Soutenance de thèse / Thesis defense
AVIS DE SOUTENANCE
M Zhenguo CUI, Laboratoire de Génie Industriel LGI
Soutiendra publiquement ses travaux de thèse, intitulés :
“Boosting Scenario-based Testing of Automated Driving Systems with a Hybrid Knowledge-based and Data-enhanced approach”
Dirigée par Bernard YANNOU et Adam ABDIN
Soutenance prévue le mercredi 14 janvier 2026 à 8h30
Lieu : CentraleSupélec, 3 rue Joliot Curie – 91190 Gif-sur-Yvette, Théâtre Rousseau, bâtiment Bouygues
Visio-conférence partielle, Numéro de réunion : 322 841 648 377 15, Code secret : Ko6qr2hG
Composition du Jury
- Dominique GRUYER, Directeur de recherche, Université Gustave Eiffel Rapporteur & Examinateur
- Paul JENNINGS, Professor, University of Warwick Rapporteur & Examinateur
- Hélène WAESELYNCK, Professeure, LAAS, CNRS, Toulouse Examinatrice
- Anne BARROS, Professeure, CentraleSupélec, Université Paris Saclay Examinatrice
Titre : Renforcer les Tests basés sur des Scénarios des Systèmes de Conduite Automatisée grâce à une Approche Hybride basée sur les Connaissances et Enrichie par les Données
Mots clés : Génération de scénarios, véhicule à conduite automatisée, simulation de conduite, validation
Résumé
Les développements récents des technologies de conduite automatisée ont accéléré le déploiement des véhicules automatisés. Toutefois, garantir leur sécurité et les valider dans des Domaines Opérationnels de Conception ODD variés demeure primordial. Des défis persistants subsistent, notamment le coût et l’exigence en données pour la découverte de scénarios, la faible variation des scénarios fondés uniquement sur des règles, ainsi que le maintien de la traçabilité et de la montée en échelle lors de la génération.
Cette thèse fait progresser le Scenario-based Testing SbT pour les systèmes d’aide à la conduite ADAS et les systèmes de conduite automatisée ADS en unifiant la modélisation à base de connaissances et les preuves issues des données, afin de produire des scénarios évolutifs, traçables et prêts pour la simulation.
Les contributions découlent de six questions de recherche : 1 modélisation compatible avec l’ODD ; 2 traçabilité de la génération de scénarios ; 3 modélisation du dynamisme de conduite ; 4 vérification et validation d’un modèle de scénarios à base de connaissances ; 5 hybridation des approches de génération basées sur la connaissance et sur les données ; 6 pipeline de génération à l’échelle.
Nous proposons un cadre de modélisation de scénarios, fondé sur une ontologie et aligné sur l’ODD, avec des principes de conception explicites et des contraintes exécutoires, garantissant la composition, la plausibilité et la correction par construction. Ce cadre relie la connaissance d’expert et les trajectoires naturalistes via l’analyse de cooccurrence, la mise en correspondance des étiquettes « tag mapping » et des séquences comportementales centrées sur l’EGO véhicule équipé d’ADAS/ADS de façon à préserver la sémantique tout en injectant dans les catalogues et les scénarios des plages empiriques et des motifs rares.
Sur cette base, un pipeline hybride associe la conception combinatoire à l’assemblage des comportements et à l’instanciation contrainte par la carte en trajectoires. Globalement, cette thèse fournit une voie reproductible des abstractions ODD vers des scénarios exécutables, avec des artefacts et des métriques standardisés et portables pour la validation virtuelle à grande échelle.
Title: Generation of realistic driving test scenarios for the validation of ADAS/ADS functions in a virtual environment
Keywords: Scenario generation, automated driving vehicle, driving simulation, validation
Abstract
Recent developments in automated driving technologies have accelerated deployment of automated vehicles. However, ensuring the safety of these technologies and validating them across diverse Operational Design Domains ODDs remain paramount. Persistent challenges include cost and data demands of scenario discovery, limited variation in rule-based scenarios, and maintaining traceability and scalability in generation.
This thesis advances Scenario-based Testing SbT for Advanced Driver Assistance Systems ADAS and Automated Driving Systems ADS by unifying knowledge-based modeling with data-driven evidence to produce scalable, traceable, and simulation-ready scenarios.
The contributions stem from six research questions: 1 ODD-compatible modeling 2 traceability of scenario generation, 3 modeling driving dynamism, 4 verification and validation of knowledge-based scenario model, 5 hybridization of knowledge-based and data-driven scenario generation, and 6 a scalable generation pipeline.
We propose an ODD-compatible, ontology-based scenario modeling framework with explicit design principles and enforceable constraints, ensuring compositionality, plausibility, and correctness-by-construction. The framework bridges domain knowledge and naturalistic trajectory data via cooccurrence analysis, “tag mapping”, and ADAS/ADS-equipped-vehicle-centric behavioral sequences, preserving semantics while injecting empirical ranges and rare patterns into scenarios.
Building on this foundation, a hybrid pipeline couples combinatorial scenario design with behavior assembly and map-constrained instantiation into trajectories. Overall, the work delivers a reproducible path from ODD abstractions to executable scenarios and provides standardized, portable artifacts and metrics to support large-scale virtual validation safety analyses.