Fault tolerant coopérative localisation : use of data driven diagnosis method
Localisation coopérative tolérante aux fautes : apport de l’apprentissage pour le diagnostic
Abstract
Autonomous and connected mobility has become a major socio-economic
challenge. However, the safety and security of autonomous vehicles are barriers
to the deployment of this type of vehicle. In this context, the aim of this thesis
is to contribute to the development of sensor fault diagnosis methods, and to
implement inter-vehicle cooperation to improve the localization performance
of these autonomous vehicles.
Concerning the diagnostic aspect, we propose to couple both model- and
data-based techniques to produce a sensor fault-tolerant cooperative localization
solution. Given the stochastic nature of the measurements, we have chosen
the informational formalism, which provides measures of dissimilarity between
probability distributions called divergences. In this thesis, we use the Jensen-
Shannon divergence to synthesize fault indicators, the residuals. Thresholding
these residuals enables us to detect and isolate sensor faults. We have also
studied the contribution of learning to diagnostic decision-making. Two models,
one for detection and the other for isolation, were trained, using different
machine learning tools (multi-layer perceptron, decision tree and logistic regression).
Inter-vehicle cooperation has led to the implementation of a decentralized
architecture for multi-sensor data fusion and diagnosis. This inter-vehicle cooperative
aspect enables informational redundancy, contributing to improved
performance in pose estimation and diagnosis. The data generated by this architecture
has been used to implement a federated learning paradigm.
The proposed methods were developed, tested and evaluated on a set of scenarios
with real and injected sensor faults. These scenarios were created using a
database of real data acquired with a robotic platform designed during the thesis.
The PRETIL platform comprises three communicating and instrumented
robots.
La mobilité autonome et connectée est devenue un enjeu socio-économique
majeur. Cependant, la sûreté et la sécurité des véhicules autonomes sont des
freins au déploiement de ce type de véhicules. Dans ce contexte, les travaux de
cette thèse ont pour objectifs d’une part de contribuer au développement de
méthodes de diagnostic des défauts des capteurs et d’autre part de mettre en
oeuvre une coopération entre les véhicules pour améliorer les performances de
la localisation des véhicules autonomes.
Concernant l’aspect diagnostic, nous proposons de coupler des techniques
basées à la fois sur des modèles et des données afin de produire une solution de
localisation coopérative tolérante aux défauts capteurs. Étant donnée la nature
stochastique des mesures, nous avons choisi le formalisme informationnel, qui
fournit des mesures de dissimilarité entre des distributions de probabilité appelées
divergences. Dans le cadre de cette thèse, nous utilisons ainsi la divergence
de Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus.
Le seuillage de ces résidus permet alors de détecter et d’isoler les défauts des
capteurs. Par ailleurs, l’apport de l’apprentissage a été étudié pour la prise de
décision du diagnostic. Deux modèles, l’un pour la détection et l’autre pour
l’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 architecture
décentralisée pour la fusion de données multi-capteurs et le diagnostic.
Cet aspect coopératif inter-véhicules permet une redondance informationnelle
contribuant à l’amélioration des performances de l’estimation de la pose et du
diagnostic. Les données issues de cette architecture ont permis de mettre en
place un paradigme fédéré pour l’apprentissage.
Les méthodes proposées ont été développées, testées et évaluées sur un
ensemble de scénarios avec des défauts capteurs réels et injectés. Ces scénarios
ont été créés en utilisant une base de données réelles acquises à l’aide d’une
plateforme robotique conçue durant la thèse. Cet équipement de la plateforme
PRETIL est constitué de trois robots communicants et instrumentés.