Prédiction intelligente des trajectoires de véhicules, dans différents scenarii de conduite autonome

Smart vehicule trajectory prediction in various autonomous driving scenarios

• Auteur / Autrice : Thomas Gilles
• Direction : Fabien Moutarde
• Type : Projet de thèse
• Discipline(s) : Informatique temps réel, robotique et automatique - Paris
• Date : Inscription en doctorat le 02/03/2020
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CAOR - Centre de CAO et Robotique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019)

Mots clés

Mots clés libres

Apprentissage

Trajectoire

Autonome

Prediction

Learning

Trajectory

Autonomous

Prediction

Résumé

Le sujet principal de cette thèse sera centré sur la résolution du problème de la modélisation réaliste de scénarios de conduite, basés sur la fusion de capteurs et en exploitant une grande quantité de données disponibles à l'aide de plusieurs capteurs et véhicules. Ces données ne comportent pas d'annotations manuelles. Toutefois, des méthodes SOTA automatisées pourraient être utilisées pour extraire des informations précieuses sur la perception, sur la localisation et la cartographie afin de transformer le problème en solution. La simulation joue un rôle majeur dans l'augmentation de la précision de la perception, de la fusion de capteurs, de la cartographie, de la planification et du contrôle. Cependant, il n'existe actuellement aucun modèle réaliste des scenarii de conduite, pouvant imiter de manière adéquate le comportement rationnel des objets mobiles. Cela limite le champ d'utilisation de la simulation, il est donc toujours nécessaire de collecter une grande quantité de données réelles. En introduisant des modèles de conduite réalistes, on pourrait réduire l'écart et accélérer le développement de voitures autonomes en augmentant la valeur de la simulation. La modélisation réaliste des scénarios de conduite est considérée comme l'un des problèmes les plus difficiles à relever à ce jour. Nous espérons donc que des progrès considérables seront accomplis dans ce domaine, ce qui pourrait permettre à des véhicules automatisés hautement sécurisés de faire partie de notre vie quotidienne. La simulation peut prendre plusieurs formes, dont la modélisation d'un monde physique, la reconstitution visuelle de ce monde, et la gestion des comportements des agents à l'intérieur de ce monde. Nous estimons que le comportement de ces agents est l'étape la plus difficile et la plus importante pour les voitures autonomes. Dans l'état actuelle des choses, ces comportements sont le plus souvent écrits à l'avance et ne changent pas entre plusieurs simulations, ils ne réagissent notamment pas aux actions de la voiture autonome. Ces comportements peuvent être résumés par leurs trajectoires, lesquelles peuvent être décomposées en une séquence de positions dans l'espace et dans le temps. La modélisation d'un scénario réaliste de conduite passe par la génération d'une trajectoire pour chacun des agents présents dans la simulation. Cette génération peut être tirée à partir d'une distribution apprise depuis les données réelles, ou par renforcement en édictant des contraintes simples, telles que l'absence de collision. Les agents doivent être capables d'anticiper les trajectoires des autres comme le feraient de vrais humains, et de corriger leur propre chemin de manière appropriée.

The core subject of this PhD should focus on solving the problem of realistic modelling of driving scenarios based on sensor fusion by leveraging vast amount of data available using multiple sensors and vehicles. This data doesn't have manual annotations, however automated SOTA methods could be used to extract valuable information about perception, localization, mapping to turn the problem into tractable. Simulation is playing major role in increased accuracy of perception, sensor fusion, mapping and planning and control. However, at present there is no realistic model of driving scenarios that could adequately imitate rational behavior of movable objects. That restricts the scope of usage of simulation, so at present we are still required to collect large amount of real world data. By introducing realistic driving models one could close the gap and accelerate development of self-driving cars by increasing value of simulation. Realistic modelling of driving scenarios is considered to be among the most challenging problems as of today, therefore we expect to see tremendous progress in this area that could enable highly safe automated vehicles to become a part of our daily life.