Road Traffic Models for Validation of Autonomous Vehicle Functionalities - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Thèse Année : 2021

Road Traffic Models for Validation of Autonomous Vehicle Functionalities

Modèles de trafic routier pour la validation de fonctionnalités de véhicule autonome

Résumé

There is a growing interest in autonomous driving as it is expected that fully autonomous vehicles can reduce car accidents and improve overall traffic safety. However, autonomous driving is a complex process combining sensing, perception, prediction, computation, and decision. In addition, the traffic environment is dynamic and involves interactions among road users. Therefore, driving tests are essential to validate the autonomous vehicle's functionalities. Real-world driving tests seem to be a great challenge as fatal accidents cannot be prevented yet. Alternatively, performing driving tests by simulation can reduce time and cost, and avoid potentially dangerous situations. The increasing use of traffic simulation for many studies highlights the importance of a good understanding and modeling of human driving behavior.This thesis mainly focuses on microscopic traffic modelling for human driving models, with the aim of creating, with numerical simulation, a realistic vehicular traffic, which is useful for the validation of autonomous vehicle's features.The main contributions of this thesis consist in :1. Car-collision generation in numerical traffic simulation: I proposed an approach of car-collision generation in numerical traffic simulation considering different car-following behaviors. After the investigation of different driver profiles in a real traffic data-set, I classified three driving profiles, where I distinguished aggressive and inattentive driver profiles from the normal profile. I then proposed to increase the proportion of the two ‘extreme’ driver profiles (aggressive and inattentive) in the whole traffic population by replacing the normal drivers, to simulate in a traffic simulator, SUMO (Simulation of Urban Mobility), and observe eventually the occurrence of car-collisions. I was able to formulate a relationship between the ratios of these two driver profiles over the entire driver population, and the number of car collisions. This analysis used part of the NGSIM 101 data-set and was validated on another part of the same data-set. I also studied the severity of the generated collisions. I found that collisions involved between an inattentive driver as the leader and an aggressive driver as the follower are the most frequent ones, while collisions between two inattentive drivers are the severest ones.2. Lane change modeling using reinforcement learning: The second work in my PHD is on the lane change modeling, where a reinforcement learning model has been developed. The model aims to imitate real lane change decisions, based on the NGSIM traffic data-set. I proposed a Q-learning model for the human lane change decisions. The model shows good performances in mimicking human decisions with up to 95% of success. Moreover, the model uses numerical traffic simulation (SUMO) to complete the unknown situations in the real data-set. We observed that 13% additional traffic conditions were created by the traffic simulation environment.3. LSTM neural network for human driving behavior: In the third work of my PHD, I proposed an LSTM neural network model for car-following and lane-changing behaviors modeling on road networks. In this work, I proposed different models with different input designs and compared them. The selected model shows good performances on both predicting the longitudinal speed and the lateral position of cars. Moreover, the obtained results show that the selected model outperforms the classical IDM (Intelligent Driver Model) in the accuracy of replicating car-following behavior. The models were implemented on the NGSIM 101 and the HighD traffic data-sets
Le système de véhicule autonome est très complexe. L'environnement routier est dynamique et implique de nombreuses interactions entre les usagers de la route. Par conséquent, les tests de conduite sont essentiels pour valider des fonctionnalités du véhicule autonome. La simulation numérique permet de réduire le temps et les coûts, et d'éviter les situations potentiellement dangereuses pour la validation des véhicules autonomes. L'intérêt croissant porté à l'utilisation de la simulation numérique du trafic routier souligne l'importance d'une bonne compréhension et d'une bonne modélisation du comportement de conduite humaine.Les principales contributions de cette thèse consistent en :1. Génération de collisions par la simulation numérique de trafic : Mon premier travail dans cette thèse est l'analyse du comportement du conducteur en ce qui concerne la loi de poursuite. En outre, dans le but de tester la réaction d'un véhicule autonome en cas d'accident dans le trafic, j'ai proposé une approche pour la génération de collisions entre véhicules. Après avoir étudié différents profils de conducteurs dans un ensemble de données de trafic réelles, j'ai classifié trois profils de conducteurs, en distinguant les profils agressif et inattentif, du profil normal. J'ai ensuite proposé d'augmenter la proportion des deux profils de conducteurs (agressif et inattentif) dans la population totale du trafic, et de simuler le trafic à l'aide du simulateur SUMO (Simulation of Urban Mobility), pour observer les occurrences éventuelles de collisions de voitures. Par cette méthode, j'ai caractérisé une relation entre les ratios de ces deux profils de conducteurs sur l'ensemble de la population de conducteurs dans le trafic, et le nombre de collisions de voitures. Cette approche est étudiée sur une partie de l'ensemble de données NGSIM 101, et ensuite, validée sur une autre partie de cette base de données. J'ai également étudié la gravité des collisions générées dans la simulation. J'ai constaté que les collisions impliquées par un conducteur leader inattentif suivi par un conducteur agressif, sont les plus fréquentes ; tandis que les collisions impliquées entre deux conducteurs inattentifs sont les plus graves.2. Modélisation du changement de voie par apprentissage par renforcement : Le deuxième travail de ma thèse porte sur la modélisation des changements de voie, où un modèle d'apprentissage par renforcement a été développé. Le modèle permet d'imiter les décisions réelles de changement de voie, en se basant sur l'ensemble de données de trafic NGSIM. En conséquence, le modèle montre de bonnes performances dans l'imitation des décisions humaines de changement de voie, avec jusqu'à 95% de précision. En outre, le modèle utilise la simulation numérique du trafic (SUMO) pour compléter les situations inconnues dans la base de données réelles, où nous avons observé que 13% des conditions de trafic supplémentaires sont créées par l'environnement de simulation du trafic.3. Modèle de comportement de conduite humaine par le réseau neuronal LSTM : Dans le troisième travail, j'ai proposé un modèle pour prédire le comportement de poursuite et le comportement de changement de voies en même temps, en utilisant les réseaux neuronaux LSTM. Dans ce travail, j'ai proposé différents modèles avec différentes conceptions des variables d’entrée ; puis je les ai comparés. Le meilleur modèle sélectionné montre de bonnes performances pour la prédiction de la vitesse longitudinale et de la position latérale des voitures. De plus, les résultats obtenus montrent que ce modèle sélectionné est plus performant que le modèle classique IDM (Intelligent Driver Model) dans la précision de la reproduction du comportement de poursuite. J'ai d'abord implémenté les modèles proposés sur la base de l'ensemble de données NGSIM 101, ensuite sur l'ensemble de données HighD
Fichier principal
Vignette du fichier
TH2021UEFL2035.pdf (14.95 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03687032 , version 1 (03-06-2022)

Identifiants

  • HAL Id : tel-03687032 , version 1

Citer

Lu Zhao. Road Traffic Models for Validation of Autonomous Vehicle Functionalities. Embedded Systems. Université Gustave Eiffel, 2021. English. ⟨NNT : 2021UEFL2035⟩. ⟨tel-03687032⟩
185 Consultations
86 Téléchargements

Partager

Gmail Facebook X LinkedIn More