«
Architectures intelligentes de nouvelle génération pour des véhicules
autonomes et connectés fiables : approches utilisant l’assistance edge
et l’apprentissage fédéré »

M. Badii JOUABER, Professor, Télécom SudParis, FRANCE – Directeur de theseMme Salima BENBERNOU, Professor, Université Paris Cité, FRANCE – ExaminateurM. Ken CHEN, Professor, Université Paris 13, FRANCE – ExaminateurM. Nadjib AIT SAADI, Professor, UVSQ Paris-Saclay / Paris-Saclay university , FRANCE – RapporteurM. Pascal LORENZ, Professor, Université de Haute-Alsace, FRANCE – RapporteurM. Hassine MOUNGLA, Professor, Université Paris Cité, FRANCE – Co-encadrant de these

L’arrivée
des véhicules connectés et autonomes (CAVs) est responsable de la
révolution du transport des personnes et des biens. Néanmoins, il est
nécessaire d’avoir un système de prédiction de trajectoire précis et
robuste pour atteindre une autonomie qui est fiable, celui-ci constitue
une passerelle entre la perception et la planification d’actions.
Cependant, un tel contexte soulève de nombreux défis liés aux
contraintes de communication, à la préservation de la vie privée, ainsi
qu’aux exigences d’exactitude et de robustesse. Nous abordons ces
problématiques à travers trois cadres complémentaires dédiés à la
prédiction de trajectoires dans les CAVs. Tout d’abord, nous présentons
une nouvelle architecture de clustering assistée par l’edge qui utilise
des modèles d’apprentissage profond et des technologies de edge pour
améliorer les prévisions. Les modèles de base de tous les CAVs prennent
en entrée les positions historiques de leur véhicule cible pour générer
des prédictions, qui sont envoyées à un serveur edge. Les trajectoires
prévues sont ensuite regroupées à l’aide de l’algorithme DBSCAN en
partitions de trajectoires, où les trajectoires du plus grand cluster
sont moyennées et le résultat renvoyé à tous les CAVs. Nous constatons
que notre architecture obtient d’excellentes performances sur le jeu
de données nuScenes et résiste aux problèmes de capacité prédictive
compromise d’un seul agent. La faisabilité du système est également
analysée avec les capacités 5G/6G existantes. Deuxièmement, nous
proposons une approche d’apprentissage fédéré (FL) pour la prédiction de
trajectoire. Cette approche intègre un réseau neuronal siamois (SNN)
afin d’identifier les similarités contextuelles entre les environnements
clients. Les clients présentant des contextes statiques similaires sont
regroupés avant l’apprentissage fédéré, ce qui améliore la
collaboration et les performances de l’architecture. Des expériences sur
un jeu
de données personnalisé utilisant des scènes de highway drone dataset
(highD) et intersection drone dataset (inD) évaluées avec l’Average
Displacement Error (ADE) et la Final Displacement Error (FDE),
démontrent l’efficacité de cette méthode pour la prédiction de
trajectoires en conditions réelles tout en préservant la
confidentialité. Troisièmement, nous mettons en avant une nouvelle
architecture de FL décentralisée sur plusieurs niveaux pour la
prédiction de trajectoire. Cette conception résout les problèmes de
point de défaillance unique (SPOF), de goulots d’étranglement, de
communication et de dépendance à un serveur central impactant
négativement l’apprentissage fédéré centralisé (CFL). Nous créons un
framework décentralisé de deux niveaux et composé de plusieurs nœuds,
chaque nœud représentant un client unique. Les clients utilisent
principalement la communication parent-enfant, ce qui diminue le coût de
transmission. Nous démontrons que notre méthode atteint une précision
de prédiction comparable à celle du CFL tout en réduisant les coûts de
communication sur les jeux de données highD et inD. Nos architectures
représentent un progrès considérable en matière de prédiction de
trajectoire au sein des CAVs. Dans ce travail de thèse, plusieurs défis
sont relevés en termes de précision, de confidentialité, de robustesse
et de scalabilité grâce aux méthodes assistées par l’edge, de FL
contextuel et de décentralisation hiérarchique. Ce travail constitue une
base pour développer des solutions de prédiction de trajectoire plus
robustes et mieux adaptées aux contextes réels de conduite autonome.

The
advent of Connected and Autonomous Vehicles (CAVs) plays a massive role
in people and goods transportation. To attain reliable autonomy, a
precise and robust trajectory prediction system serving as a connector
between perception and action planning is required. However, many
problems related to the constraints of communication, privacy
preservation, accuracy, and robustness arise in such a setting. We
tackle these issues through three complementary frameworks for
trajectory prediction in CAVs ecosystem. First, we present a new
edge-assisted clustering architecture that utilizes deep learning models
and edge technology to enhance forecasting. The base models of all CAVs
take as input the historical locations of their target vehicle to
generate predictions, which are sent to an edge server. The forecasted
trajectories are then clustered using DBSCAN algorithm into trajectory
partitions, where the largest cluster is averaged and sent back to all
CAVs. We find that our architecture obtains strong performance on the
nuScenes dataset and is resilient to a single agent’s compromised
predictive capability. The system feasibility is also analyzed with
existing 5G/6G capabilities. Second, we propose a Federated Learning
(FL) approach for trajectory prediction that incorporates a Siamese
Neural Network (SNN) to identify contextual similarities between client
environments. Clients with similar static contexts are clustered
together before the federated training, leading to more efficient
collaboration and improved architecture performance. Experiments on a
custom dataset using scenes from the highway drone dataset (highD) and
intersection drone dataset (inD), evaluated with Average Displacement
Error (ADE) and Final Displacement Error (FDE), demonstrate that this
method is effective for real-world trajectory prediction while
preserving privacy. Third, we introduce a new multi-level decentralized
Federated Learning architecture for trajectory prediction. This design
solves the problems of single point of failure (SPOF), communication
bottlenecks, and reliance on a central server that Centralized Federated
Learning (CFL) suffers from. We create our two-level decentralized
framework composed of multiple nodes where each node represents a single
client. Clients mainly have parent-child communication, which limits
the transmission overhead. We show that our method achieves comparable
prediction accuracy to CFL while reducing communication costs on the
highD and inD datasets. Our frameworks represent a significant
advancement in trajectory prediction for the CAV ecosystem. This thesis
tackles important challenges by providing solutions that target
accuracy, privacy, robustness, and scalability. To this end, we design
edge-assisted consensus, context-aware FL, and hierarchical
decentralization methods. This work provides a basis for trajectory
prediction methods that are not only more reliable but also more closely
aligned with real-world applications in autonomous driving.