Soutenance de Yikai WANG (département automatique)

Les systèmes avancés d’assistance à la conduite (ADAS) ont connu un développement considérable au cours de ces dernières années. Cependant, les ADAS permettant la conduite en mode autonome sont fondés habituellement sur des règles fixes, ce qui limite d’une part leur capacité à s’adapter aux différences de comportement entre conducteurs, et d’autre part ne permet pas d’ajuster dynamiquement leur propre comportement en fonction de la situation et des préférences de ces conducteurs.

Ce manque de flexibilité peut engendrer un « désalignement de style » entre le conducteur et son système, provoquant ainsi des conflits décisionnels susceptibles d’entraîner une reprise de contrôle, ce qui peut affecter la sécurité de conduite, ainsi qu’une dégradation de la confiance et de l’acceptabilité du système.

Dans ce contexte, le projet CoCoVéIA, financé par l’Agence Nationale de la Recherche (N° ANR-19-CE22-0009-01) et porté par le LAMIH UMR CNRS 8201, a vu le jour.

Le projet précédent, CoCoVeA, avait déjà développé un contrôleur de niveau 2 reposant sur un mécanisme de conduite partagée. Sur cette base, CoCoVéIA introduit un mécanisme d’auto-apprentissage des préférences de conduite du conducteur, en exploitant les conflits décisionnels entre celui-ci et son ADAS comme principale source de données.

Les travaux de cette thèse portent principalement sur la conception, le développement et la validation d’un modèle de préférences de conduite, basé sur des technologies en intelligence artificielle, et permettant le contrôle d’un véhicule en mode autonome et l’adaptation progressive de ce modèle aux préférences du conducteur.

Sur le plan méthodologique, la recherche a commencé par une pré-expérimentation avec des conducteurs permettant d’identifier les paramètres liés aux préférences de conduite, i.e. les comportements des conducteurs en terme d’action face à une situation particulière à gérer.

L’analyse des données a permis de définir les paramètres de la situation à prendre en compte comme entrées du modèle de préférences, et les paramètres de comportement à prendre en compte comme sorties de ce modèle. Différents algorithmes d’apprentissage de   réseaux de neurones ont été testés avec les jeux de données obtenus lors des pré-expérimentations.

A partir des algorithmes retenus, un réseau est ensuite entraîné avec un ensemble de données important afin d’obtenir un modèle initial permettant la commande du véhicule.

Après validation du comportement de ce modèle lors d’une utilisation en ligne, un volume restreint de nouvelles données représentant de nouvelles préférences permet d’ajuster ce modèle, permettant ainsi l’apprentissage de nouvelles préférences de conduite.

Les expérimentations menées sur simulateur de conduite ont validé l’efficacité de l’approche proposée. Les résultats montrent que la combinaison d’une architecture du réseau de neurones de type Transformer et de la technique de fine-tuning permet d’apprendre efficacement de nouvelles préférences de conduite à partir d’un volume limité de données, assurant ainsi une adaptation rapide du système aux préférences de conduite individuelles.

Rapporteures :

• Mme Lydie NOUVELIERE, Professeure des Universités, Université de Saint-Étienne
• Mme Naïma AITOUFROUKH-MAMMAR, Maître de Conférences HDR, Université d’Évry Val d'Essonne

Examinateurs :

• M. Jimmy LAUBER, Professeur des Universités, Université Polytechnique Hauts-de-France
• M. Jean-Christophe POPIEUL, Professeur des Universités, Université Polytechnique Hauts-de-France
• M. Bernard RIERA, Professeur des Universités, Université de Reims

Directeur de thèse :

• M. Serge DEBERNARD, Professeur des Universités, Université Polytechnique Hauts-de-France