Laboratoire de Génie Informatique et d’Automatique de l’Artois

Les travaux présentés dans ce mémoire s’inscrivent dans le cadre du projet RaViOLi et traitent du suivi multi-objets pour l’aide à la conduite. Dans ce projet, les capteurs utilisés sont : un radar, un lidar et un système de stéréovision. Chaque capteur fourni une liste d’objets détectés avec leurs coordonnées respectives référencées en distance et en angle par rapport à ce capteur. L’utilisation de ces informations s’effectue grâce à la théorie des fonctions de croyance, qui permet de transformer ces données en masses de croyance et de les fusionner. Ensuite, un algorithme de mise en correspondance, basé lui aussi sur la théorie des fonctions de croyance, permet de retrouver les objets dans la scène à chaque nouvelle mesure des capteurs. Cette mise en correspondance s’effectue en comparant la liste des objets de l’instant précédent avec la nouvelle provenant des capteurs, il faut alors retrouver les objets correspondants dans les deux listes. Pour cette étape d’association, nous avons repris un algorithme existant, qui avait été développé par M. Rombaut, et que nous avons modifié pour qu’il s’adapte aux contraintes du projet RaViOLi. Nous comparons donc les résultats obtenus par les deux méthodes d’association ainsi que leurs limites et les avantages des modifications que nous avons apportés. Enfin, nous terminons par une étape de prédiction. Une première prédiction de l’évolution de la position des objets est effectuée à t + dt seconde, où dt représente la période d’échantillonnage du capteur. Cette prédiction est utilisée comme une information supplémentaire dans l’étape d’association des objets pour améliorer le suivi. Une seconde prédiction est réalisée à plus long terme t+n secondes, où n dépend de la vitesse du véhicule. Cette prédiction permet de détecter les véhicules potentiellement dangereux et de prévenir le conducteur suffisamment à l’avance pour qu’il puisse réagir. Des tests sont effectués, sur des données synthétiques puis réelles, pour vérifier la robustesse de l’algorithme dans différentes situations.