Architecture de contrôle partagée robuste pour les véhicules intelligents

par Dimitrios Kapsalis

Projet de thèse en Automatique - productique

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble) , en partenariat avec Grenoble Images Parole Signal Automatique (laboratoire) et de Systèmes linéaires et Robustesse (SLR) (equipe de recherche) depuis le 01-04-2019 .


  • Résumé

    L'objectif de ce travail de doctorat est directement lié à la stratégie de conduite autonome selon le projet ADCC (Autonomous Driving Commuter Car) chez Renault. L'objectif principal de ce projet est de laisser le véhicule conduire de manière autonome dans certaines sections spécifiques sur la route. Cependant, une telle décision ne repose que sur la capacité des capteurs à bord de détecter la disposition des routes déjà parcourues. Il est clair que l'aptitude d'un tel système 100% basé sur l'intelligence de l'algorithme excluant le conducteur / passager sur la boucle aura une acceptabilité limitée. Une telle décision doit également être basée sur le statut du conducteur : peut‐être qu'il veut annuler certaines décisions de véhicule, mais garder l'intelligence vivante pour des raisons de sécurité. Il doit inclure la manière dont chaque utilisateur a un style de conduite particulier, l'utilisateur s'attend à ce qu'un style similaire soit piloté. Comment ces décisions prises par les humains sont‐elles prises en compte dans les algorithmes du véhicule ? De la même manière, certaines décisions antidumping peuvent conduire à des situations de conduite dangereuses : où est la limite entre permettre au conducteur de prendre sa propre décision mais toujours garder le véhicule sur un état de sécurité ?  Cette proposition de doctorat est entièrement en ligne avec l'état actuel du projet ADCC, ce qui conduit le développement actuel à une étape suivante en termes d'intelligence du système et d'autonomie.   Un exemple concerne l'action du conducteur en cas de situations critiques : en effet le conducteur a un temps de réaction (due à sa propre compréhension de la situation) et peut, dans un laps de temps non négligeable, continuer à générer des actions sur les véhicules incohérents par rapport à la situation rencontrée. Pour prendre en compte cet aspect, des méthodes d'observation et de commande seront abordées à l'aide d'approches de type commande robuste et/ou commande prédictive pour les systèmes Linéaires à Paramètres Variants, prenant en compte les contraintes sur les états du système, afin de prédire des trajectoires futures saines. Le cadre LPV permet ici de considérer les variations des conditions de l'environnement (état de la route, du conducteur, pannes capteurs/actionneurs…), les non linéarités du véhicule, mais également des performances adaptables en temps‐réel. Nous désirons également développer des lois de commande intégrées, multivariables, nécessitant la coopération de plusieurs sous‐systèmes et actionneurs (freinage, suspension, direction, différentiel…) garantissant la sécurité face à des situations critiques dues à l'intensification du trafic, à la variabilité des types d'usagers de la route, aux conditions météorologiques, à certaines pannes de capteurs /actionneurs, ou à une erreur du conducteur.  Nous chercherons ainsi à proposer une approche intégrée de diagnostic de situations critiques et de reconfiguration de la commande. Les objectifs fixés seront en particulier ajustés en ligne en fonction de l'état du conducteur identifié précédemment.  Défis scientifiques et techniques L'architecture de contrôle proposée sera fusionnée dans la plate‐forme de véhicule autonome. Cela signifie qu'il pourra recevoir des données à partir du ‘world model' (c'est‐à‐dire des informations de perception traitées à haut niveau) et du générateur de trajectoire (c'est‐à‐dire planificateur de chemins locaux). Les principaux défis scientifiques sont décrits ci‐dessous: Interaction du système : Un défi clé dans le développement de l'interaction homme‐machine est de permettre la coopération des deux décideurs (c.‐à‐d. les humains et les systèmes automatisés travaillant ensemble dans le même tâche). Ceci est particulièrement vrai lorsque l'on considère les erreurs humaines et limitations des systèmes autonomes.  Prédiction de la limite de stabilité : le système proposé doit pouvoir anticiper les situations où l'utilisateur conduit le véhicule hors des limites de stabilité. Cela jouera un rôle clé pour assurer une réponse appropriée lors du partage du contrôle entre le conducteur et le système automatisé.

  • Titre traduit

    Robust shared control architecture for intelligent vehicles


  • Résumé

    The aim of this PhD work is directly linked to the autonomous driving strategy according to the ADCC (Autonomous Driving Commuter Car) project at Renault. The main objective of this project is to let the vehicle drive autonomously in specific sections on the road. However, such a decision relies only on the ability of on‐board sensors to detect the layout of the routes already traveled. It is clear that the ability of such a system 100% based on the intelligence of the algorithm excluding the driver / passenger on the loop will have a limited acceptability. Such a decision should also be based on the driver's status: perhaps he wants to cancel some vehicle decisions, but keep the intelligence alive for security reasons. It must include how each user has a particular driving style, the user expects a similar style to be piloted. How are these human decisions taken into account in the vehicle algorithms? In the same way, some anti‐dumping decisions can lead to dangerous driving situations: where is the limit between allowing the driver to make his own decision but still keeping the vehicle in a safe state? This PhD proposal is fully in line with the current state of the ADCC project, which leads the current development to a next step in terms of system intelligence and autonomy. An example concerns the driver's action in the event of critical situations: the driver has a reaction time (due to his own understanding of the situation) and can, in a non‐negligible time, continue to generate actions on vehicles inconsistent with the situation encountered. To take this aspect into account, observation and control methods will be approached using robust control and / or model predictive control approaches, for Linear Parameter Varying Systems, taking into account the constraints on the states of the system to predict healthy future trajectories. The LPV framework allows here to consider the variations of environmental conditions (road condition, driver, sensor / actuator failures ...), nonlinearities of the vehicle, but also adaptive real‐time performance. We also want to develop integrated control laws, multivariable, requiring the cooperation of several subsystems and actuators (braking, suspension, steering, differential ...) guaranteeing safety in the face of critical situations due to the intensification of traffic, the variability of road user types, weather conditions, some sensor / actuator failures, or driver error. We will thus seek to propose an integrated approach to diagnosis of critical situations and reconfiguration of the order. The objectives set will in particular be adjusted online according to the state of the driver identified previously. Scientific and technical challenges The proposed control architecture will be merged into the autonomous vehicle platform. This means that it will be able to receive data from the 'world model' (i.e. perception information processed at a high level) and from the trajectory generator (i.e. local route planner). ). The main scientific challenges are described below: System Interaction: A key challenge in the development of human‐machine interaction is to enable the cooperation of both decision makers (i.e. humans and automated systems working together in the same task). This is especially true when considering the human errors and limitations of autonomous systems. Stability limit prediction: the proposed system must be able to anticipate situations where the user drives the vehicle out of stability limits. This will play a key role in ensuring an appropriate response when sharing control between the driver and the automated system.