Localisation coopérative tolérante aux fautes : apport de l’apprentissage pour le diagnostic

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 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.