Contexte et motivation :
Un des principaux défis technologiques autour du véhicule autonome porte sur la compréhension de son environnement et son impact sur les performances de stratégies de commande. En effet, une étape essentielle pour la navigation autonome est la commande à appliquer au véhicule pour suivre sa trajectoire, et cette commande dépend fortement du coefficient d'adhérence entre les roues et la chaussée. Sachant que cette adhérence dépend de l'état de la chaussée (verglas, chaussée mouillée, etc.), fixer ce coefficient à une valeur nominale fausse la commande du véhicule et peut conduire à une prise de risque qui peut avoir des conséquences fatales pour les usagers de la route. En effet, les performances dynamiques d'une loi de commande sont fortement dégradées en absence d'une information pertinente notamment sur l'état de la chaussée et d'un temps suffisant de réaction.
Le coefficient d'adhérence modifie l'effort induit par les pneus (coefficients de raideurs, adhérence maximale) et par conséquent le comportement dynamique du véhicule. Ce coefficient est proche de zéro sur une chaussée verglacée alors qu'il est proche de un pour une chaussée sèche. Ce coefficient est généralement fixé à une valeur nominale lors de la synthèse de la loi de commande, ce qui impacte les performances obtenues en conditions réelles (la valeur réelle pouvant être éloignée de la valeur nominale). Il devient alors intéressant de proposer des méthodes d'estimation du coefficient d'adhérence en temps réel.
D'un autre côté, différentes approches de commande réalisées pour le guidage et la stabilisation d'un véhicule autonome ont été développées afin d'améliorer les performances, la sécurité et le confort des passagers. Toutefois, les systèmes actifs de sécurité (type ACC, ESP, etc.) actuellement existants utilisent une estimation du glissement à l'instant t, c'est-à-dire une fois que le véhicule est dans une situation critique. Cela n'est pas toujours suffisant pour pouvoir éviter un risque de glissement, d'où la nécessité de l'anticipation. Et l'estimation de l'adhérence en amont du véhicule devient prépondérante afin de maintenir de bonnes performances en commande.
Objectifs :
Cette thèse vise à la détermination de la commande adéquate à appliquer au véhicule selon l'état de la chaussée sur un horizon d'anticipation, les conditions de visibilité et le contenu de la scène routière. Le coefficient d'adhérence de la chaussée sera estimé à partir des informations fournies par une caméra polarimétrique. À partir des conditions de visibilité, le profil de vitesse (consigne) sera calculé de façon dynamique. La zone de navigation sera établie à partir d'une carte d'occupation représentant l'environnement proche du véhicule.
Pour la détermination du coefficient d'adhérence, il est envisagé de développer un estimateur d'adhérence de manière anticipée. Celui-ci doit fournir en entrée du système de contrôle du véhicule une information sur l'adhérence maximale disponible dans un certain horizon devant le véhicule. Cet estimateur sera basé sur une méthodologie d'estimation anticipée de la dynamique du véhicule, proposée dans nos travaux précédents [1-2], et prendra comme entrée la situation de la route fournie par le système de perception. L'association des méthodes traditionnelles, fondées sur des modèles physiques, aux méthodes fondées sur l'apprentissage machine, dans une méthode d'estimation hybride, sera étudiée.
Aussi, une architecture de commande robuste (vis-à-vis des incertitudes paramétriques, des incertitudes de mesures, de la visibilité, etc.) sera développée. Elle vise à maintenir le véhicule dans sa voie de façon sûre, en tenant compte de l'adhérence de la chaussée, de la visibilité et de la présence ou non d'autres usagers de la route, des obstacles. Cette architecture intègre la couche décisionnelle et la génération dynamique du profil de vitesse. Les approches dites par commande prédictive (Model Predictive Control, MPC) seront privilégiées pour aborder la problématique rencontrée. Ce caractère prédictif est en parfaite adéquation avec la notion d'horizon d'estimation du coefficient d'adhérence et la prise en compte de la visibilité. Les apports et les limites de l'architecture de commande développée seront investigués au regard d'autres approches de commande robuste non linéaires développées par les partenaires du projet [3-5].
Le projet de thèse comportera également une phase de validation expérimentale en conditions réelles à l'aide des moyens d'essais (véhicules autonomes, etc.) disponibles par les partenaires du projet.
Programme :
Les différentes tâches envisagées pour mener à bien ce projet de thèse sont :
- Étude bibliographique sur l'estimation du coefficient d'adhérence et la commande tactique et opérationnelle du véhicule, plus particulièrement sur les approches de commande prédictive (MPC).
- Mise en oeuvre d'une méthode d'estimation du coefficient d'adhérence par anticipation à partir des données d'une caméra polarimétrique.
- Développement d'une loi de commande MPC, en fonction du coefficient d'adhérence estimé sur un horizon d'anticipation.
- Comparaison avec d'autres approches de commande non linéaires.
- Validation sur Matlab/Simulink, sur le simulateur de véhicule Scaner Studio, et sur les plateformes expérimentales à Heudiasyc et IRIMAS.
Références :
[1] Raymond Ghandour, Felipe H. R. da Cunha, Alessandro Victorino, Ali Charara, and Daniel Lechner, "A method of vehicle dynamics prediction to anticipate the risk of future accidents : Experimental validation", 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), Washington, DC, USA, 2011.
[2] T. Ueno, H. Pousseur, B. M. Nguyen, A. Correa Victorino and H. Fujimoto, "Proposal of On-board Camera-Based Driving Force Control Method for Autonomous Electric Vehicles," 2023 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), Seattle, WA, USA, 2023.
[3] G. Tagne, R. Talj, et A. Charara, Design and comparison of Robust Nonlinear Controllers for the Lateral Dynamics of Intelligent Vehicles, IEEE Transactions on Intelligent Transportation Systems, Vol 17, Issue 3, pp. 796-809, 2016.
[4] A. Chebly, R. Talj and A. Charara, Coupled longitudinal/lateral controllers for autonomous vehicles navigation, with experimental validation, Control Engineering Practice, Vol 88, pp. 79-96, 2019.
[5] M. Ammour, R. Orjuela, et M. Basset, A MPC combined decision making and trajectory planning for autonomous vehicle collision avoidance, IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 12, pp. 248, 2022.
Contexte de travail
Cette thèse sera en co-direction entre le laboratoire Heudiasyc, UMR UTC/CNRS, et l'IRIMAS de l' Université de Haute-Alsace à Mulhouse, dans le cadre du projet ANR INARI « vIsion multimodale pour une NAvigation et une commande Robuste de véhIcule autonome » (2).
Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.