Calibration de modèles de systèmes complexes pour la construction du jumeau numérique du véhicule autonome

Calibration of complex system models for the construction of the digital twin of the autonomous vehicle

• Auteur / Autrice : Clara Carlier
• Direction : Matthieu Lerasle
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance en 2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : CREST - Centre de recherche en économie et statistique
• Partenaire(s) de recherche : Equipe de recherche : Pôle de Statistique
• Jury : Président / Présidente : Nicolas Chopin
• Jury : Examinateurs / Examinatrices : Matthieu Lerasle, Pierre Pudlo, Nicolas Bousquet, Christine Keribin, Pierre Gaillard
• Jury : Rapporteur / Rapporteuse : Pierre Pudlo, Nicolas Bousquet

Mots clés

Mots clés libres

Inférence bayésienne

Apprentissage statistique

Modèle complexe

Bayesian inference

Statistical learning

Complex model

Résumé

La validation des véhicules autonomes et des aides à la conduite ne peut plus reposer exclusivement sur des essais réels, en raison de la diversité des cas d'usage, des systèmes impliqués et des niveaux de fiabilité requis. La simulation numérique émerge comme une solution prometteuse pour compléter ces tests. Toutefois, pour que la simulation soit utilisable dans un cadre de certification, il est crucial de démontrer sa fiabilité et d'établir une corrélation suffisante avec les résultats obtenus sur piste. Cette thèse se concentre sur les problèmes dits inverses : à partir d'observations réelles du système, il faut déduire les paramètres d'entrée qui ont généré ces observations. L'objectif est d'identifier les paramètres qui permettront aux simulations de reproduire au mieux les observations réelles lors des essais. Cette étape de calibration de modèle, ou inférence des paramètres, requiert généralement de nombreuses simulations, ce qui impose des coûts computationnels importants. Pour surmonter cette contrainte, cette thèse propose l'élaboration d'un modèle de substitution qui imite le comportement de la simulation originale tout en réduisant significativement les coûts computationnels. Ce modèle revient à résoudre ce que l'on appelle le problème direct, qui consiste à prédire les résultats de sortie pour des entrées spécifiques. L'objectif global de cette thèse est de développer diverses méthodologies statistiques pour adresser ces deux problèmes, direct et inverse. Il est particulièrement crucial de concevoir des approches qui s'ajustent automatiquement à chaque contexte, afin de faciliter la généralisation de ces méthodes à un large éventail de situations.

The validation of autonomous vehicles and driving aids can no longer rely exclusively on real-life tests due to the diversity of use cases, systems involved, and reliability levels required. Digital simulation is emerging as a promising solution to complement these tests. However, for simulation to be usable in a certification framework, it is crucial to demonstrate its reliability and establish sufficient correlation with on-track results. This thesis addresses the issue of inverse problems, which involve deducing input parameters from real system observations. The objective is to identify parameters enabling simulations to reproduce real observations during testing. The calibration step, or parameter inference, generally requires numerous simulations, which imposes significant computational costs. This thesis proposes developing a surrogate model that mimics the behavior of the original simulation while significantly reducing computational costs. This model represents a solution to the so-called direct problem, which involves predicting output results for specific inputs. The overarching objective of this thesis is to develop a range of statistical methodologies to address these two problems, direct and inverse. It is particularly important to design approaches that can be automatically adapted to different contexts to facilitate the generalization of these methods to a wide range of situations.