Résumé (MAX 2200 caractères avec les espaces)
Ce projet vise à établir de nouvelles méthodes pour la navigation automobile ainsi que pour la gestion optimale d’une flotte de véhicules en environnement hostile. En outre, le projet vise également à développer des mesures innovantes pour l’analyse temps réel des comportements de conduite dangereuse ainsi que l’analyse temps réel des accidents de voiture afin d’améliorer la sécurité globale des conducteurs Canadiens. De façon générale, cette recherche propose de combiner les mesures d’un récepteur GPS haute sensibilité avec celles provenant d’un système autonome de navigation inertielle ainsi que d’autres capteurs autonomes complémentaires tels que l’odomètre et les magnétomètres. Par ailleurs, afin de fournir une solution abordable, le système cible sera basé exclusivement sur l’utilisation de capteurs à très faible coût. Il est attendu que ce projet permettra une réduction significative de l’empreinte environnementale des véhicules automobiles en plus d’avoir un impact positif sur la sécurité globale des véhicules ciblés. Par exemple, l’amélioration de la précision sur la localisation des véhicules routiers permettrait de réduire considérablement le temps requis afin de trouver un véhicule volé ou égaré, ce qui peut avoir des répercussions importantes sur les finances des entreprises Canadiennes. De plus, l’établissement d’un système de suivi des comportements de conduite des automobilistes pourrait permettre la mise en place d’un nouveau système de taxation basé sur l’utilisation de la voiture ou sur le comportement de conduite, ce qui, selon des études récentes, permettrait de réduire jusqu’à 10% les émissions de gaz à effet de serre des véhicules ciblés. Finalement, la reconstruction précise d’un accident de voiture en temps réel permettrait de prédire les besoins spécifiques sur une scène d’accident, améliorant ainsi le temps de réaction ainsi que la sécurité globale des automobilistes. La preuve de concept sera d’abord réalisée en laboratoire ainsi que sur route à l’aide de matériel de simulation et d’une voiture de test en vue de caractériser les performances du système. Le projet contribuera aux initiatives internationales afin de réduire les émissions de gaz à effet de serre, et de créer de nouveaux emplois pour l’équipe de personnel hautement qualifié.
Responsibilities of the candidate:
According to the schedule, this master’s student will be in charge of the following tasks:
1) 3-6 Initial development of the advanced adaptive navigation model
2) 3-61 Mathematical modeling of the advanced adaptive navigation model
3) 3-62 Simulation of the adaptive navigation models
4) 3-63 Tests and validation of the simulated adaptive navigation model
5) 4-11 Integration of calibration models to navigation systems
6) 4-12 Integration of system constraints to navigation systems
7) 4-13 Results analysis and systems comparison
8) 4-14 System weakness identification
9) 4-15 Study of possible architectural improvements
10) 4-16 Validation / performance analysis of improved system
The general objective of the Master’s research project is to study an adaptive sensor fusion scheme based on neural networks, in order to implement it into a multi-sensor integrated navigation system for automotive applications. The student will begin his master’s study based on the work of the Ph.D. student regarding the in-depth theoretical background. Assisted by the Ph.D. student, he will first realize the mathematical modeling of the neural network in order to develop a completely adaptive navigation system based on a multi-sensor fusion approach. Following this, he will achieve the implementation of the model in Matlab / Simulink. This algorithm will then be tested intensively using simulated measurements and validated on real sensor’s measurements. After this validation, he will assist the Ph.D. student on the real-time implementation of the algorithm into the Orchid VTADS prototype. Finally, the student will conduct an intensive series of tests in realistic automotive scenarios in order to assess the performance of the developed system compared to alternative implementations realized by other students in the research team.
