Synthèse d’algοrithmes d’estimatiοn intelligents en vue du cοntrôle de trajectοire d’une flοtte de véhicules autοnοmes en platοοning (cοnvοi)

Synthesis of Intelligent Estimation Algorithms for Trajectory Control of a Fleet of Autonomous Vehicles in Platooning (Convoi).

• Auteur / Autrice : Hasan Abdl ghani
• Direction : Etienne Craye, Sofiane Ahmed ali
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 06/10/2021
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École Doctorale Mathématiques, Information, Ingénierie des Systèmes
• Partenaire(s) de recherche : Laboratoire : INSTITUT DE RECHERCHE EN SYSTEMES ELECTRONIQUES EMBARQUES
• Partenaire(s) de recherche : Établissement co-accrédité : Université de Rouen Normandie
• Jury : Examinateurs / Examinatrices : Sofiane Ahmed ali, Michel Basset, Fatiha Nejjari-akhi-elarab, Anh-tu Tran nguyen, Reine Telj, Etienne Craye, Samia Ainouz
• Jury : Rapporteur / Rapporteuse : Michel Basset, Fatiha Nejjari-akhi-elarab

Mots clés

Mots clés libres

Système Véhiculaire / Observateurs Non Linéaires / Réseau de Neurones / Multicouche / Fonctions de Base Radiale / Application au Platooning / Mesures Discrètes et Retardées

Vehicle System/Nonlinear Observers/ Neural Network/ Multilayer/Radial Basis Functions/ Platooning Application/Discrete & Delay Measurements.

Résumé

Cette thèse présente une exploration complète de la conception d’observateurs avancés pour les systèmes de véhicules terrestres, en mettant particulièrement l’accent sur l’intégration de techniques de réseaux neuronaux pour relever les défis liés à la dynamique non linéaireet aux complexités de mesure. La recherche est systématiquement divisée en trois parties distinctes, chacune se concentrant sur un aspect spécifique de la conception d’observateurset de leur application pratique aux véhicules terrestres. La première partie introduit une conception d’observateur novatrice utilisant un réseau neuronal multicouche pour les véhicules terrestres autonomes. Ce segment de l’étude propose un observateur en réseau neuronal continu-discret (NSNNO), particulièrement adapté aux systèmes caractérisés par une non-linéarité significative et sans nécessité de connaissances préalables sur la dynamique du système. L’observateur, conçu comme un réseau neuronal feedforward à trois couches, est méticuleusement entraîné en utilisant l’algorithme d’apprentissage par rétropropagation de l’erreur, amélioré par un terme de modification e pour la robustesse. Cette partie aborde efficacement les défis associés à la mesure en temps discret dans les systèmes de véhicules. La deuxième partie se penche sur l’amélioration de l’estimation de l’état dans la dynamique des véhicules terrestres grâce à l’application de réseaux neuronaux à fonction de base radiale (RBF). Cette section est articulée à travers trois articles pivots, chacun apportant une perspective et une solution uniques. Ces articles abordent collectivement divers défis en matière de mesure et de modélisation, démontrant la polyvalence et l’efficacité des réseaux RBF dans l’estimation de la dynamique complexe des véhicules. La troisième partie s’appuie sur la conception réussie d’observateurs basés sur des réseaux neuronaux pour des véhicules terrestres individuels et étend leur application au contexte du pelotonnage de véhicules sous des mesures retardées. Cette partie de la recherche se concentre sur les défis uniques inhérents à l’environnement de pelotonnage, en particulier l’impact des retards de communication entre les véhicules. Elle montre comment les conceptions d’observateurs avancés peuvent être adaptées à l’environnement interconnecté et dynamique des pelotons de véhicules, garantissant la stabilité et la précision de la formation, même en présence de retards de communication. Dans l’ensemble, cette thèse apporte une contribution significative au domaine des systèmes de contrôle de véhicules terrestres, offrant des perspectives précieuses et des solutions pratiques pour le développement de systèmes d’observateurs avancés et fiables capables de naviguer dans les complexités de la dynamique véhiculaire moderne.

This thesis explores advanced observer designs to improve state estimation and system performance in vehicle dynamic environments. The research is divided into three parts, where each part focuses on a specific aspect of observer design and its practical application to ground vehicles. Part One introduces a novel observer design using a multi-layer neural network for autonomous ground vehicles. This part of the study proposes a continuous-discrete time neural network observer, that is designed for systems that have significant non-linearity and without the necessity for prior knowledge of system dynamics. The observer, which is designed as a three-layer feedforward neural network, trained using the error backpropagation learning algorithm, and enhanced with an e-modification term for robustness. A closed-loop output predictor is added to the design of the neural network observer to solve the challenge of discrete time measurement in vehicle systems. Part two of this thesis introduces a novel approach using radial basis function neural networks, which is used to enhance observer designs for nonlinear dynamic systems. In this part, we propose a new weight updating function that improves the performance of RBF networks, which was designed for systems with both partially or completely unknown dynamics. The proposed observers are also designed to manage the discrete-time measurements with delay measurements to ensure accurate state estimation and improved performance of the system under these conditions. Part Three focuses on robust platooning in multi-agent systems to address the challenges that are posed by internal and communication delays, measurements uncertainties, and the system heterogeneity. A consensus-based high-gain observer and a novel-based observer are presented to enhance the stability and coordination of platoons under different conditions. These methods here are validated by extensive simulations that shows the efficiency of the observers to maintain synchronization and robustness under challenging scenarios. Overall, this thesis contributes in the field of ground vehicle control systems that offers valuable understanding and practical solutions for developing advanced observer systems that are capable of solving the complexities of modern vehicle dynamics