Architectures intelligentes de nouvelle génération pour des véhicules autonomes et connectés fiables : approches utilisant l'assistance edge et l'apprentissage fédéré

L'arrivée des véhicules connectés et autonomes (CAVs) est responsable de la révolution du transport des personnes et des biens. Néanmoins, il est nécessaire d'avoir un système de prédiction de trajectoire précis et robuste pour atteindre une autonomie qui est fiable, celui-ci constitue une passerelle entre la perception et la planification d'actions. Cependant, un tel contexte soulève de nombreux défis liés aux contraintes de communication, à la préservation de la vie privée, ainsi qu'aux exigences d'exactitude et de robustesse. Nous abordons ces problématiques à travers trois cadres complémentaires dédiés à la prédiction de trajectoires dans les CAVs. Tout d'abord, nous présentons une nouvelle architecture de clustering assistée par l'edge qui utilise des modèles d'apprentissage profond et des technologies de edge pour améliorer les prévisions. Les modèles de base de tous les CAVs prennent en entrée les positions historiques de leur véhicule cible pour générer des prédictions, qui sont envoyées à un serveur edge. Les trajectoires prévues sont ensuite regroupées à l'aide de l'algorithme DBSCAN en partitions de trajectoires, où les trajectoires du plus grand cluster sont moyennées et le résultat renvoyé à tous les CAVs. Nous constatons que notre architecture obtient d'excellentes performances sur le jeu de données nuScenes et résiste aux problèmes de capacité prédictive compromise d'un seul agent. La faisabilité du système est également analysée avec les capacités 5G/6G existantes. Deuxièmement, nous proposons une approche d'apprentissage fédéré (FL) pour la prédiction de trajectoire. Cette approche intègre un réseau neuronal siamois (SNN) afin d'identifier les similarités contextuelles entre les environnements clients. Les clients présentant des contextes statiques similaires sont regroupés avant l'apprentissage fédéré, ce qui améliore la collaboration et les performances de l'architecture. Des expériences sur un jeu de données personnalisé utilisant des scènes de highway drone dataset (highD) et intersection drone dataset (inD) évaluées avec l'Average Displacement Error (ADE) et la Final Displacement Error (FDE), démontrent l'efficacité de cette méthode pour la prédiction de trajectoires en conditions réelles tout en préservant la confidentialité. Troisièmement, nous mettons en avant une nouvelle architecture de FL décentralisée sur plusieurs niveaux pour la prédiction de trajectoire. Cette conception résout les problèmes de point de défaillance unique (SPOF), de goulots d'étranglement, de communication et de dépendance à un serveur central impactant négativement l'apprentissage fédéré centralisé (CFL). Nous créons un framework décentralisé de deux niveaux et composé de plusieurs nœuds, chaque nœud représentant un client unique. Les clients utilisent principalement la communication parent-enfant, ce qui diminue le coût de transmission. Nous démontrons que notre méthode atteint une précision de prédiction comparable à celle du CFL tout en réduisant les coûts de communication sur les jeux de données highD et inD. Nos architectures représentent un progrès considérable en matière de prédiction de trajectoire au sein des CAVs. Dans ce travail de thèse, plusieurs défis sont relevés en termes de précision, de confidentialité, de robustesse et de scalabilité grâce aux méthodes assistées par l'edge, de FL contextuel et de décentralisation hiérarchique. Ce travail constitue une base pour développer des solutions de prédiction de trajectoire plus robustes et mieux adaptées aux contextes réels de conduite autonome.