Archive ouverte de l'ENAC
Not a member yet
3458 research outputs found
Sort by
Multipath Model Improvement for Automotive Radar Application
No full textInternational audienceMulti-path propagation over asphalt road surfaces at automotive radar frequencies is studied. A new expression for the reflection coefficient from asphalt which takes into account asphalt surface roughness is proposed. The classic two-ray method to take into account the multi-path is improved using antenna radiation patterns and the antenna tilt. A new method to estimate elevation of a reflector above road surface based on reflectivity variations is proposed
Memory Based Evolutionary Algorithm for Dynamic Aircraft Conflict Resolution
No full textInternational audienceIn this article, we focus on a dynamic aircraft conflict resolution problem. The objective of an algorithm dedicated to dynamic problems shifts from finding the global optimum to detecting changes and monitoring the evolution of the optima over time. In the air traffic control domain, there is added value in dealing quickly with the dynamic nature of the environment and providing the controller with solutions that are stable over time. In this article, we compare two approaches of an evolutionary algorithm for the management of aircraft in a control sector at a given flight level: one is naive, i.e. the resolution of the current situation is reset to zero at each time step, and the other is memory-based, where the last population of the optimisation is stored to initiate the resolution at the next time step. Both approaches are evaluated with basic and optimised operators and settings. The results are in favour of the optimised version with explicit memory, where conflict-free solutions are found quicker and the solutions are more stable over time. Furthermore in the case of an external action, although the diversity of the population could be lower with the memory-based approach, the presence of memory does not appear to be a hindrance and, on average, improves the solver's responsiveness.</div
Apprentissage d'un modèle d'incertitude de prévision de trajectoire à partir de données aéronautiques réelles
No full textNational audienc
Cognitive Abilities and Gender during Air Traffic Controllers Selection and Training
No full textInternational audienceCONTEXT • Air traffic controllers (ATCO) ensure air traffic safety and efficiency. Their training is complex and costly. French ATCO are civil servants and their training lasts several years (two-year period for initial training, and duration of on-the-job training according to center complexity). The training cost for a French ATCO amounts to several hundred thousand euros. • ATCO are commonly selected by cognitive abilities assessment (Mouratille et al, 2022). Best predictors are work sample, working memory, composite score etc. But an important part of variance is always unexplained (10% of explained variance with cognitive predictors).• However, cognitive abilities are different according to gender (Reynolds, Hajovsky and Caemmerer, 2022). Can it be a problem in a selection context ? A source of adverse impact ?</div
Price Competition and Endogenous Product Choice in Networks: Evidence from the US Airline Industry
No full textWe develop a two-stage game in which competing airlines first choose the networks of markets to serve in the first stage before competing in price in the second stage. Spillovers in entry decisions across markets are allowed, which accrue on the demand, marginal cost, and fixed cost sides. We show that the second-stage parameters are point identified, and we design a tractable procedure to set identify the first-stage parameters and to conduct inference. Further, we estimate the model using data from the domestic US airline market and find significant spillovers in entry. In a counterfactual exercise, we evaluate the 2013 merger between American Airlines and US Airways. Our results highlight that spillovers in entry and post-merger network readjustments play an important role in shaping post-merger outcomes
Deriving a dilution of precision indicator for GNSS factor graph optimization solutions
No full textInternational audienceDilution of Precision (DOP) is routinely used in GNSS to assess the quality of the constellation geometry for the positioning algorithm. Those DOP factors are computed from the estimation covariance of a snapshot weighted least squares (WLS) estimate under certain hypotheses. This paper proposes to define DOP factors for GNSS solutions based on Factor Graph Optimization (FGO). FGO solutions have become popular in the GNSS domain. They allow to easily model probabilistic contraints, called factors, over a large time window, by mixing observations and motion constraints accross consecutive epochs. The solution is solved by performing a batch WLS estimation for the states at all considered epochs, using all available factors. Due to the simple nature of the estimation algorithm - a WLS solution - it is possible to derive the theoretical estimation error covariance, which will indicate the accuracy of the computed solution. In this paper, a formula is proposed to approximate the DOP for the FGO solution. Then, the formula is validated in various scenarios involving fixed or changing satellite visibility
A Bayesian Method for Real-time Unsupervised Detection of Anomalous Road Vehicle Trajectories
No full textInternational audienceAnomaly detection is critical in Intelligent Transportation Systems (ITS) due to its significant impact on safety. This paper introduces a Bayesian probabilistic framework for identifying anomalous trajectories without explicitly modeling anomalies reliably. The framework can be adapted according to the sensor quality, balancing speed and accuracy, and avoids out-of-sample performance issues commonly encountered in deep learning methods. By reducing the dimensionality of time series data using Functional Principal Component Analysis (FPCA), a prior distribution of FPCA scores is learned and continuously updated in an online manner. We conducted numerical experiments to validate the method’s effectiveness in detecting common road hazards such as wrong-way driving, over-speeding, and sudden hard-braking. Results demonstrated reliable detection of all tested anomalies with a single detector. Our framework significantly reduced false alarms compared to the Local Outlier Factor (LOF) method, more responsive than Isolation Forest (IF) and successfully mitigated the out-of-sample unpredictability associated with deep learning approaches like VAE-LSTM. Furthermore, it requires low computational resources, making it suitable for implementation across various embedded driving platforms. By addressing the these issues, the method could gain human trust in automated safety systems, accelerating their adoption
The Gauge Equation in Statistical Manifolds: An Approach through Spectral Sequences
No full textInternational audienceThe gauge equation is a generalization of the conjugacy relation for the Koszul connection to bundle morphisms that are not isomorphisms. The existence of nontrivial solution to this equation, especially when duality is imposed upon related connections, provides important information about the geometry of the manifolds under consideration. In this article, we use the gauge equation to introduce spectral sequences that are further specialized to Hessian structures
Interaction humain/système de drones et facteurs humains : Prise en compte de l'estimation de l'état de fatigue d'un opérateur dans le design d'interactions adaptatives pour le contrôle de drones longue endurance
No full textUncrewed Aerial Systems (UAS) are common in many industries and an important pillar ofmany modern militaries. While technology advances rapidly, military long-endurance UASstill suffer from high rates of human error-related mishaps, especially when operators experience mental fatigue.In particular, the frequent switching between tasks required by operators presents an opportunity for improvement. Cognitive flexibility, the mental ability to switch between tasks or responses, is an important executive function. However, little research has investigated cognitive flexibility during complex tasks such as UAS control. In this thesis we address this lack, and the possibility of mitigating the adverse effects of fatigue on cognitive flexibility was also explored. For this, visual alerts were developed to inform participants when they had to switch between tasks. To increase the effectiveness of visual alerts, their use should be restricted to periods of poor performance (e.g. due to mental fatigue), during which the positive impact ofvisual alerts may be maximized.Passive Brain-Computer Interfaces (pBCI) and physiological computing systems using electroencephalography (EEG), electrocardiography (ECG) and eye-tracking may detect sub-optimal states, such as mental fatigue. Detecting mental states poses several theoretical issues. Most notably, a mental state is not necessarily a good performance indicator. Directly estimating performance, on the other hand, has proven to be more challenging for BCIs and Physiological Computing, partially because performance can be defined in many ways.Following several interviews with operators, 5 experiments were designed. (i) The firstexperiment, the Double Task Switching (DTS) experiment, tests a novel behaviouralprotocol to investigate cognitive flexibility and the effects of similarity on task-switching costs.Results showed that switching between similar and dissimilar tasks significantly differs in accuracy and reaction time. This experiment is followed by (ii) a second behavioural paradigm investigating whether the mere presence of visual alerts can improve performance. It builds on the DTS protocol and is called the DTS-II experiment. The results of this study show that visual alerts without any prior explanation do not appear to improve performance when switching between tasks.Two further experiments explore the possibility of using EEG, ECG and eye-tracking to detect mental fatigue during realistic UAS simulations. (iii) The Remot3e experiment (Remote search, 3 Es for EEG, ECG & Eye-Tracking) focuses on a search task. It constitutes a primary investigation into the differences between Time-on-Task (TOT) and performance-based mental fatigue estimation. Then, (iv) the UASOS (UAS Operator Simulation) experiment combines the DTS protocol and the Remot3e Task, adding a navigation task to recreate some of the fundamental aspects of UAS operations. Both experiments highlight the difference in using different definitions of mental fatigue for constructing and training physiological computing systems.Notably, Time-On-Task (TOT, the time a participant has been performing a task) and task performance are compared.Finally, (v) we investigate if visual alerts can be used to adapt an adaptive interface inUAS simulations to improve performance. For this, Visual Alerts were added to the UASOSexperiment. The preliminary results highlight the impact of a simple adaptation on behaviour within a complex work environment.The work in this manuscript shows that cognitive flexibility should be considered a priorityin human factor research and that simple adaptations, such as visual alerts, can improve cognitive flexibility. It also highlights the importance of mental fatigue and how different definitions of the construct (based on performance or TOT) can result in major performance differences when researching pBCIs and Physiological Computing systems.L’utilisation de drones est fréquente dans de nombreuses industries et dans les activités militaires modernes. Toutefois les drones militaires à longue endurance souffrent encore d’un taux élevé d’accidents liés à des erreurs humaines, en particulier lorsque les opérateurs ressentent de la fatigue mentale (FM).En particulier, la flexibilité cognitive exigée des opérateurs offre une possibilité d’amélioration. Cependant, peu de recherches ont été menées sur celle-ci lors de tâches complexes tel que le contrôle d’un drone.Dans cette thèse, nous remédions à cette lacune, et la possibilité d’atténuer les effets négatifs de la FM sur la flexibilité cognitive a également été explorée. Pour ce faire, des alertes visuelles ont été développées pour informer les participants lorsqu’ils devaient passer d’une tâche à l’autre. Pour accroître l’efficacité des alertes visuelles, leur utilisation devrait être limitée aux périodes de faible performance (par exemple, en raison de la FM), au cours desquelles l’impact positif des alertes visuelles peut être maximisé.Les interfaces cerveau-ordinateur passives (pBCI) et les systèmes informatiques physiologiques utilisant l’électroencéphalographie (EEG), l’électrocardiographie (ECG) et l’oculométrie peuvent détecter des états sub-optimaux comme la FM. Dans ce cas, les alertes visuelles sont susceptibles d’avoir un impact positif plus important. La détection d’ états mentaux pose plusieurs problèmes : Un état mental n’est pas nécessairement un bon indicateur de performance. D’autre part, l’estimation peut s’avérer difficile, notamment parce que la performance peut être définie de différentes manières.À la suite de plusieurs entretiens avec des opérateurs, cinq expériences ont été conçues.(i) La première expérience, appelée expérience Double Task Switching (DTS), teste un nouveau protocole comportemental pour étudier la flexibilité cognitive. Les résultats ont montré que le passage d’une tâche similaire à une autre impacte significativement la performance.(ii) Cette expérience est suivie d’un second paradigme visant à déterminer si la simple présence d’alertes visuelles peut améliorer les performances. Les résultats de cette étude montrent que les alertes visuelles sans explication préalable ne semblent pas améliorer les performances. Deux autres expériences explorent la possibilité d’utiliser l’EEG, l’ECG et le suivi des yeux pour détecter la FM lors de simulations réalistes de drone.(iii) La première expérience se concentre sur une tâche de recherche et constitue une première étude des différences entre l’estimation de la FM basée sur le temps passé sur la tâche (TOT) et celle basée sur la performance.(iv) L’expérience suivante combine ensuite les deux expériences précédentes en ajoutant une tâche de navigation pour recréer certains aspects de l’opération de drones. Les résultats mettent en évidence la différence dans l’utilisation de définitions différentes de la FM pour le design de systèmes informatiques physiologiques. Notamment, le TOT et la performance de la tâche sont comparés.(v) Enfin, nous étudions si les alertes visuelles peuvent être utilisées pour adapter une interface adaptative dans les simulations de drones afin d’améliorer les performances. Pour ce faire, des alertes visuelles ont été ajoutées à l’expérience précédente. Les résultats préliminaires mettent en évidence l’impact d’une simple adaptation basée sur le comportement dans un environnement de travail complexe.Les travaux présentés dans ce manuscrit montrent que la flexibilité cognitive devrait être considérée comme une priorité dans la recherche sur les facteurs humains et que des adaptations simples peuvent améliorer la performance. Ils soulignent également l’importance de la FM et la manière dont différentes définitions de ce concept peuvent entraîner des différences de performance majeures pour les pBCI et les systèmes d’informatique physiologique
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
No full textIn 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