Je m’intéresse à la génération de scénarios pour l’apprentissage et la validation d’une fonction de décision pour le pilotage de véhicules autonomes. La collecte de données de scénarios de conduite routière en situation réelle (relatives par exemple au nombre de voies, aux véhicules environnants ou encore aux conditions météorologiques) est très coûteuse. Une solution consiste à générer automatiquement des scénarios réalistes, respectant les contraintes physiques relatives à l’environnement et aux véhicules à proximité, pour répondre aux attentes de la conduite autonome et couvrir le plus de situations possibles afin d’anticiper des dangers potentiels. Pour ce faire, j’exploite des méthodes d’attaques adverses grâce à des algorithmes d’apprentissage par renforcement. Ces méthodes désignent des algorithmes de machine learning qui vont tenter de « tromper » des modèles (par exemple les réseaux de neurones) en fournissant des informations erronées. Je suis ainsi en capacité, sur la base de scénarios existants, d’en générer de nouveaux qui peuvent induire en erreur le conducteur autonome grâce aux différentes attaques adverses mises en place, tout en maximisant la fonction de perte du système de décision prise entre les deux scénarios.