Source : thèse de doctorat (Automatique), Université de Haute-Alsace, École doctorale ED 269, soutenue le 11 décembre 2024, NNT 2024MULH6306, HAL tel-05034859 · pas de DOI · IRIMAS (équipe MIAM), Université de Haute-Alsace / Université de Strasbourg · accès OPEN (HAL) · PDF Vigne2024-LocalTrajCoop.pdf, sha256 83d548287997cb71…, 170 pages Lu le : 2026-11-02. LECTURE CIBLÉE (pagination imprimée citée dans la fiche ; page du PDF = page imprimée + 19). Lus : couvertures, remerciements, table des matières (le PDF ne contient aucun résumé : les pages ii à iv et vi à viii sont blanches) ; chapitre 1 en entier (p. 1 à 13) ; chapitre 2 : §2.5 (personnalisation du chemin, p. 33 à 41) et §2.7 à 2.8 (essais et conclusion, p. 48 à 55) ; chapitre 3 : §3.5 à 3.6 (essais sur véhicule, simulation ACC, conclusion, p. 80 à 89) et l’exemple chiffré de la p. 66 ; chapitre 4 : §4.1 à 4.7 (p. 92 à 120) ; chapitre 5 en entier (p. 125 à 128) ; annexe A. Non lus : §2.1 à 2.4 et §2.6 (état de l’art, définition et propriétés de la sigmoïde, application au dépassement), §3.1 à 3.4 (hors p. 66), annexes B à E, bibliographie ; les valeurs imprimées dans les figures 4.19 à 4.21 n’ont pas été relevées. Statut reading. Thème : autonomous · planification locale de trajectoire, personnalisation du style de conduite Métadonnées vérifiées dans le PDF : auteur (Benoit Vigne, sans accent sur le « i »), année (2024), NNT et HAL conformes. Titre : la page de titre de la thèse (PDF p. 2) imprime « pour un véhicule autonome » ; la couverture HAL ajoutée par l’archive (PDF p. 1) imprime « pour véhicule autonome ». La fiche suit la page de titre de la thèse. Aucun DOI imprimé.

Contexte et question

L’acceptation du véhicule autonome dépend de la confiance des usagers, que la personnalisation de la conduite peut favoriser (§1.3, p. 8-9). L’auteur constate que la personnalisation de la conduite reste encore sous-exploitée : quelques travaux en planification de trajectoire, « pratiquement inexistants » pour la prise de décision (p. 9). La thèse cherche donc à générer des trajectoires et des décisions réglables par un style de conduite, appliquées à la manœuvre de dépassement sur route secondaire. Les contributions ont donné lieu notamment à un article de journal (Transportation Research Part C, vol. 166, 2024, p. 1-28, p. 11) et à plusieurs communications de conférence (p. 12).

Méthode

• Style de conduite : un paramètre α, gradué de confortable (0) à agressif ou sportif (1), qui agit à la fois sur la trajectoire (confort dynamique : accélération et jerk) et sur la décision (confort comportemental, degré de prudence) (§1.4, p. 10 ; §4.6, p. 116).
• Chemin de changement de voie : fonction sigmoïde à 4 paramètres (a, b, d_long, d_lat). Les bornes de a et b sont liées à la dynamique du véhicule et à la continuité géométrique ; a et b sont fixés par un style α, soit par optimisation sous contraintes d’une fonction de coût J = (1 − α)·Jc + α·Ja (confort contre agressivité), soit par un modèle linéaire a priori sans optimisation (§2.5.3-2.5.4, p. 37-40 ; §1.4, p. 11 ; §5.1, p. 125). L’auteur note que l’optimisation donne une variation non linéaire de a près de α = 1 et de b près de α = 0 (p. 39).
• Repli réactif : la sigmoïde de changement de voie est modulée par une seconde sigmoïde de retour sur la voie initiale, ce qui évite la discontinuité entre deux courbes indépendantes ; un facteur de dangerosité β règle la rapidité du retour (§1.4, p. 11 ; §3.2, p. 66 ; §5.1, p. 126).
• Profil de vitesse : deux approches, l’une orientée manœuvre (spline de courbes de Bézier cubiques, limitée à la courbe de repli, avec hypothèse de vitesse constante du leader), l’autre orientée régulateur adaptatif (ACC) par inférence floue, sans profil préalable mais avec de fortes discontinuités d’accélération (§3.6, p. 88-89 ; §5.1, p. 126).
• Décision : machine à quatre états finis (libre circulation, suivi de leader, dépassement, interruption) dont les transitions reposent sur des règles de sécurité (§4.3.2, p. 98). La faisabilité du dépassement est évaluée par un système d’inférence floue sur la position relative ego-leader à l’instant du croisement avec le véhicule inverse (basé sur le TTC), avec un comparateur à hystérésis (seuils 0,8 et 0,5) ; les bornes de la zone de danger dépendent de α : plus le style est confortable, plus la décision est prudente (§4.3.3, p. 100-102). Des contraintes de sécurité renforcées (accélération longitudinale de l’ego, marge latérale au croisement) sont ajoutées à l’optimisation (§4.4, p. 107-109), et le modèle est étendu à un second leader et à un véhicule adjacent (§4.5, p. 111-115).
• Cadre : dépassement sur route secondaire à deux voies avec un véhicule leader et un véhicule en sens inverse, conduite de niveau 5, « semi-coopératif » (échange de données inter-véhiculaires, p. 9). Hypothèses du §4.3.1 (p. 97-98) : perception proprio- et extéroceptive parfaite, communication V2V fiable et sans latence, pas d’événement soudain (animal) ni de manœuvre d’urgence.

Données

Pas de jeu de données. Trois niveaux de validation, selon les chapitres :

• Chapitre 2 (changement de voie seul, trajectoires générées hors ligne) : simulation CarMaker (modèle Mégane Estate) puis essais sur le véhicule d’essai de l’équipe (plateforme ARTEMIPS, Renault Scenic 3) sur la piste du Musée National de l’Automobile de Mulhouse, partie en ligne droite d’environ 100 m, vitesse constante de 30 km/h, d_long = 80 m, d_lat = 3 m, 3 styles (α = 0, 0,5, 1) (§2.7.2-2.7.4, p. 50-53). La piste est trop courte pour un dépassement : seul le changement de voie est testé (p. 48).
• Chapitre 3 (repli, profils de vitesse) : essais à l’Ohio State University (séjour de cinq mois, août 2023 à janvier 2024, §1.3.2, p. 10), sur un monospace hybride instrumenté (plateforme Pacifica, ROS/Autoware, contrôleur latéral pure pursuit), sur le site TRC de Columbus, piste d’environ 170 m à 5 voies parallèles ; changement de voie à 10, 20 et 30 km/h, repli, mode ACC avec un leader virtuel, profil de vitesse par spline (§3.5, p. 80-85). Les paramètres a et b y sont lus dans une table préenregistrée, pour éviter une fonction d’optimisation embarquée (p. 81). Compléments en simulation (CarMaker) du mode ACC (§3.5.3, p. 85-87).
• Chapitre 4 (décision et dépassement complet) : simulation seule (§1.4, p. 11), avec des modèles de masse ponctuelle pour les intermédiaires (§4.3.4, p. 103) et un outil de simulation réaliste pour la campagne finale (§4.7, p. 119).

Résultats chiffrés

Les couples (a, b) de la ligne Pacifica sont ceux du texte de la p. 83 ; les courbes de la Fig. 3.21 n’ont pas été relevées.

L’auteur note que l’optimisation des paramètres de la sigmoïde ne donne pas une gradation linéaire entre le style le plus faible et le plus élevé (§4.6.1, p. 117). La comparaison du Tab. 4.5 (p. 119) est qualitative (signes + et −) ; elle ne repose sur aucun chiffre.

Limites déclarées par les auteurs

• Perception supposée parfaite et V2V supposé fiable et sans latence (§4.3.1, p. 97) ; pas de pertes de communication évaluées (§5.2, p. 127).
• Chapitre 4 validé en simulation seulement (§1.4, p. 11). Essais sur véhicule limités à des pistes courtes (environ 100 m à Mulhouse, 170 m à Columbus) et à de faibles vitesses (30 km/h au plus) ; le contrôleur pure pursuit perd en stabilité quand la vitesse ou le paramètre a augmente, et un contrôleur robuste deviendrait indispensable sur une piste plus longue (p. 80, 83, 89).
• La fonction d’optimisation, écrite sous Matlab/Simulink avec fmincon, devrait être traduite en C++ (CasADi, NLopt) pour viser le temps réel : l’auteur « suppose » seulement que le temps de calcul serait plus adapté (§5.2, p. 127). Le caractère temps réel du titre n’est donc pas démontré par une mesure sur véhicule : les essais embarqués du chapitre 3 lisent a et b dans une table préenregistrée (p. 81), et la seule mesure de temps de calcul relevée est de 0,5 s à 0,85 s sous Matlab (p. 66).
• La prudence engendre parfois des phases de décélération et d’accélération qui nuisent au confort attendu (§5.1, p. 126) ; le confort dynamique et le confort comportemental peuvent être décorrélés (p. 120). Le mode ACC flou produit de fortes discontinuités d’accélération (p. 87-89).
• Généralisation à d’autres environnements multi-voies jugée difficile à cause de la multiplication des conditions de la machine d’états (§4.6.4, p. 119).
• Le contrôleur latéral robuste demande un recalibrage pour le véhicule d’essai, voire un modèle autre que le modèle bicyclette (§5.2, p. 127).
• Décision collaborative non traitée : la machine à états devrait être associée à des méthodes décisionnelles centralisées, négociées, accordées ou émergentes ; aucune méthode d’apprentissage ne traite à sa connaissance de la personnalisation (§5.2, p. 127-128).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Référence pour une trajectoire de changement de voie à très peu de paramètres (sigmoïde) dont l’accélération et le jerk latéraux sont réglables par un seul scalaire : utile pour générer des manœuvres synthétiques avec un niveau de confort contrôlé.
• Le scalaire de style α pourrait servir d’étiquette de « style de conduite » dans un banc de scénarios, à confronter à ce qu’on mesure sur des trajets réels.
• Le terme « coopératif » du titre est étroit : échange de données V2V supposé parfait et sans latence, pas de négociation ni de fusion coopérative. Ce n’est pas une source pour des trajectoires prévues échangées entre agents.
• Les scénarios Monte-Carlo (bornes des Tab. 4.2 à 4.4) fournissent des conditions initiales réutilisables pour un banc de dépassement en simulation.
• À relire avant tout usage : §2.1 à 2.4 et 2.6 (définition de la sigmoïde, bornes de paramètres), §3.1 à 3.4 (repli, profils de vitesse) et annexes B à E, non lus ici.