Soutenance de thèse de Joris DINNEWETH

Composition du jury : M. Stéphane Espié de l'Université Gustave Eiffel M. René Mandiau de l'Université Polytechnique des Hauts-de-France M. Abderrahmane Boubezoul de l'Université Gustave Eiffel Mme Marie-Pierre Gleizes de l'IRIT de Toulouse M. Abderrafiaa Koukam de l'UTBM de Belfort Mme Zahia Guessoum de l'URCA de Reims M. Olivier Simonin de l'INSA de Lyon Mots clés : Apprentissage par renforcement multiagent, simulation de trafic, psychologie de la conduite Résumé : Les accidents de la route causent chaque année près de 1,2 million de décès et 40 millions de blessés selon l'OMS. Le comportement humain reste une cause majeure de ces accidents.L'automatisation de la conduite pourrait réduire ces risques, mais sa mise en œuvre implique une cohabitation initiale entre robots de conduite (RC) et conducteurs humains, générant des défis sécuritaires. Les RC respectent strictement les règles formelles, tandis que les humains adaptent leurs comportements, souvent informels. Cette hétérogénéité comportementale pourrait favoriser la survenue d'accidents dus à une mauvaise interprétation mutuelle. Pour minimiser ces risques, notre thèse propose un modèle décisionnel de RC imitant les pratiques humaines non dangereuses, basé sur une approche pluridisciplinaire combinant psychologie, simulation de trafic et apprentissage par renforcement multiagent (MARL). Le modèle que nous proposons s'articule autour de deux contributions. La première permet aux RC d'apprendre des comportements robustes et variés, réduisant leur prévisibilité et leur vulnérabilité face aux conducteurs opportunistes. La seconde intègre des normes informelles, notamment la valeur d'orientation sociale (altruisme/égoïsme), pour améliorer la sécurité et la fluidité du trafic, en particulier dans un scénario d'insertion autoroutière.