Sujet de thèse IFSTTAR

English version
Fiche détaillée :

Titre : Modélisation et simulation stochastique des capacités de réduction du risque routier par les véhicules autonomes

Laboratoire principal - Référent principal COSYS - PICS-L  -  SAINCT Remi      tél. : +33 130844049

Directeur du laboratoire principal DUMONT Eric  -

Spécialité de la thèse Statistiques, Automatique

Axe 1 - COP2017 - Transporter efficacement et se déplacer en sécurité

Site principal Versailles-Satory

Etablissement d'inscription UNIVERSITE PARIS - SACLAY

Ecole doctorale STIC - Sciences et technologies de l'Information et de la Communication

Directeur de thèse prévu SAINT PIERRE Guillaume  -  Cerema  -  DTerSO - DALETT

Co-directeur de thèse prévu GRUYER Dominique  -  Université Gustave Eiffel  -  COSYS - PICS-L

Type de financement prévu Contrat doctoral  - Ifsttar

Résumé

Description générale du sujet :

Sous l’égide de l’ONISR, le Cerema, l’Ifsttar, le LAB, le Ceesar et l’institut Vedecom, se sont associées en 2018 pour mener le projet Surca (Sécurité des usagers de la route et conduite automatisée). Il s’agit d’identifier des scénarios d’interactions entre les futurs véhicules autonomes (VA) et les autres usagers de la route (véhicules non autonomes, 2RM, piétons, cyclistes), avec notamment l’objectif d’identifier les conditions qui permettront aux VA de faire aussi bien que les conducteurs dans les conditions de conduite normales, et surtout, mieux qu’eux dans les situations accidentelles. Pour atteindre l’acceptabilité sociale, les VA devront prouver leur efficacité dans la gestion des situations accidentogènes. Or, une étude récente [Kalra & Paddock 2016] montre qu’il faudrait collecter plus de 100 millions de kilomètres, et même plus de 100 milliards pour certaines situations, pour démontrer sans ambiguïté la sécurité des véhicules autonomes. Malgré des efforts internationaux, l’industrie du VA est encore loin du compte, et il reste nécessaire d’exploiter d’autres moyens pour éclairer les performances sécuritaires du VA.

Cette proposition de thèse souhaite s’appuyer sur les récentes évolutions des outils de simulation pour modéliser le comportement d’un VA, ainsi que sur la connaissance des scénarios d’accidents les plus fréquents issus du projet Surca, pour proposer une méthode innovante de génération aléatoire de scénarios accidentogènes permettant d’évaluer l’efficacité d’un VA. La capacité de l’outil de simulation à reproduire le comportement humain, comme celui d’un VA, permettra de comparer les performances de ces deux populations en termes de gestion d’une situation accidentogène. Des milliers de variations aléatoires autour d’un même scénario, et ce pour plusieurs scénarios, permettront d’apporter la puissance statistique nécessaire à des conclusions réalistes.

La validité d’une simulation dépend de la pertinence de ses paramètres ou modèles utilisés. En particulier, il est crucial dans le cas présent de s’assurer de la représentativité des scénarios choisis (i.e. la présence de ces situations dans les BDD d’accidents, cf. projet Surca) et de leur intérêt en sécurité routière (on s’appuiera sur une littérature abondante, par exemple Brenac & Clabaux 2010). De même, l’étude des résultats tirés des expérimentations de conduite en situations naturelles (euroFOT, Udrive, ecoDriver etc.) permettra d’obtenir des distributions réalistes pour les paramètres variables au sein des scénarios. Il en sera ainsi par exemple pour les vitesses pratiquées selon le type d’infrastructure, les profils de décélération/accélération, les temps de réactions, ou les actions de contremesures effectuées.

Il sera tout aussi crucial de proposer une modélisation simplifiée mais réaliste, autant pour le conducteur humain que pour le VA. La proximité de l’équipe encadrante de l’Ifsttar avec le LaPEA (ex-LPC) et avec l’institut Vedecom permettra au candidat d’acquérir les connaissances nécessaires à ce travail. La maîtrise par l’équipe encadrante de l’Ifsttar du logiciel ProSivic permettra une modélisation fine du comportement d’un VA. Enfin, le modèle stochastique utilisé devra garantir une bonne représentativité de la réalité des situations rencontrées et être à même de générer des situations réalistes. Il est proposé d’utiliser des méthodes de type Monte Carlo, et leurs variantes stochastiques : MCMC ou adaptative importance sampling (Robert & Casella 2004).

Les résultats obtenus permettront d’une part de fournir des éléments tangibles sur l’amélioration de la sécurité routière engendrée par les VA (par exemple en comparant les accidents évités entre VA et véhicules non autonomes), mais aussi d’attirer l’attention sur des scénarios spécifiques où cette amélioration ne serait pas aussi grande qu’espérée.

Etat de l'art :

L’étude des premiers rapports d’accidents impliquant des véhicules autonomes observés lors des premières expérimentations à grande échelle menées aux Etats-Unis est un sujet majeur scruté par la communauté scientifique et industrielle (cf. Wang & Li 2019), mais les effectifs observés, de l’ordre de quelques centaines d’accidents, sont encore trop faibles pour rassurer le grand public.

La simulation, et en particulier l’outil ProSivic (conçu au LIVIC et racheté par la société ESI), est déjà un outil incontournable pour la conception et la validation des systèmes d’assistance à la conduite (ce que l’on appelle le prototypage virtuel), ou l’étude des véhicules connectés (Bounini et al. 2014).
La nécessité d’articuler le monde réel et simulé est un fait connu et documenté, dont le développement est en plein essor (Gechter et al. 2014).

La modélisation d’un VA est délicate car les développements récents sont propriétaires et confidentiels. Néanmoins, il existe des outils publics fournissant les briques de bases d’un VA (Kato et al. 2015).

Types de résultats scientifiques escomptés :
Le premier type de résultat sera d’ordre méthodologique. La modélisation d’un VA complet, associant différentes briques logicielles (détection de marquage et reconnaissance d’objets par exemple) sera un résultat majeur en soi. La méthode stochastique de simulation de scénarios réalistes à partir d’un scénario réel (ou d’une typologie de scénarios réellement observés) sera un résultat valorisable dans la communauté de la simulation de trafic.
Le second type de résultat sera d’ordre opérationnel. La capacité à générer un grand nombre de situations faisant interagir différents modules (VA, autres véhicules, éventuellement piétons) en un temps de calcul raisonnable sera un résultat en soi digne d’intérêt dans la communauté du prototypage virtuel.
Le dernier type de résultat est de l’ordre de la connaissance scientifique. La comparaison sur des milliers de situations accidentogènes réalistes, entre un véhicule piloté par un humain, et un VA, permettra d’évaluer l’ampleur des différences de capacités de gestion du risque. Ce « gain » (estimable en comptant les situations ayant générées un choc pour chaque type de véhicule) pourra être plus ou moins important selon les typologies de scénarios testés. Cela servira alors à connaître les situations les plus complexes à gérer du point de vue du VA (qui peuvent être très simples du point de vue de l’humain).
Au-delà des résultats scientifiques, l’intérêt du ministère de l’intérieur, et notamment de l’ONISR, est très fort sur ces questions. De même, les industriels nationaux dans le domaine de l’automobile seront probablement intéressés par les conclusions obtenues. Les retombées seront donc d’une part une aide à la décision pour les décideurs, et d’autre part une orientation technologique et stratégique pour les industriels du domaine.

Programme de travail envisagé pour répondre aux objectifs :
Le programme de travail s’articule autour de 6 étapes :
1. Etat de l’art des scénarios accidentogènes les plus critiques du point de vue du VA : Ce travail se fera en exploitant principalement les sorties du projet Surca (G. Saint Pierre partenaire du projet), ainsi que toute la littérature disponible (retours d’expérience des roulages de VA aux EU notamment). Cela permettra de connaître les scénarios d’interaction les plus fréquents, ainsi que les facteurs aggravants les plus significatifs (conditions météorologiques, masquages, présence d’usagers vulnérables, etc.). Cela permettra de définir les situations à simuler, ainsi que de proposer des distributions réalistes pour les paramètres d’influence.
2. Etude des méthodes stochastiques de simulation : Il s’agira pour le candidat de se familiariser avec les méthodes de Monte Carlo et leurs variantes stochastiques (MCMC notamment). Le choix éclairé des distributions des paramètres influençant le scénario permettra d’obtenir in fine, après de nombreuses itérations, une distribution de la probabilité d’accident relativement au type de véhicule et au type de scénario.
3. Prise en main et familiarisation avec le logiciel ProSivic : Cet outil complexe nécessite un investissement de fond et une localisation géographique à Versailles-Satory (localisation LIVIC et Vedecom).
4. Modélisation du système VA : Une fois familier du logiciel, le candidat devra articuler les différentes briques déjà disponibles, construire celles non encore existantes, et créer des environnements virtuels propres à chaque scénarios.
5. Implémenter le protocole de test complet, et exécuter les simulations.
6. Analyser les résultats, valoriser et communiquer.
Les étapes 1 et 2 pourront être menées la première année, les étapes 3 et 4 occuperont largement la deuxième année, la troisième année étant consacrée aux simulations proprement dites et a leur valorisation (étapes 5 et 6).

Références :
Kalra, N., & Paddock, S. (2016). Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? RAND Corporation.

Brenac T., Clabaux N., « Scénarios types d'accidents urbains n'impliquant pas de piétons et perspectives pour leur prévention. », INRETS, Département Mécanismes d'accidents, Edition : Bron : INRETS - 2010

Robert, C.P. and Casella, G. (2004) Monte Carlo Statistical Methods. Springer, New York.
Wang S, Li Z (2019) Exploring the mechanism of crashes with automated vehicles using statistical modeling approaches. PLoS ONE 14(3): e0214550.
BOUNINI F., GINGRAS D., LAPOINTE V., GRUYER D., "Real-time simulator of collaborative autonomous vehicles", IEEE Int. Conf. on Advances in Computing, Comm. and Informatics ICACCI, Greater Noida, India, pp. 723 - 729, September 2014.
Gechter, F., Dafflon, B., Gruer, P., & Koukam, A. (2014). Towards a Hybrid Real/Virtual Simulation of Autonomous Vehicles for Critical Scenarios.
S. Kato, E. Takeuchi, Y. Ishiguro, Y. Ninomiya, K. Takeda and T. Hamada, "An Open Approach to Autonomous Vehicles," in IEEE Micro, vol. 35, no. 6, pp. 60-68, Nov.-Dec. 2015.

Mots-clefs: véhicule autonome, accidents, simulation, MCMC

Laboratoire principal - Référent principal	COSYS - PICS-L - SAINCT Remi tél. : +33 130844049
Directeur du laboratoire principal	DUMONT Eric -
Spécialité de la thèse	Statistiques, Automatique
Axe	1 - COP2017 - Transporter efficacement et se déplacer en sécurité
Site principal	Versailles-Satory
Etablissement d'inscription	UNIVERSITE PARIS - SACLAY
Ecole doctorale	STIC - Sciences et technologies de l'Information et de la Communication
Directeur de thèse prévu	SAINT PIERRE Guillaume - Cerema - DTerSO - DALETT
Co-directeur de thèse prévu	GRUYER Dominique - Université Gustave Eiffel - COSYS - PICS-L
Type de financement prévu	Contrat doctoral - Ifsttar
Résumé Description générale du sujet : Sous l’égide de l’ONISR, le Cerema, l’Ifsttar, le LAB, le Ceesar et l’institut Vedecom, se sont associées en 2018 pour mener le projet Surca (Sécurité des usagers de la route et conduite automatisée). Il s’agit d’identifier des scénarios d’interactions entre les futurs véhicules autonomes (VA) et les autres usagers de la route (véhicules non autonomes, 2RM, piétons, cyclistes), avec notamment l’objectif d’identifier les conditions qui permettront aux VA de faire aussi bien que les conducteurs dans les conditions de conduite normales, et surtout, mieux qu’eux dans les situations accidentelles. Pour atteindre l’acceptabilité sociale, les VA devront prouver leur efficacité dans la gestion des situations accidentogènes. Or, une étude récente [Kalra & Paddock 2016] montre qu’il faudrait collecter plus de 100 millions de kilomètres, et même plus de 100 milliards pour certaines situations, pour démontrer sans ambiguïté la sécurité des véhicules autonomes. Malgré des efforts internationaux, l’industrie du VA est encore loin du compte, et il reste nécessaire d’exploiter d’autres moyens pour éclairer les performances sécuritaires du VA. Cette proposition de thèse souhaite s’appuyer sur les récentes évolutions des outils de simulation pour modéliser le comportement d’un VA, ainsi que sur la connaissance des scénarios d’accidents les plus fréquents issus du projet Surca, pour proposer une méthode innovante de génération aléatoire de scénarios accidentogènes permettant d’évaluer l’efficacité d’un VA. La capacité de l’outil de simulation à reproduire le comportement humain, comme celui d’un VA, permettra de comparer les performances de ces deux populations en termes de gestion d’une situation accidentogène. Des milliers de variations aléatoires autour d’un même scénario, et ce pour plusieurs scénarios, permettront d’apporter la puissance statistique nécessaire à des conclusions réalistes. La validité d’une simulation dépend de la pertinence de ses paramètres ou modèles utilisés. En particulier, il est crucial dans le cas présent de s’assurer de la représentativité des scénarios choisis (i.e. la présence de ces situations dans les BDD d’accidents, cf. projet Surca) et de leur intérêt en sécurité routière (on s’appuiera sur une littérature abondante, par exemple Brenac & Clabaux 2010). De même, l’étude des résultats tirés des expérimentations de conduite en situations naturelles (euroFOT, Udrive, ecoDriver etc.) permettra d’obtenir des distributions réalistes pour les paramètres variables au sein des scénarios. Il en sera ainsi par exemple pour les vitesses pratiquées selon le type d’infrastructure, les profils de décélération/accélération, les temps de réactions, ou les actions de contremesures effectuées. Il sera tout aussi crucial de proposer une modélisation simplifiée mais réaliste, autant pour le conducteur humain que pour le VA. La proximité de l’équipe encadrante de l’Ifsttar avec le LaPEA (ex-LPC) et avec l’institut Vedecom permettra au candidat d’acquérir les connaissances nécessaires à ce travail. La maîtrise par l’équipe encadrante de l’Ifsttar du logiciel ProSivic permettra une modélisation fine du comportement d’un VA. Enfin, le modèle stochastique utilisé devra garantir une bonne représentativité de la réalité des situations rencontrées et être à même de générer des situations réalistes. Il est proposé d’utiliser des méthodes de type Monte Carlo, et leurs variantes stochastiques : MCMC ou adaptative importance sampling (Robert & Casella 2004). Les résultats obtenus permettront d’une part de fournir des éléments tangibles sur l’amélioration de la sécurité routière engendrée par les VA (par exemple en comparant les accidents évités entre VA et véhicules non autonomes), mais aussi d’attirer l’attention sur des scénarios spécifiques où cette amélioration ne serait pas aussi grande qu’espérée. Etat de l'art : L’étude des premiers rapports d’accidents impliquant des véhicules autonomes observés lors des premières expérimentations à grande échelle menées aux Etats-Unis est un sujet majeur scruté par la communauté scientifique et industrielle (cf. Wang & Li 2019), mais les effectifs observés, de l’ordre de quelques centaines d’accidents, sont encore trop faibles pour rassurer le grand public. La simulation, et en particulier l’outil ProSivic (conçu au LIVIC et racheté par la société ESI), est déjà un outil incontournable pour la conception et la validation des systèmes d’assistance à la conduite (ce que l’on appelle le prototypage virtuel), ou l’étude des véhicules connectés (Bounini et al. 2014). La nécessité d’articuler le monde réel et simulé est un fait connu et documenté, dont le développement est en plein essor (Gechter et al. 2014). La modélisation d’un VA est délicate car les développements récents sont propriétaires et confidentiels. Néanmoins, il existe des outils publics fournissant les briques de bases d’un VA (Kato et al. 2015). Types de résultats scientifiques escomptés : Le premier type de résultat sera d’ordre méthodologique. La modélisation d’un VA complet, associant différentes briques logicielles (détection de marquage et reconnaissance d’objets par exemple) sera un résultat majeur en soi. La méthode stochastique de simulation de scénarios réalistes à partir d’un scénario réel (ou d’une typologie de scénarios réellement observés) sera un résultat valorisable dans la communauté de la simulation de trafic. Le second type de résultat sera d’ordre opérationnel. La capacité à générer un grand nombre de situations faisant interagir différents modules (VA, autres véhicules, éventuellement piétons) en un temps de calcul raisonnable sera un résultat en soi digne d’intérêt dans la communauté du prototypage virtuel. Le dernier type de résultat est de l’ordre de la connaissance scientifique. La comparaison sur des milliers de situations accidentogènes réalistes, entre un véhicule piloté par un humain, et un VA, permettra d’évaluer l’ampleur des différences de capacités de gestion du risque. Ce « gain » (estimable en comptant les situations ayant générées un choc pour chaque type de véhicule) pourra être plus ou moins important selon les typologies de scénarios testés. Cela servira alors à connaître les situations les plus complexes à gérer du point de vue du VA (qui peuvent être très simples du point de vue de l’humain). Au-delà des résultats scientifiques, l’intérêt du ministère de l’intérieur, et notamment de l’ONISR, est très fort sur ces questions. De même, les industriels nationaux dans le domaine de l’automobile seront probablement intéressés par les conclusions obtenues. Les retombées seront donc d’une part une aide à la décision pour les décideurs, et d’autre part une orientation technologique et stratégique pour les industriels du domaine. Programme de travail envisagé pour répondre aux objectifs : Le programme de travail s’articule autour de 6 étapes : 1. Etat de l’art des scénarios accidentogènes les plus critiques du point de vue du VA : Ce travail se fera en exploitant principalement les sorties du projet Surca (G. Saint Pierre partenaire du projet), ainsi que toute la littérature disponible (retours d’expérience des roulages de VA aux EU notamment). Cela permettra de connaître les scénarios d’interaction les plus fréquents, ainsi que les facteurs aggravants les plus significatifs (conditions météorologiques, masquages, présence d’usagers vulnérables, etc.). Cela permettra de définir les situations à simuler, ainsi que de proposer des distributions réalistes pour les paramètres d’influence. 2. Etude des méthodes stochastiques de simulation : Il s’agira pour le candidat de se familiariser avec les méthodes de Monte Carlo et leurs variantes stochastiques (MCMC notamment). Le choix éclairé des distributions des paramètres influençant le scénario permettra d’obtenir in fine, après de nombreuses itérations, une distribution de la probabilité d’accident relativement au type de véhicule et au type de scénario. 3. Prise en main et familiarisation avec le logiciel ProSivic : Cet outil complexe nécessite un investissement de fond et une localisation géographique à Versailles-Satory (localisation LIVIC et Vedecom). 4. Modélisation du système VA : Une fois familier du logiciel, le candidat devra articuler les différentes briques déjà disponibles, construire celles non encore existantes, et créer des environnements virtuels propres à chaque scénarios. 5. Implémenter le protocole de test complet, et exécuter les simulations. 6. Analyser les résultats, valoriser et communiquer. Les étapes 1 et 2 pourront être menées la première année, les étapes 3 et 4 occuperont largement la deuxième année, la troisième année étant consacrée aux simulations proprement dites et a leur valorisation (étapes 5 et 6). Références : Kalra, N., & Paddock, S. (2016). Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? RAND Corporation. Brenac T., Clabaux N., « Scénarios types d'accidents urbains n'impliquant pas de piétons et perspectives pour leur prévention. », INRETS, Département Mécanismes d'accidents, Edition : Bron : INRETS - 2010 Robert, C.P. and Casella, G. (2004) Monte Carlo Statistical Methods. Springer, New York. Wang S, Li Z (2019) Exploring the mechanism of crashes with automated vehicles using statistical modeling approaches. PLoS ONE 14(3): e0214550. BOUNINI F., GINGRAS D., LAPOINTE V., GRUYER D., "Real-time simulator of collaborative autonomous vehicles", IEEE Int. Conf. on Advances in Computing, Comm. and Informatics ICACCI, Greater Noida, India, pp. 723 - 729, September 2014. Gechter, F., Dafflon, B., Gruer, P., & Koukam, A. (2014). Towards a Hybrid Real/Virtual Simulation of Autonomous Vehicles for Critical Scenarios. S. Kato, E. Takeuchi, Y. Ishiguro, Y. Ninomiya, K. Takeda and T. Hamada, "An Open Approach to Autonomous Vehicles," in IEEE Micro, vol. 35, no. 6, pp. 60-68, Nov.-Dec. 2015.
Mots-clefs:	véhicule autonome, accidents, simulation, MCMC

Liste des sujets

Candidatures fermées