Thèse soutenue

Classification de situations de conduite et détection des événements critiques d'un deux roues motorisé

FR  |  
EN
Auteur / Autrice : Ferhat Attal
Direction : Latifa OukhellouAbderrahmane Boubezoul
Type : Thèse de doctorat
Discipline(s) : Mathématiques
Date : Soutenance le 06/07/2015
Etablissement(s) : Paris Est
Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Institut Français des Sciences et Technologies des Transports, de l'Aménagement et des réseaux. Laboratoire Exploitation, Perception, Simulateurs et Simulations (Paris ; 2009-2019) - Lepsis
Jury : Président / Présidente : Jean-Luc Zarader
Examinateurs / Examinatrices : Latifa Oukhellou, Abderrahmane Boubezoul, Allou Badara Samé, Pascal Larzabal, Stéphane Espié, Abderrahmane Boubezoul
Rapporteurs / Rapporteuses : Olivier Colot, Mustapha Lebbah

Résumé

FR  |  
EN

L'objectif de cette thèse est de développer des outils d'analyse de données recueillies sur les deux roues motorisés (2RMs). Dans ce cadre, des expérimentations sont menées sur des motos instrumentés dans un contexte de conduite réelle incluant à la fois des conduites normales dites naturelles et des conduites à risques (presque chute et chute). Dans la première partie de la thèse, des méthodes d'apprentissage supervisé ont été utilisées pour la classification de situations de conduite d'un 2RM. Les approches développées dans ce contexte ont montré l'intérêt de prendre en compte l'aspect temporel des données dans la conduite d'un 2RM. A cet effet, nous avons montré l'efficacité des modèles de Markov cachés. La seconde partie de cette thèse porte sur le développement d'outils de détection et de classification hors ligne des évènements critiques de conduite, ainsi que, la détection en ligne des situations de chute d'un 2RM. L'approche proposée pour la détection hors ligne des évènements critiques de conduite repose sur l'utilisation d'un modèle de mélange de densités gaussiennes à proportions logistiques. Ce modèle sert à la segmentation non supervisée des séquences de conduite. Des caractéristiques extraites du paramètre du modèle de mélange sont utilisées comme entrées d'un classifieur pour classifier les évènements critiques. Pour la détection en ligne de chute, une méthode simple de détection séquentielle d'anomalies basée sur la carte de contrôle MCUSUM a été proposée. Les résultats obtenus sur une base de données réelle ont permis de montrer l'efficacité des méthodologies proposées à la fois pour la classification de situations de conduite et à la détection des évènements critiques de conduite