Solution de localisation sûre et précise pour les véhicules autonomes circulant en milieu contraint – route / rail – LOCSP

Le premier axe de recherche a porté sur les solutions hybrides et collaboratives tolérantes aux fautes pour une navigation autonome sûre. Le couplage de techniques basées à la fois sur des modèles et des données a permis de produire une solution de localisation coopérative tolérante aux défauts capteurs. Étant donnée la nature stochastique des mesures, nous avons choisi le formalisme informationnel, qui fournit des mesures de dissimilarité entre des distributions de probabilité appelées divergences. Nous utilisons ainsi la divergence de Jensen-Shannon pour synthétiser des indicateurs de défauts, les résidus. Leur seuillage permet alors de détecter et d’isoler les défauts des capteurs. Par ailleurs, l’apport de l’apprentissage a été étudié pour la prise de décision du diagnostic. Deux modèles, l’un pour la détection et l’autre pour l’isolation, ont été entraînés, avec différents outils de l’apprentissage machine (perceptron multicouches, arbre de décision et régression logistique).

La coopération entre les véhicules a mené à la mise en place d’une architecture décentralisée pour la fusion de données multi-capteurs et le diagnostic. Cet aspect coopératif inter-véhicules permet une redondance informationnelle contribuant à l’amélioration des performances de l’estimation de la pose et du diagnostic. Les données issues de cette architecture ont permis de mettre en place un paradigme fédéré pour l’apprentissage.

Les méthodes proposées ont été développées, testées et évaluées sur un ensemble de scénarios avec des défauts capteurs réels et injectés.

Le deuxième axe a porté sur les méthodes de détection et de réduction des interférences électromagnétiques sur les solutions GNSS. Nous avons d’abord évalué les performances de trois techniques de l'état de l'art : Karhunen Loeve Transform (KLT), Adaptive Notch Filter (ANF) et Wavelet Packet Decomposition (WPD) qui représentent différentes familles de méthodes, en étudiant en particulier les indicateurs de performances associés aux applications sécuritaires. A partir des résultats observés pendant la phase d’implémentation de l’état de l’art, nous avons proposé une méthodologie d’optimisation des paramètres pour l’ANF. Cette optimisation

est réalisée pour les brouilleurs de type chirp linéaire et montre qu’un paramétrage optimal

influe sur les critères de performances tels que la précision, la disponibilité et la sécurité. Ce travail contribue à offrir une compréhension approfondie du phénomène de brouillage dans les applications critiques. Il pose les bases pour l’implémentation ciblée multi-canaux, temps réel d’une solution de détection et de réduction des brouillages. Le système proposé vise à détecter, classer et caractériser en continu différentes situations de brouillage, à s’adapter à de multiples classes de brouilleurs, sources et niveaux de puissance.

La mise en œuvre d'une plate forme d'acquisition de données a permis à ces travaux scientifiques une validation sur données réelles.

Dans le projet, une base de données de référence a été constituée. Elle est représentative des différents environnements traversés (rural, urbain, forêt…) et couvre les différentes fautes rencontrées dans les environnements transports : multi-trajets, trajets réfléchis en l’absence de trajet direct, et interférences . Ces bases ont été acquises grâce au véhicule équipé mis en œuvre dans le projet.

Un des points clés lors de la collecte de données de géolocalisation, qui plus est lorsque l’objectif est des les exploiter en post-traitement au travers d’algorithme de fusion de données, est la capacité et la précision de synchronisation temporelles des données collectées. En effet, en raison des différences de taux d'échantillonnage, de timestamping, de formats de données et la diversité des équipements de collecte utilisés, assurer une synchronisation précise est crucial pour le post-traitement et la fusion des données de multiples sources. Le projet a permis de mettre au point la méthodologie et la configuration des équipements afin de réaliser des campagnes de collecte efficaces avec une synchronisation effective des données reposant sur une architecture ROS.

Au delà de l’aspect synchronisation, une seconde difficulté technique réside dans la nécessité de compléter la collecte des données d’une description détaillée de l’environnement et des conditions de collecte. En effet, l’environnement direct a un impact important sur les conditions de réception et les performances des capteurs (particulièrement du capteur GNSS). La connaissance des conditions de collecte est donc un élément important pour permettre l’utilisation efficace des données collectées.

Une fois publique (prévu à court terme), cette base de données va permettre de comparer les performances des solutions de localisation de chacun sur une base de données de référence pour les communautés scientifique et industrielle.

Avec deux thèses, le projet propose aussi de nouvelles solutions pour la détection et la réduction des interférences et méthode de localisation collaborative d’un ensemble de véhicules, qui soit par ailleurs capable de détecter et isoler des défaillances capteur, en vue de les exclure de l’estimation de la pose des véhicules. Ces résultats ont fait l'objet d'un certain nombre de publications scientifiques.

LOCSP a permis aux équipes de monter en compétences et en outils sur les thèmes de la localisation. De nouveaux projets ont émergé pour élargir le périmètre des recherches à de nouvelles familles d'estimateurs et de nouvelles sources de défaillances (ex spoofing) et réaliser un transfert des résultats vers les applications ferroviaires.

M3 Systems participe depuis de plusieurs années à la préparation et l'évolution de la norme EN16803 qui vise a définir un standard pour le test et la validation des systèmes des géo-localisation dans le domaine automobile. Parmi les méthodologies et les outils mentionnés dans la norme, l’utilisation de Record/Playback constitue un élément important.

Nous sommes convaincus que cette approche est tout aussi valable dans le domaine ferroviaire. En ce sens, les outils et la méthodologie de collecte dans le cadre du projet offrent des perspectives très intéressantes de réutilisation pour poursuivre les collectes et augmenter le volume et la diversité des données disponibles aussi bien pour le domaine automobile que dans le domaine ferroviaire.

Au delà de l’aspect technique des choses, il y a aussi un intérêt commercial pour M3 Systems a offrir à ses clients la possibilités de disposer de données de capteur qui soient directement exploitable en rejeu par les outils de test STELLA.

Adaptative Diagnosis for Fault Tolerant Data Fusion Based on alpha-Rényi Divergence Strategy for Vehicle Localization, M. Khoder, N. Ait Tmazirte, M. El Badaoui El Najjar, N. Moubayed. MDPI - Entropy, April 2021. DOI: 10.3390/e23040463

Navigation Context Adaptive Fault Detection and Exclusion Strategy based On Deep Learning & Information Theory: Application To a GNSS/IMU integration, Nesrine Harbaoui, Nourdine Ait Tmazirte, Khoder Makkawi, Maan El Badaoui El Najjar, ION GNSS+, Sept. 2021

La révolution des systèmes de transports routiers et ferroviaires passe aujourd’hui par le développement de technologies embarquées parmi lesquelles la localisation et la communication sont des éléments clés pour la modernisation des transports terrestres et l’émergence de véhicules connectés et autonomes. Dans le projet LOCSP, l’effort porte sur la solution de localisation. Ces nouvelles solutions doivent garantir d’une part la précision nécessaire à l’application : précision relative à la voie de circulation, identification de la voie… et d’autre part, répondre au besoin croissant d’intégrité. Avec le paramètre d’intégrité, il s’agit de garantir à l’utilisateur qu’il peut utiliser son système de localisation en sécurité ou de l’alerter en cas de défaillance pour éviter toute situation critique. La plupart des solutions développées exploite les techniques de fusion de capteurs hétérogènes pour une plus grande précision et robustesse. Les concepts d’intégrité progressent mais sont encore incomplets pour prendre en compte les erreurs liées à l’environnement local.
LOCSP (LOcalisation Sûre et Précise) rassemble deux équipes de recherche (IFSTTAR et CRIStAL) et une PME (M3 Systems) dans le but de développer et comparer des solutions de localisation précises et sûres même en présence de fautes et de répondre ainsi à deux problématiques : la première consiste à rendre plus robustes et précises les solutions en implémentant les technologies et les techniques d’hybridations les plus récentes. La deuxième vise à permettre à chacun et notamment aux acteurs économiques une évaluation complète et détaillées des solutions.
LOCSP entend ainsi, d’une part, compléter les travaux existants pour de meilleures performances et d’autre part, répondre au besoin de plateforme de comparaison des algorithmes développés dans les différentes équipes.
Les recherches menées apporteront des contributions sur deux axes en particulier :
- Le premier sur les solutions hybrides et collaboratives tolérantes aux fautes pour une navigation autonome sûre. Il s’agira de développer un cadre de détection et d’exclusion de fautes pour la localisation collaborative de flottes de véhicules équipées de solutions hybrides multi-capteurs.
- Le deuxième sur les méthodes de détection et de réduction des interférences électromagnétiques sur les solutions GNSS. Nous étudierons les différentes familles de détections, ainsi que la capacité des algorithmes de type RAIM (Receiver Autonomous Integrity Monitoring) et de l’hybridation multi-capteurs dans le cadre d’une thèse. Les interférences pourront être injectées grâce aux outils développés par M3Systems.
Dans le projet, une base de données de référence sera constituée. Elle doit être représentative des différents environnements traversés (rural, urbain, forêt…) et couvrir les différentes fautes rencontrées dans les environnements transports : multi-trajets, trajets réfléchis en l’absence de trajet direct, et interférences. Ces bases résulteront de données précédemment collectées par les membres du consortium et complétées par la mise en œuvre de campagnes de mesures spécifiques. Une fois publique, cette base de données doit permettre de comparer les performances des solutions de localisation de chacun sur une base de données de référence pour les communautés scientifique et industrielle.
L’objectif de LOCSP est ainsi : (i) de comparer des performances atteintes par les solutions existantes ; (ii) de proposer un panel de solutions et d’algorithmes au coût et à la complexité croissante tout en mettant à l’épreuve les méthodes avec des scénarii de défaillances capteurs pour dresser les limites et les performances des méthodes.
L’ensemble des solutions proposées sera testé sur véhicules et données réelles. Ces travaux permettront de construire un outil qui génèrera des données utilisables par un utilisateur final afin de peser le compromis entre le coût et la complexité du système et les performances atteignables.