
Learning off-road maneuver plans for autonomous vehicles
Apprentissage de plans de manoeuvres off-road pour véhicules autonomes
Osanlou, Kévin (2021), Learning off-road maneuver plans for autonomous vehicles, doctoral thesis prepared under the supervision of Cazenave, Tristan, Université Paris sciences et lettres
Author(s)
Osanlou, KévinUnder the direction of
Cazenave, TristanAbstract (FR)
Cette thèse étudie l'apport que peut présenter l'apprentissage automatique pour des tâches de planification dans le cadre de véhicules autonomes en situation off-road. Nous nous intéressons plus particulièrement à des problèmes de planification d'itinéraire sous contraintes, ainsi que de calcul de stratégies d'exécution de manœuvres synchronisées avec d'autres véhicules. Nous présentons une série d'heuristiques basées sur de l'apprentissage ayant pour but d'aider des planificateurs d'itinéraire. Nous montrons que ces heuristiques permettent un gain significatif de performance pour des planificateurs optimaux. Nous montrons également dans le cas de la planification approximative un gain qui ne se limite pas à la performance uniquement mais s'étend également à la qualité de l'itinéraire trouvé, ce dernier étant presque toujours meilleur. Enfin, afin de calculer des stratégies d'exécution de manœuvres synchronisées, nous proposons une nouvelle forme de contrôlabilité dynamique de planification ainsi qu'un algorithme assisté par apprentissage. La technique proposée permet une nette amélioration sur des benchmarks connus dans cette forme de contrôlabilité vis à vis des travaux de l'état de l'art qui portent sur une forme de contrôlabilité analogue. Elle permet aussi de trouver des stratégies pour des problèmes de planification difficiles que les travaux précédents ne peuvent résoudre.Abstract (EN)
This thesis explores the benefits machine learning algorithms can bring to online planning and scheduling for autonomous vehicles in off-road situations. Mainly, we focus on typical problems of interest which include computing itineraries that meet certain objectives, as well as computing scheduling strategies to execute synchronized maneuvers with other vehicles. We present a range of learning-based heuristics to assist different itinerary planners. We show that these heuristics allow a significant increase in performance for optimal planners. Furthermore, in the case of approximate planning, we show that not only does the running time decrease, the quality of the itinerary found also becomes almost always better. Finally, in order to synthesize strategies to execute synchronized maneuvers, we propose a novel type of scheduling controllability and a learning-assisted algorithm. The proposed framework achieves significant improvement on known benchmarks in this controllability type over the performance of state-of-the-art works in a related controllability type. Moreover, it is able to find strategies on complex scheduling problems for which previous works fail to do soSubjects / Keywords
Intelligence Artificielle; Planification; Planification sous Incertitude; Apprentissage Automatique; Apprentissage par Renforcement; Graph Neural Networks; Artificial Intelligence; Automated Planning; Scheduling under Uncertainty; Machine Learning; Reinforcement Learning; Graph Neural NetworksRelated items
Showing items related by title and author.
-
Marciano, Abraham (2018-07-03) Thèse
-
Suarez Forero, Maria Juliana (2022-12-12) Thèse
-
Genevay, Aude (2019-03-13) Thèse
-
Labernia, Fabien (2018-09-27) Thèse
-
Hmida, Hmida (2019-10-23) Thèse