Search

National audience; Nous développons un système de géolocalisation bio-inspiré adapté pour la navigation de véhicules autonomes évoluant en environnement intérieur ou mixte intérieur/extérieur tels que les magasins connectés. La technologie proposée s'inspire de la vision de la fourmi du désert Cataglyphis qui utilise la lumière polarisée du ciel pour trouver le chemin le plus court vers son nid. Dans une démarche d'intégration dès l'amont (prouesse disruptive ou deep tech en anglais), nous avons mis en place un programme de recherche pluridisciplinaire faisant intervenir des chercheurs en science fondamentale, spécialistes en neuroéthologie, en optoélectronique et en robotique, et des chercheurs en sciences humaines intéressés par les usages des innovations et leur impact sur les organisations logistiques. Le premier enjeu de ce projet est d'évaluer le potentiel de cette innovation pour le développement de véhicules autonomes et de drones de livraison, mais également de regrouper les acteurs travaillant sur leur développement ou les utilisant en tant que prestataires de services logistiques. Enfin, le dernier enjeu de ce projet boussole/magasin connecté est d'utiliser des bâtiments universitaires comme lieux d'expérimentation en déployant des véhicules autonomes équipés de ce système de géolocalisation, vecteur à la fois d'innovation, mais aussi de souveraineté nationale.

Contrary to artificial systems, biological systems are able to perform navigation tasks over large distances and long duration. This ability is partly based on the robustness of the learning mechanisms involved in their cognition, on their ability to exploit couplings between different sensors and to adapt themselves continuously to changes in the environment. The modeling of their cognition could thus be an important vector of innovation in robotics, bringing to existing models new efficient and original mechanisms. In order to propose new robotic architectures, this thesis explores the development of models inspired by mammalian cognition for the autonomous vehicle. This work starts from the "PerAc navigation model", a neurocybernetic model designed to reproduce the observations made in neurobiology in small environments. The model has demonstrated good navigation capabilities on small mobile robots, notably linked to its specific way of representing the environment. However, it is not immediately suitable for large-scale operation because of its high computational and memory cost. In particular, recent work has shown the need to improve the performance of its system of visual localisation, the main bottleneck of the model. In order to overcome this problem, the first part of the thesis was dedicated to the integration of population coding mechanisms in the visual localisation system of the model. Thus, several models of visual information encoding have been proposed, based on a new method of sparse coding inspired by the functioning of the visual cortex. In particular, an effort was made to adopt a conventional method of model evaluation, in order to obtain a strong measure of their performance comparable with the state of the art. Finally, the results obtained demonstrated the efficiency of the proposed methods, with significant gains in computational cost and memory over the original model. The second part of the thesis was devoted to the development of a complete neurorobotic navigation model for autonomous vehicles. The original model has therefore been taken over in its entirety and significantly modified to suit the operation of an autonomous vehicle. This work led to the construction of the MpNav model, a new end-to-end model of visual navigation, ables to learn a trajectory in a few iterations. Thus, its use on an experimental vehicle of VEDECOM has permitted to perform several navigation trajectories in complete autonomy, with a record of 2km on a looping trajectory., Contrairement aux systèmes artificiels, les systèmes biologiques sont capables d’effectuer des tâches de navigation sur de grandes distances et de longues durées. Cette capacité reposerait en partie sur la robustesse des mécanismes d’apprentissage impliqués dans leur cognition, sur leur faculté à exploiter les couplages entre différents capteurs et à s’adapter en permanence aux changements survenant dans l’environnement. La modélisation de leur cognition pourrait ainsi être un vecteur important d’innovation en robotique, apportant aux modèles existants de nouveaux mécanismes efficace et originaux. Dans le but de proposer de nouvelles architectures de robotique, cette thèse explore le développement de modèles inspirés de la cognition des mammifères pour le véhicule autonome. Ces travaux sont basés sur le modèle de navigation "PerAc", un modèle de neurocybernétique conçu pour reproduire les observations faites en neurobiologie chez le rongeur naviguant dans de petits environnements. Le modèle a ainsi démontré de bonnes capacités de navigation sur de petits robots mobiles, liées notamment à sa façon spécifique de représenter l’environnement. Il n’est cependant pas adapté pour fonctionner sur de grandes échelles de fonctionnement à cause de ses coûts computationnel et mémoire trop élevés. Des travaux ont démontré le besoin d’améliorer les performances de son système de localisation visuelle, principal goulot d’étranglement du modèle. En vue de surmonter ce problème, la première partie de la thèse a été consacrée à l’intégration de mécanismes de codage en population dans le système de localisation visuelle du modèle. Plusieurs modèles d’encodage des informations visuelles ont ainsi été proposés, s’appuyant sur une nouvelle méthode de codage parcimonieux inspirée du fonctionnement du cortex visuel. Un effort a notamment été réalisé pour adopter une méthode conventionnelle d’évaluation des modèles, afin d’obtenir une mesure forte de ses performances comparable avec l’état de l’art. Les résultats obtenus ont ainsi démontré l’efficacité des méthodes proposées, avec des gains importants en coûts computationnel et mémoire sur le modèle d’origine. La deuxième partie de la thèse, dans la continuité des travaux entrepris, a été consacrée au développement d’un modèle complet de navigation neurorobotique pour un véhicule autonome. Le modèle d’origine a ainsi été repris dans son intégralité et a été fortement modifié pour convenir aux particularités, en termes de contrôle, d’un véhicule autonome. Ces travaux ont abouti à la construction du modèle MpNav, un nouveau modèle de navigation visuelle, qui, bien que proche du type "end-to-end" n’est pas basé sur un apprentissage profond et permet d’apprendre une trajectoire de navigation en peu d’itérations. Son utilisation sur un véhicule expérimental de VEDECOM a ainsi permis d’effectuer en totale autonomie plusieurs trajectoires de navigation, avec un record de 2km sans intervention de l’opérateur

The objective of this thesis is to plan the motion of an autonomous vehicle so that it can navigate and interact with other moving obstacles without collision in an urban environment. This involves taking into account constraints that may be specific to the vehicle (dynamic, energetic, linked to perception or forecasting systems), relating to the safety and comfort of users or to the environment close to the vehicle. These last depend on the topology of the road, driving rules and other moving actors in the neigborhood of the ego-vehicle. In the context of this thesis, we focused on: (i) the limited or partial perception of the environment close to the vehicle and in particular the presence of static or mobile obstacles hiding part of its neighborhood ; (ii) uncertainty about the prediction of the motion of other agents; (iii) maneuvers to be carried out in urban scenarios where the lanes can be congested with plenty of other static or moving obstacles; (iv) and the respect of the road signs. All these issues have been addressed through geometric approaches by adapting in different ways the principle of path-velocity decomposition introduced by Kant and Zucker (1986). The CARLA simulator has been adapted to validate the proposed approaches on different scenarios reproducing typical situations of interaction with other vehicles in an urban environment, such as, for example, crossing a crossroads with reduced visibility, overtaking a slow or stopped vehicle in its lane, driving in a section of road regulated by traffic lights, etc., L’objectif de cette thèse est de planifier le mouvement d’un véhicule autonome pour qu’il puisse circuler sans collision dans un environnement urbain en présence d’autres obstacles mobiles. Ceci implique la prise en compte de contraintes propres au véhicule (dynamiques, énergétiques, liées aux systèmes de perception ou de prévision), relatives à la sécurité, au confort des usagers et à l’environnement proche du véhicule. Celles-ci dépendent de la topologie de la route, des règles de conduite et des autres acteurs en mouvement dans le voisinage de l’ego véhicule. Dans le cadre de cette thèse, nous nous sommes intéressés plus particulièrement : (i) à la perception limitée ou partielle de l’environnement proche du véhicule et en particulier à la présence d’obstacles fixes ou mobiles occultant une partie de son voisinage proche ; (ii) à l’incertitude sur la prédiction du mouvement des autres agents ; (iii) aux manœuvres à effectuer dans des scénarios urbains où les voies peuvent être encombrées par de nombreux véhicules arrêtés ou en mouvement ; (iv) et au respect de la signalisation. Toutes ces problématiques ont été traitées par des approches géométriques en adaptant de différentes manières le principe de décomposition chemin-vitesse introduit par Kant et Zucker (1986). Le simulateur CARLA a été adapté pour valider les approches proposées sur différents scénarios reproduisant des situations typiques d’interaction avec d’autres véhicules en milieu urbain, comme, par exemple, le franchissement d’un carrefour avec une visibilité réduite, le dépassement d’un véhicule lent ou arrêté sur sa voie, la conduite sur une portion de route réglementée par des feux de circulation, etc.

Non-rail autonomous public transport vehicles have emerged over the last few years. Technical progress in automation has resulted in a growing number of autonomous shuttle pilot experiments. Although these systems are technologically feasible, determining the extent to which they correspond to users’ needs and expectations remains a major issue. In order to answer that question, we conducted a systematic review which synthesizes the literature regarding the acceptability and willingness to use this type of autonomous public transport. This literature review allowed us to identify 39 documents addressing 70 factors of acceptability, acceptance and usage of non-rail autonomous public transport vehicles. The most cited factors in the literature concern service characteristics (times, schedules, fares) and safety issues (road-safety, on-board security). Factors related to automation level, comfort and access to the vehicle feature appear to a lesser extent. Acceptance is also related to personal factors, such as socio-demographics, travel habits, and personality. This review could be of interest to designers and manufacturers of non-rail autonomous public transport vehicles, as well as policy makers, and assist with the successful implementation of autonomous public transport services which are better adapted and meet the needs of all potential users.

In the automotive and rail domains, vehicles are entering the era of full automation thanks to wireless sensors and communication systems, shifting control functions from a human driver to computers. High data rate, robustness, high reliability and ultra-low latency wireless communications are required in the context of autonomous train and safety critical applications. Today, the Future Railway Mobile Communication System (FRMCS) is under development at European level within the International Union of Railways (UIC). This system will answer all the current and future needs of rail. It will be IP based, multi-bearer and resilient to technology evolution. In the context of the development of different FRMCS prototypes by industry, it is crucial to be able to test them in representative Railway radio environments thanks to laboratory tools. Characterization of radio channels in railway environments, by measurements or simulations, is a very active field. In this article, based on broad literature survey, we show that not all the published models are suitable for performance evaluation. Then, we propose a selection of typical Tapped-Delay-Line channel models to be implemented in an original hardware and software testing platform capable to reproduce the effect of representative Railway environments in laboratory, with real time emulation at RF (Radio Frequency) level. Preliminary results in Hilly 3 taps and Cutting 5 taps channel models are presented as a proof of concept of a “zero on site testing” approach, allowing for time and cost savings in the validation of railway communication systems.

The project developed in the framework of this thesis is part of a more global and ambitious research program that aims at proposing a new type of goods management system in urban centers. In order to do so, the project aims to approach the management of goods from a systemic point of view, by integrating the management into the field of Intelligent Goods Transport Systems (ITS). This systemic vision of the management of goods in urban areas requires the use of electric and autonomous vehicles to ensure the tasks of delivery and collection of goods. In addition, these vehicles will be able to use the existing public transport network of the cities to move from an urban distribution center (UDC) to the final delivery points. Finally, still concerning electric and autonomous vehicles, the systemic vision of ITS implies to integrate in the optimization process, for the delivery and collection of goods, all the intrinsic characteristics specific to the implemented technologies such as the battery electric vehicle (BEV) and the autonomous vehicles., Le projet développé dans le cadre de cette thèse s'inscrit dans un programme de recherche plus global et ambitieux qui vise à proposer un nouveau type de système de gestion de marchandises en centre urbain. Pour ce faire, le projet ambitionne d’aborder la gestion des marchandises d’un point de vue systémique, en intégrant la gestion au domaine des Systèmes de Transport de Marchandises Intelligent (STI). Cette vision systémique de la gestion des marchandises en zone urbaine passe par l’emploi de véhicule électrique et autonome pour assurer les tâches de livraison et d’enlèvement de marchandises.De plus, pour circuler, ces véhicules auront la possibilité d’utiliser le réseau de transport public existant des villes, pour se déplacer depuis un centre de distribution urbain (CDU) vers des points de livraison finaux. Enfin, toujours concernant les véhicules électriques et autonomes, la vision systémiques des STI implique d’intégrer au processus d’optimisation, pour la livraison et l’enlèvement des marchandises, l’ensemble des caractéristiques intrinsèques propres aux technologies mise en œuvre telles que le véhicule électrique à batterie (VEB) et les véhicules autonomes.

This thesis is a collaboration between the research teams of the Renault Group, the ONERA, and the Gipsa-lab. It is interested in multiple object tracking using small or large datasets and the modelization of extended objects with Bayesian modelization tools.Our work stands at the crossroad of two applications: the estimation of road users' kinematic parameters for the Renault Group and the prevention of drone intrusions in restricted aerial spaces for the ONERA. For both applications, the main objective is to estimate the kinematic parameters of extended objects traveling in an area covered by heterogeneous sensors.An extended object is a dynamic entity whose shape and size are larger than the cell resolution of an exteroceptive sensor: it generates multiple measurements per sensor scan. The goal is to estimate its kinematic parameters and its extent.Multiple extended objects need to be estimated simultaneously in this work: it is a Multi-Object Tracking (MOT) problem. MOT is interested in the joint estimation of the number of objects in a field of view and their state.To tackle the MOT problem, we have used Random Finite Set (RFS) filters. The RFS representation models directly measurement likelihood and the evolution model of the whole multi-object system, with the help of multi-object probability densities. However, the standard measurement model assumes that the objects generate at most one measurement, which is not the case of extended objects. We have dealt with extended objects using two methods: first, a Bayesian modeling approach, the Random Matrix model, and second an off-the-shelf deep learning algorithm.Both the automotive and the groups of drones tracking applications rely on a Random Finite Sets modelization of the multi-object system. However, for the extended objects, the solutions differ since the groups of drones tracking application provides small datasets, contrary to the automotive one. Hence, to track drones we adopt a promising exhaustive Bayesian modelization, relying on the Random Matrix model to estimate extended objects. The automotive application benefits from large datasets. Thus, the extended objects can be detected using deep learning. From a certain point of view, the Bayesian modelization of the extent is equivalent to learning the data features with a deep learning algorithm on a large dataset, except a human does it on a small dataset., Cette thèse s'inscrit dans le cadre d'une synergie entre le Groupe Renault, l'Onéra et le Gipsa-lab sur la problématique du suivi multi-objets étendus avec des approches bayésiennes. Les applications visées sont la lutte anti-drone pour l'Onéra, et les aides à la conduite pour le Groupe Renault.Pour chacune des applications, l'objectif est d'estimer les paramètres cinématiques d'objets étendus dans un espace surveillé par un ou plusieurs capteurs. Un objet étendu est une entité dynamique dont la taille est plus grande que la résolution d'un capteur extéroceptif: il génère plusieurs mesures par balayage du capteur. Le but est de déterminer ses paramètres cinématiques, ainsi qui son extension.Dans les applications visées par ces travaux, plusieurs objets étendus doivent être estimés simultanément. Le suivi multi-objets s'intéresse à l'estimation conjointe du nombre d'objets et de leur état cinématique.Les ensembles aléatoires finis proposent une modélisation élégante de ce problème. Ils modélisent l'ensemble du système mutli-objets avec une vraisemblance des mesures et un modèle d'évolution pour le système multi-objets complet, avec l'aide de densités de probabilités mutli-objets. Malheureusement, le modèle de mesure standard est incompatible avec les cibles étendues: il y est fait l'hypothèse d'objets retournant au plus une mesure.Pour traiter les cibles étendues, deux méthodes sont proposées. D'abord un modèle bayésien, le modèle des matrices aléatoires, utilisant des densités de probabilités sur les matrices de covariance gaussiennes, puis un algorithme de type réseau de neurones convolutifs.Pour les deux applications, la problématique du suivi multi-objets est traitée avec la modélisation offerte par les ensembles aléatoires finis. En revanche, pour la modélisation des objets étendus, les solutions diffèrent puisque la quantité de données disponibles n'est pas la même pour chaque application. Pour le suivi de groupes de drones, nous disposons de peu de données, donc nous avons adopté un modèle bayésien complet pour les cibles étendues, les matrices aléatoires. Tandis que pour le véhicule autonome, de grandes quantités de données étaient disponibles, ce qui a permis l'utilisation de réseaux de neurones pour la détection et l'estimation d'objets étendus.

The work proposed in this thesis is in the context of autonomous driving. In particular, the objective is the development of a control law for path tracking of collision avoidance maneuvers for an autonomous vehicle.Several non-linear models of the vehicle, capable of representing its behavior in high dynamics maneuvers, are presented. The purpose is to obtain a model for the synthesis of the controllers. The different vehicle models proposed take into consideration the dynamics of the longitudinal, lateral and yaw vehicle speeds. That allows to use the models for the synthesis of controllers that deals simultaneously with vehicle longitudinal and lateral control. Moreover, a non-linear model for tire forces and the variable representation for load transfer have been used for the vehicle models. In fact, the representation of the non-linear behavior of the tires, influenced by the load transfer, is critical in high dynamics maneuvers. Some simulation results allow to compare the different vehicle models and to choose the model used for the controllers synthesis.A linear time-variant model is obtained through the linearization of the chosen non-linear model. The LPV polytopic and grid-based approaches are then used to define two LPV models.Several controllers, static and dynamic, have been developed using the two LPV models. These controllers combine the wheels steering ang torques to stabilize the vehicle and to guarantee the vehicle path tracking on a set of collision avoidance maneuvers. The synthesis of the controllers is done using robust and optimal control methods, through the resolution of optimization problems subjected to LMI constraints. The saturations of the control signals and of the tire forces are taken into consideration in the control synthesis in order to maximize the region of attraction of the system in closed loop.Several simulation results, obtained using a high representativity simulation model, allow to asses the closed loop system performances in presence of non-zero initial conditions and parameter dispersions., Le travail abordé dans ces travaux de thèse se place dans le contexte de la conduite autonome. Plus particulièrement, l'objectif est le développement d'une loi de commande pour le suivi de trajectoire d'un véhicule autonome pour des manœuvres d'évitement d'obstacles à haute dynamique.Plusieurs modèles non-linéaires de dynamique du véhicule, capables de représenter son comportement dans des manœuvres à haute dynamique, sont proposés. Le but de la modélisation est d'obtenir un modèle pour la synthèse des correcteurs. L'ensemble de modèles proposés considère les dynamiques des vitesses longitudinale, latérale et de lacet du véhicule, en vue de la synthèse des correcteurs abordant simultanément le contrôle longitudinale et latérale du véhicule. De plus, un modèle non-linéaire des forces des pneus et une représentation variable du transfert de charge ont été utilisés, très importants pour des manouvres à haute dynamique. Des simulations permettent de comparer les différents modèles entre eux et de choisir le plus approprié pour la synthèse du correcteur.Un modèle linéaire variable dans le temps est formulé grâce à une linéarisation le long d'une trajectoire de référence du modèle non-linéaire choisi. En utilisant les approches LPV polytopique et grid-based, ce modèle linéarisé est utilisé pour la définition de deux modèles LPV.Les deux modèles LPV sont donc utilisés pour la synthèse de plusieurs correcteurs, statiques et dynamiques, qui combinent le braquage et le couple aux roues pour stabiliser le véhicule et garantir le suivi de trajectoire sur un ensemble varié de manœuvres d'évitement d'obstacles. La synthèse des correcteurs est effectuée en utilisant la commande robuste et optimale multi-objectif, au moyen de la résolution de problèmes d'optimisation sous contraintes LMI. La prise en compte des saturations des signaux de commande et des forces des pneus permet de maximiser la taille de la région d'attraction du système en boucle fermée pendant la synthèse des correcteurs.Des simulations exploitant un modèle du véhicule à haute représentativité permettent d'analyser la performance du système en boucle fermée en cas des conditions initiales différentes de zéro et de dispersions paramétriques.

International audience; Due to many technological and non-technological factors theautomotive sector is currently initiating a transition towards innovativemobility services using autonomous vehicles. In this paper, we ask where thistransition might lead, which actors are capable of carrying it out, and what rolethey might play in its emergence. Drawing on the socio-technical transitionparadigm and multi-level perspective framework, we use a mobility servicecharacterisation framework to explore this question through an empirical studyof ten emblematic mobility initiatives in the USA, Europe, and China. Ourresults reveal a variety of service designs that we characterise through threedifferent ideal types: mobility service added to product, robotaxi, andterritorialised open mobility platform. Our contribution is two-fold: wecharacterise the respective leverage of incumbents and newcomers, and wehighlight the roles of automakers, mobility operators, technology companies,construction companies, and public authorities in initiating this transition.; En raison de nombreux facteurs technologiques et non technologiques, l'industrie automobile entame actuellement une transition vers des services de mobilité innovants utilisant des véhicules autonomes. Dans cet article, nous nous demandons où cette transition pourrait mener, quels acteurs sont capables de la mener à bien et quel rôle ils pourraient jouer dans son émergence. En nous appuyant sur le paradigme de la transition socio-technique et le cadre de la perspective multi-niveaux, nous utilisons un cadre de caractérisation des services de mobilité pour explorer cette question à travers une étude empirique de dix initiatives de mobilité emblématiques aux États-Unis, en Europe et en Chine. Nos résultats révèlent une variété de conceptions de services que nous caractérisons à travers trois idéaux types différents : service de mobilité ajouté au produit, robotaxi, et plateforme de mobilité ouverte et territorialisée. Notre contribution est double : nous caractérisons les leviers d'action respectifs des opérateurs historiques et des nouveaux entrants, et nous mettons en évidence les rôles des constructeurs automobiles, des opérateurs de mobilité, des entreprises technologiques, des entreprises de construction et des autorités publiques dans l'initiation de cette transition.

RailBeijing 2021, 9th International Conference on Railway Operations Modelling and Analysis (ICROMA), Pékin, CHINE, 03-/11/2021 - 07/11/2021; On-demand shared transport systems have become an efficient means of transport that addresses the challenges of urban transport in large cities, and provides a flexible transport service to users according to their needs. In this paper, a public transport system based on a fleet of autonomous electric vehicles, from the point of view of the SNCF company, the largest public transport operator in France. The service operates on a dedicated infrastructure, based on a fixed timetable at peak hours and an on-demand service the rest of the time. The problem amounts to scheduling autonomous heterogeneous electric vehicles ondemand during off-peak hours. To model the problem, we propose to split the infrastructure into sections and segments. By doing so, we can model the scheduling of vehicles and manage their maneuvers including overtaking, turnarounds, and the access to single-lane sections, by using railway-inspired techniques. In this paper, we propose a mathematical model of this problem.

International audience; Le projet SUaaVE porte sur l’acceptation du Véhicule Autonome (VA) par le public à travers la conception itérative de fonctions novatrices. Parmi elles, une Interface Cognitive (IC) a été conçue à partir de connaissances en psychologie cognitive et de méthodes de conception centrées utilisateur. Les principes initiaux de l’IC sont basés sur le processus de représentation mentale impliqué dans la compréhension de la situation et la confiance. Un prototype d’IC a ainsi été conçu et testé pour recueillir les besoins utilisateurs et préciser les pistes de conception. Une seconde IC en a émergé et a été connectée à d’autres fonctions novatrices du VA pour en mesurer le gain d’acceptabilité, qui est un enjeu pour le développement de ces nouveaux véhicules. Ces travaux sont une démonstration méthodologique pour valoriser les Facteurs Humains en conception, et technologique pour valoriser les fruits de la recherche auprès des industries.

Background Surging acceptance of adaptive cruise control (ACC) across the globe is further escalating concerns over its energy impact. Two questions have directed much of this project: how to distinguish ACC driving behaviour from that of the human driver and how to identify the ACC energy impact. As opposed to simulations or test-track experiments as described in previous studies, this work is unique because it was performed in real-world car-following scenarios with a variety of vehicle specifications, propulsion systems, drivers, and road and traffic conditions. Methods Tractive energy consumption serves as the energy impact indicator, ruling out the effect of the propulsion system. To further isolate the driving behaviour as the only possible contributor to tractive energy differences, two techniques are offered to normalize heterogeneous vehicle specifications and road and traffic conditions. Finally, ACC driving behaviour is compared with that of the human driver from transient and statistical perspectives. Its impact on tractive energy consumption is then evaluated from individual and platoon perspectives. Results Our data suggest that unlike human drivers, ACC followers lead to string instability. Their inability to absorb the speed overshoots may partly be explained by their high responsiveness from a control theory perspective. Statistical results might imply the followers in the automated or mixed traffic flow generally perform worse in reproducing the driving style of the preceding vehicle. On the individual level, ACC followers have tractive energy consumption 2.7 – 20.5 % higher than those of human counterparts. On the platoon level, the tractive energy values of ACC followers tend to consecutively increase (11.2 – 17.3 %). Conclusions In general, therefore, ACC impacts negatively on tractive energy efficiency. This research provides a feasible path for evaluating the energy impact of ACC in real-world applications. Moreover, the findings have significant implications for ACC safety design when handling the stability-responsiveness trade-off.

ESREL2021, 31st European Safety and Reliability Conference, Angers, FRANCE, 19-/09/2021 - 23/09/2021; The quality and the ability of the road infrastructures play a very important role to ensure safe and convenient transportation. Current human needs oblige us to optimize the use of our travel resources. The autonomous driving is proposed as a solution to make the transport more efficient. The autonomous vehicle contains cameras and lidars that can communicate with the road infrastructure to understand the environment where they are traveling. Thus, the existing road infrastructure must therefore be developed and maintained to address the availability needs induced by the new uses of mobility. In consequence, the maintenance of the road infrastructure must be optimized. In previous work, a maintenance policy for lines and road cracks pavement of the road infrastructure was proposed by considering it as a 4 components system: median strip line, emergency line, broken center line and pavement. The proposed strategy is based on the individual optimal maintenance plan of each component. Then, over a finite planning horizon, the scheduled maintenance actions are grouped together to ensure both the proper functioning of the system and to minimize the cost of maintenance. To improve this previous work, a new long-term horizon (30 years) dynamic grouping maintenance strategy is proposed, dynamically considering new monitoring data. This new algorithm is applied to the maintenance optimization of the road infrastructure, using the Long-Term Pavement Performance database and French National Road 4 feedback data.

Conférence conjointe virtuelle ACPSER/PRI 2021, 30ème Conférence de l'Association Canadienne des Professionnels de la SEcurité Routière et 14ème Congrès mondial de la PRI, Virtuel, , 22-/08/2021 - 25/08/2021; Cette communication propose une étude de l'influence de la robomobilité dans sa dimension réglementaire et législative sur le mode de gouvernance de la politique publique de sécurité routière en France, à partir de la notion de contrat, développé notamment dans la théorie williamsonienne des coûts de transactions (CT). En adoptant une approche contractuelle de la politique publique de sécurité routière, nous mettons en évidence le rôle des coûts de transaction dans le choix des arrangements institutionnels par lesquels les organisations (joueuses) se créent des droits et des obligations mutuelles qui bornent leurs interactions. Ce choix, qui dans un environnement institutionnel donné, permet de minimiser les CT liés à l'élaboration, à la mise en oeuvre et à l'analyse de la politique publique de sécurité routière.Ce travail repose sur une approche discursive. La communication s'appuiera sur les données obtenues dans le cadre de 2 années d'observation participante de réunions de groupe de travail, et d'atelier scientifiques, ainsi que sur des entretiens semi-directifs réalisés avec un échantillon représentatif des parties prenantes de la politique publique de sécurité routière en France.

The trajectory prediction of neighboring agents of an autonomous vehicle is essential for autonomous driving in order to perform trajectory planning in an efficient manner. In this thesis, we tackle the problem of predicting the trajectory of a target vehicle in two different environments; a highway and an urban area (intersection, roundabout, etc.). To this end, we develop solutions based on deep machine learning by phasing the interactions between the target vehicle and the static and dynamic elements of the scene. In addition, in order to take into account the uncertainty of the future, we generate multiple plausible trajectories and the probability of occurrence of each. We also make sure that the predicted trajectories are realistic and conform to the structure of the scene. The solutions developed are evaluated using real driving datasets., La prédiction de trajectoire des agents avoisinants d'un véhicule autonome est essentielle pour la conduite autonome afin d'effectuer une planification de trajectoire d'une manière efficace. Dans cette thèse, nous abordons la problématique de prédiction de trajectoire d'un véhicule cible dans deux environnements différents ; une autoroute et une zone urbaine (intersection, rond-point, etc.). Dans ce but, nous développons des solutions basées sur l'apprentissage automatique profond en mettant en phase les interactions entre le véhicule cibles et les éléments statiques et dynamiques de la scène. De plus, afin de tenir compte de l'incertitude du futur, nous générons de multiples trajectoires plausibles et la probabilité d'occurrence de chacune. Nous nous assurons également que les trajectoires prédites sont réalistes et conformes à la structure de la scène. Les solutions développées sont évaluées à à l'aide de bases de données de conduite réelles.

21st Congress of the International Ergonomics Association (IEA 2021), VANCOUVER, CANADA, 14-/06/2021 - 18/06/2021; International audience; Using an integrative user-centered approach, the research project aimed at designing and assessing an adaptive HMI to improve the safety and the quality of the take-over in a level-3 automated vehicle. Future autonomous driving users confirmed the need for the monitoring systems to improve safety as long as they are simple and not intrusive. They request specific information to understand and initiate appropriated actions in case of a critical situation. However, to avoid overloading and detri-mental effects, it is important that the system limits the amount of infor-mation at the right moment.

International audience; À propos de l'ordonnance n° 2021-443 du 14 avril 2021 relative au régime de responsabilité pénale applicable en cas de circulation d'un véhicule à délégation de conduite et à ses conditions d'utilisation

Reinforcement learning is an approach to solve a sequential decision making problem. In this formalism, an autonomous agent interacts with an environment and receives rewards based on the decisions it makes. The goal of the agent is to maximize the total amount of rewards it receives. In the reinforcement learning paradigm, the agent learns by trial and error the policy (sequence of actions) that yields the best rewards.In this thesis, we focus on its application to the perception and control of an autonomous vehicle. To stay close to human driving, only the onboard camera is used as input sensor. We focus in particular on end-to-end training, i.e. a direct mapping between information from the environment and the action chosen by the agent. However, training end-to-end reinforcement learning for autonomous driving poses some challenges: the large dimensions of the state and action spaces as well as the instability and weakness of the reinforcement learning signal to train deep neural networks.The approaches we implemented are based on the use of semantic information (image segmentation). In particular, this work explores the joint training of semantic information and navigation.We show that these methods are promising and allow to overcome some limitations. On the one hand, combining segmentation supervised learning with navigation reinforcement learning improves the performance of the agent and its ability to generalize to an unknown environment. On the other hand, it enables to train an agent that will be more robust to unexpected events and able to make decisions limiting the risks.Experiments are conducted in simulation, and numerous comparisons with state of the art methods are made., L'apprentissage par renforcement est une approche permettant de résoudre un problème de prise de décision séquentielle. Dans ce formalisme, un agent autonome interagit avec un environnement et reçoit des récompenses en fonction des décisions qu'il prend. L'objectif de l'agent est de maximiser le montant total des récompenses qu'il obtient. Dans le paradigme de l'apprentissage par renforcement, l'agent apprend par essais-erreurs la politique (séquence d'actions) qui donne les meilleures récompenses.Dans cette thèse, nous nous concentrons sur son application à la perception et au contrôle d'un véhicule autonome. Pour rester proche des conditions d'un conducteur humain, seule la caméra embarquée est utilisée comme capteur d'entrée. Nous nous focalisons en particulier sur l'apprentissage de bout-en-bout de la conduite, c'est-à-dire une correspondance directe entre les informations provenant de l'environnement et l'action choisie par l'agent. Ce type d'apprentissage pose cependant certains défis : les grandes dimensions des espaces d'états et d'actions ainsi que l'instabilité et la faiblesse du signal de l'apprentissage par renforcement pour entraîner des réseaux de neurones profonds.Les approches que nous avons mises en oeuvre pour faire face à ces défis reposent sur l'utilisation de l'information sémantique (segmentation d'images). En particulier, nous explorons l'apprentissage conjoint de l'information sémantique et de la navigation.Nous montrons que ces méthodes sont prometteuses et permettent de lever certains verrous. D'une part combiner l'apprentissage supervisé de la segmentation à l'apprentissage par renforcement de la navigation améliore les performances de l'agent, ainsi que sa capacité à généraliser à un environnement inconnu. D'autre part, cela permet d'entraîner un agent qui sera plus robuste aux évènements inattendus et capable de prendre des décisions en limitant les risques.Les expériences sont menées en simulation, et de nombreuses comparaisons avec les méthodes de l'état de l'art sont effectuées.

International audience; The current development phase of the autonomous vehicle can be seen by an increase in the number of experiments. However, the work carried out so far has paid little attention to these experiments as part of the innovation process. Thus, we propose a dedicated analysis grid, based on the concept of niche. We apply it to a case study: the Rouen Normandy Autonomous Lab project, which took place in the urban community of Rouen, between October 2017 and December 2019. We determine the type of the actors, the regimes they belong to, and the internal and external “phenomena” of the niche. In this way, we show the suitability of this approach for the study of experiments on autonomous vehicles and identify certain similarities with other innovation contexts. In this way, we highlight the importance of the network building and the prevalence of functional expectations, relating to the current role of the project, in the pursuit of experiments on autonomous vehicles at the local level.; La phase actuelle de développement du véhicule autonome se manifeste notamment par une multiplication des expérimentations. Cependant, peu de travaux se penchent sur ces dernières en tant que témoins du processus d’innovation à l’œuvre. En vue d’apporter cet éclairage, nous proposons une grille d’analyse dédiée, basée sur la notion de niche. Nous l’appliquons au projet Rouen Normandy Autonomous Lab, qui a eu lieu à Saint-Étienne-du-Rouvray, dans la Métropole de Rouen, entre octobre 2017 et décembre 2019. Nous déterminons le type d’acteurs présents, leurs régimes d’appartenance et les « phénomènes » internes et externes à la niche. Nous montrons l’adéquation de cette approche à l’étude des expérimentations de véhicules autonomes et dégageons certaines similitudes avec d’autres contextes d’innovation. Ainsi, nous mettons en exergue l’importance de la formation d’un réseau d’acteurs et la prévalence des attentes fonctionnelles, celles portant sur le rôle actuel du projet, dans la poursuite d’expérimentations de véhicules autonomes au niveau local.

The ethics of emerging forms of artificial intelligence has become a prolific subject in both academic and public spheres. A great deal of these concerns flow from the need to ensure that these technologies do not cause harm—physical, emotional or otherwise—to the human agents with which they will interact. In the literature, this challenge has been met with the creation of artificial moral agents: embodied or virtual forms of artificial intelligence whose decision procedures are constrained by explicit normative principles, requiring the implementation of what is commonly called artificial morality into these agents. To date, the types of reasoning structures and principles which inform artificial morality have been of two kinds: first, an ethically maximal vision of artificial morality which relies on the strict implementation of traditional moral theories such as Kantian deontology or Utilitarianism, and second, a more minimalist vision which applies stochastic AI techniques to large data sets of human moral preferences so as to illicit or intuit general principles and preferences for the design of artificial morality. Taken individually, each approach is unable to fully answer the challenge of producing inoffensive behavior in artificial moral agents, most especially since both forms are unable to strike a balance between the ideal set of constraints which morality imposes on one hand, and the types of constraints public acceptability imposes, on the other. We provide an alternative approach to the design of artificial morality, the Ethical Valence Theory, whose purpose is to accommodate this balance, and apply this approach to the case of autonomous vehicles., Les problèmes éthiques liés à l’arrivée de formes d’intelligence artificielles différentes a sollicité beaucoup d’attention aussi bien académique que publique. Cependant, ces inquiétudes se concentrent sur un problème particulier : comment assurer que les décisions prises par les agents artificiels comme des voitures autonomes ne nuisent pas aux êtres humains présents dans leur environnement ? Cette question a incité la création de ceux qui sont communément appelés les agents moraux artificiels dans la littérature, la prise de décision desquels est contrainte par une moralité artificielle : un système de principes normatifs implémenté dans le processus de raisonnement de la machine. A ce jour, la forme que prend cette moralité artificielle relève de deux approches différentes : soit une forme maximalement éthique, qui dépend de l’implémentation stricte des théories morales préexistantes comme la déontologie Kantienne ou l’Utilitarisme, soit une forme minimaliste, qui applique des techniques de l’IA stochastique à l’analyse et agrégation de données portant sur les préférences morales d’une population, afin d’en tirer des principes généraux mobilisés ensuite dans la prise de décision des machines. Prises individuellement, aucune des deux approches n’arrivent à pondérer l’importance des contraintes morales avec la pertinence de l’acceptabilité publique des agents moraux artificiels. Nous proposons une approche alternative à la moralité artificielle, la théorie des valences éthiques, qui s’efforce d’accommoder ce genre de pondération, et nous l’appliquons au cas du véhicule autonome.

The current challenge for car manufacturers is to allow to the autonomous vehicle to run reliably on the road, in real traffic conditions and on non-specific infrastructures, without driver intervention. Its proper functioning will strongly depend on the level of security of the equipment, the quality of the software and the reliability of the information used by the embedded intelligence.The autonomous car shares the road with different types of vehicles such as trucks, cars and motorcycles, which surrounds it with an uncertain and changing environment. To ensure safe driving in such environment, the system must be able to anticipate the future motion of surrounding vehicles. The prediction of intentions is the best solution for anticipating the motions of other road users.In this context, several difficulties must be overcome to ensure coexistence between autonomous vehicles and traditional vehicles. The adoption of an intelligent method for the prediction of intentions is essential. As part of this thesis, maneuver classification models, trajectory prediction and decision making are implemented. In addition, the proposed approaches are based on machine learning. This type of approach requires a large amount of data including a variety of scenes, several vehicular datasets are used in this work. The objective is to have a long-term prediction by ensuring the best precision of the predicted trajectory and by anticipating the completion of the maneuver in advance. This work therefore has a strong experimental component with measurement campaigns on Vedecom test vehicles. These tests allowed the validation of the proposed learning methods with real data., Le défi actuel des constructeurs automobiles est de permettre au véhicule autonome de rouler sur la route d’une manière fiable, dans des conditions de circulation réelles et sur des infrastructures non spécifiques, sans l'intervention du conducteur. Son bon fonctionnement dépendra fortement du niveau de sécurité de l'équipement, de la qualité du logiciel et de la fiabilité des informations utilisées par l'intelligence intégrée.La véhicule autonome roule sur la route avec différents types de véhicules tels que les camions, les voitures et les motos ; ce qui l’entoure d’un environnement incertain et en plein de changement. Pour garantir la sécurité de la conduite autonome dans un tel environnement, le véhicule autonome doit pouvoir anticiper le mouvement futur des véhicules adjacents. La prédiction des intentions est la solution pour anticiper les mouvements de ces usagers de la route.Dans ce contexte, plusieurs difficultés doivent être surmontées pour assurer la cohabitation entre véhicules autonomes et véhicules traditionnels. L'adoption d'une méthode intelligente pour la prédiction des intentions est primordiale. Dans le cadre de cette thèse, des modèles de classification de manœuvres, prédiction de trajectoire et prise de décision sont mises en œuvre. En outre, les approches proposées sont basées sur l’apprentissage automatique. Ce type d’approche nécessite une large quantité de données incluant une variété de scènes, plusieurs jeux de données véhiculaires sont utilisés dans le cadre de cette thèse. L'objectif est d'avoir une prédiction à long-terme avec une grande précision de la trajectoire prédite et en anticipant la réalisation de la manœuvre en avance. Ce travail comporte une forte composante expérimentale avec des campagnes de mesure sur les véhicules d'essai VEDECOM. Ces essais ont permis la validation des méthodes d'apprentissage proposées avec des données réelles.

There is a growing interest in autonomous driving as it is expected that fully autonomous vehicles can reduce car accidents and improve overall traffic safety. However, autonomous driving is a complex process combining sensing, perception, prediction, computation, and decision. In addition, the traffic environment is dynamic and involves interactions among road users. Therefore, driving tests are essential to validate the autonomous vehicle's functionalities. Real-world driving tests seem to be a great challenge as fatal accidents cannot be prevented yet. Alternatively, performing driving tests by simulation can reduce time and cost, and avoid potentially dangerous situations. The increasing use of traffic simulation for many studies highlights the importance of a good understanding and modeling of human driving behavior.This thesis mainly focuses on microscopic traffic modelling for human driving models, with the aim of creating, with numerical simulation, a realistic vehicular traffic, which is useful for the validation of autonomous vehicle's features.The main contributions of this thesis consist in :1. Car-collision generation in numerical traffic simulation: I proposed an approach of car-collision generation in numerical traffic simulation considering different car-following behaviors. After the investigation of different driver profiles in a real traffic data-set, I classified three driving profiles, where I distinguished aggressive and inattentive driver profiles from the normal profile. I then proposed to increase the proportion of the two ‘extreme’ driver profiles (aggressive and inattentive) in the whole traffic population by replacing the normal drivers, to simulate in a traffic simulator, SUMO (Simulation of Urban Mobility), and observe eventually the occurrence of car-collisions. I was able to formulate a relationship between the ratios of these two driver profiles over the entire driver population, and the number of car collisions. This analysis used part of the NGSIM 101 data-set and was validated on another part of the same data-set. I also studied the severity of the generated collisions. I found that collisions involved between an inattentive driver as the leader and an aggressive driver as the follower are the most frequent ones, while collisions between two inattentive drivers are the severest ones.2. Lane change modeling using reinforcement learning: The second work in my PHD is on the lane change modeling, where a reinforcement learning model has been developed. The model aims to imitate real lane change decisions, based on the NGSIM traffic data-set. I proposed a Q-learning model for the human lane change decisions. The model shows good performances in mimicking human decisions with up to 95% of success. Moreover, the model uses numerical traffic simulation (SUMO) to complete the unknown situations in the real data-set. We observed that 13% additional traffic conditions were created by the traffic simulation environment.3. LSTM neural network for human driving behavior: In the third work of my PHD, I proposed an LSTM neural network model for car-following and lane-changing behaviors modeling on road networks. In this work, I proposed different models with different input designs and compared them. The selected model shows good performances on both predicting the longitudinal speed and the lateral position of cars. Moreover, the obtained results show that the selected model outperforms the classical IDM (Intelligent Driver Model) in the accuracy of replicating car-following behavior. The models were implemented on the NGSIM 101 and the HighD traffic data-sets, Le système de véhicule autonome est très complexe. L'environnement routier est dynamique et implique de nombreuses interactions entre les usagers de la route. Par conséquent, les tests de conduite sont essentiels pour valider des fonctionnalités du véhicule autonome. La simulation numérique permet de réduire le temps et les coûts, et d'éviter les situations potentiellement dangereuses pour la validation des véhicules autonomes. L'intérêt croissant porté à l'utilisation de la simulation numérique du trafic routier souligne l'importance d'une bonne compréhension et d'une bonne modélisation du comportement de conduite humaine.Les principales contributions de cette thèse consistent en :1. Génération de collisions par la simulation numérique de trafic : Mon premier travail dans cette thèse est l'analyse du comportement du conducteur en ce qui concerne la loi de poursuite. En outre, dans le but de tester la réaction d'un véhicule autonome en cas d'accident dans le trafic, j'ai proposé une approche pour la génération de collisions entre véhicules. Après avoir étudié différents profils de conducteurs dans un ensemble de données de trafic réelles, j'ai classifié trois profils de conducteurs, en distinguant les profils agressif et inattentif, du profil normal. J'ai ensuite proposé d'augmenter la proportion des deux profils de conducteurs (agressif et inattentif) dans la population totale du trafic, et de simuler le trafic à l'aide du simulateur SUMO (Simulation of Urban Mobility), pour observer les occurrences éventuelles de collisions de voitures. Par cette méthode, j'ai caractérisé une relation entre les ratios de ces deux profils de conducteurs sur l'ensemble de la population de conducteurs dans le trafic, et le nombre de collisions de voitures. Cette approche est étudiée sur une partie de l'ensemble de données NGSIM 101, et ensuite, validée sur une autre partie de cette base de données. J'ai également étudié la gravité des collisions générées dans la simulation. J'ai constaté que les collisions impliquées par un conducteur leader inattentif suivi par un conducteur agressif, sont les plus fréquentes ; tandis que les collisions impliquées entre deux conducteurs inattentifs sont les plus graves.2. Modélisation du changement de voie par apprentissage par renforcement : Le deuxième travail de ma thèse porte sur la modélisation des changements de voie, où un modèle d'apprentissage par renforcement a été développé. Le modèle permet d'imiter les décisions réelles de changement de voie, en se basant sur l'ensemble de données de trafic NGSIM. En conséquence, le modèle montre de bonnes performances dans l'imitation des décisions humaines de changement de voie, avec jusqu'à 95% de précision. En outre, le modèle utilise la simulation numérique du trafic (SUMO) pour compléter les situations inconnues dans la base de données réelles, où nous avons observé que 13% des conditions de trafic supplémentaires sont créées par l'environnement de simulation du trafic.3. Modèle de comportement de conduite humaine par le réseau neuronal LSTM : Dans le troisième travail, j'ai proposé un modèle pour prédire le comportement de poursuite et le comportement de changement de voies en même temps, en utilisant les réseaux neuronaux LSTM. Dans ce travail, j'ai proposé différents modèles avec différentes conceptions des variables d’entrée ; puis je les ai comparés. Le meilleur modèle sélectionné montre de bonnes performances pour la prédiction de la vitesse longitudinale et de la position latérale des voitures. De plus, les résultats obtenus montrent que ce modèle sélectionné est plus performant que le modèle classique IDM (Intelligent Driver Model) dans la précision de la reproduction du comportement de poursuite. J'ai d'abord implémenté les modèles proposés sur la base de l'ensemble de données NGSIM 101, ensuite sur l'ensemble de données HighD

Ce travail de recherche prospective permet d'anticiper une société et des modes de vie caractérisés par une offre globale de transports autonomes, en apportant des éléments de réflexion et de débat auprès des pouvoirs publics comme des citoyens. Dans les années à venir, les véhicules terrestres seront de plus en plus automatisés, que ce soit en transport public, transport de marchandises ou véhicule individuel. C'est le terme « robomobilité » qui désigne ce changement de paradigme qui va bouleverser la société. Afin d'imaginer les impacts d'une telle disruption, une démarche d'atelier prospectif « la vie robomobile » a été initiée par le ministère de la Transition écologique et Solidaire. Un travail de créativité a ainsi été mené à partir d'un nouvel objet de mobilité hybride mixant le cheval, premier vecteur historique des déplacements humains, et le VAL, le métro automatique lillois. C'est donc ce « ch'VAL » qui a été mis en scène et qui a permis d'imaginer ses différents lieux de vie : MEDIACITY, une ville contrôlée par le numérique, AUTARCITY, une ville éphémère en marge des mégalopoles, rebelle et « sous les radars », et TRANSCITY, un territoire de fin du monde où règnent la collapsologie et le transhumanisme. Ce projet de recherche à caractère très prospectif a pour objectif d'apporter des éléments d'analyse et de réflexion aux pouvoirs publics vis-à-vis d'évolutions technologiques acceptables et d'une société vivable qui reste à construire.

With driving automation, drivers will be freed from the constraints of driving and will be able to perform new activities such as reading a book, playing with a smartphone, working on a computer, sleeping, etc. For a conditionally automated vehicle of SAE (Society of Automotive Engineers) Level 3, the driver must be prepared to take control of the vehicle when needed. Monitoring the driver's posture can provide not only body position in the vehicle, but also information to assess driver’s cognitive and attentional state. Postural information is necessary in the development of protection and driving assistance systems for better safety. Driver monitoring, in particular that of body posture by non-invasive sensors such as depth camera, pressure sensor, has been a very active field of research in recent years. Various monitoring systems have been proposed for extracting driver postural information (for example, orientation of the head, position of the hands, etc.) in order to recognize different activities of the driver. Existing methods suffer from the problem of suboptimal placement of the camera in the vehicle and body occlusions in the field of view. Most studies have been devoted to monitoring the driver's upper limbs, trunk, and head, and few have examined full-body posture. To facilitate the recognition of driver activities, a few databases on driver posture have been proposed. However, there is a lack in efficient methods for generating ground truth annotation labels which are essential for training posture estimation algorithms based on supervised learning. To date, none driver posture monitoring system has really demonstrated its effectiveness. The present thesis therefore aims to (1) create an annotated posture database corresponding to a wide range of activities that take place in both traditional vehicles and autonomous vehicles, (2) to develop a postural monitoring system for the entire body in the vehicle using depth cameras and pressure sensors. In this work, we have built a large database on driver postures with annotation and labels through a data augmentation procedure that we have developed. The original data, measured by 3 RGB-D depth cameras and 2 pressure sheets, were collected on a laboratory mockup from 23 drivers performing 42 activities including non-driving tasks. The joint centers were reconstructed using markers placed on the body measured by a motion capture system. The data augmentation procedure, based on computer graphics techniques, allows the automatic generation of images synthesized with 2D and 3D annotations. Using this database, we have adapted several learning algorithms to recognize upper, lower and head posture from measurements by pressure sensors, RGB-D cameras, or both. Special attention was paid to reduce upper body posture prediction errors caused by body occlusions or confusion by the algorithm., Avec l’automatisation de conduite, les conducteurs seront libérés des contraintes liées à la conduite et pourront effectuer de nouvelles activités comme lire un livre, jouer avec un smartphone, travailler sur un ordinateur, dormir, etc. Pour un véhicule conditionnellement automatisé du niveau 3 selon SAE (Society of Automotive Engineers), le conducteur doit être prêt à prendre le contrôle du véhicule en cas de besoin. Le monitoring de la posture du conducteur peut fournir non seulement sa position dans le véhicule, mais aussi des informations pour évaluer son état cognitif et attentionnel. Ces informations sont nécessaires dans le développement de systèmes de protection et d'aide à la conduite pour une meilleure sécurité. Le monitoring du conducteur, notamment celui de la posture du corps par des capteurs non-invasifs tels que caméra de profondeur, capteur de pression, est un champ de recherche très actif ces dernières années. Divers systèmes de monitoring ont été proposés pour extraire des informations posturales du conducteur (par exemple, l'orientation de la tête, la position de la main, etc.) dans le but de reconnaître différentes activités du conducteur. Les méthodes existantes souffrent du problème du placement sous-optimal de la caméra dans le véhicule et d'occlusions corporelles dans le champ de vision. La plupart des études ont été consacrées à la surveillance des membres supérieurs, du tronc et de la tête du conducteur, et peu ont examiné la posture du corps entier. Pour faciliter la reconnaissance des activités des conducteurs, quelques bases de données sur la posture des conducteurs ont été proposés. Cependant, il y a un manque au niveau de méthodes efficaces pour générer des étiquettes d'annotation de vérité terrain qui sont indispensables pour les algorithmes d'apprentissage supervisé. A ce jour aucun dispositif de surveillance du conducteur n'a vraiment fait la démonstration de son efficacité. La présente thèse vise donc (1) à créer une base de données labélisés correspondantes à un large panel d’activités liées non seulement à la conduite mais surtout à des activités autres que la conduite et (2) développer un système de monitoring postural du corps entier dans le véhicule à l’aide de caméras de profondeur et de capteurs de pression. Dans ce travail, nous avons construit une large base de données labélisés sur les postures de conducteurs grâce à une procédure d’augmentation de données que nous avons mise au point. Les données d’origine, mesurées par 3 caméras de profondeur RGB-D et 2 nappes de pression, ont été collectées sur une maquette en laboratoire auprès de 23 conducteurs effectuant 42 activités incluant aussi des tâches non-liées à la conduite. Les centres articulaires sont reconstruits grâce aux marqueurs posés au corps mesurés par un système de capture de mouvement. La procédure d'augmentation de données, basé sur des techniques d'infographie, permet la génération automatique des images synthétisées avec des annotations 2D et 3D. Grâce à cette base de données, nous avons adapté plusieurs algorithmes d’apprentissage à la reconnaissance de la posture des membres supérieurs, inférieurs et de la tête à partir des mesures par des capteurs de pression, des caméras RGB-D ou des deux. Une attention particulière a été accordée pour réduire les erreurs de prédiction de la posture du haut du corps causée par des occlusions corporelles ou des confusions par l'algorithme.

Cyber-Physical Systems (CPSs) are a mature research technology topic that deals with Artificial Intelligence (AI) and Embedded Systems (ES). A CPS can be defined as a networked ES that can analyze a physical environment, via sensors, and make decisions from its current state to affect it toward a desired outcome via actuators. These CPS deal with data analysis, which need powerful algorithms combined with robust hardware architectures. On one hand, Deep Learning (DL) is proposed as the main solution algorithm. On the other hand, the standard design and prototyping methodologies for ES are not adapted to modern DL-based CPS. In this thesis, we investigate AI design for CPS around embedded DL using a hybrid CPU/FPGA platform. We proposed a methodology to develop DL applications for CPS which is based on the usage of a neural network accelerator and an automation software to speed up the prototyping time. We present our hardware neural network accelerator design and prototyping. Finally, we validate our work using a smart LIDAR (LIght Detection And Ranging) application use-case with several algorithms for pedestrians detection using a 3D point cloud from a LIDAR., Les Systèmes Cyber-Physiques (SCP) sont un sujet de recherche mature qui interagissent avec l'intelligence artificielle (IA) et les systèmes embarqués (SE). Un SCP peut être défini comme un SE en réseau qui peut analyser un environnement physique, via des capteurs, et prendre des décisions à partir de son état actuel pour l'affecter vers un résultat souhaité, via des actionneurs. Ces SCP nécessitent des algorithmes puissants associés à des architectures matérielles robustes. D'une part, l'Apprentissage en Profondeur (AP) est proposé comme algorithme principal. D'autre part, les méthodologies de conception et de prototypage standard pour SE ne sont pas adaptées au SCP moderne basé sur de l'AP. Dans cette thèse, nous étudions la conception d'IA pour SCP autour de l'AP embarquée avec une plate-forme hybride CPU/FPGA. Nous avons proposé une méthodologie pour développer des applications d'AP pour SCP qui est basée sur l'utilisation d'un accélérateur de réseau de neurones et d'un logiciel d'automatisation pour accélérer le temps de prototypage. Nous présentons la conception et le prototypage de notre accélérateur matériel de réseau de neurones. Enfin, nous validons notre travail à l'aide d'un cas d'usage: un LIDAR (LIght Detection And Ranging) intelligent. Ce cas d'usage est accompagné de plusieurs algorithmes de détection de piétons à l'aide du nuage de points 3D d'un LIDAR.

Formation PFC Identifier les évolutions de la Société impactant la mobilité, Champs-sur-Marne, FRANCE, 26-/11/2020 - 26/11/2020; Présentation séminaire SELEST : La vague annuelle 2020 du panel ParcAuto est présentée sur ses aspects méthodologiques, puis sur ses principaux résultats. La présentation se concentre ensuite sur une question d'opinion, celle de l'acceptation de se laisser conduire par un véhicule 100% autonome : les déterminants (ménage, individu) y sont recherchés, puis introduits dans une spécification sommaire de modèle logistique.

4th webinar Ectri Traffic Management Thematic Group, Bron, FRANCE, 08-/10/2020 - 08/10/2020; We realized an analysis of the CACC data of the Volpe laboratory. We observe that the response times distributions are spreading when the distance to the leader and the position in the platoon increase. This leads us to question the connectivity inside those platoons.

30ème conférence de l'Association Canadienne des Professionnels de la Sécurité Routière, Webinaire série : Conception évoluée des véhicules, véhicules autonomes et connectés, virtuel, , 01-/10/2020 - 01/10/2020; Cette communication propose d'analyser la position de la France face à l'introduction du véhicule autonome dans le système de transport, et d'identifier les dimensions en termes de sécurité routière dans lesquelles il s'inscrit.Ce travail repose sur une recherche documentaire et une approche discursive. Nous avons consulté un grand nombre de documents de nature institutionnelle, juridique, législative, scientifique. La communication s'appuiera sur les données obtenues dans le cadre de 1 année d'observation participante de réunions de groupe de travail, et d'atelier scientifiques, ainsi que sur des entretiens semi-directifs réalisés avec un échantillon représentatif des parties prenantes de la politique publique de sécurité routière en France. Cette approche discursive a permis à la fois de confirmer les premiers éléments d'interprétation issus de la recherche documentaire, mais aussi d'apporter des compléments utiles pour mener notre analyse.

Autonomous vehicles mainly rely on an intelligent system pilot to achieve the purpose of self-driving. They combine a variety of sensors (cameras, radars, lidars,..) to perceive their surroundings. The perception algorithms of the Automated Driving Systems (ADSs) provide observations on the environmental elements based on the data provided by the sensors, while decision algorithms generate the actions to be implemented by the vehicles. Therefore, ADSs are safety-critical systems whose failures can have catastrophic consequences. To ensure the safety of such systems, it is necessary to specify, validate and secure the dependability of the architecture and the behavioural logic of ADSs running on vehicle for all the situations that will be met by the vehicle. These situations are described and generated as different test cases.The objective of this thesis is to develop a complete approach allowing the conceptualization and the characterization of execution contexts of autonomous vehicle, and the formal modelling of the test cases in the context of the highway. Finally, this approach has to allow an automatic generation of the test cases that have an impact on the performances and the dependability of the vehicle.In this thesis, we propose a three-layer test case generation methodology. The first layer includes all static and mobile concepts of three ontologies we define in order to conceptualize and characterize the driving environment for the construction of test cases: a highway ontology and a weather ontology to specify the environment in which evolves the autonomous vehicle, and a vehicle ontology which consists of the vehicle lights and the control actions. Each concept of these ontologies is defined in terms of entity, sub-entities and properties.The second layer includes the interactions between the entities of the defined ontologies. We use first-order logic equations to represent the relationships between these entities.The third and last layer is dedicated to the test case generation which is based on the process algebra PEPA (Performance Evaluation Process Algebra), which is used to model the situations described by the test cases.Our approach allows us to generate automatically the test cases and to identify the critical ones. We can generate test cases from any initial situation and with any number of scenes. Finally we propose a method to calculate the criticality of each test case. We can comprehensively evaluate the importance of a test case by its criticality and its probability of occurrence.; Les véhicules autonomes reposent principalement sur un pilote de système intelligent pour réaliser les fonctions de la conduite autonome. Ils combinent une variété de capteurs (caméras, radars, lidars,..) pour percevoir leurs environnements. Les algorithmes de perception des ADSs (Automated Driving Systems) fournissent des observations sur les éléments environnementaux à partir des données fournies par les capteurs, tandis que les algorithmes de décision génèrent les actions à mettre en oeuvre par les véhicules. Les ADSs sont donc des systèmes critiques dont les pannes peuvent avoir des conséquences catastrophiques. Pour assurer la sûreté de fonctionnement de tels systèmes, il est nécessaire de spécifier, valider et sécuriser la fiabilité de l’architecture et de la logique comportementale de ces systèmes pour toutes les situations qui seront rencontrées par le véhicule. Ces situations sont décrites et générées comme différents cas de test.L'objectif de cette thèse est de développer une approche complète permettant la conceptualisation et la caractérisation de contextes d'exécution pour le véhicule autonome, et la modélisation formelle des cas de test dans le contexte de l’autoroute. Enfin, cette approche doit permettre une génération automatique des cas de test qui ont un impact sur les performances et la fiabilité du véhicule.Dans cette thèse, nous proposons une méthodologie de génération de cas de test composée de trois niveaux. Le premier niveau comprend tous les concepts statiques et mobiles de trois ontologies que nous définissons afin de conceptualiser et de caractériser l'environnement d'execution du véhicule autonome: une ontologie de l'autoroute et une ontologie de la météo pour spécifier l'environnement dans lequel évolue le véhicule autonome, et une ontologie du véhicule qui se compose des feux du véhicule et les actions de contrôle. Chaque concept de ces ontologies est défini en termes d'entité, de sous-entités et de propriétés.Le second niveau comprend les interactions entre les entités des ontologies définies. Nous utilisons les équations de la logique du premier ordre pour représenter les relations entre ces entités.Le troisième et dernier niveau est dédié à la génération de cas de test qui est basée sur l'algèbre des processus PEPA (Performance Evaluation Process Algebra). Celle-ci est utilisée pour modéliser les situations décrites par les cas de test.Notre approche permet de générer automatiquement les cas de test et d'identifier les cas critiques. Nous pouvons générer des cas de test à partir de n'importe quelle situation initiale et avec n'importe quel nombre de scènes. Enfin, nous proposons une méthode pour calculer la criticité de chaque cas de test. Nous pouvons évaluer globalement l'importance d'un cas de test par sa criticité et sa probabilité d'occurrence.

In this thesis, we address the problem of accurate localization of autonomous vehicles on highway roads using LiDAR sensors and a highly accurate third party map. The proposed approach is based on two core modules: perception and map-matching. The perception module uses the 3D data enhanced by the LiDAR reflectivity to detect road primitive features: lane markings, barriers, traffic signs and guardrail reflectors. The map-matching module incorporates these measurements and aligns them against a highly accurate third party map. The map-matching is performed using a particle filter, which we have improved in order to deal with the particle deprivation problem. The proposed improvement uses the road geometry in order to optimize the spatial distribution of particles while maintaining the number of particles constant. To evaluate the proposed method, we compared the localization outputs of our system to a Global Navigation Satellite System (GNSS) with RTK corrections (ground truth). Experiments have been conducted on two highway roads. The first is an experimental test track (CTA2) of 5 km long located at CTA, Renault’s Aubevoye’s Technical Center. This track is designed to exactly replicate a two-lane highway environment. The second is a section of the A13 highway, running from Paris and ending at Aubevoye. The results are promising and show the feasibility of a localization system based on LiDARs alone and with a sparse map data representation.; Dans le cadre de cette thèse, un système de perception à base d’un capteur LIDAR et un système de localisation sur une carte numérique très précise ont été développés dans le contexte des développements des véhicules autonomes. Le système de perception proposé utilise les données 3D augmentées par la réflectivité du LiDAR afin de détecter les marquages au sol, les barrières, les panneaux de signalisation et les rétro-reflecteurs placés sur les barrières ou rails de sécurité dans un environnement autoroutier. Les objets détectés sont ensuite recalés par rapport à une carte numérique très précise. Cette dernière contient les lignes de marquage dans un format spécifique, les panneaux de signalisation ainsi que d’autres attributs sémantiques. Le recalage est assuré via une implémentation d’un filtre particulaire auquel nous avons effectué des améliorations pour optimiser la distribution des particules sans pour autant en modifier le nombre. Cette méthode est appelée: la mise à jour contrainte du filtre. Pour évaluer la méthode proposée, nous avons utilisé un système de navigation satellitaire (GNSS) avec correction RTK comme une vérité terrain et nous avons adopté différentes métriques pour montrer la précision de notre système. Les expériences ont été menées sur deux autoroutes: une piste de test propre à Renault et un tronçon d’environ 50 kilomètres sur route ouverte. Les résultats sont prometteurs et montrent la faisabilité d’un système de localisation fondé sur des LiDARs seuls et avec une représentation éparse des données (sous forme d’amers plutôt que la totalité du nuage de points).

In this thesis, we address the problem of accurate localization of autonomous vehicles on highway roads using LiDAR sensors and a highly accurate third party map. The proposed approach is based on two core modules: perception and map-matching. The perception module uses the 3D data enhanced by the LiDAR reflectivity to detect road primitive features: lane markings, barriers, traffic signs and guardrail reflectors. The map-matching module incorporates these measurements and aligns them against a highly accurate third party map. The map-matching is performed using a particle filter, which we have improved in order to deal with the particle deprivation problem. The proposed improvement uses the road geometry in order to optimize the spatial distribution of particles while maintaining the number of particles constant. To evaluate the proposed method, we compared the localization outputs of our system to a Global Navigation Satellite System (GNSS) with RTK corrections (ground truth). Experiments have been conducted on two highway roads. The first is an experimental test track (CTA2) of 5 km long located at CTA, Renault’s Aubevoye’s Technical Center. This track is designed to exactly replicate a two-lane highway environment. The second is a section of the A13 highway, running from Paris and ending at Aubevoye. The results are promising and show the feasibility of a localization system based on LiDARs alone and with a sparse map data representation.; Dans le cadre de cette thèse, un système de perception à base d’un capteur LIDAR et un système de localisation sur une carte numérique très précise ont été développés dans le contexte des développements des véhicules autonomes. Le système de perception proposé utilise les données 3D augmentées par la réflectivité du LiDAR afin de détecter les marquages au sol, les barrières, les panneaux de signalisation et les rétro-reflecteurs placés sur les barrières ou rails de sécurité dans un environnement autoroutier. Les objets détectés sont ensuite recalés par rapport à une carte numérique très précise. Cette dernière contient les lignes de marquage dans un format spécifique, les panneaux de signalisation ainsi que d’autres attributs sémantiques. Le recalage est assuré via une implémentation d’un filtre particulaire auquel nous avons effectué des améliorations pour optimiser la distribution des particules sans pour autant en modifier le nombre. Cette méthode est appelée: la mise à jour contrainte du filtre. Pour évaluer la méthode proposée, nous avons utilisé un système de navigation satellitaire (GNSS) avec correction RTK comme une vérité terrain et nous avons adopté différentes métriques pour montrer la précision de notre système. Les expériences ont été menées sur deux autoroutes: une piste de test propre à Renault et un tronçon d’environ 50 kilomètres sur route ouverte. Les résultats sont prometteurs et montrent la faisabilité d’un système de localisation fondé sur des LiDARs seuls et avec une représentation éparse des données (sous forme d’amers plutôt que la totalité du nuage de points).

KES AMSTA 2020, 14th International Conference on Agents and Multi-Agent Systems: Technology and Applications - Virtual conference, Split, CROATIE, 17-/06/2020 - 19/06/2020; Today policy makers face an ever more complex traffic system. While they need to ensure smooth traffic flows in the cities, at the same time an acceptable level of service must be provided in remote areas. Autonomous taxis (AT) offer the opportunity to manage car traffic at low operational cost and they can be appropriate alternatives for the driven vehicles. In this paper, we propose a multi-agent system to find the best dispatching strategy for a fleet of AT. In the dispatching process, we aim to satisfy both passengers and providers objectives and priorities. To be able to apply the method on large-scale networks, we introduce a clustering method to cluster the requests every minute and then solve the assignment problem for the requests inside each cluster. As the network congestion can have significant impacts on the vehicles speed and travel time especially considering the private cars that are driving in the system besides the taxis, an agent-based simulation platform is used to simulate the function of the AT fleet. We use the trip-based Macroscopic Fundamental Diagram (MFD) to simulate the time evolution of traffic flows on the road network and update the traffic situation in the system every second to represent the real traffic dynamics. We address the problem for a large city scale of 80 km2 (Lyon city in France) with more than 480,000 trips over 4 hours period containing the morning peak. The experimental results with real data show that the proposed multi-agent system is efficient in terms of serving all the requests in a short time satisfying both passengers and providers objectives.

Autonomous vehicles (AV) are expected to improve, reshape, and revolutionize the future of ground transportation. It is anticipated that ordinary vehicles will one day be replaced with smart vehicles that are able to make decisions and perform driving tasks on their own. In order to achieve this objective, self-driving vehicles are equipped with sensors that are used to sense and perceive both their surroundings and the faraway environment, using further advances in communication technologies, such as 5G. In the meantime, local perception, as with human beings, will continue to be an effective means for controlling the vehicle at short range. In the other hand, extended perception allows for anticipation of distant events and produces smarter behavior to guide the vehicle to its destination while respecting a set of criteria (safety, energy management, traffic optimization, comfort). In spite of the remarkable advancements of sensor technologies in terms of their effectiveness and applicability for AV systems in recent years, sensors can still fail because of noise, ambient conditions, or manufacturing defects, among other factors; hence, it is not advisable to rely on a single sensor for any of the autonomous driving tasks. The practical solution is to incorporate multiple competitive and complementary sensors that work synergistically to overcome their individual shortcomings. This article provides a comprehensive review of the state-of-the-art methods utilized to improve the performance of AV systems in short-range or local vehicle environments. Specifically, it focuses on recent studies that use deep learning sensor fusion algorithms for perception, localization, and mapping. The article concludes by highlighting some of the current trends and possible future research directions.

Avec l’arrivée du véhicule autonome, le conducteur sera amené à reprendre régulièrement la conduite d’un véhicule en déplacement et inséré dans un trafic. Ceci impliquera pour ce conducteur non seulement de reprendre le pilotage, mais aussi de se reconstruire une conscience de la situation adéquate (Situation Awareness - SA) pour évoluer en sécurité en étant capable d’anticiper les changements de trafic.Lors d’une étude portant sur les temps de reprise en main, menée auprès de quinze utilisateurs, deux participants ont été confrontés à leurs traces d’activité lors d’épisodes de reprise en main de la conduite juste après avoir été fortement engagés dans une tâche de vie à bord. L’utilisation de la notion d’engagement développée dans le cadre du programme de recherche cours d’Action montre comment le réengagement dans la conduite se construit dynamiquement. Ces deux cas d’étude approfondie suggèrent qu’avec la pression temporelle, un conducteur novice risque d’être orienté en premier vers ce que l’environnement lui offre de plus immédiat, à savoir le pilotage du véhicule. La construction d’une conscience de la situation (SA) n’intervient que dans un second temps. Ce moment de reprise en main et le changement radical d’orientation de l’activité qu’il implique offrent un terrain privilégié pour observer cet aspect dynamique de l’engagement. L’articulation des notions issues de la cognition située dresse un panorama des dynamiques de réengagement du couplage dans la conduite. Une typologie des processus de réengagement en est issue pour offrir des recommandations pour la conception. With future autonomous vehicles, drivers will have to regularly take over the control of a vehicle moving in traffic. This will mean not only taking over the driving but also reconstructing a suitable awareness of the situation (Situation Awareness - SA) that enables him/her to anticipate traffic evolution.Out of 15 participants in a study on the time needed to take over control, two were selected for an autoconfrontation interview. A detailed qualitative analysis of the driver’s take over process was carried out, after they had been deeply engaged in a life-on-board task. The notion of engagement, from the Course of Action theory, shows how reengagement in driving is dynamically built. The case studies suggest that with time pressure, a novice driver is likely to be first oriented towards the immediacy of the environment, leading him to focus on the trajectory of the vehicle. Construction of situation awareness (SA) only takes place afterwards.This short instant of radical change in activity offers an ideal opportunity to observe this dynamic aspect of engagement. The articulation of Situated Cognition notions draws a picture of the reengagement process. The resulting typology of reengagement processes offers design principles.

In the context of autonomous vehicle perception, the interest of the research community for deep learning approaches has continuously grown since the last decade. This can be explained by the fact that deep learning techniques provide nowadays state-of-the-art prediction performances for several computer vision challenges. More specifically, deep learning techniques can provide rich semantic information concerning the complex visual patterns encountered in autonomous driving scenarios. However, such approaches require, as their name implies, to learn on data. In particular, state-of-the-art prediction performances on discriminative tasks often demand hand labeled data of the target application domain. Hand labeling has a significant cost, while, conversely, unlabeled data can be easily obtained in the autonomous driving context. It turns out that a category of learning strategies, referred to as weakly supervised learning, enables to exploit partially labeled data. Therefore, we aim in this thesis at reducing as much as possible the hand labeling requirement by proposing weakly supervised learning techniques.We start by presenting a type of learning methods which are self-supervised. They consist of substituting hand-labels by upstream techniques able to automatically generate exploitable training labels. Self-supervised learning (SSL) techniques have proven their usefulness in the past for offroad obstacles avoidance and path planning through changing environments. However, SSL techniques still leave the door open for detection, segmentation, and classification of static potentially moving obstacles.Consequently, we propose in this thesis three novel weakly supervised learning methods with the final goal to deal with such road users through an SSL framework. The first two proposed contributions of this work aim at dealing with partially labeled image classification datasets, such that the labeling effort can be only focused on our class of interest, the positive class. Then, we propose an approach which deals with training data containing a high fraction of wrong labels, referred to as noisy labels. Next, we demonstrate the potential of such weakly supervised strategies for detection and segmentation of potentially moving obstacles.; Dans le contexte des applications de perception pour le véhicule à conduite déléguée, l’intérêt pour les approches d’apprentissage automatique a continuellement augmenté pendant cette dernière décennie. Cependant, lorsque ces approches doivent être discriminatives, elle nécessitent généralement d’apprendre sur des données manuellement annotées. L’annotation manuelle a un coût non négligeable, tandis que les données non annotées peuvent être facilement obtenues dans le contexte d’un véhicule autonome équipé de capteurs. Il se trouve qu’une catégorie de stratégies d’apprentissage, dite d’apprentissage faiblement supervisé, permet d’exploiter des données partiellement labélisées. Ainsi, nous avons pour objectif dans cette thèse de réduire autant que possible le besoin de labélisation manuelle en proposant des techniques d’apprentissage faiblement supervisées.