Algorithmes d'Estimation Intelligents pour la Mobilité Intelligente – ArtISMo

- Nous avons utilisé des méthodes d'estimation issues de l'Automatique théorique classique.
- Nous avons développé des techniques basées sur l'apprentissage en ligne, combiné avec la synthèse classique de al théorie de l'estimation.
- Différents cas d'applications au véhicule autonome et connecté ont été traités.

- Des travaux de recherche fondamentale importants ont permis de surmonter les obstacles et les limitations rencontrés par les techniques d’estimation actuelles en proposant des solutions efficaces et utiles pour une large classe de modèles non linéaires en général, et représentant le véhicule autonome et connecté, en particulier. Nous avons publié deux articles dans la conférence internationale IEEE-CDC 2022 et dans la revue IEEE Control Systems Letters, sur la façon de traiter des systèmes non linéaires qui ne vérifient pas la propriété de Lipschitz globalement. Nous avons introduit des techniques mathématiques importantes sur les extensions de fonctions, à savoir l’utilisation de la projection de Hibert sur les ensembles fermés-bornés ; le développement d’une extension de type Kirszbraun-Valentine. Ces résultats sont marquants et permettent de faire face à tous les modèles de véhicule autonome et connecté, qui représentent des non-linéarités n’obéissant pas à la condition de Lipschitz de façon globale. D’où la nécessité de ces résultats dans tous les travaux futurs sur l’estimation dans le cadre du projet ArtISMo.
- Un état de l’art complet a été réalisé sur la sécurité des systèmes cyber-physiques, du point de vue estimation, contrôle et identification. Un livre, contenant plusieurs applications dont le véhicule autonome et connecté, a été publié dans Springer, et coédité par Ali Zemouche, coordinateur du projet ArtISMo.

- Plusieurs méthodes d'estimation théoriques ont été développées et différents cas d'application au véhicule autonome et connecté ont été abordés.

Nous sommes à la phase de développement d'algorithmes d'estimation exploitant la vision par ordinateur. Cette phase est théoriquement la plus difficile du projet; nous sommes entrain de mener des réflexions intéressantes.
Il reste ensuite les étapes de validation expérimentale sur des véhicules réels en utilisant les plateformes expérimentales des différents partenaires du projet ArtISMo.

1. Observer design for non-globally Lipschitz nonlinear systems using Hilbert projection theorem. IEEE Control Systems Letters, IEEE, 2022, 6, pp.2581-2586. ?10.1109/LCSYS.2022.3170534?.
2. LMI-based observer design for non-globally Lipschitz systems using Kirszbraun-Valentine extension theorem. IEEE Control Systems Letters, IEEE, 2022, 6, pp.2617-2622.
3. Simultaneous state estimation and tire model learning for autonomous vehicle applications. IEEE/ASME Transactions on Mechatronics, Institute of Electrical and Electronics Engineers, 2021, 26 (4), pp.1941-1950.
4. A resilient nonlinear observer for light-emitting diode optical wireless communication under actuator fault and noise jamming. Security and Resilience in Cyber-Physical Systems: Detection, Estimation and Control, Chapter 12, Springer Nature Switzerland AG, In press, 978-3030971656.
5. Simultaneous state estimation and tire model learning for autonomous vehicle applications. IEEE/ASME International Conference on Advanced Intelligent Mechatronics, AIM 2021, Jul 2021, Delft (virtual), Netherlands.
6. A new discrete-time interval estimator for vehicle side-slip angle estimation. Joint 8th IFAC Symposium on System Structure and Control, 17th IFAC Workshop on Time Delay Systems, 5th IFAC Workshop on Linear Parameter Varying Systems, Sep 2022, Montreal, Canada.
7. On high-gain observer design for nonlinear systems with delayed output measurements. Automatica, Elsevier, 2022, 141, pp.110281. ?10.1016/j.automatica.2022.110281?.
8. Security and Resilience in Cyber-Physical Systems: Detection, Estimation and Control. Springer Nature Switzerland AG, In press, 978-3030971656.
9. Introduction to cyber-physical security and resilience. Security and Resilience in Cyber-Physical Systems: Detection, Estimation and Control, Chapter 1, Springer Nature Switzerland AG, In press, 978-3030971656.
10. Resilient cooperative control of input constrained networked cyber-physical systems. Masoud Abbaszadeh and Ali Zemouche. Security and Resilience in Cyber-Physical Systems: Detection, Estimation and Control, Chapter 9, Springer Nature Switzerland AG, In press, 978-3030971656.
11. Filtered High-Gain Observer Design fora Class of Nonlinear Systems Subject to Delayed Measurements: Application to a Quadrotor UAVs. In proceedings of American Control Conference (ACC 22), pp 1186-1186,2022.
12. Continuous Discrete Time High Gain Observer Design for State and Unknown Inputs Estimations Of Quadrotor UAV. In proceedings of 21st the European Control Conference (ECC 21), pp 1186-1186,2021.
13. An integrated design of PI interval observer-based FTC for LTI systems. 30th Mediterranean Conference on Control and Automation (MED), 2022.

Le développement de contrôleurs performants et fiables pour les véhicules connectés et autonomes (CAVs) nécessite la connaissance en temps réel de nombreuses variables. Des exemples de variables nécessaires pour le contrôle sont : distances longitudinales, vitesses et accélérations des véhicules à proximité ; position latérale du véhicule sur sa propre voie ; angle de lacet du véhicule ; angle de glissement ; angle de braquage ; accélération latérale ; et angle de roulis. Il y a aussi des variables environnementales qui doivent être mesurées, comme le coefficient de friction pneu-route, les plaques de neige et la présence d'obstacles inattendus.

Mesurer toutes les variables ci-dessous nécessite des coûts très élevés. En effet, certaines de ces variables, telles que les angles de glissement et de roulis, peuvent être très coûteuses, nécessitant des capteurs de plusieurs milliers d’euros. Par exemple, le capteur optique « Datron » qui mesure l’angle de glissement coûte plus de 10k€. De plus, plusieurs variables ne peuvent pas être mesurées en raison de l’absence de capteurs à tout prix.
Un CAV nécessite des capteurs et des actionneurs très fiables. La défaillance d’un capteur, la présence de cyber-attaques ou de manque d’information, peuvent mener à des accidents désastreux. Par conséquent, des modules fiables de diagnostic et de gestion des défauts sont nécessaires. De tels systèmes ne peuvent pas utiliser la redondance des capteurs, qui nécessite un coût élevé. Ces systèmes doivent donc s’appuyer sur des algorithmes d’estimation et une redondance analytique. Pour cela, le développement d’algorithmes d’estimation intelligents est très important.
Dans ce projet, nous proposerons des idées originales et nous développerons des algorithmes d’estimations efficaces reconstruisant les variables d’état nécessaires pour le contrôle et le diagnostic. Les problèmes considérés sont le suivi de véhicules, l’estimation des défauts de capteurs et d’actionneurs, ainsi que la détection de cyber-attaques. Notre objectif est de proposé une nouvelle approche pour le suivi de véhicules dans les autoroutes ainsi que dans les routes urbaines.
L’idée que nous explorerons est le développement d’observateurs non linéaires basés sur l’apprentissage. Plusieurs éléments dans un véhicule (comme les pneus) ont des modèles très complexes dont les paramètres varient dans le temps. Ce projet utilisera une approche de modélisation combinant des équations différentielles physiques et des réseaux de neurones adaptatifs basés sur l’apprentissage en ligne. En particulier, des phénomènes bien connus comme les rapports de force, le mouvement mécanique de Newton, la traînée aérodynamique, la résistance au roulement, la pente, les termes d’accélération combinés pour les accélérations latérale et de roulis et l’influence de l’angle d’inclinaison de la route seront modélisés par des équations différentielles. Les modèles de pneus pour les forces latérales et longitudinales, le cercle de frottement, les moteurs et les caractéristiques de rigidité et d’amortissement de la suspension seront modélisés par des réseaux de neurones dont les pondérations peuvent être initialement obtenus par la méthode de rétro-propagation. Les paramètres du modèle basé sur les réseaux de neurones et une partie des paramètres des équations différentielles physiques seront également mis à jour en ligne lors de l’utilisation régulière du véhicule.

Des algorithmes plus sophistiqués et intelligents seront développés pour faire face aux défauts de capteurs, aux cyber-attaques et à la perte de données. Toutes les architectures complexes possibles de cyber-attaques seront étudiées.
Bien que ce projet soit axé sur la recherche fondamentale, des développements expérimentaux sont au programme avec notre partenaire industriel FAAR. FAAR mettra à disposition du projet, une plateforme d’innovation haute technologie pour la validation des développements réalisés.