Architecture de commande décisionnelle hiérarchique et hybride pour la navigation coopérative de véhicules autonomes dans des environnements/situations complexes

Hierarchical and Hybrid Decisional Control Architecture for Cooperative Navigation of Autonomous Vehicles in Complex Environments/Situations

• Auteur / Autrice : Zheng Ze Zhu
• Direction : Alain Quilliot, Lounis Adouane
• Type : Thèse de doctorat
• Discipline(s) : Electronique et Systèmes
• Date : Soutenance le 13/07/2022
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
• Jury : Examinateurs / Examinatrices : Reine Talj, Leïla Kloul, Youcef Mezouar, Haiying Zhou
• Jury : Rapporteur / Rapporteuse : Olivier Simonin, Jakob Puchinger

Mots clés

Mots clés contrôlés

Commande automatique

Véhicules autonomes

Mots clés libres

Navigation coopérative

Coordination multi-véhicules

Architecture hiérarchique

Évaluation des risques

Probabilté Collective

Gestion du trafic

Cooperative navigation

Multi-vehicle coordination

Hierarchical architecture

Risk assessment

Probability collectives

Traffic management

Résumé

La Navigation Coopérative (NC) est une technique fréquemment utilisée pour assurer la navigation efficace des Véhicules Intelligents (VI). Dans ce contexte, les efforts visant à établir un système de contrôle du trafic basé sur les véhicules autonomes connectés (CAVs) par le biais des technologies de communication entre véhicules se sont accélérés au cours des dernières décennies. La technologie de coordination multi-véhicules (MVC) sûre et flexible a suscité, en particulier, un intérêt considérable grâce à sa capacité à gérer des environnements/situations complexes. En outre, une architecture hiérarchique faisable est essentielle pour la conduite coopérative avec de nombreux objectifs de contrôle des véhicules autonomes. Ainsi, l'objectif de cette thèse est de développer une technologie MVC fiable (e.g., la prise de décision pour la planification) et des cadres basés sur les CAVs pour une utilisation dans des environnements/situations complexes. Pour atteindre cet objectif, cette thèse présente, tout d'abord, une technique de NC sûre et flexible avec une évaluation des risques pour les emplacements locaux encombrés (définis comme une seule intersection et/ou un rond-point). L'algorithme ε-Probabilté Collective (PC) à contrainte, qui est basé sur la théorie de l'Intelligence Collective (IC) distribuée, est développé pour offrir des solutions appropriées pour la conduite coopérative. Plus précisément, les VI peuvent calculer leurs stratégies de navigation coopérative optimales/sous-optimales et sensibles au risque (invasives ou conservatrices) en se basant sur le cadre décentralisé ε-PC, ce qui garantit des trajectoires sans collision. Ensuite, nous suggérons d'utiliser un superviseur global responsable de l'ordonnancement et de l'amélioration des trajectoires de navigation des véhicules, tout en proposant des compromis adaptés entre la vitesse et le risque de la réalisation des tâches visées. Afin de mieux gérer la complexité inhérente aux systèmes NC dans un réseau de transport (e.g., les intersections/ronds-points et le réseau étendu d'intersections), la deuxième partie de la thèse aborde le potentiel de l'adoption d'une architecture de contrôle hybride multicouches et de planification du mouvement (CHM-PM). Compte tenu de la fluctuation du trafic routier, il a été recommandé que des superviseurs locaux contrôlent les intersections du réseau urbain (régions dangereuses). Plus précisément, le superviseur local joue le rôle intermédiaire entre le niveau de gestion global du trafic et le niveau de décision des CAVs, en envoyant des instructions pour réguler les trajectoires des véhicules et améliorer la mobilité et la sécurité du système de transport globale. Pour atteindre cet objectif, une approche basée sur le Diagramme Fondamental Macroscopique (DFM) dans l'architecture CHM-PM proposée est conçue avec des données de trafic urbain concises (par exemple, la position du véhicule, la vitesse, etc.). En outre, la stratégie de contrôle des flux micro-macro (MiMaFC) est proposée pour démontrer les avantages de l'établissement d'un lien entre l'architecture d’optimisation collective locale proposée et le macro modèle de trafic pour améliorer la fluidité du système de transport global. Ensuite, les protocoles suggérés de navigation aux intersections, en forte relation avec notre système de gestion intelligente des intersections, sont conçus pour permettre un flux de trafic incertain. Enfin, l'architecture de gestion des NC proposée dans cette thèse a été évaluée dans un réseau de transport par un travail de simulation intensive.

Cooperative navigation (CN) is a frequently used technique for ensuring the effective navigation of Intelligent Vehicles (IVs). In this background, efforts to establish a Connected Autonomous Vehicles (CAVs)-based traffic control system via vehicular communications technology have accelerated in recent decades. Safe and flexible multi-vehicle coordination (MVC) technology, in particular, has attracted considerable interest for its ability to deal with complicated environments/situations. Additionally, a feasible hierarchical architecture is critical for cooperative driving with numerous control goals in autonomous vehicles. Thus, the objective of this PhD thesis is to develop reliable MVC technology (e.g., trajectory planning and decision-making for motion planning) and CAVs-based frameworks for use in complex environments/situations. To achieve this goal, this thesis first presented a safe and flexible cooperative navigation technique with risk assessment for cramped local locations (defined as single intersection/roundabout). The ε-constraint Probability Collectives (PC) algorithm, which is based on the distributed Collective Intelligence (CI) theory, is developed to offer proper solutions for cooperative driving. More precisely, IVs can compute their optimal/sub-optimal and risk-sensitive (i.e., invasive or conservative) cooperative navigation strategies base on the decentralized ε-PC framework, enabling collision-free trajectories in the decision-making level. Next, it is suggested a global supervisor responsible for scheduling and improving vehicle navigation routes while also proposing well-suited trade-offs between speed and risk to achieve the targeted tasks. To better deal with the inhere complexity of CN system in a transportation network (e.g., intersection/roundabout and the expended intersection network), the second part of the thesis addresses the potentialities of adopting Multi-layer Hybrid Control Policy and Motion Planning (MHCP-MP) framework. Given the fluctuating road traffic, it was recommended that local supervisors be in control of the urban network's intersections (tricky regions). Specifically, the local supervisor works as a mediator between the global traffic management level and the CAVs decision level, sending instructions to regulate vehicles' trajectories and improve the mobility and safety of the overall transportation system. To accomplish the aim, a Macroscopic Fundamental Diagram (MFD)-based approach in the proposed MHCP-MP framework is designed with concise urban traffic data (e.g., vehicle position, speed, etc.). Further, the Micro-Macro Flow Control (MiMaFC) strategy is proposed to demonstrate the advantages of establishing a link between the suggested local collective optimization framework and macro traffic model for improving the fluidity of the overall transportation system. Following that, the suggested intersection navigation protocols in a deep relationship with our established intelligent intersection management system are designed to permit an uncertain traffic flow. Finally, the proposed CN management architecture in this thesis has been proven in a dedicated transportation network through intensive simulation.