Résilience par conception & prévision de défaillances pour un véhicule autonome connecté

Autonomous vehicles with an automation level 5 will drive autonomously in any road scenarios such as highways, snowy roads, urban areas, or traffic jams. The integration of V2X communication, as a new source of perception for the vehicle could remove the limitations of local perception by communicating with an occluded pedestrian or by detecting in advance the presence of a vehicle under a heavy mist. However, this V2X communication may be a new source of attacks threatening the vehicle perception. Current countermeasures are not designed for all autonomous vehicles because these countermeasures require the driver assistance or work with a specific set of sensors. Therefore, the thesis aims to propose a generic failure resilient perception architecture for all types of connected and autonomous vehicles supporting different kinds of sensors. In this thesis, we propose a generic perception architecture named GPA with its failure resilient perception algorithm (FRPA). We propose a new threat analysis and risk assessment method named SARA that identifies and assess the risk of attacks targeting connected and automated vehicles with an automation level 5. To identify where and how these attacks occur, we propose an attacker and a security goal model for all automotive perception systems. We implemented two modules of our failures resilient perception algorithm (FRPA): a Machine Learning based Failure Classifier and a V2X-Sensor Correlation Module considering three kinds of source: camera, radar, and V2X. We highlighted several new attacks in the perception pipeline and raise the need for new security countermeasures such as the physical integrity of road infrastructures and trustworthy perception algorithms. Besides, our countermeasures based on machine learning and sensor correlation showed very accurate results to detect and classifies perception failures (over 90% accuracy score). Finally, the ideas developed in the thesis resulted in 10 filled patents and several publications.Les véhicules autonomes dotés d'un niveau d'automatisation 5 conduiront de manière autonome dans tous les scénarios routiers tels que les autoroutes, les routes enneigées, les zones urbaines ou les embouteillages. L'intégration de la communication V2X, en tant que nouvelle source de perception du véhicule, pourrait supprimer les limitations de la perception locale en communiquant avec un piéton caché par un obstacle ou en détectant à l'avance la présence d'un véhicule caché par un brouillard épais. Cependant, cette communication V2X peut constituer une nouvelle source d'attaques menaçant la perception du véhicule. Les contre-mesures actuelles ne sont pas conçues pour toutes les architectures de véhicules autonomes, car elles requièrent l'assistance du conducteur ou fonctionnent avec un ensemble spécifique de capteurs. La thèse vise donc à proposer une architecture de perception générique et résiliante aux défaillances pour tous les types de véhicules connectés et autonomes. Dans cette thèse, nous proposons une architecture de perception générique nommée GPA avec son algorithme de perception résiliante aux défaillances (FRPA). Nous proposons une nouvelle méthode d'analyse de menaces et d'évaluation des risques nommée SARA, qui identifie et évalue le risque d'attaques ciblant les véhicules connectés et automatisés de niveau 5. Pour identifier où et comment ces attaques ont lieu, nous proposons un modèle d'attaquant et un modèle d'objectifs de sécurité pour tous les systèmes de perception automobile. Nous avons implémenté deux modules de notre algorithme FRPA: un module classification des défaillances basé sur une méthode de Machine Learning et un module de corrélation V2X-Capteur en considérant trois sources d'information: radar, camera et V2X. Nous avons mis en évidence plusieurs nouvelles attaques dans le cycle de perception et soulevé le besoin de nouvelles contre-mesures de sécurité centrées sur l'intégrité physique des infrastructures routières et sur les algorithmes de perception fiables. De plus, nos contre-mesures basées sur l'apprentissage automatique et la corrélation entre capteurs sont très précises pour détecter et classifier les défaillances de perception (score de précision supérieur à 90 %). Enfin, les idées développées dans la thèse ont abouti à 10 brevets déposés et à plusieurs publications