Stratégies Apprises et Hybrides pour le Contrôle et la Planification des Véhicules Autonomes

Learned and Hybrid Strategies for Control and Planning of Highly Automated Vehicles

• Auteur / Autrice : Agapius Bou Ghosn
• Direction : Arnaud de La Fortelle
• Type : Thèse de doctorat
• Discipline(s) : Informatique temps réel, robotique et automatique - Paris
• Date : Soutenance le 15/09/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Partenaire(s) de recherche : Laboratoire : Centre de robotique (Paris)
• Jury : Président / Présidente : Brigitte d' Andréa-Novel
• Jury : Examinateurs / Examinatrices : Arnaud de La Fortelle, David Filliat, Philippe Martinet, Christian Gerdes, Philip Polack
• Jury : Rapporteurs / Rapporteuses : David Filliat, Philippe Martinet

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage automatique

Véhicules électriques hybrides

Mots clés libres

Planificateur

Observateur

Apprentissage Automatique

Contrôle

Véhicule

Planner

Observer

Machine Learning

Learning-based control

Vehicle

Control

Résumé

Les progrès des véhicules autonomes représentent une avancée significative dans la recherche de modes de transport plus sûrs et plus fiables. Atteindre l'autonomie complète des véhicules est l'objectif principal des chercheurs dans ce domaine au cours des dernières années. L'autonomie complète exige une représentation précise de la dynamique du véhicule à travers les différents composants de son architecture, afin d'assurer le fonctionnement dans une large gamme de scénarios. Pour atteindre cet objectif, cette thèse introduit la notion d'apprentissage pour les observateurs et les planificateurs de véhicules.Grâce à l'intégration de techniques hybrides et apprises, notre objectif est d'améliorer la capacité du véhicule à observer son état. L'obtention d'une connaissance précise de l'état est essentielle pour les couches de planification et de contrôle qui dépendent de cette information. Les techniques d'observation proposées sont testées sur des applications de véhicules réels, ce qui prouve la capacité des méthodes proposées à réaliser des observations précises dans des scénarios réels, même aux limites de la manipulation du véhicule. Les méthodes proposées présentent des avantages significatifs par rapport aux méthodes de l'état de l'art.Après avoir obtenu des observations précises de l'état du véhicule, nous proposons, dans un deuxième temps, un modèle hybride simple et précis. Ce modèle décrit précisément le comportement du véhicule, ce qui permet de développer un planificateur capable de générer des trajectoires réalisables, même dans des scénarios très dynamiques. Un schéma de planification et de contrôle basés sur la technique MPPI sont proposés et testés pour diverses manœuvres. En comparant notre approche au modèle cinématique de bicyclette couramment utilisé dans les applications de planification, nos résultats démontrent la supériorité de la méthode proposée. Notamment, le planificateur utilisant notre modèle hybride garantit un comportement plus sûr et plus précis du véhicule.Cette thèse démontre les capacités des architectures de réseaux neuronaux appris et hybrides proposées à représenter avec précision la dynamique complexe du véhicule. Grâce à des expériences sur des véhicules simulés et réels, les méthodes proposées prouvent leur capacité à surpasser les méthodes d'état de l'art dans les applications d'observation et de planification.

The advancement of autonomous vehicles represents a significant leap forward in the pursuit of safer and more reliable modes of transportation. Reaching full autonomy in vehicles has become the central focus of researchers and experts in the field in the last decade. Full autonomy demands precise representation of the vehicle's dynamics across various components within its architecture, to ensure the operation in a wide range of scenarios. To achieve this purpose, this thesis integrates the notion of learning to vehicle observers and planners.Through the integration of hybrid and learned techniques, our objective is to enhance the vehicle's capacity to accurately observe its state. Achieving precise state knowledge is critical as both the planning and control layers rely on this information. We test our observing techniques on real vehicle applications proving the ability of the proposed methods to achieve accurate observations in real-life scenarios, even at the limits of handling of the vehicle. The proposed methods present significant advantages over state-of-the-art methods.After achieving accurate state observations, we propose a simple yet accurate hybrid model in the second stage. This model precisely describes the vehicle's behavior, allowing the development of a planner that can generate feasible trajectories, even in high-dynamic scenarios. An MPPI-based plan and control scheme is proposed and thoroughly tested across various maneuvers. Comparing our approach to the commonly used kinematic bicycle model in planning applications, our results clearly demonstrate the superiority of the proposed method. Notably, the planner utilizing our hybrid model ensures safer and more precise vehicle behavior.This thesis demonstrates the capabilities of the proposed learned and hybrid neural network architectures in accurately representing the complex dynamics of the vehicle. Through simulated and real vehicle experiments, the proposed methods prove their ability to outperform state-of-the-art methods in observing and planning applications.