Navigation d'un véhicule autonome dans un environnement complexe par l'apprentissage par renforcement

Navigation of an autonomous vehicle in a complex environment by reinforcement learning.

• Auteur / Autrice : Julien Uzzan
• Direction : François Charpillet
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Soutenance en 2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
• Partenaire(s) de recherche : Equipe de recherche : LARSEN
• Jury : Président / Présidente : Roland Chapuis
• Jury : Examinateurs / Examinatrices : François Charpillet, Abder Koukam, Anne-Marie Spalanzani, François Aioun
• Jury : Rapporteur / Rapporteuse : Abder Koukam, Roland Chapuis

Mots clés

Mots clés libres

Apprentissage par rendorcement

Apprentissage automatique

Conduite autonome

Reinforcement learning

Machine learning

Autonomous driving

Résumé

Le véhicule intégralement autonome est aujourd'hui un des objectifs majeurs de l'in- dustrie automobile. Si les travaux sur autoroute sont déjà bien avancés, de nombreuses entreprises se tournent aujourd'hui vers des environnements plus complexes comme les milieux urbains. Pour cela, Stellantis cherche à explorer de nouvelles voies, notamment en intelligence artificielle. Durant cette thèse, on explore la piste de l'apprentissage par renforcement pour ses résultats prometteurs dans d'autres domaines. Pour cela on étudie deux sous-fonctions cruciale du véhicule autonome : la prise décision et le contrôle. Les exemples étudiés au cours de cette thèse sont la conduite sur autoroute, puis l'extension de ces travaux à un environnement appelé Merge&Split, ainsi que le contrôle longitudinal. L'objectif pour ces travaux est de voir si l'apprentissage peut fonctionner, étudier ses performances, et les comparer avec d'autres méthodes de l'état de l'art, no- tamment les méthodes conventionnelles d'automatiques pour le contrôle.

The fully autonomous vehicle is now one of the major objectives of the automotive industry. While work on highways is already well advanced, many companies are now turning to more complex environments such as urban environments. For this reason, Stellantis seeks to explore new avenues, particularly in artificial intelligence. During this thesis, we explore the field of reinforcement learning for its promising results in other fields. Therefore, we study two crucial sub-functions of the autonomous vehicle : decision-making and control. The examples studied during this thesis are the driving on highways, then the extension of this work to an environment called Merge&Split, as well as the longitudinal control. The objective of this work is to see if learning can work, to study its performances, and to compare it with other state of the art methods, in particular conventional automatic methods for control.