Surveillance avancée du trafic routier par détection acoustique distribuée et apprentissage profond

Advanced road traffic monitoring with distributed acoustic sensing and deep learning

• Auteur / Autrice : Yacine Khacef
• Direction : Cédric Richard
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'ingénieur
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Joseph-Louis Lagrange (Nice, Alpes-Maritimes ; 2012-....)
• Jury : Président / Présidente : François Vincent
• Jury : Examinateurs / Examinatrices : Cédric Richard, François Vincent, Mounir Ghogho, Frédéric Pascal, Patrice Aknin, Frédéric Bourquin, André Ferrari
• Jury : Rapporteurs / Rapporteuses : Mounir Ghogho, Frédéric Pascal

Mots clés

Mots clés contrôlés

Apprentissage non supervisé (intelligence artificielle)

Apprentissage profond

Capteurs (technologie)

Acoustique

Technique de la circulation

Mots clés libres

Apprentissage profond

Détection acoustique distribuée

Surveillance du trafic routier

Apprentissage auto-supervisé

Déformation temporelle non linéaire

Transport optimal

Deep learning

Distributed acoustic sensing

Road traffic monitoring

Self-supervised learning

Nonlinear time warping

Optimal transport

Résumé

La gestion du trafic urbain est un enjeu crucial pour les villes du monde entier, en raison de l'augmentation continue du nombre de véhicules. Les méthodes classiques, telles que les caméras et les boucles de détection, s'avèrent souvent inadaptées à cause de leurs coûts élevés, de la faible résolution des capteurs, et des enjeux de protection de la vie privée. Récemment, la technologie de détection acoustique distribuée (DAS) a émergé comme une solution innovante pour la surveillance du trafic. En convertissant des câbles de fibre optique en un réseau de capteurs de vibration, la technologie DAS capte les déformations générées par les véhicules avec une haute résolution spatio-temporelle, offrant ainsi une alternative rentable et respectueuse de la vie privée. Dans cette thèse, nous développons plusieurs modèles et méthodes pour une surveillance complète du trafic à l'aide de la technologie DAS, en nous concentrant sur quatre axes : la détection des véhicules, l'estimation de la vitesse, le comptage et la classification. Nous introduisons d'abord un modèle d'alignement des données DAS auto-supervisé, permettant d'extraire des informations cruciales sur le trafic grâce à l'alignement temporel des données recueillies en divers points de mesure. Ce modèle intègre un module d'apprentissage profond et un bloc de déformation temporelle non uniforme, capable de gérer des conditions de circulation complexes et d'aligner les données DAS avec précision. Nous proposons ensuite une méthode pour la détection des véhicules et l'estimation de leur vitesse, basé sur le modèle d'alignement. La détection est formulée selon le cadre du test de rapport de vraisemblance généralisé (GLRT), permettant de localiser et de détecter les véhicules de manière fiable. L'estimation de la vitesse est réalisée sur les véhicules détectés, et nos résultats sont validés avec des capteurs dédiés. Notre méthode affiche une précision supérieure, avec une erreur inférieure à kmph{3}, surpassant de 80% les méthodes traditionnelles d'alignement temporel telles que la déformation temporelle dynamique (DTW), tout en étant 16 fois plus rapide, ce qui permet une application en temps réel. Nous développons également de nouvelles méthodes de comptage et de classification des véhicules en exploitant la technologie DAS. Une première solution, basée uniquement sur la détection des véhicules, est efficace pour le comptage des camions mais montre des limites pour le comptage des voitures en trafic dense. Pour y remédier, nous proposons un modèle d'apprentissage profond supervisé pour le comptage, entraîné sur une section spécifique de la route, utilisant les résultats du comptage de la première méthode et des étiquettes à faible résolution temporelle. Une technique de transfert de caractéristiques permet d'étendre ce modèle à d'autres segments routiers, démontrant ainsi son adaptabilité. En conclusion, cette thèse propose une solution robuste et scalable pour la surveillance du trafic à l'aide de la technologie DAS, assurant à la fois une haute précision et une exécution en temps réel. Cette approche ouvre la voie à l'extraction de diverses informations critiques, telles que la détection d'accidents, et peut être étendue à d'autres modes de transport, comme les tramways ou les trains, illustrant ainsi son large potentiel d'application.

Urban traffic management poses a significant challenge for cities worldwide, intensified by the growing number of vehicles on road infrastructures. Traditional methods, such as cameras and loop detectors, are often suboptimal due to their high deployment and maintenance costs, limited sensing resolution, and privacy concerns. Recently, Distributed Acoustic Sensing (DAS) technology has emerged as a promising solution for traffic monitoring. By transforming standard fiber-optic telecommunication cables into an array of vibration sensors, DAS captures vehicle-induced subsurface deformation with high spatio-temporal resolution, providing a cost-effective and privacy-preserving alternative.In this thesis, we propose several models and frameworks for comprehensive traffic monitoring using DAS technology, focusing on four key aspects: vehicle detection, speed estimation, counting, and classification. First, we introduce a self-supervised DAS data alignment model that temporally aligns the recorded DAS data across multiple measurement points, enabling the extraction of the traffic information. Our model integrates a deep learning module with a non-uniform time warping block, making it capable of handling challenging traffic conditions and accurately aligning DAS data.Next, we present a vehicle detection and speed estimation framework built on the alignment model. Vehicle detection is formulated within the Generalized Likelihood Ratio Test (GLRT) framework, allowing for reliable detection and localization of vehicles. Speed estimation is achieved over the detected vehicles using the warps from the alignment model, and the results are validated against dedicated sensors. Our method achieves a mean error of less than kmph{3}, outperforming traditional time series alignment methods like Dynamic Time Warping (DTW) by nearly 80%. Furthermore, our model's computing time is 16 times faster than DTW, enabling real-time performance.Lastly, we introduce new vehicle counting and classification methods that leverage the DAS technology. We present a first solution, based solely on vehicle detection results, which is effective for truck counting but shows limitations in cars counting under high-traffic conditions. To address these limitations, we develop a second approach for vehicle counting using a supervised deep learning model trained on a specific road section, using the vehicle counting results of the first method and low-time-resolution labels from dedicated sensors. Through an optimal transport-based feature mapping technique, we extend the model to other road segments, demonstrating its scalability and adaptability. Using the first truck counting method along with the deep learning-based vehicle counting model results in a comprehensive vehicle counting and classification solution.Overall, this thesis presents a robust and scalable framework for road traffic monitoring using DAS technology, delivering both high accuracy and real-time performance. The framework paves the way for extracting a wide range of other crucial traffic information, such as accident detection. Moreover, this approach can be generalized to various road configurations and extended to other transportation modes, such as tramways and trains, demonstrating its broader applicability.