Sujet de Postdoc
Titre :
Développement et validation des Algorithmes d'Estimation Intelligents pour les Véhicules Connectés et Autonomes
Dates :
2025/03/01 - 2025/08/31
Encadrant(s) :
Description :
Contexte général :
Le projet ArtISMo vise à développer des algorithmes d'estimation intelligents pour améliorer le contrôle et la sécurité des véhicules connectés et autonomes (VAC). La connaissance en temps réel de diverses variables telles que les distances, les vitesses, et les angles de mouvement est essentielle pour garantir une conduite autonome fiable et sécurisée. En effet, les véhicules autonomes doivent faire face à des incertitudes importantes, notamment des défauts de capteurs, des variations des paramètres de système (comme ceux des pneus) et des attaques potentielles. Les observateurs non linéaires permettront de reconstruire les variables d'état en temps réel, en fournissant des informations critiques pour le contrôle et le diagnostic. Cela contribuera à :
Améliorer la sécurité en estimant les états internes non mesurables, permettant ainsi une réaction rapide aux anomalies.
Optimiser la performance en ajustant dynamiquement les modèles en fonction des conditions de conduite réelles et des données recueillies en temps réel.
Faciliter l'innovation en explorant des méthodes novatrices d'apprentissage pour mieux modéliser les composants complexes du véhicule.
Objectifs :
L'objectif sera, en première phase, de développer des algorithmes d'estimation intelligents qui intègrent à la fois des approches basées sur les méthodes d'estimation issues de l'Automatique théorique classique et les techniques d'apprentissage en ligne
afin de traiter les complexités du comportement dynamique du véhicule et estimer avec précision les variables d'état nécessaires au contrôle des CAVs [1],[2], [3].
En deuxième phase, nous nous concentrerons sur l'implémentation de ces observateurs en se basant sur des données réelles pour valider leurs performances et leur robustesse dans des conditions d'opération variées. En effet, le but d'utiliser des données collectées à partir de plusieurs véhicules est de permettre l'identification des tendances et des comportements qui ne seraient pas apparents à partir des données d'un seul véhicule. Ceci rend possible l'affinement des modèles et améliore la précision des estimations en tirant parti d'un large éventail de données. Les algorithmes seront testés, d'abord, sur un simulateur 3D (CARLA) pour une première validation, et puis sur le robot mobile LIMO existant au CRAN (voir figure ci-dessous).
Un objectif majeur de ce poste sera de valoriser les travaux réalisés à travers des publications scientifiques.
Références :
[1] Jeon, W., Chakrabarty, A., Zemouche, A., & Rajamani, R. (2021). Simultaneous state estimation and tire model learning for autonomous vehicle applications. IEEE/ASME Transactions on Mechatronics, 26(4), 1941-1950.
[2] Fu, J., Wen, G., Xu, Y., Zemouche, A., & Zhang, F. (2022). Resilient cooperative control of input-constrained networked cyber-physical systems. In Security and Resilience in Cyber-Physical Systems: Detection, Estimation, and Control (pp. 267-298). Cham: Springer International Publishing.
[3] Bessafa, H., Delattre, C., Belkhatir, Z., Zemouche, A., & Rajamani, R. (2024, July). Radar sensor-based longitudinal motion estimation by using a generalized high-gain observer. In American control conference, ACC 2024.
Le projet ArtISMo vise à développer des algorithmes d'estimation intelligents pour améliorer le contrôle et la sécurité des véhicules connectés et autonomes (VAC). La connaissance en temps réel de diverses variables telles que les distances, les vitesses, et les angles de mouvement est essentielle pour garantir une conduite autonome fiable et sécurisée. En effet, les véhicules autonomes doivent faire face à des incertitudes importantes, notamment des défauts de capteurs, des variations des paramètres de système (comme ceux des pneus) et des attaques potentielles. Les observateurs non linéaires permettront de reconstruire les variables d'état en temps réel, en fournissant des informations critiques pour le contrôle et le diagnostic. Cela contribuera à :
Améliorer la sécurité en estimant les états internes non mesurables, permettant ainsi une réaction rapide aux anomalies.
Optimiser la performance en ajustant dynamiquement les modèles en fonction des conditions de conduite réelles et des données recueillies en temps réel.
Faciliter l'innovation en explorant des méthodes novatrices d'apprentissage pour mieux modéliser les composants complexes du véhicule.
Objectifs :
L'objectif sera, en première phase, de développer des algorithmes d'estimation intelligents qui intègrent à la fois des approches basées sur les méthodes d'estimation issues de l'Automatique théorique classique et les techniques d'apprentissage en ligne
afin de traiter les complexités du comportement dynamique du véhicule et estimer avec précision les variables d'état nécessaires au contrôle des CAVs [1],[2], [3].
En deuxième phase, nous nous concentrerons sur l'implémentation de ces observateurs en se basant sur des données réelles pour valider leurs performances et leur robustesse dans des conditions d'opération variées. En effet, le but d'utiliser des données collectées à partir de plusieurs véhicules est de permettre l'identification des tendances et des comportements qui ne seraient pas apparents à partir des données d'un seul véhicule. Ceci rend possible l'affinement des modèles et améliore la précision des estimations en tirant parti d'un large éventail de données. Les algorithmes seront testés, d'abord, sur un simulateur 3D (CARLA) pour une première validation, et puis sur le robot mobile LIMO existant au CRAN (voir figure ci-dessous).
Un objectif majeur de ce poste sera de valoriser les travaux réalisés à travers des publications scientifiques.
Références :
[1] Jeon, W., Chakrabarty, A., Zemouche, A., & Rajamani, R. (2021). Simultaneous state estimation and tire model learning for autonomous vehicle applications. IEEE/ASME Transactions on Mechatronics, 26(4), 1941-1950.
[2] Fu, J., Wen, G., Xu, Y., Zemouche, A., & Zhang, F. (2022). Resilient cooperative control of input-constrained networked cyber-physical systems. In Security and Resilience in Cyber-Physical Systems: Detection, Estimation, and Control (pp. 267-298). Cham: Springer International Publishing.
[3] Bessafa, H., Delattre, C., Belkhatir, Z., Zemouche, A., & Rajamani, R. (2024, July). Radar sensor-based longitudinal motion estimation by using a generalized high-gain observer. In American control conference, ACC 2024.
Mots clés :
Estimation non linéaire, Dynamique de véhicule, Apprentissage.
Conditions :
- Diplôme : doctorat en Automatique.
- Connaissances théoriques en modélisation, théorie de contrôle, théorie d'estimation, techniques d'apprentissage par machine et IA.
- Outils de développement en lien avec l'IA et l'Automatique (Matlab/Simulink, Python et /ou C++).
- Connaissances théoriques en modélisation, théorie de contrôle, théorie d'estimation, techniques d'apprentissage par machine et IA.
- Outils de développement en lien avec l'IA et l'Automatique (Matlab/Simulink, Python et /ou C++).
Département(s) :
| Contrôle Identification Diagnostic |
Financement :
Projet ANR ArtISMo