PhD : Classification et caractérisation de l’état de surface d’une chaussée par intégration de connaissances des systèmes d’acquisition non conventionnel

Contexte du poste

Un des principaux défis technologiques pour les aides à la conduite et le véhicule autonome est la compréhension de l’environnement avec des capteurs. C’est sur cela que s’appuient les algorithmes décisionnels de pilotage [1]. En perception de l’environnement, la plupart des travaux menés actuellement sont basés sur un certain nombre de capteurs comme les lidars, les caméras et les radars. Bien que ces capteurs offrent des réponses fiables en conditions météorologiques favorables, ils peinent à répondre correctement quand la visibilité est réduite ou quand la scène est hautement dynamique. Le problème des conditions de visibilité réduite reste un défi non résolu, comme en témoignent les quelques accidents impliquant des véhicules autonomes ou semi-autonomes, que ce soit avec une caméra (Tesla) ou un LIDAR (Uber). En 2021, l'Observatoire national interministériel de la sécurité routière (ONISR) a publié un bilan dans lequel elle atteste qu’en France, sur 3 années (2018, 2019, 2021), 44% des accidents mortels des 18-34 ans ont lieu en temps de brouillard contre 31% en temps normal. De même, la météorologie dégradée (pluie, brouillard, chaussée glissante, neige, grêle, etc.) cause 23% des tués de la route et 20% des blessés (74 000 par an), ce qui n’est pas anodin.

Il est essentiel que la perception de l’environnement soit complète et que l’adhérence de la route soit estimée, car elle est variable selon l’état de la chaussée (verglas, chaussée mouillée...). Le coefficient d’adhérence modifie l’effort induit par les pneus (coefficients de raideurs) et par conséquent le comportement dynamique du véhicule. Il est proche de zéro sur une chaussée verglacée alors qu’il est proche de l’unité pour une chaussée sèche. Trop souvent, ce coefficient est fixé à une valeur nominale lors de la synthèse de la loi de commande de véhicule, ce qui impacte les performances obtenues en conditions réelles (la valeur réelle pouvant être éloignée de la valeur nominale).
La caractérisation de l’état de surface de la chaussée peut permettre d’estimer le coefficient d’adhérence entre les roues et la chaussée suivant les conditions météorologiques pour ensuite établir une commande adéquate pour faire naviguer le véhicule. Malheureusement, la perception visuelle de l’état de surface de la chaussée est très difficile pour les conducteurs. L’imagerie non conventionnelle par polarisation, qui fait intervenir les propriétés surfaciques de la chaussée, est une alternative à explorer pour caractériser l’état de la surface selon ses propriétés physiques liées à la réflexion [2]. Utiliser la polarisation pour distinguer une chaussée sèche ou mouillée a été proposé en 2003 par Yamada et al. [3]. Ils utilisent le ratio entre la polarisation horizontale et verticale sans validation dans différentes situations météorologiques dégradées et sans caractérisation des incertitudes et des limites. D’autres travaux ont suivi pour contrôler l’éclairage, par fusion avec d’autres capteurs pour améliorer la caractérisation.
Une alternative à la polarisation, proposée dès 1993, est d’utiliser deux sources à des longueurs d’onde différentes où les propriétés d’absorption de l’eau sont assez différentes, ce qui permet par comparaison d’estimer la hauteur moyenne de la couche d’eau ou de glace sur la chaussée avec un capteur embarqué dans le véhicule [4]. Ce type de matériel pourrait être utilisé comme une référence expérimentale

Description

Objectif de la thèse :
L’objectif de ce travail de thèse est de concevoir une méthode d’estimation de l’état de la chaussée assez fiable et capable de fonctionner dans tous les types de conditions dégradées. Dans un premier temps, nous devrons choisir dans quelles bandes spectrales travailler et avec quels types de capteurs, quels éclairages, avec comme but de dépasser les limitations des travaux actuels qui restent peu nombreux. Dans un deuxième temps, nous devons concevoir les traitements qui combinent éventuellement les sorties de plusieurs capteurs, par exemple avec des méthodes par apprentissage. La modélisation des incertitudes des capteurs et la propagation de ces incertitudes lors des traitements sera alors importante pour permettre de caractériser les performances du ou des systèmes de mesure étudiés. Ce travail pourra profiter de bases de données de simulation provenant du simulateur SWEET du CEREMA Clermont-Ferrand qui est dédié à la modélisation de scènes routières. Ensuite, les évaluations seront poursuivies en utilisant des images en conditions réelles dégradées prises en extérieur à travers les saisons, comme cela est prévu dans le cadre du projet ANR INARI. La vérité terrain pourra être obtenue par un capteur de mesure d’épaisseur de la couche d’eau multi-canal. Une fois que les indices caractérisant la surface ont été étudiés, la classification des différentes zones de la chaussée selon leur dangerosité peut être effectuée. Les algorithmes de classification basés sur l’IA, qui seront développés dans ce travail de thèse, utiliserons les techniques d’intégration de connaissances physiques dans des réseaux afin de tenir compte des caractéristiques uniques qu’offre l’imagerie de polarisation, comme le degré et l’angle de polarisation. La classification pourrait être faite d’une manière graduée, à savoir dans un premier temps, classifier une chaussée sèche ou humide et ensuite dans la classe humide, définir les sous classes sur le revêtement de la chaussée (eau, flaque d’eau, verglas, neige).
Les résultats provenant de ce travail de thèse serviront à alimenter la mise en place d’une commande améliorée pour le véhicule, par un autre partenaire du projet ANR INARI.

Fichiers associés

Fiche de poste
Comment postuler ?

Profil requis : Le candidat doit avoir un master 2 ou un diplôme d’ingénieur avec des bonnes connaissances en traitement d’image, vision par ordinateur, apprentissage profond. Des connaissances en mathématiques sur les techniques d’optimisation ou en physique/optique seront appréciées. Le langage de programmation est laissé au choix mais Python est préféré.
Encadrement : Samia Ainouz (LITIS, INSA Rouen Normandie), Jean-Philippe Tarel (Cosys, Université Gustave Eiffel), Pierre-Jean Lapray (IRIMAS, Université Haute Alsace)
Contacts : samia.ainouz@insa-rouen.frpierre-jean.lapray@uha.fr, Jean-Philippe.Tarel@univ-eiffel.fr