Soutenance de doctorat de Aloysio Galvão Lopes : Planification de trajectoires en présence d’obstacles, prédiction et ordonnancement temps-réel
LIX (bâtiment Turing, 1 Rue Honoré d’Estienne d’Orves, F-91120 Palaiseau, France) amphithéâtre Sophie Germain, et en visioconférence
Titre intégral : Planification de trajectoires en présence d’obstacles, prédiction et ordonnancement temps-réel
Titre original : Trajectory Planning in the Presence of Obstacles, Prediction and Real-Time Scheduling
Jury
- Matthias Althoff, Professeur, TUM School of Computation, Information and Technology (Rapporteur)
- Liliana Cucu-Grosjean, Directrice de Recherche, INRIA (Rapporteure)
- Jesse Read, Professeur, École polytechnique (Examinateur)
- Frank Singhoff, Professeur des Universités, Université de Bretagne Occidentale (Examinateur)
- Éric Goubault, Professeur, École polytechnique (Directeur de thèse)
- Laurent Pautet, Professeur, Télécom Paris (Co-directeur de thèse)
- Sylvie Putot, Professeure, École polytechnique (Invitée)
Résumé
Malgré l’intérêt croissant pour les véhicules autonomes (AVs), leur fonctionnement entièrement sans conducteur reste limité. Dans ce contexte, notre recherche développe des méthodes qui permettent aux AVs de fonctionner en sécurité tout en gérant efficacement leurs ressources matérielles. Nous nous concentrons sur deux sources principales d’incertitude : (i) le comportement des véhicules environnants et (ii) les temps d’exécution variables des tâches au sein du système autonome. La première est liée à la prédiction, essentielle pour la sécurité, tandis que la seconde concerne le fonctionnement des systèmes temps réel, crucial pour une allocation efficace des ressources et des réactions rapides.
Pour aborder le problème de la prédiction, nous exploitons les avancées récentes en matière de prédiction conforme, une théorie de quantification de l’incertitude qui fournit des zones de prédiction avec des garanties probabilistes formelles. Dans ce contexte, nous introduisons ConForME, une méthode pour calculer des zones de prédiction serrées autour des prévisions multi-horizon de réseaux de neurones. ConForME fait progresser l’état de l’art en réduisant la taille des zones de prédiction de manière notable.
En nous appuyant sur ce résultat, nous proposons PROSPERS, un cadre de travail qui combine ConForME avec l’ordonnancement à criticité mixte. En alternant entre les modes de criticité sur la base de prédictions probabilistes de trajectoire, PROSPERS assure des transitions de mode sûres. Cette approche non seulement améliore l’allocation des ressources, mais comble également une lacune majeure en traitant simultanément les deux incertitudes. De plus, nous développons un algorithme de planification basé sur les Arbres à Exploration Rapide Aléatoires (RRTs) qui calcule des plans à court terme dynamiquement faisables et nous fournissons une preuve de sa complétude probabiliste.
Parallèlement à PROSPERS, nous présentons une implémentation modulaire sous ROS 2, qui est compatible avec les scénarios CommonRoad et que nous utilisons pour simuler des manœuvres de dépassement sûres. En conclusion, cette thèse offre une perspective complète sur la sécurité probabiliste et l’allocation efficace des ressources pour les AVs, ouvrant la voie à des systèmes de conduite autonome plus fiables et adaptables dans des environnements réels complexes.