Habituellement, les simulateurs de trafic aérien utilisent un modèle mathématique plus ou moins complexe pour faire voler les avions, dans la majorité des cas en utilisant un plan de vol (voir section 3.1.4 et [Rantrua, 2017]).
Dans sa thèse, [Rantrua, 2017] propose un AMAS nommé EVAA pour apprendre à partir de données réelles de vols comment volent les avions en fonction du contexte dans lequel ils se trouvent. Il utilise ensuite cette base de données de comportements contextuels pour faire voler des avions virtuels dans un simulateur.
Dans son travail, il utilise 5 types d’agents :
— avion de rejeu : un avion qui rejoue une trajectoire enregistrée, c’est-à-dire un avion qui suit la suite de points qui constituent la trajectoire de l’avion,
— situation d’intérêt : un point d’une trajectoire jugé pertinent,
— situation agrégée : un groupe de situations d’intérêt qui présentent des similarités, — contextes : une portion de comportements, c’est-à-dire les conditions dans lesquelles il
faut faire une action,
— avion simulé : un avion qui interroge les contextes pour décider de sa trajectoire lors de la simulation.
Phase d’apprentissage. Dans la phase d’apprentissage, EVAA crée pour chaque avion dont il possède les enregistrements, un agent avion de rejeu, qui va suivre la suite de points qui constituent sa trajectoire enregistrée. Pendant qu’il suit cette suite de points, l’agent avion de rejeu détecte des points notables dans sa trajectoire. Ces points notables correspondent à des changements significatifs dans celle-ci, comme un virage ou une montée.
Pour chaque point notable qu’il détecte, il associe un agent situation d’intérêt avec les caractéristiques qui définissent ce point notable. Ces caractéristiques correspondent à la po- sition (longitude et latitude) et l’altitude, mais aussi les caractéristiques de l’avion comme la compagnie, la vitesse horizontale et la vitesse verticale, le modèle avion, parmi d’autres.
Ces agents de situations d’intérêt connaissent l’agent situations d’intérêt précédant et sui- vant, et forment avec eux des vecteurs, que nous appelons dans la suite des segments.
Ces agents situations d’intérêt observent ensuite leur environnement pour se regrouper dans un agent situation agrégée.
La figure 6.4 montre le résultat de l’apprentissage d’EVAA sur une centaine de vols entre Bordeaux, Toulouse, Lyon et Paris.
Phase de simulation. Dans la phase de simulation, les agents situations agrégées n’évo- luent plus et deviennent des agents contextes, et les agents situation d’intérêt liés entre eux deviennent des segments. L’ensemble des agents contextes correspond alors à une base de données distribuées et contextuelles de comportements, que les agents avions simulés uti- lisent pour voler durant la simulation.
6.4. EVAA : Environnement Virtuel Auto-Adaptatif
Figure 6.4 – Apprentissage d’EVAA sur des vols entre Toulouse et Paris, Paris et Lyon, Lyon et Bordeaux, et Bordeaux et Paris. Les flèches rouges représentent les segments, les points oranges sont des situations d’intérêts, et les points verts sont des situations agrégées.
Dans la suite, nous utiliserons les résultats de l’apprentissage d’EVAA comme une road- map pour générer des scénarios réalistes, et le simulateur multi-agent d’EVAA pour expéri- menter des comportements adaptatifs autonomes.
7
Le modèle de structuration de
simulation de trafic AGATS
("Autonomous GenerAtion of
Traffic Simulations")
Nous présentons dans ce chapitre le modèle Autonomous GenerAtion of Traffic Simulations (AGATS), dont le but est de permettre une auto-structuration d’une simulation de trafic pour générer un trafic réaliste du point de vue microscopique et macroscopique (c’est-à- dire du point de vue des trajectoires et du trafic), et contenant des situations voulues par un scénariste. Le système s’appuie sur une modélisation à base d’agents, selon la théorie AMAS [Georgé et al., 2011], mais aussi sur le pattern AMAS4Opt [Kaddoum, 2011], pattern AMAS dédié à la résolution collective de problèmes d’optimisation, et sur EVAA [Rantrua, 2017], système multi-agent dédié à l’apprentissage et la simulation de trafic aérien.
Nous décrivons dans un premier temps l’ensemble du système AGATS après avoir rap- pelé brièvement ses objectifs (sections 7.1 et 7.2), pour ensuite détailler les différentes entités qui le composent (sections 7.5 à 7.9), et enfin présenter les différentes situations de non co- opération et leur résolution (section 7.10).
7.1
Les objectifs et axes du système AGATS
Pour rappel, nous découpons l’objectif de structuration d’une simulation de trafic dans le but de générer un trafic réaliste, et contenant des situations voulues par un scénariste, en différents sous-objectifs :
1. Être capable de générer un scénario réaliste du point de vue microscopique et macro- scopique, c’est-à-dire un scénario comportant des trajectoires réalistes, le tout dans un
trafic réaliste,
2. Une composante importante du réalisme de trafic est l’évitement de collisions, le sys- tème doit donc permettre l’évitement de collisions entre les différentes entités de la simulation,
3. Lors de la simulation, l’utilisation du scénario doit prendre en compte l’apparition des différentes situations voulues par le scénariste,
4. Cette simulation doit être interactive pour que des acteurs humains agissent sur la si- mulation et que celle-ci réagisse à ces actions, en s’adaptant éventuellement pour conti- nuer de générer les situations désirées.
5. Enfin, même si la thèse s’inscrit dans le trafic aérien, le modèle doit être générique, afin d’être applicable à d’autres trafics, tel que le trafic routier.
Nous voulons qu’à partir de :
— Une description de l’environnement. Par exemple dans la génération de trafic aérien, une description des espaces aériens dans lesquels les avions volent, des routes aé- riennes, et des aéroports (voir section 1).
— Une base de données de trajectoire. Dans notre système, nous utilisons le résultat de l’apprentissage d’EVAA (section 6.4) comme une roadmap (section 4.1). Chaque situa- tion d’intérêt est alors un noeud, et chaque segment une arrête. Cette roadmap est utilisée comme une base de données de trajectoires, contenant un ensemble de parties de tra- jectoires (les segments).
— Un ensemble de situations requises par un scénariste, noté Sit ;
Les agents du système AGATS soient capables de générer un scénario de trafic réaliste, c’est-à-dire un ensemble de trajectoires réalistes, qui produira l’ensemble des situations Sit souhaitées lors de la simulation. Les agents du système AGATS doivent aussi être capables par leurs interactions d’adapter leur comportement afin de préserver le réalisme et de main- tenir les situations requises.