Localisation coopérative tolérante aux fautes : apport de l'apprentissage pour le diagnostic

Fault-tolerant cooperative localization : the contribution of learning to diagnosis

• Auteur / Autrice : Zaynab El Mawas
• Direction : Maan El Badaoui El Najjar
• Type : Thèse de doctorat
• Discipline(s) : Informatique, Automatique
• Date : Soutenance le 18/12/2023
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille
• Jury : Président / Présidente : Nadine Piat
• Jury : Examinateurs / Examinatrices : Philippe Bonnifait, Cindy Cappelle, Nicole El Zoghby, Fawzi Nashashibi
• Jury : Rapporteurs / Rapporteuses : Roland Chapuis, Vincent Frémont

Mots clés

Mots clés contrôlés

Robotique

Calcul des résidus

Fusion multicapteurs

Véhicules connectés

Localisation

Véhicules autonomes

Apprentissage automatique

Tolérance aux fautes (ingénierie)

Détection de défaut (ingénierie)

Mots clés libres

Localisation coopérative

Coopération entre véhicules

Fault tolerance

Cooperative localization

Machine learning

Autonomous and connected vehicles

Multi-Sensor fusion

Robotics

Résumé

La mobilité autonome et connectée est devenue un enjeu socio-économique majeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont des freins au déploiement de ce type de véhicules. Dans ce contexte, les travaux de cette thèse ont pour objectifs d'une part de contribuer au développement de méthodes de diagnostic des défauts des capteurs et d'autre part de mettre en oeuvre une coopération entre les véhicules pour améliorer les performances de la localisation des véhicules autonomes.Concernant l'aspect diagnostic, nous proposons de coupler des techniques basées à la fois sur des modèles et des données afin de produire une solution de localisation coopérative tolérante aux défauts capteurs. Étant donnée la nature stochastique des mesures, nous avons choisi le formalisme informationnel, qui fournit des mesures de dissimilarité entre des distributions de probabilité appelées divergences. Dans le cadre de cette thèse, nous utilisons ainsi la divergence de Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus. Le seuillage de ces résidus permet alors de détecter et d'isoler les défauts capteurs. Par ailleurs, l'apport de l'apprentissage a été étudié pour la prise de décision du diagnostic. Deux modèles, l'un pour la détection et l'autre pour l'isolation, ont été entraînés, avec différents outils de l'apprentissage machine (perceptron multi-couches, arbre de décision et régression logistique).La coopération entre les véhicules a mené à la mise en place d'une architecture décentralisée pour la fusion de données multi-capteurs et le diagnostic. Cet aspect coopératif inter-véhicules permet une redondance informationnelle contribuant à l'amélioration des performances de l'estimation de la pose et du diagnostic. Les données issues de cette architecture ont permis de mettre en place un paradigme fédéré pour l'apprentissage.Les méthodes proposées ont été développées, testées et évaluées sur un ensemble de scénarios avec des défauts capteurs réels et injectés. Ces scénarios ont été créés en utilisant une base de données réelles acquises à l'aide d'une plateforme robotique conçue durant la thèse. Cet équipement de la plateforme PRETIL est constitué de trois robots communicants et instrumentés.

Autonomous and connected mobility has become a major socio-economic challenge. However, the safety and security of autonomous vehicles are barriers to the deployment of this type of vehicle. In this context, the aim of this thesis is to contribute to the development of sensor fault diagnosis methods, and to implement inter-vehicle cooperation to improve the localization performance of these autonomous vehicles.Concerning the diagnostic aspect, we propose to couple both model- and data-based techniques to produce a sensor fault-tolerant cooperative localization solution. Given the stochastic nature of the measurements, we have chosen the informational formalism, which provides measures of dissimilarity between probability distributions called divergences. In this thesis, we use the Jensen-Shannon divergence to synthesize fault indicators, the residuals. Thresholding these residuals enables us to detect and isolate sensor faults. We have also studied the contribution of learning to diagnostic decision-making. Two models, one for detection and the other for isolation, were trained, using different machine learning tools (multi-layer perceptron, decision tree and logistic regression).Inter-vehicle cooperation has led to the implementation of a decentralized architecture for multi-sensor data fusion and diagnosis. This inter-vehicle cooperative aspect enables informational redundancy, contributing to improved performance in pose estimation and diagnosis. The data generated by this architecture has been used to implement a federated learning paradigm.The proposed methods were developed, tested and evaluated on a set of scenarios with real and injected sensor faults. These scenarios were created using a database of real data acquired with a robotic platform designed during the thesis. The PRETIL platform comprises three communicating and instrumented robots.