A H M ED S KOURI

S C EI : 2836 2
TIPE: Planification des
trajéctoires pour les
voitures autonomes
INTRODUCTION :
• La valeur des voitures autonomes dans le future.

• Les problèmes de génération de la trajectoire dans un

environnement inconnue

• La planification de la trajectoire .

1
Le fonctionnement des voitures autonomes:

Planification Prise de
Perception Localisation Contrôle
du trajet décision

2
Objectifs :
• Trouver l'emplacement des obstacles dans des régions supposes
inconnues en se basant sur la méthode probabiliste des réseaux de
neurones

• Une fois les obstacles qui se présente devant la voiture sont trouves on
génère la trajectoire en se basant sur la méthode de champ de potentiel .
• Comparer les résultats obtenus avec les fameuses méthodes de
planification de trajectoire

3
 VOITURE VOITURE
VOITURE DANS DANS UNE La méthode CAPABLE DE
UNE REGION Apprentissage par de champ FONCTIONNER
REGIONS OU
DONT LES réseaux de LES de
ET DE SE
OBSTACLES neurones OBSTACLES DIRIGER VERS
SONT potentiel UN OBJECTIF
SONT
INCONNUES LOCALISES

4
 PROBLEMATIQUE:

• Comment planifier la trajectoire

d'une voiture autonome dans un
environnement inconnue ?

5
PLAN
1- la perception de la position des obstacles par un reseau de neurone
2-Plannification en utilisant la méthode de champ de potentiel

3-Comparaison des résultats aves les résultats des fameux méthode de

planification de trajectoire

6
Notion de neurone formel et perception
multicouche :

Neurone formel

x 1 W1

W2 y1
x
La fonction
2 d'activation

Sortie

Wn Σ|f

x
Σ|f
n x1 Σ|f

Σ|f y1

Σ|f
Entrées I=1
x2

Σ|f
7
Σ|f
Perception multicouche
Exemple des fonctions d ’activation :

Exemples des fonctions d'activations :

la fonction sigmoide : La fonction tanh: la fonction softmax : La fonction ReLU:

f(x) =1/(1+e(-x)) f(x) =Tanh(x) f(x) =max(0,x)

8
Algorithme de perception multicouche :
3third
2 nd co uche
1) Algorithme de propagation : cachée
1 ère couche co uche
cachée cachée
On note W la matrice des poids des
Σ|f neme couche
cachée
connections entre deux couches successive Σ|f
et B la matrice des biais ajoutés aux moyennes Σ|f Σ|f Σ|f
x1
Σ|f
pondérés des entrées de chaque couches
Σ|f ... Σ | f y1
Σ|f Σ|f
I=1
x2
Σ|f
Σ|f Σ|f Σ|f

Σ|f

9
Algorithme de perception multicouche

2) Calcul d'erreur MSE :

la valeur attendue e à la sortie d'un perceptron
i

pour des entrées données, on peut calculer l'écart avec la prédiction

grâce à une fonction objectif C, le plus souvent l'erreur quadratique
moyenne (MSE), telle que :

En dérivant la fonction d'erreur :

10
Algorithme de perception multicouche
2) Calcul de gradient :
Optimisation des paramètres .
la variation de la fonction objectif par rapport à l'un des poids est :

Avec la dérivée partielle de la fonction d'activation

Et la dérivée partielle de la fonction objectif par rapport

à la prédiction finale

On a : Et
11
Algorithme de perception multicouche
2) Calcul de gradient :

Optimisation des paramètres:

• Soit un paramètre intervenant dans la précision de la perception :

• A un instant (t) on a =
• A l’instant suivant:

L’entrée(t)
L’entrée (t)
Σ|f L’entrée (t+1)

12
Algorithme de perception multicouche

3) La descente de gradient :

Exemple de trace de l’erreur en function

de deux poids 13
Source:(researchgate)
 Définitions des entrées pour la voiture :

Entrée
1
Camera

Apprentissage par Positionnement

Entrée réseaux de des obstacles
2 neurones

Lidar

Entrée
3

Capteur infrarouge

14
La méthode de champ de potentiel:

L'idée générale :
• Par analogie du bol et du ressort la voiture se déplace vers une configuration
d'énergie inférieure.

• Une fonction potentielle U : ℜ^m → ℜ.

• L'énergie est minimisée en suivant le gradient négatif de la fonction

d'énergie potentielle :

• Nous pouvons maintenant penser à un champ vectoriel sur l'ensemble de

tous les q(x.y)

15
La méthode de champ de potentiel:

Une idée simple :

• Supposons que l'objectif soit un point g ∈ ℜ^2.

• Supposons que le robot soit un point r ∈ ℜ^2.

16
La méthode de champ de potentiel:
Les deux types des champs :

Champ de potentiel Champ de potentiel

repulsif attractif

17
La méthode de champ de potentiel:

Champ attractive:

18
La méthode de champ de potentiel:

Champ repulsif:

19
La méthode de champ de potentiel:

La fonction de potentiel

20
https://medium.com/nerd-for-tech/local-path-planning-
using-virtual-potential-field-in-python-ec0998f490af 21
Application

22
Conclusion:
• Précision améliorée
• Adaptabilité et flexibilité
• Meilleure gestion des situations complexes
• Apprentissage autonome

23
Annexes: