Développement d’un algorithme d’évitement de collisions pour un véhicule dans des conditions de faible adhérence
Notice bibliographique
Résumé
Malgré les développements technologiques considérables dans le domaine de l’assistance à la conduite, le nombre d’accidents de la route au Québec se voit augmenter de 30 % en présence de conditions hivernales, caractérisées par la présence de glace et de neige au sol, par rapport aux autres saisons. Le projet de recherche dont traite ce mémoire est réalisé dans le cadre du programme de maîtrise en génie mécanique à l’Université de Sherbrooke et vise à développer un algorithme intelligent d’évitement des collisions basé sur la physique pour un véhicule évoluant dans des conditions de faible adhérence. La stratégie proposée vise à développer une méthode de contrôle hybride entre une approche basée sur un modèle dynamique et une approche basée sur les données, pour favoriser un apprentissage rapide dans des scénarios pour lesquels la disponibilité des données est limitée. Cette approche consiste à fournir un ensemble de paramètres pertinents à la caractérisation de la relation entre le véhicule et le sol à un algorithme dont le rôle est de déterminer la manoeuvre optimale à effectuer en fonction des paramètres estimés par le filtre. Ce mémoire présente la réalisation d’une preuve de concept expérimentale d’un algorithme d’évitement de collision pour véhicules évoluant dans des conditions de faible adhérence, implémenté sur une plateforme de voiture à l’échelle 1/5ème. Un estimateur basé sur un modèle dynamique traite d’abord les données de capteurs provenant du IMU, du LIDAR et des encodeurs pour estimer les paramètres pertinents du véhicule et des conditions du sol, tels que la vitesse inertielle du véhicule v, la vitesse angulaire des roues ω, l’accélération a, le coefficient de friction μ, la cohésion c et l’angle de cisaillement interne ϕ. Ensuite, un prédicteur piloté par les données est entraîné pour prédire la manoeuvre optimale à effectuer dans la situation caractérisée par les paramètres estimés. L’expérimentation démontre qu’il est possible de produire une estimation en temps réel des paramètres du véhicule et du sol et de déterminer une manoeuvre optimale d’évitement des collisions sur la base des paramètres estimés.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».