14:00
18:00

Soutenance de thèse de Imed Ghnaya (département M2F, équipe DART)

Les Systèmes de Transport Intelligents Coopératifs (C-ITS) jouent un rôle essentiel pour orienter la mobilité future vers des routes plus autonomes, efficaces et sécurisées. Ces systèmes utilisent les technologies de l’information et de la communication, comme l'analyse de données, la norme ITS-G5 de l'Institut Européen des Normes de Télécommunication (ETSI), et le système cellulaire C-V2X, pour améliorer la sécurité routière et la fluidité du trafic. Au cœur de ces systèmes se trouve le concept de Perception Coopérative (CP), qui permet aux véhicules autonomes connectés (CAV) de partager les données collectées par leurs propres capteurs tels que les caméras, les lidars et les radars, avec d'autres véhicules et et l'infrastructure. Cette coopération est rendue possible grâce à l’échange de messages de perception poopérative (CPM) via la communication V2X.

S’appuyant sur le concept de CP, la Perception Coopérative et Augmentée (CAP) améliore considérablement les capacités de perception des CAVs. Un aspect clé du développement de cette dernière est son intégration dans l'infrastructure, équipant des entités de trafic telles que les unités de bord de route ou Road side Units (RSUs), les feux de signalisation et les panneaux routiers de capteurs avancés. Ces capteurs élargissent non seulement les capacités de perception, mais partagent également des informations supplémentaires avec les CAVs, facilitant ainsi un traitement et une fusion avancés des données coopératives pour améliorer la qualité de l’information. Ce processus, appuyé par les technologies de calcul en périphérie (Edge computing) et dans le cloud, favorise une compréhension plus complète de l'environnement de conduite.

L'objectif principal de la CAP est d’augmenter la conscience des objets pour les CAVs, en particulier dans des environnements complexes et variés. Cependant, réaliser pleinement son potentiel et garantir son fonctionnement continu rencontre des défis significatifs. Parmi ces défis, la gestion et le filtrage du volume croissant de données de perception à échanger via les réseaux V2X représentent un enjeu majeur. Ces données, souvent contenant des informations inexactes, non pertinentes et redondantes, risquent de surcharger le canal de communication et d’entraîner une congestion accrue. Cela peut entraîner l’incapacité à échanger des données pertinentes pour la sécurité des opérations des CAVs, ainsi qu'une perte d'informations dans le réseau, réduisant ainsi leur conscience de l'environnement.

Motivée par la nécessité de surmonter ces défis, cette thèse se concentre sur l’amélioration de la résilience de CAP du point de vue des réseaux et de la communication, en exploitant des avancées récentes en matière d'Apprentissage par Renforcement Profond (DRL) pour des comportements adaptatifs dans divers scénarios complexes avec des conditions fluctuantes.

Amphi LaBRI