ArtISMo — Algorithmes d'Estimation Intelligents pour la Mobilité Intelligente

Le développement de contrôleurs performants et fiables pour les véhicules connectés et autonomes (CAVs) nécessite la connaissance en temps réel de nombreuses variables. Des exemples de variables nécessaires pour le contrôle sont : distances longitudinales, vitesses et accélérations des véhicules à proximité ; position latérale du véhicule sur sa propre voie ; angle de lacet du véhicule ; angle de glissement ; angle de braquage ; accélération latérale ; et angle de roulis. Il y a aussi des variables environnementales qui doivent être mesurées, comme le coefficient de friction pneu-route, les plaques de neige et la présence d'obstacles inattendus. Mesurer toutes les variables ci-dessous nécessite des coûts très élevés. En effet, certaines de ces variables, telles que les angles de glissement et de roulis, peuvent être très coûteuses, nécessitant des capteurs de plusieurs milliers d’euros. Par exemple, le capteur optique « Datron » qui mesure l’angle de glissement coûte plus de 10k€. De plus, plusieurs variables ne peuvent pas être mesurées en raison de l’absence de capteurs à tout prix. Un CAV nécessite des capteurs et des actionneurs très fiables. La défaillance d’un capteur, la présence de cyber-attaques ou de manque d’information, peuvent mener à des accidents désastreux. Par conséquent, des modules fiables de diagnostic et de gestion des défauts sont nécessaires. De tels systèmes ne peuvent pas utiliser la redondance des capteurs, qui nécessite un coût élevé. Ces systèmes doivent donc s’appuyer sur des algorithmes d’estimation et une redondance analytique. Pour cela, le développement d’algorithmes d’estimation intelligents est très important. Dans ce projet, nous proposerons des idées originales et nous développerons des algorithmes d’estimations efficaces reconstruisant les variables d’état nécessaires pour le contrôle et le diagnostic. Les problèmes considérés sont le suivi de véhicules, l’estimation des défauts de capteurs et d’actionneurs, ainsi que la détection de cyber-attaques. Notre objectif est de proposé une nouvelle approche pour le suivi de véhicules dans les autoroutes ainsi que dans les routes urbaines. L’idée que nous explorerons est le développement d’observateurs non linéaires basés sur l’apprentissage. Plusieurs éléments dans un véhicule (comme les pneus) ont des modèles très complexes dont les paramètres varient dans le temps. Ce projet utilisera une approche de modélisation combinant des équations différentielles physiques et des réseaux de neurones adaptatifs basés sur l’apprentissage en ligne. En particulier, des phénomènes bien connus comme les rapports de force, le mouvement mécanique de Newton, la traînée aérodynamique, la résistance au roulement, la pente, les termes d’accélération combinés pour les accélérations latérale et de roulis et l’influence de l’angle d’inclinaison de la route seront modélisés par des équations différentielles. Les modèles de pneus pour les forces latérales et longitudinales, le cercle de frottement, les moteurs et les caractéristiques de rigidité et d’amortissement de la suspension seront modélisés par des réseaux de neurones dont les pondérations peuvent être initialement obtenus par la méthode de rétro-propagation. Les paramètres du modèle basé sur les réseaux de neurones et une partie des paramètres des équations différentielles physiques seront également mis à jour en ligne lors de l’utilisation régulière du véhicule. Des algorithmes plus sophistiqués et intelligents seront développés pour faire face aux défauts de capteurs, aux cyber-attaques et à la perte de données. Toutes les architectures complexes possibles de cyber-attaques seront étudiées. Bien que ce projet soit axé sur la recherche fondamentale, des développements expérimentaux sont au programme avec notre partenaire industriel FAAR. FAAR mettra à disposition du projet, une plateforme d’innovation haute technologie pour la validation des développements réalisés.