• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2025ULILB031
• Type de thèse : Doctorat
• Date de soutenance : 10/11/2025

Résumé en langue originale

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.

Résumé traduit

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.