Etudiant : ELBIACH OUMAYMA

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. BOUHOUTE AFAF

Annèe : 2021

Résumé : Pour conduire de manière sûre et efficace sur les voies publiques, les véhicules autonomes devront comprendre les intentions des véhicules environnants et adapter leur propre comportement en conséquence. Lorsque les véhicules changent de voie et se déplacent de près devant un véhicule dans la voie adjacente, c’est l’une des intentions des véhicules environnants qui doivent être comprises pour réduire le risque de collision. Un conducteur humain peut remarquer l’intention d’un autre véhicule de couper et d’effectuer des manœuvres appropriées pour réduire le risque de collision. Cependant, les technologies de conduite automatisée ne fonctionnent pas aussi bien que les conducteurs humains. Par conséquent, une meilleure connaissance du comportement de conduite est nécessaire. Comment prendre des décisions comme un conducteur humain est une question importante pour les véhicules autonomes. Dans ce travail, une méthode de classification et de prédiction d’un changement de voie en changement de voie sécuritaire ou coupe-file est fournie. Les modèles ont été formés et testés sur un ensemble de données de conduite à grande échelle accessible au public, à partir duquel les événements de coupure ont été extraits à l’aide des fonctions x_range et time headway. Un réseau neuronal de Long Short Term Memory est appliqué à différents temps de manœuvrer et tailles de fenêtre et le résultat montre quelle modèle de classification et la taille de fenêtre 3s peut reconnaître la manœuvre de coupure avec une valeur de F1-score de 93,47% et Cohen de kappa de 94,66%.