Cette thèse propose une nouvelle approche de prédiction de risques d'accident liés aux poids lourds. Le but est d'alerter le conducteur ou le système de contrôle actif, suffisamment tôt, pour leur permettre d'anticiper et de réagir avant d'entrer en situation accidentogène. La prédiction du risque est fondée sur la prise en compte des incertitudes du système véhicule-conducteur-infrastructure. Celles-ci sont modélisées par des quantités aléatoires, conduisant à évaluer le risque par la probabilité de dépassement d'un seuil critique de sécurité. Cependant, étant donnée la complexité du système, le calcul embarqué de cette probabilité n'est pas évident, les méthodes classiques de type Monte-Carlo étant prohibitifs en temps de calcul. Dès lors, notre contribution réside dans l'introduction d'une approche fiabiliste, initialement employée dans la sécurité des structures, dans le but de réaliser un tel calcul probabiliste en temps réel. Une grandeur, dite indice de fiabilité, est introduite pour caractériser le risque d'accident au lieu d'une évaluation déterministe. Dans ce travail, nous traitons principalement le cas de renversement. Deux dispositifs de prédiction fiabiliste du risque sont développés : une prédiction à long terme avant l'entrée dans la zone de risque, et une prédiction à court terme menée tout au long de l'évolution dynamique du véhicule. Afin d'optimiser le temps de calcul, une modélisation empirique du risque par les machines à vecteurs supports est mise en ½uvre. Le modèle empirique fournit des expressions explicites de la limite de sécurité en fonctions des incertitudes du système. Les méthodes proposées s'appliquent aussi bien à d'autres types de véhicules qu'à d'autres types de risque d'accident.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00394330 |
| Date | 14 November 2008 |
| Creators | Sellami, Yamine |
| Publisher | Université de Nantes |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | French |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0016 seconds