Thèse Méthodes d'Apprentissage Automatique pour la Détection d'Attaques dans les Systèmes Embarqués Autonomes Application aux Pelotons de Véhicules Autonomes H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire de conception et d'intégration des systèmes Direction de la thèse : Oum El Kheir AKTOUF ORCID 0000000204939096 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-09T23:59:59 Ce sujet de thèse s'inscrit dans le cadre d'un travail de recherche sur la sécurité de systèmes embarqués autonomes et interconnectés [1-3] avec application au cas des véhicules autonomes.
Dans une optique d'amélioration de l'efficacité énergétique des véhicules autonomes, ceux-ci se déplacent par pelotons. Afin de maintenir un peloton, ces véhicules communiquent entre eux par des protocoles de types Vehicle-to-Vehicle (V2V) pour partager des informations utilisées par les pilotes automatiques en vue de maintenir la trajectoire sans causer d'accident ou de collision. Ils doivent également gérer des entrées et des sorties de véhicules au sein du peloton, celui-ci ayant ainsi une composition dynamique. La communication avec l'environnement, notamment les infrastructures de route intelligentes, se fait au moyen de protocoles de type V2X. Toutes ces interactions peuvent être vulnérables à divers types d'attaques étudiées précédemment dans le cadre de la thèse de M. Abdelsalam menée au laboratoire LCIS en collaboration avec l'entreprise Bosch et soutenue fin 2025 [4]. Ces attaques peuvent nuire gravement à la sûreté et à la sécurité des usagers des véhicules autonomes et de la route de manière générale.
Deux études préliminaires relatives à l'utilisation de l'apprentissage automatique pour la détection d'attaques dans les véhicules autonomes ont été réalisées au sein du laboratoire LCIS dans le cadre d'une collaboration entre l'équipe CTSYS (Sûreté et sécurité des systèmes embarqués et distribués) et CO4SYS (Coordination, Coopération & Commande des Systèmes Complexes).
La première étude a concerné [5] une preuve de concept de l'utilisation de l'apprentissage par renforcement pour la détection d'attaques sur un peloton de véhicules autonomes [6, 7] modélisé sous la forme d'un système multi-agents. Un démonstrateur préliminaire a été développé en utilisant les bibliothèques Python PeettingZoo [8] et TorchRL [9].
La seconde étude a mis en oeuvre un pipeline vertical inter-couches comprenant trois phases dont un filtrage des informations pertinentes au niveau de la couche système des dispositifs embarqués, un second filtrage de défauts résiduels et une phase d'apprentissage automatique pour détecter et traiter d'éventuelles attaques manipulant de fausses données [10]. Le peloton de véhicules a été modélisé et simulé par un ensemble d'agents autonomes avec le simulateur CARLA [11].
Ces deux études préliminaires ont permis d'identifier plusieurs verrous scientifiques dont les plus saillants sont :
- L'articulation du système de détection et l'apprentissage automatique : dans les résultats préliminaires, le système de détection est décentralisé mais il est entraîné de manière centralisée. Une analyse approfondie de cette articulation permettra d'aboutir à une structuration adéquate en termes de performance et de consommation énergétique.
- L'approche inter-couches mise en oeuvre devra également être approfondie pour tirer parti des diverses fonctionnalités de détection d'un système embarqué autonome et permettre une communication des données les plus pertinentes pour la détection des attaques.
Les vulnérabilités des interactions entre véhicules autonomes et infrastructures de route intelligents mises en évidence dans le cadre de la thèse de M. Abdelsalam [4] pourront être exploités pour affiner les vecteurs d'attaques les plus pertinents dans le contexte d'utilisation de l'apprentissage automatique prévue dans le cadre de cette offre de thèse.
Ce sujet de thèse s'inscrit dans le cadre d'un travail de recherche sur la sécurité de systèmes embarqués autonomes et interconnectés [1-3] avec application au cas des véhicules autonomes.
Dans une optique d'amélioration de l'efficacité énergétique des véhicules autonomes, ceux-ci se déplacent par pelotons. Afin de maintenir un peloton, ces véhicules communiquent entre eux par des protocoles de types Vehicle-to-Vehicle (V2V) pour partager des informations utilisées par les pilotes automatiques en vue de maintenir la trajectoire sans causer d'accident ou de collision. Ils doivent également gérer des entrées et des sorties de véhicules au sein du peloton, celui-ci ayant ainsi une composition dynamique. La communication avec l'environnement, notamment les infrastructures de route intelligentes, se fait au moyen de protocoles de type V2X. Toutes ces interactions peuvent être vulnérables à divers types d'attaques étudiées précédemment dans le cadre de la thèse de M. Abdelsalam menée au laboratoire LCIS en collaboration avec l'entreprise Bosch et soutenue fin 2025 [4]. Ces attaques peuvent nuire gravement à la sûreté et à la sécurité des usagers des véhicules autonomes et de la route de manière générale.
Deux études préliminaires relatives à l'utilisation de l'apprentissage automatique pour la détection d'attaques dans les véhicules autonomes ont été réalisées au sein du laboratoire LCIS dans le cadre d'une collaboration entre l'équipe CTSYS (Sûreté et sécurité des systèmes embarqués et distribués) et CO4SYS (Coordination, Coopération & Commande des Systèmes Complexes).
La première étude a concerné [5] une preuve de concept de l'utilisation de l'apprentissage par renforcement pour la détection d'attaques sur un peloton de véhicules autonomes [6, 7] modélisé sous la forme d'un système multi-agents. Un démonstrateur préliminaire a été développé en utilisant les bibliothèques Python PeettingZoo [8] et TorchRL [9].
La seconde étude a mis en oeuvre un pipeline vertical inter-couches comprenant trois phases dont un filtrage des informations pertinentes au niveau de la couche système des dispositifs embarqués, un second filtrage de défauts résiduels et une phase d'apprentissage automatique pour détecter et traiter d'éventuelles attaques manipulant de fausses données [10]. Le peloton de véhicules a été modélisé et simulé par un ensemble d'agents autonomes avec le simulateur CARLA [11].
Les principaux livrables attendus sont :
- Une mise à jour de l'état de l'art notamment pour approfondir les notions de décentralisation et de centralisation dans les travaux de recherche existants en vue de l'amélioration des phases d'entraînement et de simulation.
- Une veille technologique sur la partie métier concernant le « déplacement en peloton » afin de valider les résultats obtenus et d'optimiser les modélisations futures. Il s'agira d'étudier les caractéristiques (features au sens apprentissage automatique) à exploiter pour faire avancer les véhicules en peloton et de renforcer le choix des modélisations mathématiques pour le véhicule pilote et pour les suiveurs.
- Le développement d'une méthodologie complète basée sur l'apprentissage automatique pour la détection des attaques dans les pelotons de véhicules autonomes.
- La réalisation d'une preuve de concept ou d'un démonstrateur, avec prise en compte de l'aspect explicabilité des résultats.
L'état de l'art du domaine évolue rapidement, mais requiert une importance capitale pour positionner correctement les futures contributions de la thèse. Un approfondissement de l'état de l'art sera réalisé.
Un exemple type d'étude de cas sera choisi pour servir de fil conducteur aux réflexions et développements qui seront proposés par le doctorant. La méthodologie qui sera développée sera argumentée et évaluée.
Une approche de validation des résultats, incluant la reproductibilité, l'explicabilité et l'analyse des biais de recherche, sera réalisée.

Compétences requises en apprentissage automatique et en sécurité informatique.
Compétences souhaitées en véhicules autonomes.