Véhicule connecté et autonome socialement intelligent : L'apprentissage par renforcement profond pour une intersection coopérative sûre et efficace

Socially smart connected and autonomous vehicle: Deep Reinforcement Learning (DRL) for safe and efficient cooperative intersection

• Auteur / Autrice : Fatima-zahrae El-qoraychy
• Direction : Mahjoub Dridi
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 02/10/2023
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Connaissance et Intelligence Artificielle Distribuées
• Partenaire(s) de recherche : établissement de préparation : Université de technologie de Belfort-Montbéliard (1999-....)

Mots clés

Mots clés libres

Véhicule connecté et autonome

Apprentissage par renforcement profond

Robots socialement intelligents

Connected and autonomous vehicle

Deep reinforcement learning

Socially intelligent robots

Résumé

Ce travail de thèse se concentre sur la gestion optimale des intersections routières,qui sont au cœur des enjeux de mobilité. Les feux de signalisation, bien que traditionnellement efficaces, ne tirent actuellement pas pleinement parti des Véhicules Autonomes Connectés (VAC). Ces VAC introduisent des aspects novateurs tels que la négociation de séquences de passage et la planification autonome des trajectoires. La problématique réside dans l'optimisation simultanée de la séquence de passage et de la trajectoire, tout en respectant des contraintes temporelles et de sécurité. Pour relever ce défi, l'apprentissage par renforcement profond multi-agent sera exploré, adaptant dynamiquement la politique de conduite des véhicules en fonction du contexte de trafic. En combinant des métaheuristiques pour calculer les séquences de passage et l'apprentissage par renforcement profond pour entraîner les agents à les respecter, cette approche vise à améliorer la fluidité et la sécurité aux intersections. Les résultats de cette recherche ouvrent des perspectives pour une coopération efficace entre VAC et véhicules à conduite humaine aux intersections, promettant une gestion du trafic plus efficiente et sûre.

This PhD focuses on the optimal management of road intersections, a core aspect of mobility challenges. While traffic lights have traditionally been effective, they currently do not fully leverage Connected Autonomous Vehicles (CAVs). These CAVs introduce innovative elements such as negotiation of passage sequences and autonomous trajectory planning. The challenge lies in simultaneously optimizing the passage sequence and trajectory while respecting temporal and safety constraints. To address this, multi-agent deep reinforcement learning is explored, dynamically adapting vehicle driving policies based on traffic context. By combining metaheuristics to compute passage sequences and deep reinforcement learning to train agents to adhere to them, this approach aims to enhance fluidity and safety at intersections. The research outcomes present prospects for effective collaboration between CAVs and human-driven vehicles at intersections, promising more efficient and safer traffic management.