Thèses soutenues

Hugo Pousseur

Le 28 mars 2024 au cen­tre de trans­fert de l’UTC.

Mem­bres du jury :

• M. Michel BASSET, pro­fesseur des uni­ver­sités, mem­bre rap­por­teur Uni­ver­sité de Haute-Alsace, Insti­tut de recherche en infor­ma­tique, Mathématiques,Automatique et Sig­nal – IRIMAS, Mulhouse
• M. Philippe MARTINET, directeur de recherche mem­bre rap­por­teur INRIA Sophia-Antipo­lis Méditer­ranée, Sophia-Antipolis
• M. Valentin IVANOV, Dr-Ing. habil., mem­bre exam­i­na­teur Tech­ni­cal Uni­ver­si­ty of Ilme­nau, Ilme­nau, Allemagne
• M. Saïd MAMMAR, pro­fesseur des uni­ver­sités, mem­bre exam­i­na­teur Uni­ver­sité d’Evry Paris-Saclay, lab­o­ra­toire IBISC, Courcouronnes 
• M. Barys SHYROKAU, Asso­ciate Pro­fes­sor, mem­bre exam­i­na­teur Delft Uni­ver­si­ty of Tech­nol­o­gy, Delft, Pays-Bas
• Mme Reine TALJ, chargée de recherch­es CNRS HDR, mem­bre exam­i­na­teur Uni­ver­sité de tech­nolo­gie de Com­piègne, lab­o­ra­toire Heudi­asyc, Compiègne
• M. Hiroshi FUJIMOTO, pro­fesseur, directeur de thèse Uni­ver­si­ty of Tokyo, Chi­ba, Japon
• M. Alessan­dro VICTORINO, maître de con­férences HDR, directeur de thèse Uni­ver­sité de tech­nolo­gie de Com­piègne, lab­o­ra­toire Heudi­asyc, Compiègne

Résumé :

My the­sis focus­es on shared nav­i­ga­tion between humans and autonomous sys­tems, with a par­tic­u­lar empha­sis on com­mand fusion. This approach involves both enti­ties the human and the autonomous sys­tem, simul­ta­ne­ous­ly dri­ving the vehi­cle. This fusion process is designed to esti­mate the inten­tions of both the human and the autonomous sys­tem, ensur­ing an opti­mal fusion of their deci­sions by assess­ing each enti­ty’s deci­sion-mak­ing process. The result­ing inten­tion serves as a ref­er­ence, which can then be uti­lized by a low­er-lev­el sys­tem to con­trol the vehi­cle. The pri­ma­ry focus of my the­sis is the cre­ation of this ref­er­ence point through sev­er­al steps: The inten­tion of the autonomous sys­tem is deter­mined using a visu­al ser­vo­ing con­troller, which relies on a deep learn­ing net­work capa­ble of detect­ing lanes. For the human dri­ver, who is active­ly dri­ving and unable to express their inten­tion simul­ta­ne­ous­ly, we employ a deep learn­ing-based mod­el to pre­dict their inten­tion. Cre­at­ing this mod­el required the devel­op­ment of a dri­ving dataset using our vehi­cles and a recur­rent mod­el that incor­po­rates var­i­ous types of data. This mod­el is then inferred using the dataset. Each inten­tion is eval­u­at­ed based on spe­cif­ic cri­te­ria, includ­ing safe­ty, com­fort, and con­text, aim­ing to guide the fusion process toward select­ing the high­est-qual­i­ty inten­tion. This quan­tifi­ca­tion is based on a state analy­sis derived from real­iz­ing these inten­tions. Once these eval­u­a­tions are defined, we exe­cute the fusion of the human and autonomous sys­tem’s inputs with­in the vehi­cle. This fusion is achieved through a game the­o­ry approach, incor­po­rat­ing human author­i­ty as part of the game. The res­o­lu­tion is real­ized by Nash equi­lib­ri­um, which defines the final inten­tion. Fur­ther­more, my the­sis is part of the Euro­pean project OWheel. As part of this project, a 2‑month mis­sion was con­duct­ed in Japan in col­lab­o­ra­tion with the Uni­ver­si­ty of Tokyo.

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.