BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//wp-events-plugin.com//7.2.3.1//EN
TZID:Europe/Paris
X-WR-TIMEZONE:Europe/Paris
BEGIN:VEVENT
UID:564@cran.univ-lorraine.fr
DTSTART;TZID=Europe/Paris:20240919T140000
DTEND;TZID=Europe/Paris:20240919T170000
DTSTAMP:20240913T142709Z
URL:https://www.cran.univ-lorraine.fr/events/soutenance-de-these-hichem-be
 ssafa/
SUMMARY:Soutenance de thèse Hichem Bessafa
DESCRIPTION:Titre : \nAlgorithmes Avancés d'Estimation pour des Applicat
 ions aux Véhicules Autonomes et Connectés\nRésumé : \n\nCette thèse
  se concentre sur le développement d'algorithmes d'estimation avancés po
 ur les véhicules autonomes. Elle commence par un panorama détaillé des 
 différents systèmes de contrôle des véhicules et des dispositifs d'ass
 istance à la conduite\, préparant ainsi la discussion sur les modèles d
 ynamiques et cinématiques des véhicules. Nous examinons ensuite deux typ
 es d'observateurs : les observateurs classiques basés sur des modèles et
  ceux issus de l'apprentissage automatique\, en analysant leur littératur
 e et leurs applications en robotique et pour les véhicules. Notre recherc
 he introduit plusieurs contributions innovantes. Tout d'abord\, une métho
 de d'estimation par intervalle en temps fini est proposée pour les systè
 mes linéaires à paramètres variables (LPV) en temps discret. Elle est a
 ppliquée à la dynamique latérale des véhicules\, permettant d'estimer 
 le dérapage en présence d'incertitudes liées à la rigidité en courbe.
  Ensuite\, un observateur neuro-adaptatif combinant réseaux neuronaux et 
 apprentissage concurrent est développé pour estimer les forces inconnues
  dans le modèle longitudinal du véhicule. Nous présentons également un
  observateur à grand gain généralisé\, intégrant des conditions d'in
 égalités matricielles linéaires (LMI) et une contrainte de seuil sur le
  paramètre de grand gain. Cet observateur\, conçu pour prendre en compte
  des mesures supplémentaires\, garantit la stabilité entrée-état (ISS)
  face au bruit de mesure et s'adapte aux systèmes non canoniques grâce 
 à une transformation de sortie et une modélisation augmentée. Enfin\, n
 ous validons nos approches à travers des simulations poussées sur le sim
 ulateur CARLA et en utilisant le jeu de données KITTI pour l'estimation d
 e trajectoires. Les résultats montrent une amélioration considérable en
  termes de précision\, rapidité de convergence et robustesse par rapport
  aux méthodes traditionnelles\, démontrant ainsi le potentiel des techni
 ques proposées pour optimiser les performances des véhicules autonomes.\
 nJury :\nPrésidente :\nCatherine Bonnet\, DR Inria Saclay\nRapporteurs:\n
 - Angelo Alessandri\, Professeur à l'université de Gênes\n- Thierry-Mar
 ie Guerra\, Professeur à l'université Polytechnique Hauts-de-France\nExa
 minateurs :\n- Redouane Khemmar\, Enseignant-chercheur (HDR) à l'ESIGELEC
  de Rouen\n- Zehor Belkhatir\, Lecturer\, Université de Southampton\, au 
 Royaume Uni\n- Michel Zasadzinski\, Professeur à l'université de Lorrain
 e\nDirecteurs de thèse :\n- Cédric Delattre\, Maître de Conférences à
  l'université de Lorraine\n- Ali Zemouche\, Maître de Conférences à l'
 université de Lorraine\n\n
CATEGORIES:Département CID,Soutenances thèses et HDR
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:DAYLIGHT
DTSTART:20240331T030000
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
END:DAYLIGHT
END:VTIMEZONE
END:VCALENDAR