Motorcycle motion dynamics modeling : combining domain knowledge-based and datadriven models

Les accidents de moto, en particulier les chutes par glissade (lowside), représentent un enjeu majeur de sécurité routière en raison de l'instabilité des véhicules à deux-roues motorisés (PTW) et de la faible protection des usagers. Cette thèse propose un cadre hybride combinant modélisation physique et apprentissage automatique pour la prédiction de ces accidents. Un modèle analytique à quatre corps, basé sur le principe de Jourdain, est développé pour représenter les dynamiques longitudinales et latérales, et un observateur d'état permet d'estimer des variables critiques non mesurables à partir des données d'une centrale inertielle (IMU). Ces estimations alimentent un algorithme de classification capable d'anticiper les chutes avec précision et dans des délais compatibles avec le déclenchement de dispositifs de sécurité, tels que les airbags. Validée sur plus de 7 000 scénarios simulés, cette approche améliore la performance et l'explicabilité des systèmes embarqués de protection des accidents.