Predicting vehicle intentions for autonomous driving using artificial intelligence
Prédiction des intentions des véhicules pour la conduite autonome en utilisant l'intelligence artificielle
Résumé
The current challenge for car manufacturers is to allow to the autonomous vehicle to run reliably on the road, in real traffic conditions and on non-specific infrastructures, without driver intervention. Its proper functioning will strongly depend on the level of security of the equipment, the quality of the software and the reliability of the information used by the embedded intelligence.The autonomous car shares the road with different types of vehicles such as trucks, cars and motorcycles, which surrounds it with an uncertain and changing environment. To ensure safe driving in such environment, the system must be able to anticipate the future motion of surrounding vehicles. The prediction of intentions is the best solution for anticipating the motions of other road users.In this context, several difficulties must be overcome to ensure coexistence between autonomous vehicles and traditional vehicles. The adoption of an intelligent method for the prediction of intentions is essential. As part of this thesis, maneuver classification models, trajectory prediction and decision making are implemented. In addition, the proposed approaches are based on machine learning. This type of approach requires a large amount of data including a variety of scenes, several vehicular datasets are used in this work. The objective is to have a long-term prediction by ensuring the best precision of the predicted trajectory and by anticipating the completion of the maneuver in advance. This work therefore has a strong experimental component with measurement campaigns on Vedecom test vehicles. These tests allowed the validation of the proposed learning methods with real data.
Le défi actuel des constructeurs automobiles est de permettre au véhicule autonome de rouler sur la route d’une manière fiable, dans des conditions de circulation réelles et sur des infrastructures non spécifiques, sans l'intervention du conducteur. Son bon fonctionnement dépendra fortement du niveau de sécurité de l'équipement, de la qualité du logiciel et de la fiabilité des informations utilisées par l'intelligence intégrée.La véhicule autonome roule sur la route avec différents types de véhicules tels que les camions, les voitures et les motos ; ce qui l’entoure d’un environnement incertain et en plein de changement. Pour garantir la sécurité de la conduite autonome dans un tel environnement, le véhicule autonome doit pouvoir anticiper le mouvement futur des véhicules adjacents. La prédiction des intentions est la solution pour anticiper les mouvements de ces usagers de la route.Dans ce contexte, plusieurs difficultés doivent être surmontées pour assurer la cohabitation entre véhicules autonomes et véhicules traditionnels. L'adoption d'une méthode intelligente pour la prédiction des intentions est primordiale. Dans le cadre de cette thèse, des modèles de classification de manœuvres, prédiction de trajectoire et prise de décision sont mises en œuvre. En outre, les approches proposées sont basées sur l’apprentissage automatique. Ce type d’approche nécessite une large quantité de données incluant une variété de scènes, plusieurs jeux de données véhiculaires sont utilisés dans le cadre de cette thèse. L'objectif est d'avoir une prédiction à long-terme avec une grande précision de la trajectoire prédite et en anticipant la réalisation de la manœuvre en avance. Ce travail comporte une forte composante expérimentale avec des campagnes de mesure sur les véhicules d'essai VEDECOM. Ces essais ont permis la validation des méthodes d'apprentissage proposées avec des données réelles.
Origine : Version validée par le jury (STAR)