UMR CNRS 7253

Manuscrit disponible sur HAL.
Encadrement par Véronique Cherfaoui et Philippe Bonnifait, financé par une bourse CNRS.

Afin de naviguer de manière sure et confortable, les véhicules intelligents nécessitent une perception très fiable de leur environnement d’évolution. Les capteurs embarqués étant nécessairement limités en portée et leur champ de vue pouvant faire l’objet d’occultations, une solution émergente est la perception coopérative~: les véhicules partagent leur perception avec les autres véhicules par des moyens de communication sans-fil.

Les véhicules intelligents peuvent ainsi communiquer des informations complexes à travers de longues distances. Ils voient plus loin et de manière plus complète que ce que leurs capteurs leur permettent. Cependant, les informations provenant d'une source extérieure doivent être considérées avec prudence car une perception trompeuse peut entraîner une situation dangereuse. Il convient donc de limiter au maximum les sources de dégradation de l'intégrité de l'information dans le système coopératif. Dans cette thèse, nous étudions ces sources et nous proposons des méthodes adaptées pour les gérer et éviter leur propagation. Nos travaux se concentrent en particulier sur la fusion d'objets pistés, la représentation des zones couvertes par les systèmes de perception et la gestion de la confiance imputable aux autres agents communicants.

Afin d’éviter de sous-estimer l’incertitude liée à l'état des objets perçus, nous étudions des filtres de fusion de données capables de gérer les boucles d’information, induites par les échanges. Nos résultats sur données simulées montrent qu’un filtre à intersection de covariance partitionnée est une méthode adaptée à ce problème. Couplée à la méthodologie de réglage des paramètres que nous proposons, cette méthode peut également être plus performante que d’autres plus classiques.

Ensuite, nous présentons un formalisme permettant de représenter les zones couvertes par chaque capteur et les zones vues comme libres afin de mieux fusionner les objets détectés. C'est le concept de grilles de détectabilité évidentielles, basé sur la théorie des fonctions de croyance. Ces grilles de détectabilité permettent de fusionner plusieurs points de vue pour obtenir une représentation globale de l’environnement tout en gérant explicitement les incertitudes.

Finalement, nous proposons une méthode pour que chaque véhicule élabore un indice de confiance sur les autres agents coopératifs. Elle se base sur un arbre évidentiel combinant plusieurs éléments de preuve comme la cohérence et la concordance des informations reçues. L’indice de confiance est ensuite utilisé pour que chaque véhicule combine de façon fiable les information perçues localement avec celles transmises par les autres véhicules.

Les performances de la méthode globale de perception coopérative sont évaluées sur des données réelles obtenues à l’aide de trois véhicules expérimentaux équipés de capteurs LiDAR omnidirectionnels. Les jeux de données correspondants sont rendus publics à la communauté scientifique.

Localisation de véhicule par LiDAR 3D et carte vectorielle : développement d'un détecteur et modèle d'observation de passage piéton.