Localisation coopérative tolérante aux ...
Document type :
Thèse
Title :
Localisation coopérative tolérante aux fautes : apport de l’apprentissage pour le diagnostic
English title :
Fault tolerant coopérative localisation : use of data driven diagnosis method
Author(s) :
El Mawas, Zaynab [Auteur]
Université de Lille
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Université de Lille
Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 [CRIStAL]
Thesis director(s) :
Maan El Badaoui El Najjar
Defence date :
2023-12-18
Accredited body :
Université de lille
Doctoral school :
MADIS (ED 631)
Keyword(s) :
Tolérance aux fautes
Localisation coopérative
Apprentissage machine
Véhicules autonomes et connectés
Fusion multi-capteur
Robotique.
Localisation coopérative
Apprentissage machine
Véhicules autonomes et connectés
Fusion multi-capteur
Robotique.
English keyword(s) :
Fault tolerance
Cooperative localization
Machine learning
Autonomous and connected vehicles
Multi-sensor fusion
Robotics
Cooperative localization
Machine learning
Autonomous and connected vehicles
Multi-sensor fusion
Robotics
HAL domain(s) :
Sciences de l'ingénieur [physics]
French abstract :
La mobilité autonome et connectée est devenue un enjeu socio-économiquemajeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont desfreins au déploiement de ce type de véhicules. Dans ce contexte, les travaux ...
Show more >La mobilité autonome et connectée est devenue un enjeu socio-économiquemajeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont desfreins au déploiement de ce type de véhicules. Dans ce contexte, les travaux decette thèse ont pour objectifs d’une part de contribuer au développement deméthodes de diagnostic des défauts des capteurs et d’autre part de mettre enoeuvre une coopération entre les véhicules pour améliorer les performances dela localisation des véhicules autonomes.Concernant l’aspect diagnostic, nous proposons de coupler des techniquesbasées à la fois sur des modèles et des données afin de produire une solution delocalisation coopérative tolérante aux défauts capteurs. Étant donnée la naturestochastique des mesures, nous avons choisi le formalisme informationnel, quifournit des mesures de dissimilarité entre des distributions de probabilité appeléesdivergences. Dans le cadre de cette thèse, nous utilisons ainsi la divergencede Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus.Le seuillage de ces résidus permet alors de détecter et d’isoler les défauts descapteurs. Par ailleurs, l’apport de l’apprentissage a été étudié pour la prise dedécision du diagnostic. Deux modèles, l’un pour la détection et l’autre pourl’isolation, ont été entraînés, avec différents outils de l’apprentissage machine(perceptron multi-couches, arbre de décision et régression logistique).La coopération entre les véhicules a mené à la mise en place d’une architecturedécentralisée pour la fusion de données multi-capteurs et le diagnostic.Cet aspect coopératif inter-véhicules permet une redondance informationnellecontribuant à l’amélioration des performances de l’estimation de la pose et dudiagnostic. Les données issues de cette architecture ont permis de mettre enplace un paradigme fédéré pour l’apprentissage.Les méthodes proposées ont été développées, testées et évaluées sur unensemble de scénarios avec des défauts capteurs réels et injectés. Ces scénariosont été créés en utilisant une base de données réelles acquises à l’aide d’uneplateforme robotique conçue durant la thèse. Cet équipement de la plateformePRETIL est constitué de trois robots communicants et instrumentés.Show less >
Show more >La mobilité autonome et connectée est devenue un enjeu socio-économiquemajeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont desfreins au déploiement de ce type de véhicules. Dans ce contexte, les travaux decette thèse ont pour objectifs d’une part de contribuer au développement deméthodes de diagnostic des défauts des capteurs et d’autre part de mettre enoeuvre une coopération entre les véhicules pour améliorer les performances dela localisation des véhicules autonomes.Concernant l’aspect diagnostic, nous proposons de coupler des techniquesbasées à la fois sur des modèles et des données afin de produire une solution delocalisation coopérative tolérante aux défauts capteurs. Étant donnée la naturestochastique des mesures, nous avons choisi le formalisme informationnel, quifournit des mesures de dissimilarité entre des distributions de probabilité appeléesdivergences. Dans le cadre de cette thèse, nous utilisons ainsi la divergencede Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus.Le seuillage de ces résidus permet alors de détecter et d’isoler les défauts descapteurs. Par ailleurs, l’apport de l’apprentissage a été étudié pour la prise dedécision du diagnostic. Deux modèles, l’un pour la détection et l’autre pourl’isolation, ont été entraînés, avec différents outils de l’apprentissage machine(perceptron multi-couches, arbre de décision et régression logistique).La coopération entre les véhicules a mené à la mise en place d’une architecturedécentralisée pour la fusion de données multi-capteurs et le diagnostic.Cet aspect coopératif inter-véhicules permet une redondance informationnellecontribuant à l’amélioration des performances de l’estimation de la pose et dudiagnostic. Les données issues de cette architecture ont permis de mettre enplace un paradigme fédéré pour l’apprentissage.Les méthodes proposées ont été développées, testées et évaluées sur unensemble de scénarios avec des défauts capteurs réels et injectés. Ces scénariosont été créés en utilisant une base de données réelles acquises à l’aide d’uneplateforme robotique conçue durant la thèse. Cet équipement de la plateformePRETIL est constitué de trois robots communicants et instrumentés.Show less >
English abstract : [en]
Autonomous and connected mobility has become a major socio-economicchallenge. However, the safety and security of autonomous vehicles are barriersto the deployment of this type of vehicle. In this context, the aim of this ...
Show more >Autonomous and connected mobility has become a major socio-economicchallenge. However, the safety and security of autonomous vehicles are barriersto the deployment of this type of vehicle. In this context, the aim of this thesisis to contribute to the development of sensor fault diagnosis methods, and toimplement inter-vehicle cooperation to improve the localization performanceof these autonomous vehicles.Concerning the diagnostic aspect, we propose to couple both model- anddata-based techniques to produce a sensor fault-tolerant cooperative localizationsolution. Given the stochastic nature of the measurements, we have chosenthe informational formalism, which provides measures of dissimilarity betweenprobability distributions called divergences. In this thesis, we use the Jensen-Shannon divergence to synthesize fault indicators, the residuals. Thresholdingthese residuals enables us to detect and isolate sensor faults. We have alsostudied the contribution of learning to diagnostic decision-making. Two models,one for detection and the other for isolation, were trained, using differentmachine learning tools (multi-layer perceptron, decision tree and logistic regression).Inter-vehicle cooperation has led to the implementation of a decentralizedarchitecture for multi-sensor data fusion and diagnosis. This inter-vehicle cooperativeaspect enables informational redundancy, contributing to improvedperformance in pose estimation and diagnosis. The data generated by this architecturehas been used to implement a federated learning paradigm.The proposed methods were developed, tested and evaluated on a set of scenarioswith real and injected sensor faults. These scenarios were created using adatabase of real data acquired with a robotic platform designed during the thesis.The PRETIL platform comprises three communicating and instrumentedrobots.Show less >
Show more >Autonomous and connected mobility has become a major socio-economicchallenge. However, the safety and security of autonomous vehicles are barriersto the deployment of this type of vehicle. In this context, the aim of this thesisis to contribute to the development of sensor fault diagnosis methods, and toimplement inter-vehicle cooperation to improve the localization performanceof these autonomous vehicles.Concerning the diagnostic aspect, we propose to couple both model- anddata-based techniques to produce a sensor fault-tolerant cooperative localizationsolution. Given the stochastic nature of the measurements, we have chosenthe informational formalism, which provides measures of dissimilarity betweenprobability distributions called divergences. In this thesis, we use the Jensen-Shannon divergence to synthesize fault indicators, the residuals. Thresholdingthese residuals enables us to detect and isolate sensor faults. We have alsostudied the contribution of learning to diagnostic decision-making. Two models,one for detection and the other for isolation, were trained, using differentmachine learning tools (multi-layer perceptron, decision tree and logistic regression).Inter-vehicle cooperation has led to the implementation of a decentralizedarchitecture for multi-sensor data fusion and diagnosis. This inter-vehicle cooperativeaspect enables informational redundancy, contributing to improvedperformance in pose estimation and diagnosis. The data generated by this architecturehas been used to implement a federated learning paradigm.The proposed methods were developed, tested and evaluated on a set of scenarioswith real and injected sensor faults. These scenarios were created using adatabase of real data acquired with a robotic platform designed during the thesis.The PRETIL platform comprises three communicating and instrumentedrobots.Show less >
Language :
Français
ANR Project :
Collections :
Source :