• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2023ULILB009
• Type de thèse : Doctorat
• Date de soutenance : 03/04/2023

Résumé en langue originale

Les technologies des véhicules automatisés se développent rapidement et sont deplus en plus présentes dans notre vie quotidienne pour créer des systèmes de trans-port entièrement connectés. Les constructeurs automobiles équipent à présent lesderniers modèles de véhicules de certaines fonctions d'aide à la conduite. Les avan-tages potentiels de ces véhicules incluent la réduction des collisions, l'atténuationdes embouteillages, la réduction de la consommation de carburant, et une flexibil-ité accrue pour les personnes qui n'ont pas accès aux transports. Pour permettrel'automatisation de ces fonctions, il est nécessaire de disposer de données relativesà la détection d'obstacles, la configuration de la route et l'environnement.L'objectif de cette étude est d'examiner l'adaptabilité et l'aptitude du modèle decommunication de la feuille de branche de chaîne (Chain Branch Leaf-CBL) dansles systèmes coopératifs et d'examiner son impact sur les réponses de la circula-tion. De plus, la recherche vise à déterminer le rôle des unités en bord de route etl'efficacité de la perception à plusieurs niveaux dans la prévention des risques. Lebut ultime de cette recherche est d'améliorer la communication et la collaborationentre les véhicules conventionnels et autonomes, ce qui se traduira par une circu-lation plus sûre et plus efficace.Dans cette thèse, nous avons étudié l'utilisation d'une architecture et des stratégiesde communication adaptées pour améliorer la qualité de service en utilisant les in-formations des véhicules entourant l'égo véhicule. Nous avons proposé le conceptde Chain Branch Leaf-Gateway Clustering pour réaliser une topologie optimaled'unité de bord de route-UBR assurant une haute qualité et continuité de service.Nous avons également étudié la perception multi-niveau pour estimer les risquesde collision multi-niveau (local, local étendu, branche étendu et global).Par la suite, nous utilisons les métriques (Time to collision (TTC), Time TimeHeadway (TH), Distance of Gruyer (DG), Risk estimator with uncertainties andmultidimensional model (RIMUM)). Pour estimer les quatre risques de collision(étendus) dans des conditions optimales avec une localisation et une perceptionparfaites, et la situation d'incertitude de la perception avec une localisation par-faite. Les résultats montrent que les risques étendus permettent une meilleureanticipation de la collision que le risque local.De plus, nous avons développé une nouvelle version étendue du modèle Chainbranch leaf-Gateway (CBL-G), qui s'avère plus efficace en termes de couverture.L'architecture hiérarchique du modèle nous permet de calculer les risques de col-lision avec une plus grande précision. La classification en différents niveaux derisque nous permet de identifier les situations potentiellement dangereuses. Dans nos projets de recherche futurs, nous planifions d'étudier d'autres situationstelles que les intersections routières, les sorties et les entrées d'autoroutes ainsique les ronds-points. De plus, nous aimerions explorer les cas dans lesquels il est impossible de localiser les nœuds à travers la chaîne en passant à travers des tun-nels et élaborer des indicateurs de risque qui explorent tous les composants clés(véhicule ego, conducteur, obstacle, route et environnement).

Résumé traduit

The use of automated vehicle (AV) technologies such as self-driving cars is becoming more prevalent in daily life. These technologies aim to create fully- connectedtransportation systems, still there are concerns that remain unaddressed. Studieshave shown that AVs can reduce collisions, ease traffic congestion, and providetransportation options for those who lack access. Yet, car manufacturers havealready implemented certain automated features in their vehicles. One importantaspect of AVs is improving communication between the vehicle and roadside.The objective of this study is to investigate the adaptability and suitability of theChain branch leaf (CBL) communication model in cooperative systems to exam-ine its impact on traffic responses. Additionally, the research aims to determinethe role of Roadside Units and the effectiveness of multi-level perception in riskmitigation. The ultimate goal of this research is to improve communication andcollaboration between autonomous vehicles leading to safer and more efficient traf-fic flow.This thesis focuses on the estimation of obstacle attributes, the road, and theego-vehicle to improve the quality of service on the road through communication,localization, and perception functions. We propose architectures and communica-tion strategies that will take into account the information of surrounding vehiclesto optimize coverage and estimate collision risk at different levels including local,extended local, extended branch, and global.Subsequently, we use the most relevant metrics (Time to Collision (TTC), TimeHeadway (TH), Distance of Gruyer (DG), RISK (R), Risk estimator with Uncer-tainties and Multidimensional model (RIMUM)), to estimate the four (extended)collision risks. In optimal conditions first with perfect location and perception,and then the uncertainty scenario of perception with perfect location. Resultsshow that the extended risks allow better anticipation of the collision than thelocal risk.Furthermore, we have developed a new extended version of the Chain branch leaf-Gateway (CBL-G) model, which proves to be more efficient in terms of coverage.The hierarchical architecture of the model allows us to calculate collision riskswith greater accuracy. The different levels of risk allow us to identify potentiallydangerous situations earlier, which is considered to be very relevant for incidentprevention.In our future research projects, we plan to study other situations such as roadintersections, highway exits, and entrances, as well as roundabouts. Additionally,we would also like to explore cases where we are unable to locate nodes throughthe chain (such as passing through tunnels). And elaborate risk indicators thatexplore all key components (ego vehicle, driver, obstacle, road, and environment).