Modèles et algorithmes pour l'exploration de l'espace des scénarios : vers la validation du véhicule autonome

Models and algorithms for the exploration of the space of scenarios : toward the validation of the autonomous vehicle

• Auteur / Autrice : Marc Nabhan
• Direction : Marc Schoenauer
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 21/12/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Saclay, Ile-de-France)
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : Entreprise : Renault
• Jury : Président / Présidente : Sébastien Verel
• Jury : Examinateurs / Examinatrices : Jin-Kao Hao, Antoine Grall, Dominique Quadri, Yves Tourbier
• Jury : Rapporteurs / Rapporteuses : Jin-Kao Hao, Antoine Grall

Mots clés

Mots clés contrôlés

Programmation génétique (informatique)

Programmation linéaire

Réseaux neuronaux (informatique)

Apprentissage automatique

Véhicules autonomes

Mots clés libres

Véhicule autonome

Optimisation

Apprentissage

Réseaux de neurones

Programmation mathématique linéaire

Programmation génétique

Autonomous Vehicle

Optimization

Machine Learning

Deep Learning

Mixed-Integer Linear Programming

Genetic Programming

Résumé

Les véhicules autonomes sont des systèmes assez complexes où plusieurs types de défaillances peuvent se produire, enclenchant une fausse action sur la route. Chaque composant devra donc être testé rigoureusement pour anticiper et éliminer les potentielles défaillances. Des techniques de simulation numérique sont utilisées pour complémenter les essais de conduite réelle dans la validation. L'objectif de cette thèse CIFRE est de contribuer des algorithmes et méthodes à un projet industriel chez Renault focalisé sur la validation par simulation de la loi de commande en Model-In-the-Loop (MIL). Les contributions de cette thèse sont organisées selon trois objectifs: détection d'un nombre maximal de défaillances de la loi de commande, détection de scénarios près de la frontière entre zones défaillantes et sûres, et construction de modèles explicables de la frontière pour l'identifier aussi précisément que possible. Des techniques d’apprentissage (forêt aléatoire) et d'optimisation (CMA-ES) sont utilisées pour satisfaire la contrainte industrielle de réduire la puissance de calcul, et trois approches sont considérées pour construire des modèles de frontière en analysant leurs performances et explicabilités: réseaux de neurones, programmation mathématique linéaire, et programmation génétique appliquée à la régression symbolique.

Autonomous vehicles represent highly complex systems, where multiple types of failures could occur leading to a wrong execution on the road. Therefore, each component should be thoroughly tested to anticipate potential failures and mitigate them. Simulation testing methods are used to complement real test driving in the validation process. The aim of this CIFRE PhD thesis is to feed an industrial project at Renault novel algorithms and methods to facilitate the validation of the command law requirements by performing Model-In-the-Loop (MIL) testing. The main contributions of this PhD thesis are threefold: detecting a maximum number of failures of the command law, detecting scenarios as close as possible to the border separating zones of failed and safe scenarios, and building explainable border models to identify the border as accurately as possible. The algorithms of the first two objectives use machine learning (Random Forest) and optimization (CMA-ES) techniques to abide with the industrial requirement of reducing the computing power needed, and three approaches are considered to build border models while comparing their performances and explainabilities: Neural Networks, Mixed-Integer Linear Programming (MILP), and Genetic Programming (GP) applied to symbolic regression.