Description
Date depot: 1 janvier 1900
Titre: Détermination des manœuvres et des intentions des véhicules avoisinants un véhicule autonome
Directeur de thèse:
Fawzi NASHASHIBI (Inria-Paris (ED-130))
Directrice de thèse:
Anne VERROUST-BLONDET (Inria-Paris (ED-130))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Cette offre de doctorat fait partie des travaux menés sur l'automatisation de la conduite dans l'équipe RITS d'Inria Paris. Elle est focalisée sur la prédiction des comportements des autres usagers de la route et leurs trajectoires. Jusqu’à présent, la navigation des véhicules autonomes consistait à exécuter des trajectoires planifiées par des organes décisionnels en amont qui s’appuient sur une
analyse des environnements proches de ces véhicules. Afin de mieux comprendre la situation de conduite et d’élaborer des plans d’action plus intelligents et plus efficaces, il est nécessaire dans de
nombreux cas de pouvoir anticiper les manœuvres ou les actions à venir des autres véhicules avoisinants. A titre d’exemple, la négociation des intersections ou encore la décision du profil de conduite sur autoroute nécessitent la connaissance et la prédiction des comportements des véhicules et autres usagers de la route interagissant avec l’égo-véhicule.
L'objectif scientifique de cette thèse est d'étudier le comportement des conducteurs humains dans leurs interactions avec d'autres utilisateurs de la route et d’anticiper leurs trajectoires afin d'être à même d'élaborer des stratégies de contrôle d'un véhicule dans des situations potentiellement dangereuses ou conflictuelles (carrefour, entrée d'autoroute, etc.) et d'éviter des situations de
blocage.
Différentes approches relatives au comportement des conducteurs et aux prédictions de manœuvres ont été proposées (cf. [LVL14]). La plupart de ces travaux concernent des scénarios simples et ne peuvent refléter les comportements des véhicules dans des situations complexes. Certaines approches sont basées sur des méthodes d'apprentissage telles que les Multi-Layer Perceptrons (MLP) [GFK11], Support Vector Machines (SVM) [KPL13], Hidden Markov Model (HMM) [LGV14]. D'autres utilisent des modèles de mouvement et de reconnaissance de manœuvre
[HBC13]. Dans un contexte autoroutier, les auteurs de [WJK17] prédisent les changements de file en tenant compte des différentes interactions entre les véhicules adjacents.
Après avoir étudié les approches existantes, le candidat au doctorat devra proposer des idées originales sur les problèmes énoncés dans différentes situations de conduite afin de prédire les
manœuvres d’autrui. Une approche basée sur une méthode d'apprentissage utilisant des données d'observation du comportement de conducteurs réels sera privilégiée.
Bibliographie :
[GFK11] M. Garcia-Ortiz, J. Fritsch, F. Kummert et A. Gepperth A (2011) Behavior prediction at multiple time-scales in inner-city scenarios, in IEEE intelligent vehicles symposium, pp 1068–1073.
[WJK17] H. Woo, Y. Ji, H. Kono, Y. Tamura, Y. Kuroda, T. Sugano, Y. Yamamoto, A. Yamashita et H. Asama (2017) Lane-Change Detection Based on Vehicle-Trajectory Prediction, in IEEE Robotics
and Automation Letters, vol. 2, no 2, avril 2017.
[HBC13] A. Houenou, P. Bonnifait, V. Cherfaoui et W. Yao (2013), Vehicle trajectory prediction based on motion model and maneuver recognition, in IEEE Int. Conf. Intell. Robots Syst., pp. 4363-
4369.
[KPL13] P. Kumar, M. Perrollaz, S. Lefèvre et C. Laugier (2013) Learning-based approach for online lane change intention prediction, in IEEE Intelligent Vehicles Symposium, pp 797–802.
[LGV14] S. Lefèvre, Y. Gao, D. Vasquez, E. Tseng, R. Bajcsy et F. Borrelli (2014), Lane keeping assistance with learning-based driver model and model predictive control, in 12th International
Symposium on Advanced Vehicle Control.
[LVL14] S. Lefèvre, D. Vasquez et C. Laugier (2014), A survey on motion prediction and risk assessment for intelligent vehicles, ROBOMECH Journal.
Doctorant.e: Messaoud Kaouther