Politiques d'inter-distance utilisant les automates cellulaires

Des travaux récents ont introduit dans la théorie du trac microscopique la notion d'automates cellulaires en anglais "Cellular Automaton" (CA). Les automates cellulaires décrivent le trac comme un treillis de cellules de tailles égales (typiquement 7.5 m). Un automate cellulaire décrit de manière discrète les mouvements des véhicules de cellules en cellules [45,46]. La taille des cellules est choisie de telle sorte qu'un véhicule circulant à la vitesse unité passe d'une cellule à la suivante durant un intervalle de temps unité. La vitesse des véhicules est une grandeur quantique dont les valeurs, en nombre ni, s'échelonnent entre 0 et une vitesse limite vmax. Le processus peut être divisé en trois étapes :

 Accélération : Tout véhicule ayant une vitesse inférieure à sa vitesse maximale vmax accélère pour atteindre la valeur quantique supérieure, c-à-d v ← min(vmax, v + 1).

 décélération : si la vitesse est inférieure à l'intervalle de distance d séparant du vé- hicule précédant, alors le véhicule décélère, c-à-d, v ← min(v, d).

 phase de traîne : Avec une certaine probabilité ρmax, la vitesse d'un véhicule décroit spontanément : v ← max(v − 1, 0).

Cet ensemble minimal de règles de conduite et l'utilisation de machines massivement parallèles, rendent l'approche par automates cellulaires très rapide et utilisable pour des simulations de trac à grande échelle sur réseaux autoroutiers. Ce modèle a évolué pour prendre en compte les scénarios multivoies de trac routier [47].

La technique de poursuite classique utilisant les automates cellulaires est orientée espace et c'est une approche de nature heuristique. Wu et Brillon [48] ont proposé une autre approche utilisant des automates cellulaires orientés temps. Cette méthode décrit de manière plus réaliste le comportement des conducteurs.

Les automates cellulaires ont l'avantage de conserver les atouts des modèles complexes de micro-simulations tout en démeurant extrêmement performants en terme de temps de calcul. Ils manquent toutefois d'intuitivité et leurs mécanismes ne sont pas facilement interprétables dans la perspective d'une tâche de conduite.

1.3.2.5 Politiques d'inter-distance basées sur la logique oue et les réseaux de neurones

Il s'agit là d'une technique relativement récente que l'on peut considérer comme un modèle logique [49] et qui consiste à caractériser avec une approche mathématique le langage et le comportement humains. La théorie de la logique oue repose sur le concept de système d'inférence oue composé de trois éléments essentiels (cf Fig.1.19) :

 Une base de connaissances composée de règles de la forme si prémisse alors conclu- sion

où la prémisse est une conjonction de prédicats du type x estA, x étant une va- riable linguistique (vitesse, distance, température etc.) et A un sous-ensemble ou déni sur le domaine de variation de x, par exemple la vitesse est élevée ;

 un mécanisme d'interprétation permettant d'évaluer à quel degré telle observation précise d'une variable numérique appartient à tel sous-ensemble ou ;

 un moteur d'inférence, qui traite les informations nouvelles en fonction de la connais- sance disponible.

Fig. 1.19  Système d'inférence oue

Deux systèmes d'inférence oue demeurent les plus employés [50] : Il s'agit des systèmes utilisant la defuzzication de Mamdani [51] et de Takagi-Sugeno-Kang [52]. Dans le modèle de Mamdani, les conséquences des règles d'inférences c'est-à-dire, les sorties du système d'inférence oue, sont représentés par des ensembles ous ou variables linguistiques tandis que dans le modèle de Takagi-Sugeno-Kang, ces conséquences sont représentées directement par des variables réelles.

D'aucuns pensent que la logique oue constitue la dernière étape dans le développe- ment des modèles d'inter-distance. La logique oue essaie en eet d'opérér une imitation parfaite du comportement d'un conducteur humain. La première utilisation de la théorie de la logique oue a porté sur un modèle proportionnel de General Motors (GM), dans lequel la vitesse relative, la distance et l'accélération du véhicule leader étaient considé- rées comme les entrées du système [53]. Le modèle a transformé les variables d'entrée en des termes linguistiques en recourant à des fonctions d'appartenance pour dénir ces termes. Par exemple, la distance entre les véhicules était qualiée par l'emploi de termes tels que petite, très petite, adéquate etc. Une fonction mathématique (triangulaire) décri- vait chacun d'eux. Le degré de vérité d'appartenance d'une distance relative quelconque à un terme était codé par un coecient entre 0 et 1. Après transformation des entrées en termes linguistiques, un ensemble de règles décrivait la réponse du conducteur du véhicule suiveur en réaction aux entrées. Une règle typique est de la forme :

SI Distance relative "Adéquate", Vitesse relative est "Presque Zéro" et Accéléra- tion du véhicule leader est "Modérée" ALORS Véhicule suiveur doit accélérer "Modéré- ment"

La sortie de la règle oue était alors transformée en valeur numérique (défuzzica- tion), semblable à la transformation des entrées en termes linguistiques.

En 1999, Inokuchi et al [54] présentèrent une approche similaire en incorporant un réseau de neurones pour améliorer l'algorithme de contrôle. Le réseau de neurones est une représentation grossière d'un cerveau biologique qui apprend par expérience ou sur la base d'exemples. En appliquant un réseau de neurones à un ensemble de données correspondant à des comportements passés, le modèle apprend à reproduire ces comportements. Dans le modèle de poursuite neuro-fuzzy, les caractéristiques du véhicule suiveur étaient observées

à partir d'un ensemble de données et le processus d'apprentissage consistait à pondérer les synapses ou connections entre les neurones du modèle. Le réseau de neurones était implémenté sur la base de règles de logique oue pour donner une estimation des actions du conducteur. De nombreux travaux illustrent l'application de la logique oue dans les applications de l'aide à la conduite automobile. Le lecteur intéressé pourrait lire par exemple [5557] à titre d'exemples.