Maxime Redondin

Ensuring the visibility of road markings is critical for traffic safety, yet current inspection methods remain either prohibitively expensive (retroreflectivity) or subjective (manual assessment). This article introduces the Random Generated Reference (RGR) method, a novel automated solution for quantifying marking degradation using a standard on-board camera. The proposed pipeline is a complete protocol from video acquisition to road marking inspection and validation of the inspection that combines deep learning with computer vision: YOLOv8 is employed for robust detection, while a unique algorithm generates a “perfect virtual reference” that dynamically replicates the real scene’s geometry and illumination conditions, including shadows. By computing pixel-level deviations between the observed marking and this ideal reference, the system assigns a continuous degradation score aligned with the UK CS126 standard. Experimental validation was conducted on a real-world circuit yielding over 20,000 detections. Verification via Cochran sampling demonstrates that 68% of the automated assessments fall within one class of human inspection. This proof-of-concept confirms the viability of an approach based on generating the ground truth and scene conditions—such as illumination, shadows, rain, traffic, etc.—for road marking inspection.

La qualité et la fiabilité des infrastructures routières jouent un rôle majeur dans la sécurité routière. Cela est d'autant plus vrai lorsque qu'on s'intéresse à la circulation de véhicules autonomes qui doivent être capables à terme de circuler seuls dans l'environnement routier. Les récents travaux menés au sein de VEDECOM montrent qu'une signalisation horizontale routière claire et visible est importante dans sa prise de décision. La détection des lignes de marquage sont en grande partie réalisée par des caméras. Afin d'optimiser cette approche et prévenir les situations de non détection, cette thèse propose des outils d'analyse de fiabilité et d'aide à la maintenance de la signalisation horizontale. Aujourd’hui, la fiabilité des marquages est basée le phénomène de rétro-réflexion : un véhicule éclaire avec ses feux de croisement un marquage qui renvoie la lumière vers le conducteur. Pour établir son niveau de dégradation, des campagnes d'inspection sont réalisées par des rétro-réflectomètres montés sur des véhicules traceurs. La littérature des trente dernières années présente essentiellement des modèles de dégradation basés sur des méthodes de régression. Ces derniers présentent de nombreuses difficultés à être déployés dans le cadre d'un plan de maintenance. Cette thèse propose d'aborder ces questions sous l'angle de la théorie de la fiabilité et de la maintenance tout en tenant compte des pratiques actuelles. Une ligne de marquage est ici interprétée comme un système multi-composants monté en parallèle. Cette thèse propose de l'analyser en quatre points. Premièrement, l'ensemble des inspections est formalisé en une base de suivi. Si des données sont manquantes et si l'historique de maintenance est indisponible, alors différentes approches basées sur une Classification Ascendante Hiérarchique (CAH) sont proposées afin de les estimer. Deuxièmement, l'entretien de la totalité d'une ligne est logistiquement délicat. Une CAH de la base de suivi a pour fonction d'établir les marquages suivant un même modèle de dégradation. Les clusters sont géographiquement localisés et corrélés à des situations précises comme un échangeur ou une agglomération. Pour ces raisons, ils sont interprétés comme des zones de maintenance stratégiques. Troisièmement, réaliser une analyse de Weibull des marquages. Les rétro-réflectomètres n'indiquent pas précisément les instants de défaillance. Ils sont statistiquement censurés à gauche, à droite ou par intervalle. En alternative à la méthode du Maximum de Vraisemblance, une approche basée sur un algorithme EM est proposé afin d'établir le modèle de Weibull et les censures estimées les plus vraisemblables. Dernièrement, deux stratégies de maintenance sont proposées : systématique par rapport à l'âge et conditionnée par la dégradation courante. Elles sont en adéquation avec les pratiques de maintenance. La première permet une gestion passive de l'entretien tandis que la seconde permet une connaissance avancée de la ligne de marquage dans le temps. A partir d'un système multi-composants non réparable et fortement censuré, les composants suivant un même modèle de dégradation sont classables, chaque groupe connait un modèle de durée de vie et finalement il est possible de déduire un plan de maintenance adapté

In recent years, the maintenance of multicomponent systems has been discussed in many papers. The aim of these studies is to use the maintenance duration of one component for the maintenance of other components to minimize the total maintenance cost of the system. The complexity of the maintenance of this kind of system is due to its structure and its large number of components. The present paper suggests a grouped maintenance policy for multicomponent systems in a finite planning horizon based on the systemic inspection feedback data. The system considered is periodically inspected. Then, the collected data are triply censored (left, right, and interval censored). The proposed grouped maintenance strategy starts by clustering the components into g clusters according to their degradation model. Then, an expectation minimization algorithm is applied to correct the censorship in the data and to associate a Weibull distribution with each cluster. The proposed grouped maintenance strategy begins by specifying an individual maintenance plan for each cluster by identifying an optimal replacement path. Then, this step is followed by finding an optimal grouping strategy using a genetic algorithm. The aim is to identify a point in time when the components can be maintained simultaneously. To illustrate the proposed strategy, the grouped maintenance policy is applied to the feedback data of the road markings of French National Road 4 (NR4) connecting Paris and Strasbourg.

The forthcoming arrival of automated vehicles (AV) on the roads requires the re-evaluation or even adaptation of existing infrastructures as they are currently designed on the basis of human perception. Indeed, advanced driver-assistance systems (ADAS) do not necessarily have the same needs as drivers to detect road markings. One of the main challenges related to AV is the optimisation of the vehicle–infrastructure pair in order to guarantee the safety of all users. In this context, we compared the performance of a vehicle equipped with an ADAS machine-vision system with a dynamic retroreflectometer during the daytime on a road section. Our results questioned the reliability of the literature thresholds of the luminance contrast ratio on a dry road under sunny conditions. Despite the presence of old and worn road markings, the ADAS camera was able to detect the edge lines in more than 90% of the cases. The non-detections were not related to the poor condition of the markings but to the environmental conditions or the complexity of the infrastructure.