Bilan du travail sur la modélisation de la tâche du contrôle longitudinal sous incertitude

longitudinal sous incertitude

Un véhicule agit dans un environnement stochastique et incertain, un environnement dans lequel les actions du véhicule sont considérées comme imprécises et le véhicule devient incertain de l’effet exact de ses actions. Dans cet environnement, la prise en considération de l’imprécision des actions et de l’incertitude de contrôle pendant la modélisation est cruciale en vue d’atteindre une conduite sans collision. Cependant, plusieurs modèles de suivi de véhicules proposés dans la littérature ignorent cette incertitude pour modéliser et simuler le contrôle longitudinal dans un environnement considéré comme déterministe.

Pour proposer une solution à cette problématique, après avoir présenté une large recherche bibliographique sur la commande longitudinale des véhicules, la modélisation multi-agents et le traitement de l’incertitude, nous avons présenté un modèle robuste basé sur une approche coopérative. Dans ce chapitre, nous décrivons les principaux avantages du notre modèle et nous synthétisons également les résultats obtenus.

VI.1.1. Contribution

Dans cette thèse, nous avons proposé un modèle robuste du suivi de véhicules basé sur une approche coopérative (IVC-RCFM) et chargé de tenir compte de l’incertitude de contrôle et d’atteindre un contrôle longitudinal sans collision dans un environnement incertain. Le modèle IVC-RCFM est un modèle à base d’agents permettant la coopération de plusieurs agents hétérogènes, plus précisément des conducteurs humains, des véhicules et des unités de communication de l’infrastructure, afin d’accomplir sa tâche.

Chapitre

6

Le modèle IVC-RCFM se base sur les contributions suivantes :

 Un modèle robuste pour une conduite fiable sous incertitude,

 La coopération homme-véhicule,

 La coopération inter-véhicules.

VI.1.1.1. Un modèle robuste du suivi de véhicules

Les modèles du suivi de véhicules proposés dans la littérature négligent l’incertitude de contrôle pour contrôler la vitesse dans un environnement considéré comme déterministe. D’un autre côté, nous avons proposé un modèle robuste à base d’agents (RCFM) capable de simuler et d’automatiser le contrôle longitudinal dans un environnement incertain, plus précisément un environnement qui peut être stochastique ou déterministe.

Par l’implémentation du modèle RCFM, un 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 perçoit l’état du véhicule qu’il contrôle (sa vitesse, la vitesse du leader et la distance qui sépare les deux véhicules), prend une décision et agit sur la vitesse en vue de maintenir une conduite sans collision dans un environnement incertain. Pour accomplir cette tâche, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 se base sur une approche robuste lui permettant de s’occuper de l’incertitude de contrôle et de tenir compte de l’imprécision de ses actions. Plus précisément, l’approche robuste permet au 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 de définir les utilités de ses actions sous incertitude de contrôle. Puis, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 choisit et exécute une action qui devrait maximiser son objectif, en particulier l’action qui possède une utilité attendue maximale.

Nous avons considéré le problème de la conduite sous incertitude de contrôle comme un problème de recherche minimax. Dans ce problème, deux joueurs concourent chacun pour maximiser certains objectifs : (i) un joueur 𝑀𝐴𝑋 qui cherche à maximiser le respect d’une vitesse de sécurité 𝑣𝑆𝑎𝑓𝑒 pour maintenir une conduite sans collision, et (ii) un joueur 𝑀𝐼𝑁 (l’environnement) chargé de causer une incertitude de contrôle pour minimiser l’objectif de 𝑀𝐴𝑋.

À cette fin, un agent nommé 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 implémente le modèle RCFM et assume le rôle d’un joueur 𝑀𝐴𝑋 dans l’objectif de conduire le véhicule et maintenir un contrôle longitudinal automatique et sans collision tout en tenant compte de l’incertitude de contrôle dans un environnement incertain.

VI.1.1.2. Une coopération homme-véhicule pour un contrôle plus fiable dans un environnement incertain et inconnu

La résolution et la prise en considération de l’incertitude de contrôle en utilisant le modèle RCFM nécessitent un modèle de transition précis. Ce modèle de transition décrit l’imprécision des actions du véhicule. Cependant, une connaissance préalable et précise de ce modèle est souvent absente dans un environnement incertain. Dans ce cas, le RCFM devient incapable de garantir un contrôle longitudinal sans collision et, par conséquent, le problème de l’incertitude n’est pas encore résolu.

Le conducteur humain possède des aptitudes et des capacités lui permettant de conduire le véhicule dans des situations complexes et, le plus important, dans différentes conditions de l’environnement. Pour cette raison, nous avons proposé d’intégrer le conducteur humain dans la boucle de contrôle pour intervenir dans la tâche du contrôle longitudinal et conduire le véhicule. De plus, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 observe et apprend des actions de l’humain pour construire un modèle de transition précis. Ceci permet au 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 de bénéficier des aptitudes du conducteur humain afin de compléter ses propres capacités et arriver, finalement, à accomplir sa tâche.

À cette fin, nous avons permis au conducteur humain et au 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 de coopérer l’un avec l’autre en vue de produire un contrôle longitudinal sans collision dans un environnement incertain. De plus, il convient de noter que les autres modèles du suivi de véhicules proposés dans la littérature modélisent et automatise le contrôle longitudinal pour contrôler la vitesse de façon individuelle dans un environnement considéré comme déterministe.

VI.1.1.3. Une coopération inter-véhicules pour un contrôle longitudinal sans collision d’un environnement dynamique et incertain

En implémentant le modèle 𝑅𝐶𝐹𝑀, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 construit et utilise un seul modèle de transition pour tenir compte de l’imprécision de ses actions et atteindre un contrôle longitudinal sans collision. Cependant, un véhicule agit dans un environnement dynamique et incertain, un environnement dans lequel la précision des actions changement d’un segment à un autre. Ainsi, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 doit s’adapter aux changements dans les différents segments.

De plus, afin de décrire avec précision l’état d’un segment particulier de la route, le 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 et le conducteur humain nécessitent beaucoup d’interactions avec l’environnement. Ceci ralentit la convergence du modèle de transition et limite en conséquence la capacité du modèle RCFM à atteindre l’objectif recherché.

Pour aborder ces deux enjeux, nous avons adopté la coopération inter-véhicules pour implémenter un modèle robuste du suivi de inter-véhicules basé sur une approche coopérative (IVC-RCFM). En plus de la coopération humain-véhicule, la communication et la coopération inter-véhicules via un réseau VANET permettent à chaque véhicule, plus précisément au 𝐷𝑟𝑖𝑣𝑒𝑟𝐴𝑔𝑒𝑛𝑡 et au conducteur humain, de combiner leurs capacités et leurs ressources avec celles des véhicules voisins.

Par conséquent, plusieurs véhicules communiquent et coopèrent pour partager leurs ressources et recueillir plus d’observations afin de construire un modèle de transition pour chaque segment de la route. Ceci a permis au modèle

IVC-RCFM d’atteindre un contrôle longitudinal sans collision dans les différents

À cette fin, dans un système multi-agents à agents hétérogènes, plusieurs agents communiquent et coopèrent pour combiner les capacités des véhicules et les compléter par les aptitudes des conducteurs humains que le véhicule n’en dispose pas.

VI.1.2. Comparaison avec des travaux similaires

Dans la tâche du contrôle longitudinal, la prise en considération de l'incertitude de contrôle est cruciale pour produire un contrôle fiable et efficace. Cependant, de nombreux modèles de suivi de véhicules ont été proposés pour modéliser et simuler le contrôle longitudinal dans un environnement considéré comme déterministe.

Dans cette thèse, plus précisément dans le chapitre V « Expérimentations», nous avons présenté une comparaison qualitative de quatre modèles de suivi de véhicules (le modèle de Krauß [80], le modèle Kerner [81], le modèle IDM [82] et le modèle 𝐼𝑉𝐶 − 𝑅𝐶𝐹𝑀 proposé ici).

En se basant les résultats présentés dans le chapitre V, la négligence de l’incertitude de l’imprécision des actions dans un environnement incertain, en particulier par le modèle de Krauß, le modèle de Kerner et le modèle de IDM, a entraîné de nombreuses collisions. Par contre, grâce à la prise en considération de l’incertitude de contrôle, notre modèle 𝐼𝑉𝐶 − 𝑅𝐶𝐹𝑀 a établi un contrôle longitudinal sans collision dans les différentes conditions de l’environnement et aussi à travers les différents segments.