Moving object predictions in dynamic environments for autonomous ground vehicles

Le rôle de la recherche dans le domaine des voitures autonomes est de pouvoir construire des systèmes physiques pouvant se déplacer dans un but précis, sans quelconque intervention extérieure humaine, que ce soit dans des environnements statiques et dynamiques, connus, partiellement connus et inconnus. Le domaine des véhicules autonomes continue à attirer chercheurs et autres techniciens. Le financement pour la recherche dans ce domaine a continué à prendre de l ampleur durant les dernières années, poussant ainsi les travaux à migrer de la théorie vers la pratique. Avant de pouvoir utiliser un véhicule autonome dans le monde réel, il est important d arriver à modéliser le véhicule dans une simulation d une part, et aussi de pouvoir évaluer les performances du véhicule dans le monde virtuel d autre part. Nous présentons le Framework PRIDE (Prediction In Dynamic Environments), une approche hiérarchique à multi résolutions pour la prédiction des objets mobiles. PRIDE regroupe plusieurs algorithmes de prédictions en une seule et même structure. PRIDE est basé sur 4D/RCS (Real-time Control System) et fournit des informations à des planificateurs à différents niveaux de granularité appropriés au temps de prédiction. Les plus bas niveaux du Framework utilisent des prédictions à courts termes basées sur le filtre étendu de Kalman associé à une mesure de confiance. Les plus hauts niveaux font appel à une approche de prédiction probabiliste basée sur la reconnaissance de situations associée à un model de coûts permettant de calculer des prédictions utilisant des informations et des contraintes associées à l environnement. PRIDE a connaissance de la structure du réseau routier via une base de données regroupant des informations sur l environnement. Le résultat de chaque prédiction est passé au planificateur pour le contrôle de la trajectoire du véhicule. Dans divers scénarios, nous avons utilisé PRIDE avec l outil de visualisation AutoSim dans un premier temps, et dans un deuxième temps, avec le Framework MOAST/USARSim, permettant ainsi à PRIDE de pouvoir considérer la physique, la cinématique ainsi que la dynamique des véhiculesThe goal of autonomous vehicles research is to build physical systems that can move purposefully and without human intervention in static and dynamic environments, and also in known, partially known and unknown environments. The field of autonomous vehicles is continuing to gain traction both with researchers and practitioners. Funding for research in this area has continued to grow over the past few years, and recent high profile funding opportunities have started to push theoretical research efforts into practical use. Before releasing any autonomous vehicle in the real world, it is important to model the components within a simulated environment and assess the performance of the vehicles in the virtual world. We present the PRIDE framework (Prediction In Dynamic Environments), a hierarchical multiresolutional approach for moving object prediction that incorporates multiple prediction algorithms into a single, unifying framework. PRIDE is based upon the 4D/RCS (Real-time Control System) and provides information to planners at the level of granularity that is appropriate for their planning horizon. The lower levels of the framework utilize estimation theoretic short-term predictions based upon an extended Kalman filter with an associated confidence measure. The upper levels utilize a probabilistic prédiction approach based upon situation recognition with an underlying cost model that provides predictions that incorporate environmental information and constraints. PRIDE is run in the systems' world model independently of the planner and the control system and has knowledge of the road structures via a road network database. The results of the prediction are made available to a planner to allow it to make accurate plans in dynamic environments. We have applied this approach to the visualization tool AutoSim and later on to the MOAST/USARSim framework which incorporates the physics, kinematics and dynamics of vehicles involved in traffic scenarios.DIJON-BU Sciences Economie (212312102) / SudocSudocFranceF