Fusion hybride de méthodes classiques et à base d'IA. Construction d'une architecture de conduite automatisée coopérative, fiable, robuste, et évolutive

Hybrid fusion of classical and AI-based methods. Building of a cooperative, reliable, robust, and scalable architecture for automated driving

• Auteur / Autrice : Wei Xu
• Direction : Dominique Gruyer
• Type : Projet de thèse
• Discipline(s) : Automatique
• Date : Inscription en doctorat le 10/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Perceptions, Interactions, Comportements & Simulations
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)

Mots clés

Mots clés libres

Perception basée IA

Fusion hybride

Décision et planification

Systèmes coopératifs

Conduite Automatisée

Inférence active

AI-based perception

Hybrid fusion

Decision-making

Cooperative systems

Automated Driving

Active inference

Résumé

Cette thèse a pour ambition d'aborder le problème de la conduite automatisée en environnement mixte (véhicules automatisés, véhicules conventionnels, vulnérables) dans son ensemble en proposant une architecture de perception/décision/action intégrant des approches de fusion hybride sous contraintes et sous incertitudes mettant en œuvre des méthodes à base d'IA et des méthodes plus classiques. De plus, de manière à ne plus être uniquement réactif mais à pouvoir anticiper les situations à risque et les situations critiques, la perception sera étendue et coopérative en prenant en compte les données provenant des nouvelles infrastructures physiques et numériques. L'architecture proposée sera appliquée à l'automatisation de la conduite sur autoroute en trafic mixte. La solution se focalisera sur les aspects théoriques et informatiques, et plus particulièrement les étapes de perception de l'environnement, de décision, de planification de trajectoire de manière à produire une architecture transversale générique, adaptative, et robuste. De manière à permettre une meilleure immersion des véhicules automatisés dans le trafic mixte, nous proposerons d'étudier plusieurs familles de planificateurs (à base de règles (trafic, véhicule, humain), de méthodes couplées champs de potentiel et théorie des bandes élastiques, et d'apprentissage par renforcement) et de proposer une nouvelle approche basée sur l'inférence active. La dernière méthode plus innovante modélisera partiellement le comportement « humain » du copilote alors que les deux premières garantiront la sécurité et le respect des règles du code de la route.

This Ph.D. thesis aims to address the issue of the automated driving in a mixed environment (automated vehicles, conventional vehicles, vulnerable) by proposing a full architecture involving perception/decision/action layers. The first two layers will be developed with hybrid fusion approaches (AI-based and more conventional methods) under constraints and under uncertainties. In addition, in order to be able to anticipate risky and critical situations, a cooperative and connected perception architecture will be considered by using data from new and smart physical and digital infrastructures (PDI). The proposed architecture will be applied to automated driving in highway mixed traffic. The study will address both the theoretical and computer science aspects for the stages dedicated to the environment perception, the decision-making, the path planning. The final expected solution consists to develop a generic, adaptive and robust transversal architecture. To allow a better immersion of automated vehicles in mixed traffic, several families of path planning algorithms (rules-based (traffic, vehicle, human), coupled potential fields and theory of elastic bands methods, and reinforcement learning) will be studied. Moreover, a new innovative approach based on active inference will be developed. This last method will partially model a more 'human' behavior of the co-pilot. The two firsts methods will guarantee safety and compliance with the traffic rules.