Navigation safe d’un véhicule autonome dans un rond-point avec perception coopérative avec une infrastructure intelligente

Safe autonomous vehicles navigation in roundabouts with cooperative perception from an intelligent infrastructure

• Auteur / Autrice : Stefano Masi
• Direction : Philippe Bonnifait
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies de l'Information et des Systèmes : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 05/05/2021
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale 71, Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc

Mots clés

Mots clés contrôlés

Simulation par ordinateur

Algorithmes

Perception spatiale

Lidar

Robotique

Carrefours giratoires

Fusion multicapteurs

Sécurité routière

Systèmes embarqués (informatique)

Intelligence artificielle

Réseaux routiers intelligents

Automobiles -- Systèmes anticollision

Automobiles -- Systèmes de guidage

Véhicules autonomes

Mots clés libres

Navigation robotique

Fusion des données

Perception

Robot-taxis

Autonomous vehicles

Self-driving navigation

Multisensor data fusion

Perception

Robot-taxis

Lidar

Résumé

Bien que la technologie des véhicules autonomes ait considérablement évolué au cours des dernières années, la navigation des véhicules autonomes dans des scénarios complexes reste toujours une question ouverte. L’un des principaux défis dans ces scénarios est la sécurité de la navigation sur les routes ouvertes à la circulation publique. Dans ces environnements de conduite, le principal problème est l’interaction du véhicule autonome avec les véhicules à conduite manuelle, car leurs comportements et leurs intentions sont difficiles à prévoir et à comprendre. Dans cette thèse, nous avons proposé une approche pour assurer une conduite autonome sécurisée dans ces scénarios. En particulier, nous avons étudié la contribution qu’une infrastructure intelligente peut apporter pour améliorer la sécurité grâce à une détection fiable des usagers de la route lors de la navigation dans des zones complexes. Dans ce travail, nous abordons ce problème à différents niveaux, en considérant la manœuvre d’insertion dans un rond-point comme cas d'étude principale. Dans la première partie, nous avons développé un algorithme de navigation qui adapte le concept de convoi virtuel aux ronds-points, en s’appuyant sur des cartes haute définition (HD). En effet, les cartes HD représentent un bon outil pour prédire les collisions au niveau de la voie en termes de trajectoires de collision avec le couloir de navigation ego-véhicule. De plus, pour faire face aux intentions inconnues des véhicules à conduite manuelle, des instances virtuels de véhicules combinés par une représentation de l’occupation intervalles sont proposés. La méthode évite en toute sécurité les collisions et garantit qu’aucune contrainte prioritaire n’est violée lors de la manœuvre d’insertion, sans fournir une politique d’insertion trop prudente. Enfin, nous proposons également des techniques pour étendre la stratégie de navigation à la traversée sûre de ronds-points à plusieurs voies. La performance de cette stratégie a été évaluée à l'aide de l'outil de simulation SUMO. Pour évaluer la complexité du scénario de simulation, un flux de véhicules hautement interactif est généré à l'aide de données de trafic dynamiques réelles provenant d'un jeu de données publiques. Nous avons également effectué des tests réels avec un véhicule expérimental à conduite autonome sur un circuit de test avec un trafic simulé et réel. Dans la deuxième partie, nous nous concentrons sur la cohérence et la robustesse de la détection des usagers de la route. L'objectif principal est de mettre en œuvre un pipeline de détection des usagers de la route basé sur le LiDAR afin de détecter l'environnement de conduite et de fournir les informations nécessaires à la conduite autonome. Les informations fournies par un détecteur d'objets 3D basé sur le LiDAR sont combinées avec une carte HD pour identifier l'espace navigable sur la route. Une nouvelle approche pour propager l'incertitude de localisation dans les points LiDAR est proposée et la performance de cette approche est comparée en termes d'occupation en considérant une représentation euclidienne et une curviligne basé sur la carte grâce à l'utilisation de données réelles acquises à l'entrée d'un rond-point. Dans la troisième partie, nous avons amélioré les performances du système de perception embarqué en utilisant un algorithme de suivi assisté par carte qui est utile pour estimer la vitesse des usagers de la route et leur occupation au niveau des voies. Pour améliorer le processus d'estimation, nous étudions comment les informations fournies par une infrastructure intelligente coopérative à distance peuvent aider la perception d'un véhicule autonome. Pour cela, une approche de fusion de données multi-capteurs intègre les informations de l'infrastructure dans le cadre de la perception embarquée. Cette extension conduit à deux avantages principaux. Premièrement, elle élargit le champ de vision du système de perception embarqué du véhicule.

Although autonomous vehicle technology has evolved significantly in recent years, the navigation of self-driving vehicles in complex scenarios is still an open issue. One of the major challenges in these conditions is safe navigation on roads open to public traffic. In such driving environments, the main issue is the interaction of the autonomous vehicle with regular traffic, as the behaviors and intentions of human-driven vehicles are hard to predict and understand. In this PhD thesis, we propose and study an approach to ensure safe autonomous driving in such scenarios. In particular, we study the contribution that an intelligent infrastructure can provide to improve safety via a reliable road users detection during the navigation into complex zones. In this work, we address this problem at different levels, considering a roundabout insertion as the main case study. In the first part, we develop a navigation algorithm that adapts the concept of virtual platooning to roundabout crossing, relying on High Definition (HD) maps. Indeed, HD maps represent a useful framework to predict collision at lane-level interms of colliding trajectories with the ego-vehicle navigation corridor. The computations are done in curvilinear abscissa which is particularly efficient and fast. Moreover,to cope with human-driven vehicles unknown intentions, virtual instances of the vehicles combined by an interval-based occupancy representation are proposed. These intervals also include localization and perception uncertainties. The method safely avoids collisions and guarantees that no priority constraints are violated during the insertion maneuver, without providing an overly cautious insertion policy. Finally, we also propose some techniques to extend the navigation strategy to the safe crossing of multi-lane roundabouts. The performance of this strategy is evaluated using the SUMO simulation framework. To evaluate the complexity of the simulation scenario, a highly interactive vehicle flow is generated using real dynamic traffic data from a public datas et. We also report real tests carried out with an experimental self-driving vehicle on a test circuit with both a simulated and real traffic. In the second part, we focus on consistency and robustness of road users detection. The main objective is to implement a LiDAR-based road users detection pipeline to sense the driving environment and provide the necessary information to perform autonomous driving. To do so, a fast and consistent method to manage uncertainties on detected traffic agents is presented. The information provided by a 3D LiDAR based object detector is combined with an HD map to identify the drivable space of the carriage way. A novel approach propagating localization uncertainty in the LiDAR points is proposed and the performance of this approach is evaluated bothin an Euclidean and in a map-based curvilinear reference frames thanks to the useof real data acquired at the entrance of a roundabout. In the third part, we improve the performance of the on-board perception systemby using a map-aided tracking algorithm which provides the speed of road users and an better estimation of their occupancy at lane level. To enhance the estimation process, we study how the information provided by a remote cooperative intelligent infrastructure can help the perception of a self-driving vehicle. To do so, a multi-sensor data fusion approach integrates the infrastructure information in the perception framework. This extension leads to two main advantages. First, it enlargest he field of view of the on-board perception system of the vehicle. Second, the combined system perception provides a more accurate state estimation of perceived objects in the zones where the fields of view overlap. It brings also redundancy which increases integrity.