Prédiction de déplacements de véhicules connectés en interaction pour la caractérisation de situations à risques - Équipe Robotique, Action et Perception Accéder directement au contenu
Thèse Année : 2022

Motion prediction of interacting connected vehicles for risk assessment

Prédiction de déplacements de véhicules connectés en interaction pour la caractérisation de situations à risques

Tristan Klempka
  • Fonction : Auteur
  • PersonId : 1256231
  • IdRef : 270023658

Résumé

Recent advances in information and communication technologies have revolutionized transportation systems. Their use has given rise to a new generation of "intelligent transportation systems" (ITS). These are termed intelligent because they rely on perception, reasoning and action functions, they involve real-time information processing and exploit communication capabilities. ITS are used to optimize traffic, reduce pollutant emissions and improve safety. With more than one billion cars on the road today and world's population constantly growing, road safety is a major issue. Driving is a complex process involving the analysis of a large amount of data from different sources, as well as the synthesis of rule-based decisions in a highly dynamic environment. In order to be effective in this context, driver assistance systems must be able to understand traffic and predict its evolution. Taking into account the behavior of drivers and their interactions with each other allows for a more accurate and extended prediction of vehicle movements. This prediction can be used as a basis for risk assessment such as the risk of collision between vehicles on the road. It allows the implementation of measures to prevent potentially fatal situations. This thesis presents a complete system for motion prediction of interacting vehicles. A communication infrastructure is assumed to enable a real-time exchange of information between all vehicles and a centralized processing system. The prediction from this system of the road scene evolution and the risk of collision can then be fed back to the vehicle drivers for local decision making. In order to capture the different sources of uncertainty that underlie driving, a probabilistic framework is proposed. A model of the prior dynamics of a fleet of interacting vehicles is first established. Based on this model and the individual locations received from the vehicles, the estimation and prediction of the fleet state is made. The criticality of such system requires to set up, as much as possible, procedures of explanation, or even certification, of its correct operation. In order to avoid a monolithic closed end-to-end solution, the problem is approached within the conventional framework of Bayesian filtering. Specific particle filtering algorithms, the Multiple Particle Filter and the Variational Bayesian Particle Filter, are implemented in order to perform inference in high dimensional state spaces. The complexity of the driving process involving vehicles in interaction do not allow for the definition of a prior dynamics model with an analytical form. Therefor, it is obtained by applying machine learning algorithms to a dataset of trajectories acquired in real conditions.
Les avancées récentes dans les technologies de l'information et de la communication ont bouleversé les systèmes de transport. Leur exploitation a donné naissance à une nouvelle génération de "systèmes de transport intelligents" (Intelligent Transportation Systems -- ITS). Ceux-ci reposent sur des fonctions de perception, de raisonnement et d'action, impliquent un traitement de l'information en temps réel et exploitent des capacités de communication. Les ITS sont utilisés à des fins d'optimisation du trafic, de réduction des émissions polluantes, de sécurité, etc. Avec plus d'un milliard de voitures en circulation dans le monde, la sécurité routière est un enjeu majeur. Pour permettre une analyse de risques satisfaisante et la mise en œuvre de mesures de prévention de situations dangereuses, les systèmes d'assistance à la conduite doivent comprendre la circulation et en prévoir l'évolution. Or, la conduite est un processus complexe, impliquant l'analyse d'un nombre important de données issues de différentes sources ainsi que la synthèse de décisions soumises à des règles dans un environnement hautement dynamique. C'est pourquoi la prise en compte du comportement des conducteurs et de leurs interactions mutuelles est une condition nécessaire à toute prédiction du trafic. Cette thèse propose un schéma complet pour la prédiction des déplacements de véhicules en interaction. Une infrastructure de communication est supposée permettre un échange d'informations en temps réel entre tous les véhicules et une unité de traitement centralisée. La prédiction de la scène routière et du risque de collision par ce calculateur peut alors être retournée aux conducteurs des véhicules pour une prise de décision locale. La criticité d'un tel système nécessite de mettre en place, autant que possible, des procédures d'explication, voire de certification, de son bon fonctionnement. Afin d'éviter une solution monolithique fermée de bout en bout, le problème est abordé dans le cadre du filtrage Bayésien et s'appuie sur deux entités pouvant être appréhendées individuellement préalablement à leur exploitation conjointe. Une modélisation probabiliste de la dynamique a priori d'une flotte de véhicules est d'abord établie, qui capture les incertitudes sous-jacentes à la conduite ainsi que les interactions. Sur la base de ce modèle et des localisations individuelles reçues des véhicules, l'estimation et la prédiction de l'état de la flotte sont ensuite effectuées. La complexité des phénomènes mis en jeu dans les déplacements de véhicules en interaction ne permettant pas la définition d'un modèle de dynamique sous forme analytique, celui-ci est obtenu par application d'algorithmes d'apprentissage automatique sur une base de trajectoires acquises en conditions réelles. Des algorithmes de filtrage particulaire spécifiques sont mis en place afin de permettre l'inférence dans des espaces d'état de hautes dimensions. Le manuscrit détaille la combinaison de méthodes d'apprentissage supervisé par réseaux de neurones à densité de probabilité (Probability Density Networks -- PDN) ou non supervisé par auto-encodeurs variationnels conditionnels (Conditional Variational Auto-Encoders -- CVAE), avec des algorithmes de filtrage particulaire multiple (Multiple Particle Filter -- MPF) ou variationnel Bayésien (Variational Bayes Particle Filter -- VBPF). Les stratégies obtenues sont ensuite complétées par une méthode élémentaire de prédiction et d'analyse du risque de collision. L'ensemble est évalué et comparé à des approches de bout en bout à base de réseaux à mémoire court et long terme (Long Short Term Memory networks -- LSTM) sur un ensemble significatif de scénarios extraits d'une base de données publiques de véhicules autoroutiers. La capture des tendances à moyen terme fait l'objet d'une attention particulière.
Fichier principal
Vignette du fichier
2022TOU30265-1a.pdf (6.12 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04103991 , version 1 (23-05-2023)

Identifiants

  • HAL Id : tel-04103991 , version 1

Citer

Tristan Klempka. Prédiction de déplacements de véhicules connectés en interaction pour la caractérisation de situations à risques. Robotique [cs.RO]. Université Paul Sabatier - Toulouse III, 2022. Français. ⟨NNT : 2022TOU30265⟩. ⟨tel-04103991⟩
84 Consultations
149 Téléchargements

Partager

Gmail Facebook X LinkedIn More