Your browser is outdated!

To ensure you have the best experience and security possible, update your browser. Update now

×

Khaoula Lassoued

Khaoula Lassoued

R&D Engineer, R&D Project Manager, PhD Researcher

Robotic-Embedded Systems
Autonomous Vehicles
Cooperative Localization
Data Fusion
PhD-Engineer
Driving License
Paris France
Employed Open to opportunities
PhD, expert in cooperative localization of autonomous vehicles

"Collaborative strategies for a maximum efficiency and reliability"
Description
Traffic Lights Maps of Compiègne using city data
Description
Contexte
La technologie est en train de transformer rapidement le secteur automobile. Un des challenges de cette industrie est d’innover en respectant les réglementations en vigueur ou à venir, et notamment en ce qui concerne le domaine en pleine croissance de véhicule autonome. Dans ce cadre, l’objectif de ce stage master est de proposer un algorithme de planification/contrôle pour atteindre la qualité et la souplesse de la conduite d’un être humain.
Il existe à l’heure actuelle des algorithmes qui permettent la planification de trajectoires particulières (ex. évitement d’obstacle sur autoroute à grande vitesse, manœuvre de dépassement et de parking), il s’agit dans ce travail de stage d’assurer la continuité de trajectoire et de contrôle dans le cas de différentes trajectoires contenant des cas d’usages complexes comme par exemple les intersections, les virages serrés et les ronds-points [1].

Objectifs
Le stagiaire sera amené au travers d’un état de l’art à caractériser des algorithmes de planifications et de commande permettant d’orienter le recueil des données de référence (i.e. vérité terrain) et d’identifier les indicateurs de performances (ex. plage vitesse, accélération et jerk etc.) selon le cas d’usage et la situation de conduite. Sur cette base, le stagiaire proposera un algorithme de planification/contrôle pour la conduite souple. Une des méthodes qui pourrait être développée est le contrôle basé sur des modèles prédictives MPC (Model Predictive Control) [2, 3].
Cet algorithme sera testé en simulation et en condition réelle lors d’une éventuelle expérimentation.

Compétences
• Connaissances de base en automatique/robotique et théories de contrôle
• Matlab/Simulink, C++ et ROS seront appréciés

Durée : 6 mois

Encadrants : Khaoula Lassoued et Reine Talj


[1] Xiangjun Qian, Jean Gregoire, Arnaud De La Fortelle, Fabien Moutarde. Decentralized model predictive control for smooth coordination of automated vehicles at intersection. European Control Conference, Jul 2015, Linz, Austria.
[2] B. Nordell, “Trajectory Planning for Autonomous Vehicles and Cooperative Driving”. TRITA EE, KTH Royal Institute of Technology, Sweden, 2016.
[3] J. Levinson, J. Askeland, J. Becker, J. Dolson, D. Held, S. Kammel, J. Kolter, D. Langer, O. Pink, V. Pratt, M. Sokolsky, G. Stanek, D. Stavens, A. Teichman, M. Werling, and S. Thrun, “Towards fully autonomous driving: Systems and algorithms”, IEEE IV, Jun. 2011, pp. 163–168.
Description
The proposed cooperative localization strategy is based on Set-membership method, where autonomous vehicles share their estimated GNSS errors, Dead Reckoning (DR), IMU measurements and positions in order to improve their absolute and relative positioning.
The top view of the trajectories and the estimated position boxes of both vehicles are presented.

A low-cost U-blox 4T GPS receiver providing pseudo-ranges was used in each vehicle. A Polarx Septentrio was used in RTK mode to obtain the ground truth data and a CAN-bus gateway to get the DR measurements.

Uploaded by Khaoula Lassoued on 2016-01-20.