Développement d’un système d’aide à la conduite:

Présentation au sujet: "Développement d’un système d’aide à la conduite:"— Transcription de la présentation:

1 Développement d’un système d’aide à la conduite:
Master SAR Soutenance stage Développement d’un système d’aide à la conduite: Les adaptateurs intelligents de vitesse TA Van-Bao 27 Juin 2011 Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

2 Sommaire I. Présentation du système et du contexte
II. Modèle de prédiction III. Estimation par filtre de Kalman IV. Application d’un algorithme de map-matching à pondération V. Résultats expérimentaux Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

3 I. Présentation du système et du contexte
A partir des années 2000, expérimentations lancées par le MEEDDM pour évaluer: Acceptabilité par les conducteurs du système ISA Effets sur le comportement Acteurs principaux: INRETS, LCPC, PSA, Renault,… Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

4 I. Présentation du système et du contexte
Typologie des vitesses: Statiques Dynamiques Problèmes des systèmes actuels: mise à jour de la base de données Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

5 I. Présentation du système et du contexte
Choix porté sur iPhone Application sous forme d’application web: html/css, php/sql et javascript Avantage: possibilité de mettre facilement sous format androïd et windows phone. iPhone comme interface homme / serveur Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

6 II. Modèle de prédiction
Hypothèses simplificatrices: Route rectiligne Vitesse constante Route dégagée Modèle NCV (Nearly constant velocity) Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

7 II. Modèle de prédiction
Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

8 Modélisation des virages
Problèmes: que se passe-il pour des routes non rectilignes pendant les coupures? Résultats: localisation non satisfaisante , nécessité d’un carte pour se recaler Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

9 III. Estimation par filtre de Kalman
Filtre permettant d’estimer les états d’un système dynamique à partir d’une série de mesures bruités Permet de pondérer soit à la mesure soit à la prédiction Vecteur d’état Modèle d’évolution: modèle NCV Matrice de covariance de l’erreur d’estimation d’état initial Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

10 Les différentes matrices de covariance
Matrice de covariance sur les mesures du GPS Matrice de covariance du système Vecteur d’état initial: Algorithme sur deux étapes: Prédiction Correction Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

11 Résultats de simulation
Route rectiligne Vitesse constante (40 km/h) Déplacement à ordonnée constante Durée de simulation 3 minutes Résultats: positions prédites meilleures que positions du capteur Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

12 Résultats de simulation
Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

13 Résultats de simulation
Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

14 Résultats de simulation
Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer

15 Limite du filtre de Kalman
Hypothèse implicite: période d’échantillonnage constant (fixé pour le GPS à 1 sec) Problème: en pratique, les signaux arrivent avec un retard Transmission de l’information Etape de traitement Temps de calcul Décision doit être prise après toutes ces étapes -> données fausses

16 Filtre de Kalman amélioré
Application d’un filtre de Kalman in-of-order Retard variable et non connu Cas d’application: la mesure arrive à un instant postérieur au dernier instant estimé Résultats: meilleurs estimations en comparaison avec le filtre de Kalman simple Référence : (G. L. Plett, D. Zarzhitsky, and D. J. Pack, “Out-of-Order Sigma-Point Kalman Filtering for Target Localization using Cooperating Unmanned Aerial Vehicles,” Proc. International Conference on Cooperative Control and Optimization, 2007.)

17 IV. Application d’un algorithme de map-matching à pondération
Problème: comment savoir sur quel tronçon se trouve le conducteur à partir des seules coordonnées GPS? Algorithme itérative Etude de proche en proche Méthode basée sur la mise en place de buffer (tampon)

18 IV. Application d’un algorithme de map-matching à pondération

19 IV. Application d’un algorithme de map-matching à pondération
Situation 1: le buffer est tangent au tronçon Situation 2: le buffer croise le tronçon en deux points

20 IV. Application d’un algorithme de map-matching à pondération
Problème : Résultats insuffisants, Nombreuses erreurs de matching Situations problématiques: intersections, ronds-points, routes parallèles,…

21 IV. Application d’un algorithme de map-matching à pondération
Algorithme à pondération Récupération des coordonnées du véhicule Identification des polylignes candidats (Rayon 15m) Poids pour la polyligne la plus proche W1 = 30 si min(dist(véhicule, troncon)) W1 = 20 si dist(véhicule, troncon) < 5 W1 = 10 si 5 < dist(véhicule, troncon) < 10 W1 = 5 si 10 < dist(véhicule, troncon) < 15 Poids pour la continuité d'une polyligne Poids pour la continuité des vitesses Poids total Wf = W1 +W2 +W3 +W4 .

22 IV. Application d’un algorithme de map-matching à pondération
Choix d’un chemin au centre de Versailles Récupération de 100 points à intervalle de m Pour simuler l’incertitude du GPS (erreur relative de 15m), ajout d’un bruit sur les coordonnées des points Trois modes de simulation: Algorithme simple de map-matching (méthode du buffer) Algorithme de map-matching à poids (méthode du buffer + poids, méthode plus exigeante) Correction par un In-of-Order Kalman + algorithme de matching à poids Résultats: de meilleurs résultats pour des algorithmes plus complexes

23 V. Résultats expérimentaux
Choix du site Modélisation du site dans la base de données Assignation des vitesses limites pour chaque tronçon Choix d’un parcours

24 V. Résultats expérimentaux
Nombre d’erreurs croissant avec la vitesse Meilleurs résultats avec les méthodes plus complexes

25 Conclusions Amélioration des résultats avec des algorithmes plus complexes Actuellement, résultats expérimentaux satisfaisants pour les faibles vitesses Système non exploitable pour les vitesses plus élevées (puce GPS en cause?) Perspectives : - Intégration d’un filtre de Kalman Out-of-order (connaissance de l’instant de mesure indispensable) - Travail sur la base de données entière des Yvelines (recoupement avec Open Street Map par exemple) - Amélioration du map-matching à poids en tenant compte des sens interdits, des sens de circulation, …

26 Merci de votre attention !
TA Van-Bao Ministère de l'Écologie, de l'Énergie, du Développement durable et de la Mer