Architecture probabiliste d'évaluation et de gestion des risques pour une navigation autonome sécurisée

Probabilistic risk assessment and management architecture for safe autonomous navigation

• Auteur / Autrice : Emmanuel Alao
• Direction : Lounis Adouane, Philippe Martinet
• Type : Projet de thèse
• Discipline(s) : Automatique et robotique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : Sciences pour l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire Heuristique et diagnostic des systèmes complexes (Compiègne, Oise) (1981-....)

Mots clés

Mots clés libres

Véhicules autonomes

Architectecture de contrôle/commande

Prise de décision robuste sous incertitude

Smpc

Pidp

Autonomous vehicles

Robust decision making under uncertainty

Control architecture

Smpc

Pidp

Résumé

Le sujet de thèse proposé a pour but de rendre encore plus robuste et sûre la prise de décision des véhicules intelligents (VI) lors des phases de délégation complète de conduite, et cela dans des environnements urbains hautement dynamiques et contraints. Dans ce contexte, le VI peut faire face à de multiples occultations visuelles et à des comportements non prédictibles des entités mobiles autours. Ce sujet de thèse sera réalisé en étroite collaboration avec l'équipe projet ACENTAURI de l'INRIA Sophia Antipolis dans le cadre du projet ANR ANNAPOLIS. Sujet de Thèse L'objectif principal de cette thèse est de proposer une architecture globale multi-contrôleurs probabiliste (P-MCA) disposant d'un système fiable d'évaluation et de gestion des risques. Les principaux défis consistent à avoir le mouvement des VIs le plus sûr, et cela même dans des environnements/situations complexes, mais aussi à assurer la fluidité des trajectoires de ces véhicules (garantissant ainsi le confort des passagers). Pour atteindre ces objectifs, inspirés principalement des travaux donnés dans [Adouane 17], [Iberraken 18] une nouvelle Architecture Probabiliste Multi-Contrôleur globale, adaptée à la navigation dans des zones urbaines, doit être développée, et embarquée dans chaque VI. Cette architecture vise également à utiliser conjointement des commandes adaptatives et prédictives de modèles (s'appuyant à la fois sur les capacités de direction/freinage et sur la réponse souhaitée du VI à court et moyen terme) pour générer des trajectoires sûres même dans une grande diversité de conditions de conduite, événements/situations incertains et inattendus. Ces modifications conduiront inévitablement à proposer une loi de commande stochastique appropriée avec des propriétés robustes [Dahmane 18], comme celle basée sur la MPC (Model Predictive Control) stochastique [Mesbah2016]. MPC utilise des modèles pour prédire l'évolution future dans un horizon de temps particulier. Une approche prometteuse consiste également à explorer les potentialités du Model Predictive Path Integral (MPPI) [Williams 16], qui est un MPC à base d'échantillons qui montre de bons résultats en navigation autonome dans des conditions difficiles [Philippe 19]. L'évaluation et la gestion des risques du véhicule est un élément important de l'architecture de contrôle globale visée. Dans la littérature, de nombreuses méthodes ont été utilisées comme méthodes de décision [Schubert 12]. La prise de décision probabiliste vise à prendre les meilleures décisions continues dans des environnements contraints et incertains. Pour ce faire, un processus décisionnel de Markov robuste et opérationnel basé sur le Multi-level Bayesian Decision Making Network (MB-DMN), comme illustré dans [Iberraken 19b], sera développé. Ce type de processus permet d'avoir des rétrospections fiables sur la conséquence des actions entreprises par le VI en fonction des trajectoires attendues des entités environnantes. Son but est de minimiser les risques de collisions du VI lorsqu'il est confronté à des situations dangereuses et/ou inattendues. L'extension du MB-DMN ainsi qu'une perception augmentée appropriée et de meilleures métriques pour caractériser les comportements probabilistes et les trajectoires des entités environnantes renforceront la fiabilité du process de décision ciblé.

The main objective of this PhD is to propose and validate an overall probabilistic multi-controller (P-MCA) approach included in a global reliable risk assessment and management system architecture. The main challenges consist to have the safest AV's movement even in complex environments/situations, but also ensuring the AV's smooth trajectories (guaranteeing thus the passengers' comfort). To reach these objectives, inspired mainly from the work given in [Adouane 17], [Iberraken 18] a new overall Probabilistic Multi-Controller Architecture (see figure), appropriate for the navigation in such very sensitive areas, must be developed, and embedded in each AV. Furthermore, in order to ensure even better the safety of the navigation, an appropriate controller called “emergency behavior” will be proposed to deal with high risk of collision in the short term horizon [Ben-Lakhal 19]. This behavior will allow for extreme cases to abort the current achieved task, in order to always guarantee a safe refuge vehicle state [Maurer 16]. The targeted P-MCA will contain a risk assessment and management functionalities, acting as a generic link between the augmented perception part, as well as scene understanding (both will be developed in the context of ANNAPOLIS project and will be considered as inputs for the proposed P-MCA) and the decision/control part. This architecture aims also to jointly use adaptive and model predictive controls (relying on both the steering/braking capabilities and the desired response of the AV on short- and mid-term horizons) to generate safe trajectories even in a large diversity of driving conditions, uncertain and unexpected events/situations. These modifications will induce inevitably to propose an appropriate stochastic control law with robust proprieties [Dahmane 18], such as the one based on stochastic MPC (Model Predictive Control) [Mesbah2016]. MPC uses models to predict the future evolution in a particular horizon of time. A promising approach consists also to explore the potentialities of Model Predictive Path Integral (MPPI) [Williams2016] , which is a sampled-based MPC that shows good results in autonomous navigation in harsh conditions [Philippe 19]. Vehicle's Risk Assessment and Management (VRAM) is an important component of the targeted overall control architecture. In the literature, numerous methods have been used as decision methods [Schubert 12]. The environments of the targeted AV navigation are characterized by close interaction with pedestrians (motorized and not). All these entities could have several dynamics and even sudden changes (that could be well characterized/predicted or not) which increase drastically the level of threat to be encountered by the AVs. An important aspect concerns the phase of an occultation of some entities by other mobile or static entities, which completely hides the view of the AV, it is why the augmented perception (enabled by close interaction and data fusion between the ego-vehicle perception and the RSUs) will reduce drastically such hidden states. Nevertheless, even if the uncertainty of any perceived entity is high, the proposed VRAM must always produce the most suitable safe decision to take by the AV. The AVs have thus to update their motion accordingly to maintain always an appropriate “safety margin”, while having, as much as possible smooth navigation. Hence, once the risk assessment is performed, probabilistic decision-making aims to take the best continuous decisions under constrained and uncertain environments. To do so, a robust and operational decision-making process (DMP) based on Multi-level Bayesian Decision Making Network (MB-DMN), as shown in [Iberraken 19b], will be developed. This kind of DMP allows us to have reliable retrospections on the consequence of the actions taken by the AV according to the expected trajectories of the surrounding entities. Its aim is to minimize the risk of collisions of the AV when it is faced to dangerous and/or unexpected situations. The extension of the MB-DMN along with appropriate augmented perception, and better metrics to characterize the probabilistic behaviors and the trajectories of the surrounding entities will enhance the reliability of the targeted DMP. Further, the MB-DMN will enable to properly quantify the probability of violating the authorized risk threshold (which should be defined online),