Fermeture de voie

Ce second scénario reproduit une situation commune génératrice de congestion : une réduction de la capacité du réseau. Une fermeture de voie peut être temporaire ou non, mais produit systémati-quement une situation de conflit pour les véhicules. Dans ces conditions de trafic dense, la chute de capacité peut entraîner des ralentissements menant jusqu’à la propagation de congestion sur la section. Le scénario modélisé prévoit une réduction de 3 à 2 voies : la figure 3.20) montre une capture d’écran dans les deux situations àt =15 min 13 s. La stratégie de contrôle de l’UBR reste identique au scénario précédent, mais la consigne demande désormais un changement de voie vers la droite.

(a)

(b)

Fig. 3.20:Capture d’écran du simulateur pour le scénario d’insertion. (a) Instabilités du trafic avec 0% de

véhicules connectés (b) Même situation avec 50% de véhicules connectés.

L’objectif de la stratégie de contrôle (figure 3.20 (b)) est double : laisser des créneaux d’insertion sur la voie centrale pour les véhicules qui arrivent de la voie de gauche, et anticiper le délestage de la voie de gauche. Cela permet de réduire le nombre de véhicules stockés sur cette voie tout en limitant le ralentissement sur les autres voies. Sans véhicules connectés (figure 3.20 (a)), toute la section est impactée, et le bouchon formé prend beaucoup d’ampleur. Dans une situation réelle (non modélisée dans le simulateur), des comportements égoïstes des conducteurs pourraient encore aggraver la situation (rester sur la voie de gauche jusqu’au dernier moment).

Le tracé des diagrammes fondamentaux par voie (figure 3.21) confirme les observations et montre la transition entre les états de trafic fluide et congestionnés dans le cas 0% de véhicules connectés. Dans ce scénario, plus de véhicules sont nécessaires (50%) pour empêcher la formation de conges-tion. Les diagrammes montrent bien l’importance de cibler les consignes, puisque les perturbations prennent forme exclusivement sur la voie de gauche.

3.5.3 Discussion

La stratégie de contrôle mise en place dans cette expérimentation est simple. Il s’agit de déterminer quelles consignes sont efficaces, ce qui dépend fortement des conditions de trafic des scénarios modélisés. Une UBR confrontée à des situations réelles fera face à des états de trafic évoluant dynamiquement. Le problème devient alors beaucoup plus complexe : l’UBR, autonome, doit être capable de discriminer ces états de trafic. Sa représentation doit alors intégrer la politique d’action

0 20 40 60 80 0 500 1000 1500 2000 Flow (veh/h) Concentration (veh/km) Lane 1 0 20 40 60 80 0 500 1000 1500 2000 Flow (veh/h) Concentration (veh/km) Lane 2 0 20 40 60 80 0 500 1000 1500 2000 Flow (veh/h) Concentration (veh/km) Lane 3 0 20 40 60 80 0 500 1000 1500 2000 Flow (veh/h) Concentration (veh/km) Average 50% of connected 0% of connected

Fig. 3.21:Diagrammes débits-concentration du scénario de fermeture de voie (données boucles agrégées

chaque minute). Voies de gauche, milieu, droite (a-b-c) et moyenne des trois voies (d).

optimale associée à chaque état de trafic. L’expérimentation menée sur des situations fixes a montré l’impact positif d’une modification partielle et temporaire des comportements d’un flux de véhicules connectés. Cela confirme le potentiel de l’utilisation des messages de consignes pour contrôler un flux de véhicules équipés.

La prochaine étape sera de concevoir un processus de décision complexe qui permettra de générer dynamiquement une stratégie de contrôle embarquée dans une UBR. Pour nous aider dans cette tâche, nous envisageons d’explorer les possibilités offertes par les systèmes multi-agents. Comme les comportements exhibés par les véhicules connectés et automatisés sont encore peu connus, le système devra être capable d’apprendre à la fois à reconnaitre de nouvelles situations de trafic, mais aussi à assimiler de nouvelles stratégies de contrôle. Cette problématique trouve tout son intérêt dans les systèmes coopératifs mais se heurte à des verrous scientifiques plus généraux du domaine de l’IA distribuée. Par exemple, comment éviter d’orienter le comportement du système en incorporant trop de connaissances expertes ?

3.6 Bilan et perspectives

La motivation ayant mené au travail présenté dans ce chapitre prend son origine dans les objectifs fixés au préalable. Nous souhaitons montrer le potentiel des systèmes coopératifs dans une phase de déploiement anticipée. La simulation permet de se projeter dans ce cas de figure en modélisant le futur environnement des C-ITS. Ces systèmes sont cependant très complexes car les entités y interagissent par de multiples biais : capteurs, communication, et stratégies de contrôle. Cette réflexion a mené à l’élaboration d’une plateforme de simulation basée sur un outil existant tiré de la communauté du trafic. Grâce à l’ajout des concepts issus du domaine des multi-agents, nous avons implémenté le couplage proposé dans le chapitre 2. Le simulateur est désormais un outil

d’aide à la décision robuste qui permet de tirer profit des nouveaux véhicules et de l’infrastructure communicante pour proposer des nouvelles stratégies applicables à l’échelle des flux. Les véhicules et les UBR sont modélisés comme des agents autonomes capables de percevoir leur environnement par l’intermédiaire de leurs capteurs. Le processus de décision des véhicules peut être modélisé par une loi de poursuite classique mais il est aussi possible d’intégrer un processus plus complexe. La différence entre les véhicules automatisés ou autonomes et les véhicules classiques (conduits par des humains) se traduit donc par des processus de décision distincts. Dans la même veine, l’infrastructure possède la capacité d’agir en totale autonomie ou d’être asservie par un système automatique. Entre toutes ces entités, la communication est assurée par un protocole basé sur la notion de message. Les considérations techniques exposées dans le chapitre 1 ont permis d’accorder ces échanges avec les capacités actuelles des technologies et standards en place. Le couplage des dynamiques du système permet d’envisager des stratégies de régulation à diffé-rentes échelles. Au niveau local, nous avons proposé une stratégie allant vers l’homogénéisation d’un flux de véhicules semi-automatisés et connectés. Agissant comme un système avancé d’assis-tance au conducteur, et voué à être utilisé dans des conditions de trafic propices à la congestion (trafic dense sur autoroute), le modèle est implémenté dans le simulateur. Ce modèle multi-anticipatif bilatéral profite de toutes les dynamiques du système, y compris la couche de confiance qui permet de gouverner les échanges d’information. Cette forme de contrôle a montré son potentiel dans les expérimentations en simulation, où l’objectif était de minimiser l’impact d’informations issues de capteurs défaillants. Le modèle complet a quant à lui confirmé le potentiel d’une forme de régulation locale permettant, par émergence, l’homogénéisation d’un flux et la réduction des perturbations. Un des résultats intéressants est que cet effet ne nécessite que la coopération d’une partie du flux ; ce qui confirme que les prochaines phases de déploiement des systèmes coopératifs seront décisives. L’évaluation des bénéfices de ce type d’approche est particulier dans la mesure où les résultats proviennent exclusivement de simulations. L’observation des flux modélisés ne permet pas d’évaluer toutes les variables impactées par les systèmes étudiés. Nous avons proposé un cadre robuste d’évaluation qui se base sur la définition d’indicateurs. En comparant des situations nominales (pas de véhicules connectés) avec des scénarios plus complexes, il est possible de pointer les différences attendues. Même si les différences avec des systèmes réels peuvent pondérer les résultats obtenus, ils pourront tout de même orienter les futures recherches vers l’étude en conditions réelles des modèles proposés.

Les résultats présentés dans ce chapitre montrent que de nouveaux comportements vont se mettre progressivement en place. Ils seront apportés lors du déploiement de nouveaux systèmes embar-qués et côté infrastructure. Les problèmes d’interopérabilité entre les systèmes et les interactions possibles avec les usagers rendront leurs effets difficilement prévisibles. Un des enjeux majeurs des gestionnaires de trafic est d’optimiser l’usage de leur infrastructure dans un contexte où le nombre d’usagers ne cesse de croitre alors que les capacités arrivent à saturation. Le potentiel d’action grâce à des stratégies intelligentes visant les C-ITS intéressera ces acteurs particuliers. Il est alors difficile de prédire quelle forme prendront ces stratégies de contrôle. Face aux résultats préliminaires obtenus par une stratégie décentralisée, nous avons identifié un axe de travail au potentiel évident. Il s’agit de mettre à profit l’infrastructure dans l’élaboration de stratégies de contrôle. Cette approche peut se combiner avec une approche locale de régulation et présente l’avantage de pouvoir intégrer des objectifs de haut niveau à la stratégie mise en place. L’apparition de nouveaux comportements est aussi à prendre en compte pour le succès à plus long terme de la stratégie. Nous proposons donc d’intégrer une forme d’apprentissage dans le processus de décision des unités d’infrastructure.

Une nouvelle fois, notre réflexion nous oriente vers la discipline de l’IA, qui présente à la fois des solutions mais aussi des problèmes associés. Le contrôle d’un flux de véhicules connectés par les UBR présente aussi ses défis. Comment intégrer des connaissances expertes dans un processus de décision autonome ? Comment ne pas biaiser le comportement d’un système autonome lors de sa conception ? Quels outils permettent à un système de construire une représentation de son environnement ? Comment intégrer des objectifs à l’échelle du système dans une stratégie de contrôle localisée et individualisée ? Toutes ces questions sont abordées dans le chapitre 4. Nous proposons un modèle d’IA capable de construire une stratégie de contrôle. Ce modèle est testé sur le cas d’étude du trafic coopératif grâce à la plateforme de simulation développée.

4

Vers un contrôle décentralisé et