Cooperative perception integrity for intelligent vehicles
Intégrité de la perception coopérative pour les véhicules intelligents
Résumé
In order to navigate safely and comfortably, intelligent vehicles require highly reliable perception of their environment. Since on-board sensors are necessarily limited in range, and because their field of view can be obscured, an emerging solution is cooperative perception: vehicles share their perception with other vehicles via wireless communication. Intelligent vehicles can thus communicate complex information over long distances. They see further and more completely than their sensors could ever allow. However, information from external sources must be treated with caution, as misleading information can lead to a dangerous situation. The sources of degradation of this information's "integrity" in the cooperative system must therefore be kept to a minimum. In this thesis, we study these sources and propose suitable methods for managing them and avoiding their propagation. Our work focuses in particular on the fusion of tracked objects, the representation of areas covered by perception systems and the management of trust attributable to other communicating agents. In order to avoid underestimating the uncertainty linked to the state of perceived objects, we are studying data fusion filters capable of handling the information loops induced by exchanges. Our results on simulated data show that a split covariance intersection filter is a suitable method for this problem. Coupled with the parameter-tuning methodology we propose, this method also appears to outperform more conventional methods. Next, we introduce a formalism for representing the areas covered by each sensor and the areas seen as free, in order to better merge the detected objects. This is the concept of evidential detectability grids, based on the theory of belief functions. These detectability grids make it possible to merge several points of view to obtain a global representation of the environment, while explicitly managing uncertainties. Finally, we propose a method for each vehicle to elaborate a trust index on the other cooperative agents. It is based on an evidential tree combining several pieces of evidence, such as the consistency and concordance of the information received. The confidence index is then used to ensure that each vehicle reliably combines locally perceived information with that transmitted by other vehicles. The performance of the global cooperative perception method is evaluated on real data obtained using three experimental vehicles equipped with omnidirectional LiDAR sensors. The corresponding data sets are made available to the scientific community.
Afin de naviguer de manière sure et confortable, les véhicules intelligents nécessitent une perception très fiable de leur environnement d'évolution. Les capteurs embarqués étant nécessairement limités en portée et leur champ de vue pouvant faire l'objet d'occultations, une solution émergente est la perception coopérative : les véhicules partagent leur perception avec les autres véhicules par des moyens de communication sans fil. Les véhicules intelligents peuvent ainsi communiquer des informations complexes à travers de longues distances. Ils voient plus loin et de manière plus complète que ce que leurs capteurs leur permettent. Cependant, les informations provenant d'une source extérieure doivent être considérées avec prudence car une perception trompeuse peut entraîner une situation dangereuse. Il convient donc de limiter au maximum les sources de dégradation de l'intégrité de l'information dans le système coopératif. Dans cette thèse, nous étudions ces sources et nous proposons des méthodes adaptées pour les gérer et éviter leur propagation. Nos travaux se concentrent en particulier sur la fusion d'objets pistés, la représentation des zones couvertes par les systèmes de perception et la gestion de la confiance imputable aux autres agents communicants. Afin d'éviter de sous-estimer l'incertitude liée à l'état des objets perçus, nous étudions des filtres de fusion de données capables de gérer les boucles d'information, induites par les échanges. Nos résultats sur données simulées montrent qu'un filtre a intersection de covariance partitionnée est une méthode adaptée à ce problème. Couplée à la méthodologie de réglage des paramètres que nous proposons, cette méthode peut également être plus performante que d'autres plus classiques. Ensuite, nous présentons un formalisme permettant de représenter les zones couvertes par chaque capteur et les zones vues comme libres afin de mieux fusionner les objets détectés. C'est le concept de grilles de détectabilité évidentielles, basé sur la théorie des fonctions de croyance. Ces grilles de détectabilité permettent de fusionner plusieurs points de vue pour obtenir une représentation globale de l'environnement tout en gérant explicitement les incertitudes. Finalement, nous proposons une méthode pour que chaque véhicule élabore un indice de confiance sur les autres agents coopératifs. Elle se base sur un arbre évidentiel combinant plusieurs éléments de preuve comme la cohérence et la concordance des informations reçues. L'indice de confiance est ensuite utilisé pour que chaque véhicule combine de façon fiable les informations perçues localement avec celles transmises par les autres véhicules. Les performances de la méthode globale de perception coopérative sont évaluées sur des données réelles obtenues à l'aide de trois véhicules expérimentaux équipés de capteurs LiDAR omnidirectionnels. Les jeux de données correspondants sont rendus publics à la communauté scientifique.
| Origine | Version validée par le jury (STAR) |
|---|