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

- 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.

Avec deux thèses, le projet proposera 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

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.

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.