l'utilisation de dispositifs intelligents connectés et intégrés, l'apprentissage automatique a fait des avancée révolutionnaire ces dernières années, spécialement dans l'apprentissage en profondeurs. Ainsi, l'utilisation de ces nouvelles technologies et méthodologies peuvent être une façon efficace d'augmenter l'efficacité des systèmes avancés d'assistance aux conducteurs existants. Par conséquent, l'objectif de cette thèse et d'investiguer et améliorer l'efficacité de systèmes qui : a) aident les conducteurs dans le processus de conduite et b) sont responsables de l'augmentation de la sécurité en voiture et plus généralement les remarquables systèmes actifs d'aide à la conduite (ADAS) en utilisant l'approche d'apprentissage approfondi. Objectifs de recherches : -Augmenter les niveaux d'efficacité des systèmes d'identifications des caractéristiques du conducteur dans les Systèmes Actifs d'Aide à la Conduite en utilisant les techniques d'apprentissage en profondeur. Ces systèmes sont responsables de l'identification de l'état de conduite du conducteur, tel que la fatigue, l'état d'ivresse, la somnolence ou la conduite distraite. -Augmenter les niveaux d'efficacité de l'identification de Collision et Quasi-collision dans les ADAS en collectant des données auprès des conducteurs, véhicules et environnement. Les données collectées en des données d'ingénieurie et l'historique des accidents permettront la prédiction de collision entre véhicules. -Développer une structure intégrée des risques de sécurité qui permet aux parties prenantes (routiers, agences d'Etat et forces de l'ordre) d'identifier les endroits et les comportements à hauts risques en mesurant un ensemble de variables dynamiques, incluant des données basées sur les évènements, les conditions de la route et les manoeuvres des conducteurs. Références : - Arief Koesdwiady, Ridha Soua, Fakhreddine Karray “Recent Trends in Driver Safety Monitoring Systems: State of the Art and Challenges”. IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, VOL. 66, NO. 6, JUNE 2017 - Nasim Arbabzadeh, Mohsen Jafari “A Data-Driven Approach for Driving Safety Risk Prediction Using Driver Behavior and Roadway Information Data“. IEEE Transactions on Intelligent Transportation Systems, JUNE 2017 - J. Jo, S. J. Lee, H. G. Jung, K. R. Park, and J. Kim, “Vision-based method for detecting driver drowsiness and distraction in driver monitoring system,” Opt. Eng., vol. 50, no. 12, pp. 127202-1– 1272022-4, 2011. - J. Jo, S. J. Lee, H. G. Jung, K. R. Park, and J. Kim, “Vision-based method for detecting driver drowsiness and distraction in driver monitoring system,” Opt. Eng., vol. 50, no. 12, pp. 127202-1– 1272022-4, 2011. - - J. He, S. Roberson, B. Fields, J. Peng, S. Cielocha, and J. Coltea, “Fatigue detection using smartphones,” J. Ergonom., vol. 3, 2013, Art. No. 120. - - B.-G. Lee and W.-Y. Chung, “Driver alertness monitoring using fusion of facial features and biosignals,” IEEE Sens. J., vol. 12, no. 7, pp. 2416–2422, Jul. 2012

  • Titre traduit

    Machine learning for improvement of Advanced Driver Assistance Systems


  • Résumé

    The concept of smart cities is increasingly gaining prominence in modern metropolises due to the emergence and spread of embedded and connected smart devices, systems, and technologies in everyday lives, which have created an opportunity to connect every ‘thing' to the Internet. In the upcoming era of the Internet of Things, the Internet of Vehicles (IOV) will play a crucial role in constructing a smart city. In fact, the IOV has a potential to solve various traffic problems effectively. It is critical for enhancing road utilization, reducing energy consumption and pollution, and improving road safety. Advanced Driver Assistance Systems (ADAS) are an integral part of the current automotive technology, as they increase system safety and provide a better driving experience for the user. It is at the moment the fastest growing segment in the automotive electronics industry. Many ADAS have been designed and developed by the automotive industry players such as Adaptive Cruise Control (ACC), Collision Avoidance System, Driver Drowsiness Detection, Intelligent Speed Adaptation (ISA), automatic parking, automotive night vision, and others. ADASs are one of the most fundamental features of the automotive microcontroller. However, ADAS are still in their early days and accordingly there is much space for improvement. For instance, a driver drowsiness detection system that uses facial features to detect driver's behavior requires a long moving-average window to track slow changes in a driver's vigilance. Besides, forward-collision avoidance systems still have difficulty identifying objects, particularly when a vehicle is traveling at high speeds. In addition to the boom in the use of embedding and connecting smart devices, machine learning has made groundbreaking advances in recent years, especially in the area deep learning. Thus, the use of these new technologies and methodologies can be an effective way to increase the efficiencies of the existing advanced driver assistance systems. Consequently, the goal of this thesis is to investigate and improve the efficiency of systems that a) help the driver in the driving process and b) are responsible for increase car safety and more generally road safety markedly advanced assistance-driving system (ADAS) using the Deep learning approach. Research objectives: - To increase efficiency levels of driver characteristics identification systems in Advanced Driver Assistance Systems using deep learning techniques. These systems are responsible for identification of the driver's driving status, such as fatigue, drunk, drowsiness, and distracted driving. - To increase efficiency levels of Crash and Near Crash identification in ADAS based on collecting data from drivers, vehicles, and environments. The collected data consisting of the engineering data and historical accidents will allow the prediction of the collision between vehicles. - To develop an integrated safety risk framework that enables stakeholders (road users, state agencies, and law enforcement) to identify both high-risk locations and behaviors by measuring a set of dynamic variables, including event-based data, roadway conditions, and drivers' maneuvers. References: - - Arief Koesdwiady, Ridha Soua, Fakhreddine Karray “Recent Trends in Driver Safety Monitoring Systems: State of the Art and Challenges”. IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, VOL. 66, NO. 6, JUNE 2017 - - Nasim Arbabzadeh, Mohsen Jafari “A Data-Driven Approach for Driving Safety Risk Prediction Using Driver Behavior and Roadway Information Data“. IEEE Transactions on Intelligent Transportation Systems, JUNE 2017 - - J. Jo, S. J. Lee, H. G. Jung, K. R. Park, and J. Kim, “Vision-based method for detecting driver drowsiness and distraction in driver monitoring system,” Opt. Eng., vol. 50, no. 12, pp. 127202-1–1272022-4, 2011. - - J. He, S. Roberson, B. Fields, J. Peng, S. Cielocha, and J. Coltea, “Fatigue detection using smartphones,” J. Ergonom., vol. 3, 2013, Art. No. 120. - - B.-G. Lee and W.-Y. Chung, “Driver alertness monitoring using fusion of facial features and bio-signals,” IEEE Sens. J., vol. 12, no. 7, pp. 2416–2422, Jul. 2012.