En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Thèse de doctorat H/F: Couplage de modèles dynamiques avec de l'apprentissage de paramètres pour la fusion de données à haute intégrité: vers une autonomie améliorée des véhicules intelligents.

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : mardi 24 mai 2022

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR7253-JOEALH-002
Lieu de travail : COMPIEGNE
Date de publication : mercredi 13 avril 2022
Nom du responsable scientifique : Joelle Al Hage (directrice) et Jean-Benoist Leger (Co-directeur)
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2022
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Contexte:
Le contexte de cette thèse est celui de la navigation des véhicules autonomes. Il s'agit de véhicules qui peuvent percevoir leur environnement, l'interpréter sans aucune interaction humaine, interagir avec les autres véhicules par des échanges de messages et qui doivent prendre des décisions sûres pour accomplir une mission. Cependant, jusqu'à présent, il n'existe aucune solution capable de fonctionner de manière autonome dans différents environnements sans intervention humaine. Le problème d'intégrité conduisant à la sécurité des véhicules autonomes freine leur déploiement. La notion d'intégrité est de grande importance lorsque la navigation autonome présente des risques d'accidents. Pour cela, une estimation d'état précise et intègre est nécessaire.
Cette thèse s'inscrit dans le cadre du projet ANR-JCJC ToICaR. Un post-doctorant travaillera sur ce projet et une collaboration étroite sera menée avec cette thèse pour étendre l'approche à un système multi-robot collaboratif.

Résumé du sujet de thèse :
Cette thèse vise à étudier la sûreté des véhicules autonomes du point de vue de l'intégrité des estimations (de poses en particulier). Cependant, cette notion est largement corrélée à la méthode d'estimation utilisée et aux hypothèses retenues. En effet, dans un système mettant en œuvre différents capteurs, le problème d'estimation d'état se réalise à travers la fusion des données reçues souvent via un filtre de Kalman (KF). Ce filtre est bien adapté à une mise en œuvre en temps réel mais s'applique aux systèmes linéaires ou linéarisés sous l'hypothèse de bruits blancs centrés et gaussiens.
Le premier objectif de cette thèse consiste à améliorer l'estimation d'état en évitant les hypothèses classiques tout en gardant un aspect temps réel. Les approches bayésiennes seront privilégiées compte tenu de leur bonne adaptation aux études statistiques. Nous avons récemment étudié l'utilisation du filtre de Student pour la fusion de données multi-capteurs dans un environnement urbain [1]. Cette étude sera poursuivie dans cette thèse et une attention particulière sera portée à la non-linéarité. En revanche, le couplage de plusieurs méthodes d'estimation permet de tirer profit de chacune. Par exemple, les méthodes ensemblistes peuvent être considérées comme complémentaires des méthodes bayésiennes car elles sont bien adaptées pour borner les erreurs [2] [3]. Pour les robots autonomes, notre objectif est de profiter de ces deux représentations afin de résoudre le problème de la sous-estimation de la valeur d'incertitude, qui se produit généralement avec le KF, et de la surestimation, qui se produit généralement avec les méthodes ensemblistes.
D'autre part, la contribution de la stratégie d'apprentissage des paramètres (matrice de covariance, degrés de liberté, seuil de détection de défaut, amplitude de défaut) à la méthode d'estimation d'état sera étudiée en termes de précision et d'intégrité. De plus, l'un de nos objectifs est que l'approche d'apprentissage puisse se réaliser avec une vérité terrain incomplète (par exemple, vérité terrain disponible sur une partie de la trajectoire). Dans ce but, nous nous dirigeons vers des méthodes de type EM [4] ou processus à bruit elliptique [5]. Cependant, nous pensons que le maintien d'un modèle paramétrique du système, avec des modèles d'état et d'observations connus, aidera à comprendre son comportement physique et simplifiera l'étape d'apprentissage. Cela conduira à une nouvelle adaptation des méthodes existantes.
Même si le choix de la méthode d'estimation joue un rôle crucial dans la conception d'un système intègre, ces méthodes ne sont pas capables de gérer certains types d'erreurs de manière autonome (résultant de mesures erronées de capteurs). Pour cette raison, un aspect de tolérance aux défauts capteurs doit être ajouté. La plupart des travaux dans le domaine de la fusion de données multi-capteurs se dirigent vers l'exclusion des défauts [6]. Cependant, dans certains cas, il est préférable d'utiliser des mesures erronées plutôt que de les isoler. Par conséquent, le paradigme d'identification et de correction des défauts semble plus adapté dans de telles situations.

La thèse s'appuiera sur des données réelles à acquérir sur les véhicules robotisés du laboratoire Heudiasyc. Ces véhicules sont équipés de différents capteurs : récepteurs GNSS (Global Navigation Satellite System), odométrie, Lidars, caméras standards et événementielles. Des cartes haute définition sont également disponibles.

Références:
[1] J. Al Hage, P. Xu, and P. Bonnifait, “Student's $ t $ Information Filter with Adaptive Degree of Freedom for Multi-Sensor Fusion,” in 2019 22th International Conference on Information Fusion (FUSION), 2019, pp. 1–8.
[2] L. Sun, H. Alkhatib, B. Kargoll, V. Kreinovich, and I. Neumann, “A new Kalman filter model for nonlinear systems based on ellipsoidal bounding,” arXiv preprint arXiv:1802.02970, 2018.
[3] C. Combastel, “Merging Kalman filtering and zonotopic state bounding for robust fault detection under noisy environment,” IFAC-PapersOnLine, vol. 48, no. 21, pp. 289–295, 2015.
[4] N. Sammaknejad, Y. Zhao, and B. Huang, “A review of the Expectation Maximization algorithm in data-driven process identification,” Journal of Process Control, vol. 73, pp. 123–136, Jan. 2019, doi: 10.1016/j.jprocont.2018.12.010.
[5] J. Ko and D. Fox, “Learning GP-BayesFilters via Gaussian process latent variable models,” Autonomous Robots, vol. 30, no. 1, pp. 3–23, 2011.
[6] J. Al Hage, M. E. El Najjar, and D. Pomorski, “Multi-sensor fusion approach with fault detection and exclusion based on the Kullback–Leibler Divergence: Application on collaborative multi-robot system,” Information Fusion, vol. 37, pp. 61–76, Sep. 2017, doi: 10.1016/j.inffus.2017.01.005.

Contexte de travail

Laboratoire Heudiasyc, UMR CNRS7253-université de technologie de Compiègne (UTC).
Équipe de recherche : SyRi
Site web : https://www.hds.utc.fr/
Cette thèse s'inscrit dans le cadre du projet ANR JCJC ToICar: https://toicar.hds.utc.fr/
De même, cette thèse s'inscrit dans le cadre du laboratoire commun SIVALab (laboratoire commun Renault/Heudiasyc/CNRS).

Contraintes et risques

Aucun

Informations complémentaires

Possibilité de faire des vacations en enseignement à l'Université de Technologie de Compiègne.
Possibilité d'une mobilité à l'étranger (Royaume-Uni).

On en parle sur Twitter !