Contrôle partagé adaptatif et élaboration de stratégies de conduite personnalisées pour le véhicule automatisé : une approche par apprentissage progressif - Laboratoire d’Automatique, de Mécanique et d’Informatique Industrielles et Humaines Access content directly
Theses Year : 2023

Adaptive shared control and personalized Driving strategy development for automated vehicles : a progressive learning approach

Contrôle partagé adaptatif et élaboration de stratégies de conduite personnalisées pour le véhicule automatisé : une approche par apprentissage progressif

Abstract

Autonomous driving technology is attracting increasing interest from automobile manufacturers, researchers, authorities, and the general public due to its promises in enhancing road safety, providing mobility for the elderly and individuals with reduced mobility, improving energy efficiency, and reducing emissions. However, the full deployment of these vehicles relies on their reliability in all situations, necessitating driver supervision. This raises critical questions about human-machine interaction, particularly concerning sharing control between the automated driving system and the driver, as well as conflict management.The thesis is part of the ANR-CoCoVeIA project (2019-2024), coordinated by LAMIH (Cooperation Driver-Autonomous Intelligent Vehicle). The main objective of this project is to introduce self-learning capabilities into level 2 autonomous vehicles to enhance their skills while adhering to road safety rules. The thesis focuses specifically on managing interactions between the automated system and the driver, with the goal of improving its effectiveness, enhancing driving performance, and promoting the driver's acceptance of the system.To achieve these goals, a multi-level evolutionary cooperation architecture is proposed in the first part of the thesis. This architecture aims to optimally adapt the behavior of the autonomous vehicle to a driver's preferred driving style while ensuring safe and efficient driving. The second part of the thesis delves into personalizing lane change assistance systems, using a stochastic gradient descent-based learning approach to adjust parameters based on the driver's preferences, relying on the detection of their lane change intentions.To address conflicts between the driver and the autonomous driving system, the thesis explores three robust optimal control approaches for linear time-varying parameter systems (LPV) represented in the Takagi-Sugeno (T-S) fuzzy form. The first approach focuses on adaptive shared control by real-time adjustment of a multi-objective cost function based on driver availability and risk assessment. The second approach introduces a driver's dynamic model, with parameters identified online, allowing continuous adaptation to the driver's characteristics. This model is used to develop an adaptive shared control system for lane-keeping, taking into account the neuromuscular dynamics of the driver's parameters. The final approach aims to entirely eliminate conflicts between the driver and the lane-keeping system by combining an adaptive cost function with a dynamic driver behavior model.For the design of the LPV shared controller, stability conditions for closed-loop adaptive shared control (LPV) for all three approaches are established using Lyapunov stability arguments and formulated as a linear matrix inequality (LMI) optimization problem that can be numerically solved using convex optimization algorithms. Experimental validations and user testing experiments were conducted using the SHERPA-LAMIH dynamic driving simulator to assess the acceptability of these approaches, demonstrating their effectiveness in improving safety and driving comfort and validating all of the proposed approaches.
La conduite autonome suscite un intérêt croissant auprès les constructeurs, les chercheurs, les autorités et le grand public en raison de ses promesses en matière de sécurité routière, de mobilité pour les personnes âgées et à mobilité réduite, d'efficacité énergétique et de réduction des émissions. Cependant, le déploiement complet de ces véhicules dépend de leur fiabilité dans toutes les situations, ce qui nécessite une supervision du conducteur. Cela soulève des questions cruciales sur l'interaction homme-machine, en particulier en ce qui concerne le partage de la commande et la résolution des conflits.La thèse s'inscrit dans le cadre du projet ANR-CoCoVeIA (2019-2024) coordonné par le LAMIH (Coopération Conducteur-Véhicule Intelligent Autonome). Son objectif principal est d'incorporer des capacités d'auto-apprentissage dans les véhicules autonomes de niveau 2 pour améliorer leurs compétences en respectant les règles de sécurité routière. La thèse se concentre sur l'optimisation de l'interaction entre le système automatisé et le conducteur pour renforcer l'efficacité, améliorer les performances de conduite et favoriser l'acceptabilité du système.Pour atteindre ces objectifs, une architecture de coopération auto-adaptative à plusieurs niveaux est proposée dans la première partie de la thèse. Cette architecture vise à adapter de manière optimale le comportement du véhicule autonome à un style de conduite préféré des conducteurs tout en garantissant une conduite sécuritaire et efficace. Une deuxième partie de la thèse se penche sur la personnalisation des systèmes d'assistance au changement de voie, utilisant une approche d'apprentissage basée sur la descente de gradient stochastique pour ajuster les paramètres en fonction des préférences du conducteur, en se basant sur la détection de ses intentions de changement de voie.Pour résoudre les conflits entre le conducteur et le système de conduite autonome, la thèse explore trois approches de commande optimale robuste pour les systèmes linéaires à paramètres variants (LPV) représentés sous la forme floue Takagi-Sugeno (T-S). La première approche se concentre sur le contrôle partagé adaptatif en ajustant une fonction de coût multi-objectif en temps réel en fonction de la disponibilité du conducteur et de l'évaluation du risque. La deuxième approche introduit un modèle dynamique du conducteur, dont les paramètres sont identifiés en ligne, permettant une adaptation continue aux caractéristiques du conducteur. Ce modèle est utilisé pour développer un système de contrôle partagé adaptatif pour le maintien de voie en tenant compte de la dynamique des paramètres neuromusculaires du conducteur.La dernière approche vise à éliminer complètement les conflits entre le conducteur et le système de maintien de voie en combinant une fonction de coût adaptative avec un modèle dynamique du comportement du conducteur.Pour la conception du contrôleur partagé LPV, les conditions de stabilité en boucle fermée du contrôle partagé adaptatif (LPV) pour les trois approches sont établies à l'aide d'arguments de stabilité de Lyapunov et formulées sous forme d’un problème d’optimisation d’inégalités matricielles linéaires (LMI) qui peuvent être résolues numériquement grâce à des algorithmes d’optimisation convexe. Des validations expérimentales et des expériences de test utilisateur ont été menées au moyen du simulateur de conduite dynamique SHERPA-LAMIH pour évaluer l’acceptabilité de ces approches, démontrant ainsi leur efficacité pour améliorer la sécurité et le confort de conduite, et validant l’ensemble des approches proposées.
Fichier principal
Vignette du fichier
OUDAINIA_Mohamed-Radjeb2.pdf (19.31 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-04466406 , version 1 (19-02-2024)

Identifiers

  • HAL Id : tel-04466406 , version 1

Cite

Mohamed Radjeb Oudainia. Contrôle partagé adaptatif et élaboration de stratégies de conduite personnalisées pour le véhicule automatisé : une approche par apprentissage progressif. Automatique / Robotique. Université Polytechnique Hauts-de-France, 2023. Français. ⟨NNT : 2023UPHF0038⟩. ⟨tel-04466406⟩
37 View
9 Download

Share

Gmail Facebook X LinkedIn More