Search

Advanced driver-assistance systems (ADAS) development remains one of the biggest challenges car manufacturers must tackle to provide safe driverless cars. The reliable validation of these systems requires assessing their reaction's quality and consistency in a broad spectrum of driving scenarios. In this context, Groupe Renault uses large-scale simulation systems, which accurately reproduce the physical driving conditions and produce large quantities of high-dimensional time series data. The role of the ADAS developer is to explore these datasets to determine precisely the capabilities of the driving assistance system under test and, if necessary, to refine its design.A simulated dataset can contain up to several hundreds of thousands of simulations for a given use case, described by several hundreds variables. With datasets of such dimensions, the expert's work requires a great deal of field knowledge and involves a time-consuming exploration process.This thesis objective is to produce algorithms and tools to help explore, structure and analyze these massive simulation datasets. We propose four probabilistic approaches for time series clustering, each based on a specific datasets structure hypothesis.The first contribution of this thesis is built on a scenario-based construction hypothesis and performs a dictionary-based classification of univariate time series. This method uses an existing piecewise polynomial model to segment the time series independently, then constructs a driving pattern dictionary. This dictionary is used to recode the time series into chains of categories, which are then partitioned with a hierarchical clustering algorithm. The subsequent contributions focus on the analysis of multivariate datasets with multi-blocks models that simultaneously discriminate the simulations and the variables based on their distributions and row-partitions. These Bayesian Non-Parametric models natively integrate a model selection, which enables automatic model resizing with respect to the datasets contents.Finally, the usefulness of these contributions is illustrated with several applications on industrial use cases: the validation of emergency braking, lane-keeping and emergency avoidance systems.; Le développement de systèmes d'aide à la conduite demeure un défi technique pour les constructeurs automobiles. La validation de ces systèmes nécessite de les éprouver dans un nombre considérable de contextes de conduites. Pour ce faire, le Groupe Renault a recourt à la simulation massive, qui permet de reproduire précisément la complexité des conditions physiques de conduite et produit des jeux de données de séries temporelles en grandes dimensions. Le rôle de l'expert métier est alors d'explorer ces données pour déterminer précisément les capacités du système d'aide à la conduite étudié et, si nécessaire, de raffiner sa conception.Un jeu de données simulées peut contenir jusqu'à plusieurs centaines de milliers de simulations, décrites par plusieurs centaines de variables. Face à de telles dimensions, le travail du développeur requiert une grande expertise, et implique un travail d'investigation minutieux et chronophage.L'objectif de cette thèse est de produire des algorithmes et outils d'aide à l'exploration, la structuration et l'analyse de ces jeux de données issues de simulation massive. Basées sur des hypothèses de construction argumentées, nous proposons trois approches probabilistes de classification non supervisée de séries temporelles, adaptées à des jeux de données temporelles univariées et multivariées.La première contribution de cette thèse se base sur une hypothèse de construction par scénario pour réaliser une classification de séries temporelles univariées. Cette méthode réalise une segmentation individuelle de chaque série temporelle, puis partitionne l'ensemble des segments extraits pour construire un dictionnaire de 'prototypes' de régimes de conduite. Ce dictionnaire permet de recoder les séries temporelles en séquences de catégories, qui sont alors partitionnées par une méthode de classification hiérarchique ascendante.La suite des contributions se concentre sur l'analyse de jeux de données multivariées, grâce à des modélisations multi-blocs qui regroupent les différentes variables en fonction de leur distribution et de leur partition individuelle. Ces modèles Bayésiens Non-Paramétriques intègrent nativement une sélection de modèle qui permet d'adapter automatiquement la dimension du modèle au contenu des jeux de données étudiés.La pertinence de ces contributions est illustrée par des applications issues des cas d'usage industriels Renault : la validation de systèmes de freinage d'urgence, d'aide au maintien dans la voie, et d'évitement d'urgence.

The Gaussian distribution is a popular choice of density for the modeling of continuous observations, often combined with a specific prior in the context of Bayesian inference. When this prior is conjugate (e.g., the normal-gamma inverse distribution in the univariate case), it can be proved that the posterior and predictive distributions have analytically tractable expressions. While these derivations are readily available in the literature for the univariate case, the multivariate case derivations are significantly harder to find. This short technical note proposes a detailed derivation of these closed-forms in the multivariate case with a conjugate Normal Inverse Wishart prior. Keywords Bayesian Inference • Predictive Distributions • Multivariate Gaussian • Normal Inverse Wishart The Gaussian distribution is a popular choice of density for the modeling of continuous observations, often combined with a specific prior in the context of Bayesian inference. When this prior is conjugate (e.g., the normal-gamma inverse distribution in the univariate case), it can be proved that the posterior and predictive distributions have analytically tractable expressions. The most cited source [1] (e.g., cited in [2, 3]) proves the equivalence in the univariate case. However, the multivariate case derivations are significantly harder to find. In the following we propose a detailed derivation of the multivariate distribution, based on the exponential family expressions of the Gaussian and Normal Inverse Wishart distributions.

International audience; In this paper, we propose a new Bayesian co-clustering approach applied to Multivariate time series. Our methodology of Functional Non-Parametric Latent Block Model (FunNPLBM) simultaneously creates a partition of observation and a partition of temporal variables, using latent multivariate gaussian block distributions. We propose to use a bi-dimensional Dirichlet Process as a prior for the block distributions parameters and for block proportions, which natively provides model selection. This approach is benchmarked and studied on a simulated dataset and applied to an advanced driver-assistance system validation use-case.

International audience; Le but de cette étude est de comparer les performances des méthodes d'analyse de données fonctionnelles par rapport à une approche basée sur des descripteurs métiers pour automatiser le diagnostic d'aiguillages ferroviaires.