Prediction de renversement vehiculaire
Deep learning pour predire le Load Transfer Ratio (LTR) 1 a 8 secondes dans le futur. Projet pour la DGA (Direction Generale de l'Armement). 98% recall sur les scenarios critiques.
Le probleme
Les vehicules militaires evoluent sur des terrains accidentes a haute vitesse. Un renversement peut etre fatal. Le Load Transfer Ratio (LTR) mesure le transfert de charge lateral :
LTR = 0.0 → equilibre (ligne droite)
LTR = 0.7 → zone dangereuse
LTR = 1.0 → renversement imminent
L'objectif : predire le LTR 1 a 8 secondes a l'avance pour alerter le conducteur AVANT le point de non-retour.
Approche
01Generation de donnees — VDSim
484 scenarios de 15 secondes generes avec le simulateur VDSim (10 degres de liberte, modele de pneu Pacejka). 6 types de trajectoires : virage circulaire, slalom, double changement de voie, lemniscate, waypoints.
024 modeles compares
| Modele | Params | R² (1s) | Recall |
|---|---|---|---|
| MLP | 781K | 0.87+ | — |
| LSTM | 21K | 0.549 (D4) | 98.1% |
| PatchTST | 109K | 0.939 (D1) | 98.0% |
| XGBoost | — | Baseline | — |
03Innovation : regression quantile
Au lieu de predire une seule valeur, les modeles predisent 3 quantiles (Q10, Q50, Q90). Le Q90 surestime le risque volontairement — pour un systeme de securite, il vaut mieux prevenir un danger qui n'existe pas que de rater un vrai danger. Resultat : >90% recall sur tous les modeles en extrapolation critique.
04Protocole d'evaluation : D1 → D4
4 configurations de test de difficulte croissante. D4 (la plus dure) entraine sur LTR ≤ 0.9 et teste sur LTR > 0.9 — le modele doit predire des situations critiques qu'il n'a jamais vues. C'est la que le recall de 98% est remarquable.
Variables d'entree
| Variable | Description |
|---|---|
| vx, vy | Vitesses longitudinale et laterale |
| ψ, ψ̇ | Angle de lacet et sa derivee |
| φ | Angle de roulis |
| θ | Angle de tangage |
| δf | Angle de braquage |
| δ̇f | Vitesse de braquage |
Contexte
Projet realise pour la DGA(Direction Generale de l'Armement) dans le cadre d'un projet de recherche sur la securite des vehicules militaires. Equipe de 5 etudiants, supervisee par Sebastien Aubin (DGA) et Fabien Lionti (developpeur VDSim).