Prévision exhaustive du risque routier à moyen et long terme grâce aux réseaux neuronaux profonds.

Comprehensive intermediate and long-term driving risk prediction with Deep Neural Networks.

• Auteur / Autrice : Adrien Lafage
• Direction : David Filliat
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le ; Soutenance le 25/11/2025
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : U2IS - Unité d'Informatique et d'Ingénierie des Systèmes
• Partenaire(s) de recherche : Equipe de recherche : SAR - Systèmes Autonomes et Robotique
• Jury : Président / Présidente : Renaud Marlet
• Jury : Examinateurs / Examinatrices : David Filliat, Gianni Franchi, Fatma GüNEY, Christian Wolf, Fabien Moutarde
• Jury : Rapporteurs / Rapporteuses : Fatma GüNEY, Christian Wolf

Mots clés

Mots clés libres

Prédictions de trajectoires

Apprentissage profond

Quantification d'incertitudes

Trajectory Forecasting

Deep Learning

Uncertainty Quantification

Résumé

La mobilité humaine, en particulier via des transports individuels, constitue un pilier fondamental de la société moderne, en permettant l’accès aux services essentiels et en favorisant l’activité économique. Cependant, la conduite est risquée et représente une part importante des décès liés aux transports. Le défi central réside dans l’incertitude de l’environnement routier, en particulier le comportement imprévisible des autres usagers, ce qui rend l’évaluation précise des risques cruciale tant pour les conducteurs humains que pour les systèmes de sécurité embarqués. Les systèmes avancés d’aide à la conduite (ADAS) ont émergé comme une solution pour atténuer ces risques en apportant une assistance en temps réel aux conducteurs. Toutefois, les technologies ADAS actuelles se concentrent principalement sur des réponses à court terme, telles que le freinage d’urgence automatique, avec des fenêtres de réaction très courtes et des actions immédiates. Ces systèmes reposent généralement sur des modèles cinématiques qui, bien qu’efficaces en termes de calcul, sont mal adaptés aux prévisions à long terme en raison de leurs hypothèses rigides et de leur incapacité à modéliser les mouvements humains complexes guidés par l’intention. À l’inverse, l’évaluation des risques à long terme nécessite d’anticiper un large éventail de scénarios futurs plausibles, idéalement avec un délai suffisant pour permettre aux conducteurs humains de réagir de manière appropriée. Cette thèse vise à combler cette lacune en faisant progresser le domaine de la prédiction multimodale de trajectoires avec un accent particulier sur la quantification de l’incertitude (UQ) pour des tâches critiques en matière de sécurité, telles que l’évaluation des risques de conduite dans les véhicules autonomes ou les systèmes ADAS. Dans ce travail, nous utilisons des réseaux de neurones profonds (DNN) basés sur l’architecture Transformer pour apprendre les statistiques des déplacements d'agents dans le trafic routier. Plus précisément, nous étudions l’utilisation des Transformers pour la prévision de trajectoires dans des scénarios incertains, en nous concentrant sur la manière de quantifier l’incertitude de ces modèles — un aspect critique mais encore peu exploré de la prédiction de trajectoires. À cette fin, nous analysons les fonctions d’optimisation ainsi que les stratégies d’ensemble, nécessitant parfois une modification de l’architecture du réseau de neurones. Nous définissons un nouveau cadre d’évaluation pour mesurer la qualité des stratégies de UQ. Nous démontrons dans cette thèse qu’en adoptant une fonction de perte appropriée et un modèle adapté à la structure multimodale de la tâche de prédiction de trajectoires, il est possible d’améliorer significativement la qualité des estimations d’incertitude produites par le modèle de prévision. La structure de cette thèse s’articule autour de trois axes de recherche principaux. Premièrement, nous explorons les méthodes d’ensemble combinant plusieurs modèles afin d’améliorer à la fois la performance prédictive et la qualité des estimations d’incertitude. Deuxièmement, nous examinons l’impact des hypothèses de distribution utilisées pour modéliser l’espace de sortie, en mettant en évidence comment le choix de la famille de distributions peut influencer de manière significative la diversité et la fiabilité des prédictions générées. Troisièmement, nous évaluons différentes stratégies d’optimisation visant à encourager les modèles à représenter l’incertitude des données de façon pertinente.

Human mobility, particularly through private vehicular transport, is a cornerstone of modern society, enabling access to essential services and fostering economic activity. However, driving is inherently risky, accounting for a substantial share of transportation-related fatalities. The core challenge lies in the uncertainty of the driving environment, particularly the unpredictable behavior of other agents, making accurate risk assessment crucial for both human drivers and vehicular safety systems. Advanced Driver Assistance Systems (ADAS) have emerged as a solution to mitigate these risks by providing real-time support to drivers. Yet, current ADAS technologies primarily focus on short-term responses, such as automatic emergency braking, with narrow reaction windows and immediate action. These systems typically rely on kinematic models, which, although computationally efficient, are poorly suited to long-term predictions due to their rigid assumptions and inability to model complex, intent-driven human motion. In contrast, long-term risk assessment requires anticipating a wide range of plausible future scenarios, ideally with sufficient lead time for human drivers to react meaningfully. This thesis aims to bridge this gap by advancing the field of Multimodal Trajectory Forecasting with a focus on Uncertainty Quantification (UQ) for safety-critical subsequent tasks, such as driving risk assessment in autonomous vehicles or ADAS. In this work, we use Transformer-based Deep Neural Networks (DNNs) to learn the statistics of traffic agent motion. Specifically, we investigate the use of Transformer DNNs for long-term motion forecasting under uncertain scenarios, focusing on how to quantify the uncertainty of these models — a critical yet underexplored aspect of trajectory prediction. To this end, we study the optimization functions and also ensemble strategies that require modifying the architecture of the DNN. We define a new evaluation framework to assess the quality of UQ strategies. We demonstrate in our thesis that, with an appropriate loss function and a suitable model of the multimodal structure of the trajectory forecasting task, we can enhance the quality of the uncertainty estimates provided by the forecasting model. The outline of this thesis features three main research directions. First, we explore ensemble methods that combine the strengths of multiple models to improve both predictive performance and the quality of uncertainty estimates. Second, we examine the impact of distributional assumptions used to model the output space, highlighting how the choice of distribution family can significantly affect the diversity and reliability of generated forecasts. Specifically, we showcase the interesting properties of the Student's T-distribution family. Third, we evaluate various optimization strategies to encourage models to learn meaningful representations of uncertainty from data.