Vers des réseaux intelligents et adaptatifs pour les véhicules autonomes connectés

Towards intelligent and adaptive networks for connected autonomous vehicles

• Auteur / Autrice : Mario Bou abboud
• Direction : Oumaya Baala
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 10/03/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : DISC - Département Informatique et Systèmes Complexes
• Partenaire(s) de recherche : établissement de préparation : Université de technologie de Belfort-Montbéliard (1999-....)

Mots clés

Mots clés libres

Véhicules connectés

5g

Intelligence Artificiel

Artificiel Intelligence

Connected Vehicules

5g

Résumé

Le système de transport intelligent coopératif (C-ITS) est un système de transport dans lequel tous les usagers de la route, y compris les piétons, coopèrent entre eux afin d'augmenter l'efficacité du trafic et la sécurité routière. Afin d'atteindre cet objectif ambitieux, les véhicules doivent disposer et traiter des informations sur leur environnement. La technologie actuelle basée sur des capteurs tels que le radar, le Lidar et la caméra limite la perception locale et individuelle du véhicule et ne peut pas fonctionner en situation d'obstruction (NLOS) ou dans de mauvaises conditions météorologiques. Cependant, le V2X (Véhicule-to-Everything) permet le déploiement de véhicules autonomes avec la capacité à collecter des données élargissant ainsi la portée de la perception du véhicule, améliore ainsi la visibilité et offre une prise de conscience autour du véhicule en échangeant de manière fiable des messages avec d'autres véhicules, des usagers de la route et des unités « RoadSide ». À cet égard, un système de communication mobile intelligent et adaptatif est nécessaire pour assurer un échange fiable des données, même à des vitesses élevées. Il s'agit d'étudier de nouveaux mécanismes pour l'analyse des données de trafic mobile basés sur des algorithmes d'apprentissage automatique, afin d'offrir une gestion intelligente. La prédiction de la mobilité sera mise à profit pour permettre au réseau de prendre des mesures préventives pour éviter les problèmes liés à la grande mobilité des véhicules en tenant compte de caractéristiques telles que la congestion, la topologie routière, etc. Cette thèse fera avancer l'état de l'art en proposant de nouveaux modèles de gestion de QoS en se basant sur les techniques d'intelligence artificielle (Machine / Deep / Reinforcement learning). L'objectif est de proposer des modèles de gestion intelligente, en temps réel, des ressources des réseaux, basés sur les techniques d'apprentissage, afin de maintenir la connectivité entre les véhicules autonomes à un certain niveau de QoS.

The Cooperative Intelligent Transport System (C-ITS) is a transportation system in which all road users, including pedestrians, cooperate with each other to increase traffic efficiency and road safety. To achieve this ambitious goal, vehicles must have and process information about their environment. Current technology based on sensors such as radar, lidar and camera limits the local and individual perception of the vehicle and cannot operate in an obstructed situation (NLOS) or in bad weather conditions. However, V2X (Vehicle-to-Everything) enables the deployment of autonomous vehicles with the ability to collect data thus expanding the scope of vehicle perception, thereby improving visibility, and providing awareness around the vehicle by exchanging reliably messages with other vehicles, road users and RoadSide units. In this regard, an intelligent and adaptive mobile communication system is needed to ensure reliable data exchange even at high speeds. The aim is to study new mechanisms for the analysis of mobile traffic data based on machine learning algorithms, to offer intelligent management. The mobility prediction will be leveraged to enable the network to take preventive measures to avoid problems related to high vehicle mobility by considering characteristics such as congestion, road topology, etc. This thesis will advance the state of the art by proposing new QoS management models based on artificial intelligence techniques (Machine / Deep / Reinforcement learning). The objective is to propose intelligent management models, in real time, of network resources, based on learning techniques, to maintain connectivity between autonomous vehicles at a certain level of QoS.