Apprentissage de la prise de décision à haut niveau des véhicules autonomes par généralisation de la description du contexte opérationnel via des HiGraphs sémantiques

Learning high level decision making for Autonomous Driving by generalising the operational context description using semantic higraphs

• Auteur / Autrice : Victor Talpaert
• Direction : Bruno Monsuez, Antoine Manzanera
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/08/2018
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : U2IS - Unité d'Informatique et d'Ingénierie des Systèmes
• Partenaire(s) de recherche : Equipe de recherche : SAR - Systèmes Autonomes et Robotique

Mots clés

Mots clés libres

Conduite autonome

Apprentissage par renforcement

Prise de décision

HiGraphs

Véhicules autonomes

Autonomous Driving

Reinforcement Learning

Decision making

Higraphs

Autonomous Vehicles

Résumé

Dans le cadre de la conduite autonome, la thèse se concentre sur la liaison entre Perception et Contrôle. En effet la multitude de sources hétérogènes d'information requiert une interprétation abstraite de la situation. Cette interprétation de contexte bénéficie à être proche du modèle humain ou du moins à fournir une explication sur ses décisions compréhensible par un humain. Nous utilisons le deep learning dans le but de capturer les interdépendances entre les sources. Le système obtenu devra prendre en compte les variations d'échelles temporelles et spatiales des informations.

In the context of autonomous driving, the thesis focuses on the link between Perception and Control. Indeed due to the multitude of heterogeneous sources of information, the final scene interpretation ought to be abstract enough to be dissociated from the data. This context interpretation could be inspired from human reasoning, or should at least give human readable feedback on its decision process. We leverage deep learning techniques in order to capture the sources' interdependencies. The resulting system should take into account the temporal and spatial variations in the provided information.