Thèses soutenues

Maxime Noizet

Le 12 novem­bre 2024 à 14h, bâti­ment Blaise Pas­cal (salle GI042)

Mem­bres du jury :

• M.Romuald AUFRERE, pro­fesseur des uni­ver­sités, mem­br­erap­por­teur Uni­ver­sité Cler­mont Auvergne, Aubière
• M.Vincent FREMONT, pro­fesseur des uni­ver­sités, mem­br­erap­por­teur Cen­trale Nantes, lab­o­ra­toire des sci­ences du numériques, Nantes
• Mme Joëlle AL-HAGE, maîtresse de con­férences, mem­bre­ex­am­i­na­teur Uni­ver­sité de tech­nolo­gie de Com­piègne, Compiègne
• Mme Marie-Anne MITTET, ingénieure de recherch­es, mem­bre­ex­am­i­na­teur Tech­no­cen­tre Renault, sys­tème de local­i­sa­tion, Guyaucourt
• M.Damien VIVET, directeur de recherche, mem­bre exam­i­na­teur ISAE-Supaero, départe­ment DEOS, Toulouse
• M.Mathieu JOERGER, assis­tant pro­fes­sor, mem­bre exam­i­na­teur Vir­ginia Tech, départe­ment d’ingénierie aérospa­tiale et océanique,Blacksburg
• M.Philippe BONNIFAIT, pro­fesseur, directeur de thèse Uni­ver­sité de Tech­nolo­gie de Com­piègne, Lab­o­ra­toire Heudiasyc,Compiègne
• M.Philippe XU, pro­fesseur, directeur de thèse ENSTA, Insti­tut Poly­tech­nique de Paris, Paris

Résumé :

For autonomous vehi­cles, it is cru­cial to find local­iza­tion solu­tions that meet the require­ments of nav­i­ga­tion tasks. For safe­ty rea­sons, the local­iza­tion sys­tem must pro­vide accu­rate and reli­able pose esti­mates, with a high avail­abil­i­ty and a low laten­cy. To this end, mul­ti-sen­sor data fusion tech­niques are employed. They gen­er­al­ly com­bine GNSS receivers with pro­pri­o­cep­tive sen­sors that pro­vide vehi­cle kine­mat­ics and dynam­ics. In this PhD the­sis, we par­tic­u­lar­ly focus on the use of addi­tion­al exte­ro­cep­tive sen­sors such as lidars and cam­eras which can pro­vide mea­sure­ments on fea­tures geo­ref­er­enced in maps. These sen­sors help over­come GNSS lim­i­ta­tions in com­plex envi­ron­ments like urban areas, enabling lane-lev­el posi­tion­ing.
When using per­cep­tion sen­sors, var­i­ous meth­ods can pro­vide local­iza­tion infor­ma­tion. A com­mon approach in robot­ics is imple­ment­ing Simul­ta­ne­ous Local­iza­tion and Map­ping (SLAM) with GNSS con­straints. This builds a local map online from raw sen­sor data, which can then be used for re-local­iza­tion with the same sen­sors. Using accu­rate pri­or maps offers an inter­est­ing alter­na­tive enabling imme­di­ate local­iza­tion upon enter­ing a new area with­out the need to cre­ate a map anew. In this PhD the­sis, we con­sid­er high-def­i­n­i­tion (HD) vec­tor maps con­tain­ing geo­ref­er­enced road fea­tures rep­re­sent­ed as points or poly­lines. They encom­pass a wide range of phys­i­cal ele­ments essen­tial for nav­i­ga­tion such as traf­fic signs or road mark­ings.
The main goal of this the­sis is to lever­age all the poten­tial offered by HD vec­tor maps to improve local­iza­tion, through a per­cep­tion sys­tem whose per­for­mance has been opti­mized for this pur­pose. As a case study, our research focus­es on detect­ing pole-like fea­tures, which are com­mon­ly found through­out road envi­ron­ments and geo­ref­er­enced in HD maps. More specif­i­cal­ly, we present cam­era and lidar per­cep­tion approach­es enabled by a map-based auto­mat­ic anno­ta­tion method. This method can anno­tate any kind of mapped poles. To enhance anno­ta­tion accu­ra­cy and com­plete­ness, we inte­grate this pri­ma­ry method with addi­tion­al auto­mat­ic anno­ta­tion sources. We train detec­tors to iden­ti­fy pole bases in cam­era images and from clus­ters of lidar points. This inte­gra­tion ensures that detect­ed poles con­form to the def­i­n­i­tions used in the HD map. Final­ly, these detec­tion approach­es are inte­grat­ed in a mul­ti-sen­sor fusion sys­tem to assess their ben­e­fits for a local­iza­tion sys­tem.
Giv­en the approach­es explored, the the­sis heav­i­ly relies on exper­i­men­tal data col­lect­ed from vehi­cles equipped with lidar sen­sors and cam­eras. This work was car­ried out in syn­er­gy with the Euro­pean project ERASMO, which aimed to devel­op a high­ly accu­rate and reli­able local­iza­tion sys­tem for autonomous vehicles.

Math­ieu Randon

Le 9 jan­vi­er 2024 à 14h, à l’université de tech­nolo­gie de Com­piègne, amphi du Cen­tre d’innovation.

Mem­bres du jury :

• M.Luc Jaulin, pro­fesseur des uni­ver­sités, mem­bre rap­por­teur, ENSTA Bre­tagne, Lab­o­ra­toire STICC, Brest
• Mme Clau­dia Ale­jan­dra Sagas­tizábal, chercheur, mem­bre rap­por­teur, Uni­ver­sité d’Etat de Camp­inas, Camp­inas, Brésil
• M.Vincent Lan­franchi, pro­fesseur des uni­ver­sités, mem­bre exam­i­na­teur, uni­ver­sité de tech­nolo­gie de Com­piègne, Lab­o­ra­toire Rober­val, Compiègne
• M.Rodolphe Le Riche, directeur de recherche CNRS, mem­bre exam­i­na­teur, Ecole des Mines de Saint-Eti­enne, Lab­o­ra­toire LIMOS, Aubière
• M.Nassim Boudaoud, maître de con­férences HDR, directeur de thèse, uni­ver­sité de tech­nolo­gie de Com­piègne, Lab­o­ra­toire Rober­val, Compiègne
• M.Benjamin Quost, maître de con­férences HDR, directeur de thèse, Lab­o­ra­toire Heudi­asyc, uni­ver­sité de tech­nolo­gie de Com­piègne, Compiègne
• Invité : M. Dirk von Wis­sel, expert méth­odes, coen­cad­rant de thèse, Renault, Guyancourt

Résumé :  

Les travaux de cette thèse con­tribuent à la con­cep­tion d’un algo­rithme de plan­i­fi­ca­tion d’une tra­jec­toire de con­som­ma­tion d’énergie pour un véhicule hybride recharge­able (PHEV). Cette plan­i­fi­ca­tion min­imis­era la con­som­ma­tion totale en car­bu­rant du PHEV sur l’ensem­ble d’un tra­jet, sous con­trainte de rester robuste aux risques d’er­reurs sur les prévi­sions du besoin du con­duc­teur en énergie. Ces risques sont quan­tifiés sous la forme d’incertitudes prob­a­bilistes avec un mod­èle de régres­sion par proces­sus gaussien. Ce mod­èle est entraîné avec les don­nées d’ap­pren­tis­sage qui con­ti­en­nent les con­som­ma­tions et les con­di­tions de roulage mesurées par le PHEV. Or, ces don­nées d’apprentissage sont sou­vent incom­plètes et bruitées. Pour garan­tir la fia­bil­ité du mod­èle, une grande par­tie de nos travaux a été dédiée à la réduc­tion des incer­ti­tudes dues aux don­nées rares ou de mau­vaise qual­ité à l’aide de con­nais­sances physiques. Nous pro­posons trois méth­odes qui peu­vent être com­binées. La pre­mière est une esti­ma­tion en ligne de la masse du véhicule qui aug­mente les vari­ables descrip­tives disponibles pour prédire la demande énergé­tique du con­duc­teur. La sec­onde aug­mente l’ap­pren­tis­sage du mod­èle de con­som­ma­tion avec des don­nées sup­plé­men­taires inter­val­listes virtuelles issues de la physique. Le troisième améliore le mod­èle de con­som­ma­tion en pro­posant un mod­èle mixte cou­plant un mod­èle d’in­cer­ti­tude et un mod­èle physique linéaire puis cor­rèle l’es­ti­ma­tion des con­som­ma­tions élec­triques et en car­bu­rant grâce à une rela­tion physique con­nue entre les sor­ties. Cette dernière archi­tec­ture de mod­èle per­met d’op­ti­miser le plan des con­som­ma­tions avec un pro­gramme qua­dra­tique très rapi­de et qui peut être embar­qué dans le PHEV. Nos travaux ont aus­si con­tribué à con­stru­ire une méth­ode de plan­i­fi­ca­tion qui anticipe une autonomie élec­trique robuste pour que le PHEV puisse cir­culer comme un véhicule élec­trique dans une « zone à zéro-émis­sion » régle­men­taire (sans utilis­er le moteur à com­bus­tion interne). Même si la méth­ode exposée a été con­stru­ite autour d’une appli­ca­tion dans le domaine de véhicule hybride, ces con­tri­bu­tions ont été conçues dans la per­spec­tive de servir à une prob­lé­ma­tique plus glob­ale, qui est d’op­ti­miser le fonc­tion­nement d’un pro­duit indus­triel en maîtrisant les risques de non-conformité. 

Mots clefs : plan­i­fi­ca­tion énergé­tique, prob­a­bil­ité, incer­ti­tudes, appren­tis­sage sta­tis­tique, proces­sus gaussiens, opti­mi­sa­tion robuste, véhicule hybride recharge­able, zones à zéro-émission.