Detection and analysis of collision risk for autonomous vehicle
Estimation et analyse de risque de collision pour un véhicule autonome
Résumé
One of the areas that has seen the greatest developments in recent years in the automotive industry is certainly ADAS (Advanced Driver-Assistance Systems), all these technologies aim to improve road safety and comfort of drivers and passengers. The autonomous vehicle must be able to perform several tasks simultaneously. The perception which consists in building a map of the environment. The decision making process decide the optimal trajectory to follow in real time. The automated driving is based on the control of the vehicle's organs (engine, brakes, steering, etc.) in order to follow a trajectory given by the decision module. The work of this thesis is part of the development of algorithms for decision making, and more precisely for lane change maneuvers on highways and expressways. The study starts with a review of the work done on risk analysis for autonomous vehicles, and also on the different algorithms for lane change decision making. A metric to evaluate the risk during lane change maneuvers is developed. This metric is built from the MOOVE database of the VEDECOM Institute for driving in real conditions. Based on the proposed risk scale, a decision-making methodology for lane change is developed. It is based on 3 successive steps: prediction of trajectories of surrounding vehicles, risk assessment from the predicted trajectories and choice of the optimal moment to start the maneuver, and finally decision making algorithm which, based on the value of risk and gain, decides to perform the lane change maneuver or not. Four algorithms have been proposed, Decision Tree, random Forest, Fuzzy Logic and Neural Network. The four algorithms have been validated in two ways. The first one is a validation on the HighD database by comparing the decisions of the algorithms to human decisions. The second is a validation on a simulator to evaluate the risk levels taken by the algorithms. From these two validations, it appears that the random forest is the algorithm that obtains the best performances.
L'un des domaines qui a vu les plus grandes évolutions ces dernières années dans l'industrie automobile est certainement ADAS (Advanced Driver-Assistance Systems), toutes ces technologies visent à améliorer la sécurité routière et le confort des conducteurs et des passagers. Le véhicule automatisé doit être capable de réaliser plusieurs tâches simultanément. La perception qui consiste à construire une carte l'environnement. La prise de décision décide de la trajectoire optimale à suivre en temps réel. La conduite automatisée s'appuie sur le contrôle des organes du véhicule (moteur, freins, direction, etc.) afin de suivre une trajectoire donnée par le module de décision. Le travail de cette thèse s'inscrit dans le développement d'algorithmes pour la prise de décision, et plus précisément pour les manœuvres de changement de voie sur autoroute et voies rapides. L'étude commence par un point sur les travaux réalisés concernant l'analyse des risques pour les véhicules autonomes, également sur les différents algorithmes pour la prise de décision pour le changement de voie. Une métrique pour évaluer le risque lors des manœuvres de changement de voie est développée. Cette métrique est construite à partir de la base de données MOOVE de l'Institut VEDECOM pour la conduite en conditions réelles. Sur la base de l'échelle de risque proposée, une méthodologie de prise de décision pour le changement de voie est développée. Elle repose sur 3 étapes successives : prédiction de trajectoires des véhicules environnants, évaluations des risques à partir des trajectoires prédites et choix du moment optimal pour commencer la manœuvre, et finalement algorithme de prise de décision qui, en se basant sur la valeur du risque et du gain décide de réaliser la manœuvre de changement de voie ou non. Quatre algorithmes ont été proposés, Arbre de décision, forêt d'arbres décisionnels, logique floue et réseau de neurones. Les quatre algorithmes ont été validés de deux méthodes. La première est une validation sur la base de données HighD en comparant les décisions des algorithmes aux décisions humaines. La seconde est une validation sur simulateur pour évaluer les niveaux de risque pris par les algorithmes. De ces deux validations il en ressort que la forêt d'arbres décisionnels est l'algorithme qui obtient les meilleures performances.
Origine : Version validée par le jury (STAR)