Note ABES Modélisation de la dynamique du mouvement des motocycles : combinaison des modèles théoriques et des modèles des données Motorcycle motion dynamics modeling : combining domain knowledge-based and datadriven models Modélisation des motocycles Observateur Estimation Prédiction d'accident Chute par glissade Apprentissage automatique Centrale inertielle Motorcycle modelling Observer Estimation Crash prediction Lowside Machine learning Motocyclettes Dynamique Modèles mathématiques Motocyclettes -- Accidents Dérapage Prévision Observateurs d'états (mathématiques) Estimation de paramètres Apprentissage automatique Véhicules automobiles -- Capteurs Les accidents de moto, en particulier les chutes par glissade (lowside), représentent un enjeu majeur de sécurité routière en raison de l'instabilité des véhicules à deux-roues motorisés (PTW) et de la faible protection des usagers. Cette thèse propose un cadre hybride combinant modélisation physique et apprentissage automatique pour la prédiction de ces accidents. Un modèle analytique à quatre corps, basé sur le principe de Jourdain, est développé pour représenter les dynamiques longitudinales et latérales, et un observateur d'état permet d'estimer des variables critiques non mesurables à partir des données d'une centrale inertielle (IMU). Ces estimations alimentent un algorithme de classification capable d'anticiper les chutes avec précision et dans des délais compatibles avec le déclenchement de dispositifs de sécurité, tels que les airbags. Validée sur plus de 7 000 scénarios simulés, cette approche améliore la performance et l'explicabilité des systèmes embarqués de protection des accidents. Motorcycle crashes, particularly lowsiders caused by grip loss during cornering, remain a major road safety concern due to the inherent instability of Powered Two-Wheelers (PTW) and limited rider protection. This thesis proposes a hybrid framework combining physics-based modeling and machine learning for lowside crash prediction. A four-body analytical model based on Jourdain's principle is developed to capture essential longitudinal and lateral dynamics, and a full-state observer estimates critical unmeasurable variables from an Inertial Measurment Unit (IMU) data. These estimates feed a classification algorithm that anticipates crashes with high accuracy and within time windows suitable for deploying safety systems, such as airbags. Validated on over 7 000 simulated scenarios, this approach enhances both the performance and interpretability of embedded crash protection systems. Electronic Thesis or Dissertation Text en PDF 42609670 http://www.theses.fr/2025ULILB031/abes Nzalalemba Kabwangala Tychique Nzalalemba Kabwangala 1993-09-15 CD 295101555 https://theses.fr/2025ULILB031 2025ULILB031 https://doi.org/10.70675/70cbba44z5632z47d9z90f9zcb8713d842ff 2025-11-10 Informatique, Automatique Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Belkoura Lotfi MADS_DIRECTEUR_DE_THESE_1 111055865 Hetel Laurentiu MADS_DIRECTEUR_DE_THESE_2 130560138 Petreczky Mihály MADS_DIRECTEUR_DE_THESE_3 223497665 Alkhoury Ziad MADS_DIRECTEUR_DE_THESE_4 236472933 Talj Reine MADS_PRESIDENT_DU_JURY 139600329 Ichalal Dalil MADS_MEMBRE_DU_JURY_1 142542369 Delprat Sébastien MADS_RAPPORTEUR_1 060313080 Lauer Fabien MADS_RAPPORTEUR_2 175651418 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 18388695X Association nationale de la recherche et de la technologie (France) MADS_PARTENAIRE_DE_RECHERCHE_2 026468735 Autoliv MADS_PARTENAIRE_DE_RECHERCHE_3 264544048 ddc:004 Belkoura Lotfi Hetel Laurentiu Petreczky Mihály Alkhoury Ziad Talj Reine Ichalal Dalil Delprat Sébastien Lauer Fabien École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre de Recherche en Informatique, Signal et Automatique de Lille Association nationale de la recherche et de la technologie (France) Autoliv PDF 42609670 confidentialité 2025-11-10 2030-11-30 confidentialité 2025-11-10 2030-11-30 confidentialité 2025-11-10 2030-11-30 confidentialité 2025-11-10 2030-11-30