Soutenance mémoire
Comment améliorer les systèmes de transport ?
Dans le domaine automobile, tous les constructeurs et les équipementiers souhaitent améliorer les capacités et les performances des systèmes relatifs à la mobilité et à l’autonomie des véhicules. C’est l’un des défis scientifiques et techniques majeurs du moment. Pour cela, Kramer suggère dès 1989 la mise en place de fonctions et systèmes dans les véhicules pour éliminer les manques ou déficiences d’informations et de capacités et possibilités de communication, à l’origine de 90% de tous les accidents de trafic.
“the various deficiencies and lacks of drivers’ information and communication capabilities and possibilities would cause more than 90 per cent of all road traffic accidents and, therefore, functions and systems in future vehicles would be needed which would have to rule out those « human imperfections » by replacing or complementing drivers” – Extrait de [Kramer and Reichart, 1989], abstract.
Un malheureux raccourci est de conclure que l’humain est l’élément le moins fiable du système, et qu’il est préférable de remplacer le conducteur humain plutôt que de l’assister. Ce raccourci est par exemple fait dans [Fleetwood, 2017] :
“Autonomous vehicles, which could reduce traffic fatalities by up to 90% by eliminating accidents caused by human error – estimated to be 94% of fatalities – could save more than 29000 lives per year in the United States alone [Singh, 2015].” – Extrait de [Fleetwood, 2017], page 532.
Si l’étude [Singh, 2015] indique effectivement que 94% des causes critiques d’accident qui causent un évènement critique de pré-crash sont d’origine humaine, l’étude précise aussi et surtout que ce chiffre n’est pas prévu pour être interprété comme une assignation de la faute du conducteur, du véhicule, ou de l’environnement :
“Although the critical reason is an important part of the description of events leading up to the crash, it is not intended to be interpreted as the cause of the crash nor as the assignment of the fault to the driver, vehicle, or environment.”– Extrait de [Singh, 2015], page 1.
L’opinion qui consiste à croire que l’humain est peu fiable est d’ailleurs remise en question dans [Reichart, 1993]. Au contraire, les éléments apportés par Reichart indiquent qu’il est remarquablement difficile pour un équipement technique d’excéder la fiabilité humaine, ce qui suggère d’assister le conducteur humain plutôt que de le remplacer. Bien que quelques véhicules autonomes semblent pouvoir rouler depuis peu de nos jours, nous pouvons affirmer sans détour que cette analyse était pertinente à la date de son écriture ; nous pouvons même raisonnablement affirmer que cette analyse est toujours d’actualité.
“Some reasons are given for questioning the prevailing opinion that the human element is the most unreliable part of the road traffic system. Individual accident risk is low on a trip, although there is considerable risk in the whole population, due to the large number of vehicles and journeys. Various models and procedures have been proposed for analysing and assessing human reliability. Human error is basically understood as a human output, outside the tolerances established by the system requirements within which a person operates. Explanations of human error in road accidents are still very incomplete, though much can be gained by observing and analysing traffic conflicts. The author argues that it is remarkably difficult for the reliability of technical equipment to exceed human reliability. This strongly suggests that it is better, not to replace the driver, but to use intelligent technical methods to assist his driving task. Such assistance includes improved driver training, as well as in-vehicle and infrastructure measures. The author concludes that a humancentred automation, cooperating with the human element, will optimise overall transport system performance.” – Extrait de [Reichart, 1993].,
Projet eHorizon
En 1999, Venhovens donne une application concrète pour assister le conducteur, qu’il soit humain ou non, dans sa tâche de conduite. Il s’agit d’étendre l’horizon visuel du conducteur à un horizon électronique, beaucoup plus grand, pour aider le conducteur à mieux anticiper les situations futures.
“the knowledge of the current position combined with the geometry and attributes (e.g. number of lanes and traffic signs) of the road in the immediate area of the vehicle enables the driver to extend his/her visual horizon to an electronic horizon with a much larger range.” – Extrait de [Venhovens et al., 1999], page 937.,
Ce concept d’extension de la capacité de perception de l’environnement est à l’origine de l’ambitieux projet d’innovation et de recherche eHorizon, pour « electronic Horizon » en anglais, un projet porté par Continental Automotive qui a crée à cette occasion en 2016 la filiale Continental Digital Services France (CDSF) située à Toulouse. Ma thèse s’inscrit dans ce projet, et est financée via le dispositif de Convention Industrielle de Formation par la REcherche (CIFRE). Ce dispositif CIFRE associe Continental, le laboratoire de recherche LAAS-CNRS qui assure l’encadrement de la thèse, et moi-même. Pour améliorer l’expérience de la mobilité, il est envisagé de générer une connaissance globale et fiable de l’environnement. Pour cela, les véhicules sont dotés d’une capacité de perception de leur environnement via de nombreux capteurs qu’ils embarquent. Ainsi dotés de cette capacité de perception, l’ensemble des véhicules va pouvoir capturer des informations locales de l’environnement dans lequel ils évoluent. Ces informations, capturées de façon distribuée dans l’espace et le temps, sont ensuite communiquées et centralisées dans le Cloud. Les données ainsi accumulées dans le Cloud sont ensuite exploitées par des services eHorizon pour générer une connaissance globale de l’environnement qui permettra d’assister le conducteur, humain ou non, dans sa tâche de conduite.
La flotte de véhicules capture des informations locales de l’environnement, qui sont transférées vers le Cloud. Les données ainsi agrégées dans le Cloud sont utilisées par des services eHorizon pour générer une connaissance globale de l’environnement, qui est envoyée aux utilisateurs pour améliorer l’expérience de la mobilité.
Nécessité d’optimiser le flux de données des véhicules vers le Cloud
Un véhicule connecté peut générer plus de 300TB de données par an [Dmitriev, 2017]. Pour des raisons de faisabilité technique et économique, la totalité des données générées par plusieurs millions de véhicules connectés ne pourra pas être transmis vers le Cloud, ce qui impose une optimisation critique du flux de données Vehicle-to-Cloud (V2C).
Problématique
Dans le contexte que nous venons de décrire, comment équilibrer efficacement et dynamiquement le flux de données V2C en tenant compte des propriétés spatio temporelles des informations ? La réponse à cette question est problématique pour au moins 8 raisons :
1. l’hétérogénéité des technologies réseau est grande (3G, 4G, 5G, LTE, LTE+, MIMO, WiFi, WiMAX, LiFi, VLC, Infrared, Bluetooth, GSM, GPRS, UMTS HSPA, mmWave, etc.),
2. l’hétérogénéité des matériels est grande (capteurs de différentes technologies, différents constructeurs, etc.),
3. les ressources sont variables dans l’espace et le temps (la capacité du réseau sans-fil, la densité de véhicules dans l’espace, la forte mobilité des véhicules…),
4. le business modèle des données n’est pas bien défini,
5. la confiance que l’on peut placer dans les données est difficile à évaluer,
6. l’envergure potentiellement mondiale du système,
7. la valeur ajoutée aux données par les séquences de transformations réalisées par les services eHorizon dans le Cloud est difficile à évaluer (non-linéaire, combinatoire, connaissance imprécise des processus, qui de surcroît sont en constante évolution. . .),
8. l’aspect multi-objectif du problème d’optimisation (maximisation de l’utilité générée et minimisation des coûts opérationnels).
|
Table des matières
I Introduction générale
1 Motivation, contexte, et problématique
1.1 Comment améliorer les systèmes de transport ?
1.2 Projet eHorizon
1.3 Nécessité d’optimiser le flux de données des véhicules vers le Cloud
1.4 Problématique
2 Objectifs de la recherche et décomposition du problème
2.1 Hypothèses initiales
2.2 Décomposition du problème
3 Contributions
3.1 Algorithme d’ordonnancement en-ligne embarqué dans les véhicules
3.2 Mécanisme d’Allocation Centralisé dans le Cloud
4 Structure du manuscrit
II Algorithme d’ordonnancement en-ligne embarqué dans les véhicules
1 Définition du problème
2 Modélisation
2.1 Problème à temps-réel souple
2.2 Méthode d’évaluation
2.3 Génération de scénarios
2.4 Modèle de simulation
3 Résultats et analyses
4 Travaux associés
III Mécanisme d’Allocation Centralisé dans le Cloud
1 Définition du problème
1.1 Modélisation des acteurs et de leurs intéractions
1.2 Non-soustractibilité des données
1.3 Exclusion à la consommation
2 Construction d’une famille de mécanismes à étudier
2.1 Formalisme préliminaire
2.2 Règles d’inclusion
2.3 Règles de redistribution
2.3.1 Paiement minimal d’un agent pour la règle d’inclusion NE
2.3.2 Paiement minimal d’un agent pour la règle d’inclusion 1HB
2.3.3 Paiement minimal d’un agent pour la règle d’inclusion MCT
2.3.4 Synthèse
2.4 Mécanismes populaires qui s’inscrivent dans notre modèle
2.4.1 First-Price Sealed-Bid Auctions with a Reservation Price (FPSBARP)
2.4.2 Provision-Point-Mechanism (PPM)
2.4.3 Equal Cost Sharing with Maximal Participation (ECSMP)
3 Moyen d’analyse
3.1 Choix de l’approche ACE
3.2 Principe de l’apprentissage multi-agents
3.3 Modèle de l’environnement multi-agents
3.4 Mise en œuvre de l’algorithme d’apprentissage
4 Résultats
4.1 Mécanismes de provision évalués
4.2 Paramètres et analyses
4.3 Processus de génération des résultats
4.4 Critères d’évaluation
4.5 Analyse de sensibilité au degré de compatibilité des besoins
4.6 Analyse de sensibilité au niveau d’équilibre des apports
5 Travaux associés
5.1 Travaux qui nous ont fortement inspirés
5.2 Travaux qui utilisent une méthodologie similaire à la nôtre
IV Conclusion générale
