Un framework adaptative de fusion tolérante aux fautes pour une localisation précise, disponible et sûre

An adaptive fault tolerant fusion framework for a precise, available and fail-safe localization

• Auteur / Autrice : Khoder Makkawi
• Direction : Maan El Badaoui El Najjar, Nazih Moubayed, Nourdine Ait-Tmazirte
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique
• Date : Soutenance le 18/12/2020
• Etablissement(s) : Université de Lille (2018-2021) en cotutelle avec Université Libanaise
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille

Mots clés

Mots clés contrôlés

Localisation par satellites, Systèmes de

Tolérance aux fautes (ingénierie)

Détection de défaut (ingénierie)

Fusion multicapteurs

Fiabilité

Véhicules automobiles -- Localisation automatique

Mots clés libres

Filtres stochastiques

Métrique informationnelle

Intégrité de positionnement

Stochastic filter

Résumé

L'adoption d'une solution technologique comme moyen de localisation d'un Système de Transport Intelligent nécessite une validation des performances usuelles. Celles-ci sont principalement la précision, la disponibilité, la continuité et la sûreté de fonctionnement. Elles présentent pourtant un comportement antagoniste, dans la mesure où assurer la sûreté de fonctionnement est généralement au détriment de la disponibilité. Cette brique de localisation peut être utilisée dans des fonctions n'engageant pas la sécurité du système et de l'environnement l'entourant comme le suivi de flotte ou l'information voyageurs. Mais quand il s'agit de fournir une information de localisation au module de contrôle de trajectoire du véhicule, il paraît évident que l'erreur de positionnement inconnue doit être correctement bornée, c'est ce que l'on nomme l'intégrité de positionnement. Pour augmenter l'intégrité, la littérature préconise l'intégration d'une couche de diagnostic et de supervision. De même, le couplage de solutions de localisation complémentaires comme le GNSS utilisé pour ses facultés de positionnement absolu, et l'odométrie pour la justesse à court terme de ses données relatives est préconisé pour augmenter la précision, la disponibilité et la continuité du système. Dans ces travaux nous proposons un formalisme permettant la mise en place d'une fusion de données brutes GNSS et de données odométriques par le biais d'un filtre stochastique de fusion de données, le Maximum Correntropy Criterion Nonlinear Information Filter, robuste aux différents bruit de mesures (shot noises, mutli-gaussiens, etc...). Ce formalisme intègre également une couche de diagnostic conçue pour être adaptative au contexte de navigation ou au changement d'exigences opérationnelles par le biais d'une métrique informationnelle, l'α-Rényi Divergence, généralisant les métriques habituellement utilisées à ces fins, comme la divergence de Bhattacharyya ou la divergence de Kullback-Leibler. Cette divergence permet la conception de résidus paramétriques qui tiennent en compte du changement d'environnement et donc du changement de la probabilité à priori de faire face ou non à un défaut de mesures GNSS. Nous étudions la possibilité d'implémenter une politique de sélection de ce paramètre et étudions l'impact de cette politique sur l'ensemble des performances précédemment citées. Les résultats encourageants permettent d'envisager comme perspective la complexification de la politique et des algorithmes de fixation de la valeur du paramètre α par l'apport des technologies d'intelligence artificielle afin d'augmenter la discernabilité des défauts, minimiser la probabilité de fausse alarme (et donc augmenter la disponibilité) et minimiser la probabilité de détection manquée dans l’objectif d'augmenter la sûreté de fonctionnement du véhicule. Des données réelles fournies par la plateforme PRETIL du laboratoire CRIStAL ont été utilisées pour le test et la validation des approches proposées.

The adoption of a technological solution as a means of localization of an Intelligent Transport System requires validation of the usual performance metrics. These are mainly accuracy, availability, continuity, and safety. However, they present an antagonistic behavior, insofar as ensuring operational safety is generally to the detriment of availability. This localization brick can be used in functions that do not involve the security of the system and the surrounding environment, such as fleet tracking or passenger information. But, when it comes to providing localization information to the vehicle's trajectory control module, it seems obvious, that the unknown positioning error must be properly bounded, this is called positioning integrity. To increase integrity, the literature recommends the integration of a diagnostic and monitoring layer. Similarly, the coupling of complementary localization solutions such as GNSS for its absolute positioning capabilities, and odometry for the precision of its relative data is recommended to increase the accuracy, availability, and continuity of the system. In this work, we propose a framework allowing the implementation of merging GNSS raw data and odometric data, through the use of a data fusion stochastic filter, the Maximum Correntropy Criterion Nonlinear Information Filter, robust to different measurement noises (shot noises, multi-gaussian, etc...). This framework also integrates a diagnostic layer designed to be adaptive to the navigation context or to changing operational requirements through an informational metric, the α-Rényi Divergence, generalizing the metrics usually used for these purposes, such as the Bhattacharyya Divergence or the Kullback-Leibler Divergence. This divergence allows the design of parametric residuals that take into account the change in environment and thus the change in the a priori probability of facing or not facing GNSS measurement failures. We study the possibility of implementing a selection policy for this parameter and study the impact of this policy on all the above-mentioned performance. The encouraging results allow us to consider, as a perspective for this work, the complexification of the policy and the algorithms for setting the value of the α parameter by the contribution of artificial intelligence technologies in order to increase the discernibility of faults, minimize the probability of false alarms (and thus increase availability) and minimize the probability of missed detections (and thus increase operational safety). In this work, real data provided by the PRETIL plate-forme of CRIStAL Lab are used in order to test and validate the proposed approach.