Advanced estimation algorithms for connected and autonomous vehicle applications
Algorithmes avancés d'estimation pour les applications des véhicules connectés et autonomes
Résumé
This thesis is dedicated to the development of advanced estimation algorithms specifically designed for autonomous vehicle applications. Initially, we provide a comprehensive overview of various vehicle controllers and advanced driving assistance systems, setting the stage for an in-depth discussion of vehicle dynamics and kinematics models. We then explore both classical (model-based) and machine learning-based (data-driven) observers, examining their literature and applications within vehicular and robotics contexts. Our research introduces several novel methodologies: first, a finite time interval estimation approach for discrete Linear Parameter Varying (LPV) systems, applied to the vehicle's lateral dynamics to estimate side slip despite uncertainties in cornering stiffness. Next, we propose a neuro-adaptive observer that combines neural networks with concurrent learning to estimate unknown forces in the vehicle's longitudinal model. Furthermore, we present a generalized high-gain observer, incorporating Linear Matrix Inequality (LMI) conditions and a threshold constraint on the high-gain parameter, designed to handle additional measurements and constraints. This observer ensures Input-to-State Stability (ISS) bounds on measurement noise and adapts to non-canonical systems via output transformation and augmented system design. Finally, we validate our methods through extensive simulations using the CARLA simulator and trajectory estimation with the KITTI dataset, demonstrating superior performance in terms of accuracy, convergence speed, and robustness in various vehicular scenarios. The outcomes illustrate significant improvements over traditional methods, highlighting the practical potential of our advanced estimation techniques in enhancing autonomous vehicle performance.
Cette thèse est dédiée au développement d'algorithmes d'estimation avancés spécifiquement conçus pour les applications des véhicules autonomes. Initialement, nous fournissons un aperçu complet des différents contrôleurs de véhicules et des systèmes avancés d'assistance à la conduite, préparant le terrain pour une discussion approfondie sur les modèles de dynamique et de cinématique des véhicules. Nous explorons ensuite les observateurs classiques (basés sur des modèles) et ceux basés sur l'apprentissage automatique (pilotés par les données), en examinant leur littérature et leurs applications dans les contextes des véhicules et de la robotique. Notre recherche introduit plusieurs méthodologies novatrices : d'abord, une approche d'estimation sur un intervalle de temps fini pour les systèmes à paramètres variables linéaires (LPV) discrets, appliquée à la dynamique latérale du véhicule pour estimer le dérapage malgré les incertitudes de la rigidité en courbe. Ensuite, nous proposons un observateur neuro-adaptatif qui combine les réseaux neuronaux avec l'apprentissage concurrent pour estimer les forces inconnues dans le modèle longitudinal du véhicule. En outre, nous présentons un observateur généralisé à grand gain, incorporant des conditions de matrice linéairement inégalitaire (LMI) et une contrainte de seuil sur le paramètre de grand gain, conçu pour gérer des mesures et des contraintes supplémentaires. Cet observateur garantit des bornes de stabilité entrée-état (ISS) sur le bruit de mesure et s'adapte aux systèmes non canoniques via une transformation de sortie et une conception de système augmenté. Enfin, nous validons nos méthodes par des simulations étendues en utilisant le simulateur CARLA et l'estimation de trajectoire avec le jeu de données KITTI, démontrant une performance supérieure en termes de précision, de vitesse de convergence et de robustesse dans divers scénarios de véhicules. Les résultats illustrent des améliorations significatives par rapport aux méthodes traditionnelles, soulignant le potentiel pratique de nos techniques d'estimation avancées pour améliorer les performances des véhicules autonomes.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|