Добірка наукової літератури з теми "Véhicule off-Road"

L’automatisation des véhicules agricoles est aujourd’hui un enjeu majeur de la mutation des pratiques agricoles. Munis des capteurs ad hoc, il est question ici de leur capacité à suivre une trajectoire prédéfinie, de manière robuste afin d’assurer leur mission en dépit d’un sol complexe. Cette thèse contribue au sujet en revisitant les problématiques de contrôle des dynamiques latérales et longitudinales. Dans le but de générer une commande robuste des angles de braquage, le suivi latéral du chemin de référence proposé s’appuie sur une approche multi-objectif H2/H∞ et multi-modèle, de manière à optimiser le compromis performances/robustesse à partir des incertitudes explicitées. Le contrôle longitudinal proposé est novateur à plusieurs points de vue. Quoique conçu indépendamment du contrôle latéral, il tient compte des aspects liés à la dynamique latérale, et vise à prévenir les pertes d’adhérence et risques de renversement. La prise en compte de telles contraintes et la nécessité d’anticipation ont induit le choix d’une commande prédictive non-linéaire. Au final, la pertinence de la solution et de la méthode est illustrée par le biais d’un simulateur réaliste, sur la base de scénarios faisant intervenir des configurations multiples de pentes et de vitesses
The automation of off-road vehicles has become nowadays a strategic line of research given the recent and profound mutations of agricultural practices. This thesis deals with the conception of two independent controllers of an off-road vehicle, regulating both longitudinal and lateral dynamics. The first regulator aims to minimize the deviations with respect to a reference path by controlling the steering angles. It relies on anextended bicycle model that accounts for the slopes and load transfers. The H2/H∞ multi-objective synthesis allows the consideration of large model uncertainties. The adaptability of this controller is enhanced by the feedback/feedforward architecture which ensures the global robustness of the regulator. The second controller regulates the longitudinal dynamics of the vehicle. It lies on model predictive control. Anti-slip and anti-rollover constraints are explicitly defined during the synthesis of the regulator to ensure the stability of the off-road vehicle operating on slippery sloping grounds. The designed controllers have been tested on a realistic simulator which takes account of great load transfers within the vehicle, which are common in agricultural context. Both controllers have demonstrated satisfactory performances while exploring a variety of slopes and speeds

Le développement récent des Loisirs Motorisés Hors Route (LMHR) suscite une controverse et de vives réactions dans les milieux du sport et de la protection de l'environnement. Le phénomène est encore peu étudié, à la fois du fait qu'il est récent, que l'argumentation relève de plusieurs disciplines et que les loisirs motorisés, s'ils font partie sans problème de l'outdoor recreation nord-américaine, sont rejetés en France par les autres sportifs et ne sont pas reconnus de façon évidente comme relevant du domaine d'une discipline particulière.

Afin de combler un manque dans la littérature scientifique française, cette thèse vise à apporter une connaissance fine de la dynamique de la controverse – en tant qu'échange d'arguments génériques – et des conflits dont les LMHR font l'objet. Elle présente deux originalités majeures : sa thématique et son approche combinant les théories de l'acteur-réseau avec les outils de visualisation et d'analyse de réseau basés sur la théorie des graphes. Cette construction théorique et méthodologique visait à interroger les interrelations entre la controverse portée par des collectifs présents sur la scène nationale et les conflits et interactions sur le terrain. Pour cela, nous avons mené des enquêtes sur quatre scènes : la scène nationale (composée de collectifs pro et anti-motorisé, de Fédérations, de constructeurs, de gestionnaires et décideurs et d'élus) ; deux scènes locales conflictuelles où des démarches de gestion sont en cours (le PNR du Pilat et les Chambarans) ; une scène locale où aucun conflit n'est visible sur la scène publique (le canton de La Grave – Villar d'Arène).

Nos résultats montrent, que bien que la controverse trouve ses racines dans des conflits sur le terrain, il n'existerait pas de coprésence entre acteurs qui s'opposent. D'abord, en l'absence de conflit, la scène de La Grave apparaît déconnectée du reste du réseau. Ensuite, les détracteurs des LMHR se mobilisent dans la controverse mais ne cherchent pas directement à agir sur le terrain. Par contre, les défenseurs de la pratique s'impliquent, eux, aux deux niveaux. Enfin, les gestionnaires et agents de la police de l'environnement confrontés à la gestion des activités, nouent des liens sur le terrain et au niveau national, à la fois avec les défenseurs et les détracteurs des LMHR ; devenant parfois des acteurs-passerelles.

D'un point de vue théorique et méthodologique, les outils de visualisation et d'analyse de réseau ont montré leur intérêt dans le cadre d'une approche par l'acteur-réseau ; les perspectives apparaissent riches.
Doctorat en Sciences
info:eu-repo/semantics/nonPublished

L'insertion sur autoroute est un défi pour réaliser une conduite entièrement automatisée (Niveau 4 de conduite autonome). La combinaison des technologies de communication et de conduite autonome, qui sous-tend la notion de Connected Autonomous Vehicles (CAV), peut améliorer considérablement les performances de sécurité lors de l'insertion sur autoroute. Cependant, même avec l'émergence des véhicules CAVs, certaines contraintes clés doivent être prises en compte afin de réaliser une insertion sécurisée sur autoroute. Tout d'abord, les véhicules conduits par des conducteurs humains seront toujours présents sur la route, et il faudra peut-être des décennies avant que tous les véhicules commercialisés ne soient entièrement autonomes et connectés. Aussi, les capteurs embarqués des véhicules peuvent fournir des données inexactes ou incomplètes en raison des limites des capteurs et des angles morts, en particulier dans de telles situations de conduite critiques. Afin de résoudre ces problèmes, la présente thèse propose une nouvelle solution utilisant une unité de bord de route (Road-Side Unit (RSU)) permettant une insertion entièrement automatisée sur autoroute pour véhicules connectés et automatisés. Notre approche est basée sur un réseau de neurones artificiels (ANN) pour prédire l'intention des conducteurs. Cette prédiction est utilisée comme état d'entrée pour un agent Deep Reinforcement Learning (DRL) qui fournit l'accélération longitudinale pour le véhicule qui s'insère. Afin d'y parvenir, nous montrons d'abord comment l'unité Road-Side Unit peut-être utilisée pour améliorer la perception dans la zone d'insertion sur autoroute. Ensuite, nous proposons un modèle de reconnaissance d'intention du conducteur qui peut prédire le comportement des véhicules conduits par des conducteurs humains sur la voie principale de l'autoroute, avec une précision de 99%. Nous utilisons la sortie de ce modèle comme état d'entrée pour entrainer un agent Twin Delayed Deep Deterministic Policy Gradients (TD3) qui apprend une politique de conduite « sûre » et « coopérative » pour effectuer l'insertion sur autoroute. Nous montrons que notre stratégie de prise de décision améliore les performances par rapport aux solutions proposées dans l'état de l'art
Merging in the highway on-ramp is a significant challenge toward realizing fully automated driving (level 4 of autonomous driving). The combination of communication technology and autonomous driving technology, which underpins the notion of Connected Autonomous Vehicles (CAVs), may improve greatly safety performances when performing highway on-ramp merging. However, even with the emergence of CAVs vehicles, some keys constraints should be considered to achieve a safe on-ramp merging. First, human-driven vehicles will still be present on the road, and it may take decades before all the commercialized vehicles will be fully autonomous and connected. Also, on-board vehicle sensors may provide inaccurate or incomplete data due to sensors limitations and blind spots, especially in such critical situations. To resolve these issues, the present thesis introduces a novel solution that uses an off-board Road-Side Unit (RSU) to realize fully automated highway on-ramp merging for connected and automated vehicles. Our proposed approach is based on an Artificial Neural Network (ANN) to predict drivers’ intentions. This prediction is used as an input state to a Deep Reinforcement Learning (DRL) agent that outputs the longitudinal acceleration for the merging vehicle. To achieve this, we first show how the road-side unit may be used to enhance perception in the on-ramp zone. We then propose a driver intention model that can predict the behavior of the human-driven vehicles in the main highway lane, with 99% accuracy. We use the output of this model as an input state to train a Twin Delayed Deep Deterministic Policy Gradients (TD3) agent that learns « safe » and « cooperative » driving policy to perform highway on-ramp merging. We show that our proposed decision-making strategy improves performance compared to the solutions proposed previously