Data Processing Techniques for Trajectories of Road and Air Vehicles : Dimensionality Reduction, Anomaly Detection, Filtering and Data Compression with Applications in V2X Collective Perception
Techniques de traitement des données pour les trajectoires des véhicules routiers et aériens : réduction de dimensionnalité, détection d'anomalies, filtrage et compression de données avec des applications en perception collective V2X
Résumé
In the field of Intelligent Transportation Systems (ITS), trajectory data processing is essential yet challenging, as road and aerial trajectories are often high-dimensional. This complexity can hinder inference tasks such as prediction, compression, filter- ing, and classification. To address this issue, this dissertation is structured into two parts that explore different statistical and unsupervised machine learning methods applied to trajectory data. Applications covered include anomaly detection in streaming data, real-time compression, and the smoothing and filtering of road vehicle trajectories. These techniques have been used in contexts such as compressing data in Vehicle-to-Everything (V2X) networks, recognizing reckless driving behavior, and extracting vehicle trajectories from traffic videos. The first part of the dissertation introduces a newly proposed signal model, denoted as the Random Impulses Model (RXID), for representing road trajectories. Comparative computation of the covariance kernels and their corresponding eigenvectors was performed to validate the model against the NGSIM 101 dataset. This model has been utilized in three different applications, namely, two data compression algorithms designed to mitigate the frequency of Vehicle-to- Vehicle (V2V) transmissions, and a dynamic model for multi-object tracking and filtering of road vehicles from a video stream. Although anomaly detection is a discipline that has reached a certain level of maturity, it has not been thoroughly developed in the context of detecting anomalies in streaming data. The subsequent part of this dissertation is devoted to the design of a real-time anomaly detection algorithm for such settings. This algorithm is based on two key components: dimensionality reduction and online hypothesis testing. An application regarding abnormal driving behavior recognition is presented as an example, followed by a comparison against two common methods to demonstrate the value of the approach. The second part of this dissertation presents a Computer Vision (CV) technique for comparing the temporal development of two thunderstorms in distinct historical periods, resulting in a meteorological querying system that allows searching for similar weather days. It is also shown that dimensionality reduction proves beneficial in visualizing and comparing arrival patterns based on trajectory data from Dallas Fort Worth Airport (DFW). The proposed methodology exhibits promising potential not only for data visualization but also for developing methods that can learn from open-source data regarding air traffic controller decisions. Additional topics, such as unsupervised segmentation of time series, are presented, along with a subtle extension of the probabilistic framework introduced in the first part to recognize non-compliant approaches, crucial precursors to non-stabilized landings. The dissertation concludes with a final chapter summarizing major contributions and providing perspectives on future works.
Dans le domaine des systèmes de transport intelligents (ITS), le traitement des données de trajectoire est essentiel mais difficile, car les trajectoires routières et aériennes sont souvent de grande dimension. Cette complexité peut entraver les tâches d'inférence telles que la prédiction, la compression, le filtrage et la classifica- tion. Pour répondre à cette problématique, cette thèse est structurée en deux parties qui explorent différentes méthodes d'apprentissage automatique statistique et non supervisé appliquées aux données de trajectoires. Les applications couvertes inclu- ent la détection d'anomalies dans les données en continu, la compression en temps réel, ainsi que le lissage et le filtrage des trajectoires des véhicules routiers. Ces tech- niques ont été utilisées dans des contextes tels que la compression de données dans les réseaux Vehicle-to-Everything (V2X), la reconnaissance de comportements de conduite imprudents et l'extraction de trajectoires de véhicules à partir de vidéos de trafic. La première partie de la thèse présente un modèle de signal nouvellement pro- posé, appelé modèle d'impulsions aléatoires (RXID), pour représenter les trajec- toires routières. Des analyses comparatives des noyaux de covariance et de leurs vecteurs propres correspondants ont été effectuées pour valider le modèle par rap- port à l'ensemble de données NGSIM 101. Ce modèle a été utilisé dans trois appli- cations différentes, à savoir deux algorithmes de compression de données conçus pour atténuer la fréquence des transmissions de véhicule à véhicule (V2V) et un modèle dynamique pour le suivi et le filtrage multi-objets de véhicules routiers à partir d'un flux vidéo. . Bien que la détection d'anomalies soit une discipline qui a atteint un certain niveau de maturité, elle n'a pas été développée de manière approfondie dans le cadre de la détection d'anomalies dans les flux de données. La suite de cette thèse est consacrée à la conception d'un algorithme de détection d'anomalies en temps réel pour de tels paramètres. Cet algorithme est basé sur deux composants clés : la réduction de la dimensionnalité et le test d'hypothèses en ligne. Une application concernant la reconnaissance d'un comportement de conduite anormal est présen- tée à titre d'exemple, suivie d'une comparaison avec deux méthodes courantes pour démontrer la valeur de l'approche. La deuxième partie de cette thèse présente une technique de vision par ordina- teur (CV ) pour comparer le développement temporel de deux orages dans des péri- odes historiques distinctes, résultant en un système d'interrogation météorologique qui permet de rechercher des jours météorologiques similaires. Il est également dé- montré que la réduction de la dimensionnalité s'avère bénéfique pour visualiser et comparer les schémas d'arrivée basés sur les données de trajectoire de l'aéroport de Dallas Fort Worth (DFW). La méthodologie proposée présente un potentiel prometteur non seulement pour la visualisation des données, mais également pour le développement de méthodes pouvant apprendre des données open source con- cernant les décisions des contrôleurs aériens. Des sujets supplémentaires, tels que la segmentation non supervisée des séries temporelles, sont présentés, ainsi qu'une extension subtile du cadre probabiliste introduit dans la première partie pour re- connaître les approches non conformes, précurseurs cruciaux des atterrissages non stabilisés. La thèse se termine par un dernier chapitre résumant les principales contributions et offrant des perspectives sur les travaux futurs.
Origine | Version validée par le jury (STAR) |
---|