Cadre d'apprentissage pour une voiture sur des trajets quotidiens // Learning Framework for a Commuter Car

Les systèmes avancés d'aide à la conduite (ADAS : Advanced Driver Assistance System) prennent une part toujours plus importante dans les tâches de conduite habituellement à la charge du conducteur, allant pour certaines aides à un contrôle partagé de la conduite du véhicule intelligent (VI). Étudier les styles de conduite, intégrer des informations contextuelles pour comprendre les attentes des utilisateurs et intégrer de manière fiable les paramètres gouvernants présentent des défis importants en raison de la diversité des conditions de conduite dans le réseau routier. Les travaux de thèse proposés visent à exploiter les données disponibles à bord des VI, en utilisant des méthodes d'apprentissage par ordinateur tout en combinant nos connaissances du domaine.
Le problème est de savoir comment faire correspondre les attentes des conducteurs avec le comportement du véhicule et contribuer ainsi au degré de confiance que les conducteurs doivent avoir pour adopter l'utilisation des fonctions ADAS. C'est-à-dire que le véhicule doit se comporter le plus près possible du style de conduite. Plusieurs études se sont penchées sur le style de conduite des individus pour personnaliser les systèmes d'aide à la conduite. Des travaux théoriques et expérimentaux ont montré que la perception, la prise de décision et la génération de mouvement étaient très liées lorsque l'on considère les styles de conduite. Des solutions fonctionnent bien comme démonstrateurs, par contre, ils ne se généralisent pas bien. De plus, les architectures avec des capacités d'apprentissage tout en restant opérationnelles doivent être encore développées, tirant le meilleur parti de la répétitivité des itinéraires et de la richesse des informations et données disponibles dans les véhicules modernes.
Les travaux de thèse proposés se réaliseront dans le cadre d'une convention CIFRE entre Renault et le laboratoire Heudiasyc (UMR 7253 CNRS/UTC).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Advanced driver assistance systems (ADAS: Advanced Driver Assistance System) are taking an ever-increasing role in the driving tasks usually carried out by the driver, with some aids providing shared control of the driving of the intelligent vehicle (VI). Studying driving styles, integrating contextual information to understand user expectations, and reliably integrating governing parameters present significant challenges due to the diversity of driving conditions in the road network. The proposed thesis work aims to exploit the data available on-board VIs, using computer learning methods, while combining our knowledge of the field.
The problem is how to match driver expectations with vehicle behavior, and thus contribute to the degree of confidence drivers must have to adopt the use of ADAS functions. That is to say, the vehicle must behave as close as possible to the driving style. Several studies have looked at the driving style of individuals to personalize driving assistance systems. Theoretical and experimental work has shown that perception, decision-making, and movement generation are highly related when considering driving styles. Solutions work well as demonstrators, however, they do not generalize well. Furthermore, architectures with learning capabilities while remaining operational must be further developed, making the most of the repeatability of routes and the wealth of information and data available in modern vehicles.
The proposed thesis work will be carried out within the framework of a CIFRE agreement between Renault and the Heudiasyc laboratory (UMR 7253 CNRS/UTC).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2024

Cifre

CIFRE ANRT

Université de Technologie de Compiègne

71 Sciences pour l'ingénieur

Détenteur(trice) d'un diplôme BAC+5, le candidat(e) doit avoir des compétences solides dans le domaine de la modélisation et de la robotique mobile avec un fort intérêt pour les techniques d'intelligence artificielle et les aspects de validations expérimentales. Le ou la candidat(e) doit avoir également des compétences en informatique industrielle (Matlab/Simulink, Programmation Temps réel, langage C, réseau) et une première expérience en expérimentation de systèmes mécatroniques.
Holder of a BAC+5 diploma, the candidate must have solid skills in the field of modeling and mobile robotics with a strong interest in artificial intelligence techniques and aspects of experimental validation . The candidate must also have skills in industrial computing (Matlab/Simulink, Real-Time Programming, C language, network) and initial experience in experimenting with mechatronic systems.