La mobilité autonome et connectée est devenue un enjeu socio-économique majeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont des freins au déploiement de ce type de véhicules. Dans ce contexte, les travaux de cette thèse ont pour objectifs d'une part de contribuer au développement de méthodes de diagnostic des défauts des capteurs et d'autre part de mettre en oeuvre une coopération entre les véhicules pour améliorer les performances de la localisation des véhicules autonomes. Concernant l'aspect diagnostic, nous proposons de coupler des techniques basées à la fois sur des modèles et des données afin de produire une solution de localisation coopérative tolérante aux défauts capteurs. Étant donnée la nature stochastique des mesures, nous avons choisi le formalisme informationnel, qui fournit des mesures de dissimilarité entre des distributions de probabilité appelées divergences. Dans le cadre de cette thèse, nous utilisons ainsi la divergence de Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus. Le seuillage de ces résidus permet alors de détecter et d'isoler les défauts capteurs. Par ailleurs, l'apport de l'apprentissage a été étudié pour la prise de décision du diagnostic. Deux modèles, l'un pour la détection et l'autre pour l'isolation, ont été entraînés, avec différents outils de l'apprentissage machine (perceptron multi-couches, arbre de décision et régression logistique). La coopération entre les véhicules a mené à la mise en place d'une architecture décentralisée pour la fusion de données multi-capteurs et le diagnostic. Cet aspect coopératif inter-véhicules permet une redondance informationnelle contribuant à l'amélioration des performances de l'estimation de la pose et du diagnostic. Les données issues de cette architecture ont permis de mettre en place un paradigme fédéré pour l'apprentissage. Les méthodes proposées ont été développées, testées et évaluées sur un ensemble de scénarios avec des défauts capteurs réels et injectés. Ces scénarios ont été créés en utilisant une base de données réelles acquises à l'aide d'une plateforme robotique conçue durant la thèse. Cet équipement de la plateforme PRETIL est constitué de trois robots communicants et instrumentés.
M. Maan EL BADAOUI EL NAJJAR Université de Lille Directeur de thèse, M. Roland CHAPUIS Université Clermont Auvergne - Institut Pascal Rapporteur, M. Vincent FREMONT Ecole Centrale de Nantes - laboratoire LS2N Rapporteur, M. Philippe BONNIFAIT Université de Technologie de Compiègne - laboratoire heudiasyc Examinateur, Mme Cindy CAPPELLE Université de Lille Examinatrice, Mme Nicole EL ZOGHBY Groupe Renault Examinatrice, Mme Nadine PIAT École nationale supérieure de mécanique et des microtechniques- Institut FEMTO-ST Examinatrice, M. Fawzi NASHASHIBI INRIA Examinateur.
Thèse de l'équipe ToSyMA soutenue le 18/12/2023
français
English