Navigation partagée dans un système autonome cybernétique multi-agents

Shared navigation in a cybernetic multi-agent autonomous system

• Auteur / Autrice : Hugo Pousseur
• Direction : Alessandro Corrêa Victorino, Hiroshi Fujimoto
• Type : Thèse de doctorat
• Discipline(s) : Automatique et Robotique : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 28/03/2024
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc

Mots clés

Mots clés contrôlés

Prise de décision

Systèmes homme-machine

Intelligence artificielle répartie

Apprentissage profond

Apprentissage automatique

Théorie des jeux

Fusion multicapteurs

Automobiles -- Commande automatique

Cybernétique

Véhicules connectés

Véhicules autonomes

Mots clés libres

Systèmes multi-agents

Voiture autonome

Navigation partagée

Contrôle partagé

Interaction homme-véhicules

Fusion d'intentions

Commande par vision

Multi-agents systems

Autonomous car

Artifical intelligence

Shared navigation

Shared control

Machine learning

Deep learning

Autonomous vehicle

Connected vehicles

Cybernetics

Automatic control

Game theory

Distributed artificial intelligence

Decision making

Résumé

Ma thèse porte sur la navigation partagée entre le système autonome et l'humain. Dans notre recherche, nous mettons l'accent sur la fusion des commandes. Dans notre approche, les deux entités, l'humain et le système autonome, pilotent simultanément le véhicule, et un module acquiert leurs commandes et effectue la fusion des commandes. Cette approche implique l'étude des intentions de l'humain et du système autonome afin d'assurer la fusion la plus appropriée de leurs choix et d'évaluer la prise de décision de chaque entité. L'intention du système autonome est calculée à l'aide d'un contrôleur d’asservissement visuel. La mise en œuvre de l'asservissement visuel repose sur un réseau de deep learning capable de détecter les voies de circulation. Pour le conducteur humain, qui conduit activement et ne peut exprimer son intention en même temps, nous utilisons un modèle basé sur le deep learning pour prédire son intention. La construction de ce modèle a nécessité la création d'un ensemble de données de conduite à l'aide de nos véhicules et le développement d'un modèle récurrent qui intègre des données de divers types. Chacune de ces intentions est ensuite évaluée selon des critères spécifiques, y compris la sécurité, le confort et le contexte, dans le but de guider le processus de fusion vers la sélection de l'intention de la plus haute qualité. Cette quantification est basée sur une analyse de l'état dérivée de la réalisation de ces intentions. Ensuite, nous utilisons la théorie des jeux pour faciliter le processus de fusion, au chaque entité, humain et système autonome, souhaite orienter la commande finale vers son choix.

My thesis is based on shared navigation between the autonomous system and the human. In our research, we focus on command fusion. In our approach, both entities, the human and the autonomous system, simultaneously control the vehicle, and a module acquires their commands and performs the command fusion. This approach involves studying the intentions of both the human and the autonomous system to ensure the most appropriate fusion of their choices and to evaluate the decision-making of each entity. The intention of the autonomous system is calculated using a visual servoing controller. The implementation of visual servoing relies on a deep learning network detecting lanes. For the human driver, who actively drives and cannot express their intention simultaneously, we use a deep learning-based model to predict their intention. The construction of this model required the creation of a driving dataset using our vehicles and the development of a recurrent model that integrates data of various types. Each of these intentions is then evaluated according to specific criteria, including safety, comfort, and context, to guide the fusion process towards the selection of the highest quality intention. This quantification is based on a state analysis derived from the realization of these intentions. We then use game theory to facilitate the fusion process, where each entity, human and autonomous system, aims to steer the final command towards their choice.