L'adoption d'une solution technologique comme moyen de localisation d'un Système de Transport Intelligent nécessite une validation des performances usuelles. Celles-ci sont principalement la précision, la disponibilité, la continuité et la sûreté de fonctionnement. Elles présentent pourtant un comportement antagoniste, dans la mesure où assurer la sûreté de fonctionnement est généralement au détriment de la disponibilité. Cette brique de localisation peut être utilisée dans des fonctions n'engageant pas la securité du système et de l'environnement l'entourant comme le suivi de flotte ou l'information voyageurs. Mais quand il s'agit de fournir une information de localisation au module de contrôle de trajectoire du vehicule, il paraît évident que l'erreur de positionnement inconnue doit être correctement bornée, c'est ce que l'on nomme l'intégrité de positionnement. Pour augmenter l'intégrité, la littérature préconise l'intégration d'une couche de diagnostic et de supervision. De même, le couplage de solutions de localisation complémentaires comme le GNSS utilisé pour ses facultés de positionnement absolu, et l'odométrie pour la justesse à court terme de ses données relatives est préconnisé pour augmenter la précision, la disponibilité et la continuité du système. Dans ces travaux nous proposons un formalisme permettant la mise en place d'une fusion de données brutes GNSS et de données odométriques par le bias d'un filtre stochastique de fusion de données, le Maximum Correntropy Criterion Nonlinear Information Filter, robuste aux différents bruit de mesures (shot noises, mutli-gaussiens, etc...). Ce formalisme intègre également une couche de diagnostic conçue pour être adaptative au contexte de navigation ou au changement d'exigences opérationnelles par le biais d'une métrique informationnelle, l'α-Rényi Divergence, généralisant les métriques habituellement utilisées à ces fins, comme la divergence de Bhattacharyya ou la divergence de Kullback-Leibler. Cette divergence permet la conception de résidus paramétriques qui tienent en compte du changement d'environnement et donc du changement de la probabilité à priori de faire face ou non à un défaut de mesures GNSS. Nous étudions la possibilité d'implémenter une politique de selection de ce paramètre et étudions l'impact de cette politique sur l'ensemble des performances précédement citées. Les résultats encourageants permettent d'envisager comme perspective la complexification de la politique et des algorithmes de fixation de la valeur du paramètre α par l'apport des technologies d'intelligence artificielle afin d'augmenter la discernabilité des défauts, minimiser la probabilité de fausse alarme (et donc augmenter la disponibilité) et minimiser la probabilité de détection manqué dans l’objectif d'augmenter la sûreté de fonctionnement du véhicule. Des données réelles fournies par la plateforme PRETIL du laboratoire CRIStAL ont été utilisées pour le test et la validation des approches proposées.
M. Maan EL BADAOUI EL NAJJAR Université de Lille Directeur de thèse M. Nazih MOUBAYED Universite Libanaise Directeur de thèse M. Roland CHAPUIS Université Clermont Auvergne Rapporteur M. Chafic MOKBEL University Of Balamand Rapporteur Mme Isabelle FANTONI Laboratoire LS2N Examinatrice M. Mohamad KHALIL Université Libanaise Examinateur Mme Joelle AL HAGE Université De Sorbonne - UTC Examinatrice M. Nourdine AIT-TMAZIRTE Institut De Recherche Technologique Ralenium Invité
Thesis of the team ToSyMA defended on 18/12/2020
français
English