Diversification fonctionnelle pour la tolérance aux fautes logicielles dans la fusion de données : une application réelle sur les filtres de Kalman pour l'estimation du lacet d'un robot mobile.

Résumé Dans cet article, nous proposons une architecture logicielle tolérante aux pannes pour les mécanismes de fusion de données. Notre travail est motivé par la difficulté de valider les mécanismes de fusion, que ce soit par des approches formelles ou par des tests. Le mécanisme proposé est basé sur la diversification fonctionnelle en utilisant l'approche bien connue de la programmation à N-versions, pour tolérer les fautes dans les modèles de fusion de données. Le principe général de notre approche est d'implémenter trois mécanismes de fusion de données diversifiés, chacun avec des modèles diversifiés de manière forcée et des entrées indépendantes. Grâce à cette diversification et à un mécanisme de vote, notre architecture fournit les services de tolérance aux fautes suivants : détection des erreurs logicielles, diagnostic des erreurs logicielles et récupération du système. Pour démontrer l'efficacité de notre approche, nous présentons un cas réel consistant à estimer l'angle de lacet d'un robot mobile à l'aide d'odomètres et de gyroscopes avec un filtre de Kalman. Nous présentons une évaluation de la tolérance aux fautes qui est basée sur l'acquisition de données réelles par un véhicule équipé de capteurs intelligents (Citroën C5), la relecture hors ligne de ces données réelles et des techniques d'injection de fautes. Selon nous, la principale contribution originale de cet article est de proposer des mécanismes de tolérance aux fautes logicielles dans la fusion de données, qui sont rarement considérés dans la littérature. En effet, nous pensons que ces fautes peuvent avoir un impact important sur le comportement du système, qu'elles sont difficiles à détecter et à éliminer par validation, et qu'elles sont susceptibles d'apparaître compte tenu du fait que des valeurs empiriques (telles que des gains ou des fonctions de masse de croyance) sont utilisées dans la fusion de données.