Modélisation et prédiction de comportements de piétons sur vélos, trottinettes ou hoverboards

Modeling and prediction of pedestrian behavior on bikes, scooters or hoverboards

• Auteur / Autrice : Kaushik Bhowmik
• Direction : Anne Spalanzani, Philippe Martinet
• Type : Projet de thèse
• Discipline(s) : Mathématiques Appliquées
• Date : Inscription en doctorat le 01/06/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Inria de l'Université Grenoble Alpes

Mots clés

Mots clés libres

Modélisation

Prédiction

Agents dynamiques

Modeling

Prediction

Dynamic agents

Résumé

Les centres urbains sont de plus en plus envahis par de nouveaux moyens de Mobilité Motorisée tels que les trottinettes électriques, les Hoverboards, directement ou indirectement à l'origine de comportements imprévisibles dans l'environnement routier. Le projet de loi ' Loi Mobilité 2019' prévoit le retour des trottinettes sur la voie de circulation lorsque les pistes cyclables dédiées n'existent pas. Dans un tel contexte, les voitures autonomes souffrent de leur perception limitée obtenue uniquement à partir de capteurs embarqués (contraints de subir les mouvements du véhicule) et parfois réduite dans le champ de mesure par des obstacles encombrants (bus, camions, etc.) ou un environnement occultant (bâtiments ou structures urbaines). La thèse cherchera de nouveaux modèles pour prendre en compte les comportements imprévisibles des nouveaux moyens de transport électrique individuel, pour interpréter et analyser des scènes en constante évolution, et enfin pour décider du meilleur futur et du mouvement sûr de la voiture autonome. Des techniques de modélisation à l'aide de forces sociales ou d'apprentissage par renforcement seront envisagées. Le but de la thèse est de proposer des modèles de prédiction de trajectoires pour des piétons en train de courir, distraits par leur téléphone, sur une trottinette, un vélo, etc. et de déterminer les zones d'attention où pourrait se produire un accident. L'idée est d'associer un niveau de risque à chaque intention en estimant sa cohérence avec le trafic et les règles sociales.

Urban centers are more and more invaded by new means of Motorized Mobility such as electric scooters, Hoverboards, directly or indirectly causing behavior unpredictable in the road environment. The 'Mobility Law 2019' bill provides for the return of scooters on the traffic lane when dedicated cycle paths do not exist. In such a context, self-driving cars suffer from their limited perception obtained only from sensors embedded (forced to undergo the movements of the vehicle) and sometimes reduced in the field of measurement by bulky obstacles (buses, trucks, etc.) or an obscuring environment (buildings or structures urban). The thesis will seek new models to take into account the unpredictable behaviors of new means of individual electric transport, to interpret and analyze scenes in constant evolution, and finally to decide on the best future and safe movement of the self-driving car. Of the modeling techniques using social forces or reinforcement learning will be considered. The aim of the thesis is to propose trajectory prediction models for pedestrians in the process of running, distracted by their phone, on a scooter, a bike, etc. and determine areas of attention where an accident could occur. The idea is to associate a level of risk to each intention by estimating its consistency with traffic and social rules.