Segmentation automatique multidimensionnelle et classification de motifs temporels : application à la reconnaissance de situation de conduite en virage des deux roues motorisés

Automatic segmentation and classification of multi-dimensional sequential patterns for Powered two-wheelers bend-taking recognition

• Auteur / Autrice : Mohamed Diop
• Direction : Latifa Oukhellou, Stéphane Espié, Abderrahmane Boubezoul
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 02/12/2022
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie des Réseaux de Transport Terrestre et Informatique Avancé (Noisy-le-grand, Seine-Saint-Denis) - Laboratoire Génie des Réseaux de Transport Terrestre et Informatique Avancé (Noisy-le-grand, Seine-Saint-Denis)
• Jury : Président / Présidente : Samer Mohammed
• Jury : Examinateurs / Examinatrices : Latifa Oukhellou, Stéphane Espié, Abderrahmane Boubezoul, Mustapha Lebbah, Niccolò Baldanzini, Zoi Christoforou, Paul Honeine
• Jury : Rapporteurs / Rapporteuses : Mustapha Lebbah, Niccolò Baldanzini

Mots clés

Mots clés contrôlés

Analyse multivariée

Traitement d'images -- Techniques numériques

Cyclomoteurs

Classification automatique

Mots clés libres

Segmentation multidimensionnelle

Classification

Motifs temporels

2 roues motorisés

Segmentation

Classification

Functional data analysis

Powered Two-Wheelers (PTW)

Résumé

La thématique « deux-roues motorisés «(2RM) est un sujet à forte attente sociétale en termes de sécurité routière. Les statistiques d'accidents montrent que les conducteurs de 2RM font partie des usagers de la route les plus vulnérables. L'accident en virage représente, pour le 2RM, plus de 50% des cas d'accidents impliquant un « véhicule seul » d'où la nécessité d'apporter des solutions. Cette thèse s’attache à l'analyse des signaux issus d’expérimentations réelles conduites dans le projet ANR VOROLO++. Ces dernières ont été menées sur une moto instrumentée dans un contexte de conduite réelle incluant des conduites sous différentes instructions avec des sujets ayant différents niveaux de l’expérience de conduite : novices et expérimentés. Dans la première partie de la thèse, des méthodes d'apprentissage non supervisé ont été développées pour l'analyse globale de la trajectoire d'un 2RM lors de la prise de virage. Cette méthodologie a été mise en œuvre pour la classification des différents comportements de conduite observés. Les résultats obtenus à l'issue de la mise en œuvre de cette méthodologie sont analysés puis interprétés. En outre, une analyse approfondie du comportement de conduite d'un conducteur en particulier a été menée, et ce dans le but d'étudier les actions du conducteur nécessaires au contrôle de l'inclinaison du véhicule dans les différentes phases du virage. La seconde partie de cette thèse porte sur le développement d'outils de segmentation et de classification de séquences de conduite d'un 2RM lors de la prise de virage. Pour ce faire, l'approche proposée repose sur un modèle de régression logistique à processus cachés. Ce modèle sert à la segmentation non supervisée des séquences de conduite. Des caractéristiques statistiques extraites de chaque segment sont utilisées comme entrées d’un classifieur pour classifier les comportements de conduite à l'entrée du virage. Les résultats obtenus sur une base de données réelle ont permis de montrer l’efficacité de la méthodologie proposée à la fois pour la détection de l'entrée du virage et pour la détection de styles de conduite à l'approche du virage

The theme of "powered two-wheelers" (PTWs) is a subject with high societal expectations regarding road safety. Accident statistics show that PTWs are among the most vulnerable road users. The accident in the curve represents for PTWS more than 50 % of the cases of accidents involving a "single vehicle." It is, therefore, a necessity to bring solutions. This thesis considers the analysis of signals from real experiments conducted in the ANR VOROLO++ project. These experiments were conducted on an instrumented motorcycle in a real driving context, including driving under different instructions with subjects having different levels of driving experience: novice and experienced. In the first part of the thesis, unsupervised learning methods were used for the global analysis of the trajectory of a PTW during bend taking. This methodology has been proposed to classify the different driving behaviors observed. The results obtained from the implementation of this methodology are analyzed and interpreted. In addition, an in-depth analysis of a particular driver's driving behavior was conducted, aiming to study the driver's actions necessary to control the vehicle's inclination in the different turn phases. The second part of this thesis deals with developing tools for segmenting and classifying driving sequences of PTWs during cornering. The proposed approach is based on a hidden process logistic regression model to achieve this aim. This model is used for the unsupervised segmentation of driving sequences. Statistical features extracted from each segment are used as inputs to a classifier to classify the driving behaviors at the turn entry. The results obtained on a real database have shown the effectiveness of the proposed methodology both for detecting the turn entry and for detecting driving styles at the approach of the turn