Détection et suivi d'objets dans le cadre de la théorie de l'évidence pour l'aide à la conduite automobile / Yann Lemeret ; sous la direction de Daniel Jolly

Date :

Editeur / Publisher : [S.l.] : [s.n.] , 2006

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Conduite automobile

Fusion multicapteurs

Kalman, Filtrage de

Jolly, Daniel (1947-.... ; auteur en génie informatique) (Directeur de thèse / thesis advisor)

Université d'Artois (1991-....) (Organisme de soutenance / degree-grantor)

Relation : Détection et suivi d'objets dans le cadre de la théorie de l'évidence pour l'aide à la conduite automobile / Yann Lemeret ; sous la direction de Daniel Jolly / Grenoble : Atelier national de reproduction des thèses , 2006

Résumé / Abstract : Les travaux présentés dans ce mémoire s’inscrivent dans le cadre du projet RaViOLi et traitent du suivi multi-objets pour l’aide à la conduite. Dans ce projet, les capteurs utilisés sont : un radar, un lidar et un système de stéréovision. Chaque capteur fourni une liste d’objets détectés avec leurs coordonnées respectives référencées en distance et en angle par rapport à ce capteur. L’utilisation de ces nformations s’effectue grâce à la théorie des fonctions de croyance, qui permet de transformer ces données en masses de croyance et de les fusionner. Ensuite, un algorithme de mise en correspondance, basé lui aussi sur la théorie des fonctions de croyance, permet de retrouver les objets dans la scène à chaque nouvelle mesure des capteurs. Cette mise en correspondance s’effectue en comparant la liste des objets de l’instant précédent avec la nouvelle provenant des capteurs, il faut alors retrouver les objets correspondants dans les deux listes. Pour cette étape d’association, nous avons repris un algorithme existant, qui avait été développé par M. Rombaut, et que nous avons modifié pour qu’il s’adapte aux contraintes du projet RaViOLi. Nous comparons donc les résultats obtenus par les deux méthodes d’association ainsi que leurs limites et les avantages des modifications que nous avons apportés. Enfin, nous terminons par une étape de prédiction. Une première prédiction de l’évolution de la position des objets est effectuée à t + dt seconde, où dt représente la période d’échantillonnage du capteur. Cette prédiction est utilisée comme une information supplémentaire dans l’étape d’association des objets pour améliorer le suivi. Une seconde prédiction est réalisée à plus long terme t+n secondes, où n dépend de la vitesse du véhicule. Cette prédiction permet de détecter les véhicules potentiellement dangereux et de prévenir le conducteur suffisamment à l’avance pour qu’il puisse réagir. Des tests sont effectués, sur des données synthétiques puis réelles, pour vérifier la robustesse de l’algorithme dans différentes situations.

Résumé / Abstract : This work is a part of the RaViOLi project and is about multi-objects tracking for driver assistance. In this project, the experimental car is fitted with : a radar, a lidar and a stereovision system. A list of detected objects is provided by each sensor including their coordinates given in distance and angle. This information is treated with the belief functions theory which change data in belief masses. Then, a tracking algorithm, also based on belief functions theory, is used to localize again the detected objects in the new objects list provided by the sensors. This association is made by comparing the old objects list to the new one between each sample time, and when an object match in the two lists, it is considered to be the same. An existing tracking algorithm, developed by M. Rombaut, was used and it was modified to fit the constraints of project RaViOLi. A comparison between these two methods of association is shown, as well as their limits and the advantages of the modifications made. Finally, a prediction step is used to predict objects positions at two different times. First, a t + dt second prediction is computed, where dt corresponds to the sampling time of the sensor. This prediction is used as new data in the association step to improve the tracking. Then, a prediction at t + n seconds is done, where n depends of the car speed. Dangerous cars can thus be extracted and an alert can be sent to the driver if necessary. Synthetics and real data are used to test the robustness of the algorithm in several situations.