Réunion annuelle des utilisateurs du Québec• Octobre 2018
Modélisation de Véhicules Connectés et Autonomes (CAV) Pascal Volet Réunion annuelle des utilisateurs du logiciel Aimsun Next du Québec Montréal 18 Octobre 2018
Sommaire 1. Introduction 2. Applications 3. AV vs. CAV 4. Simulation de CAV dans Aimsun Next 5. CACC I-15 6. Human Drive 7. CAPRI
3
1. Introduction : les scénarios
4
Scénario Utopique
Scénario Dystopique
ü Sécurité
v Bugs et erreurs des capteurs
ü Plus de capacité
v Conduite trop prudente
ü Moins de congestion
v Véhicules vides
ü Moins d’espace de stationnement
v Stockage des véhicules
ü Réduction des émissions
v Pas nécessairement électriques
ü Services de premier et dernier km pour alimenter les TC
v Services d’origine à destination en concurrence avec les TC
1. Introduction : les acteurs Gouvernements
Constructeurs et OEM •
Construction de véhicules équipés (capteurs, etc…)
•
Réglementation vers le scenario utopique
•
Développement de logiciels appliqués
•
Evaluation des impacts opérationnels
•
Capteurs et échange de messages
•
Assurer une bonne couverture et un prix juste
•
Assurer la sécurité des usagers
•
S’assurer la gestion de l’espace publique
Fournisseurs de services
5
Gestionnaires de voirie
•
Services de gestion de flottes
•
Adaptation de l’infrastructure
•
Intégrateurs d’offre de transport: solutions MaaS
•
Gestion du trafic en temps réel
•
Applications et systèmes de communication
•
Assurer la sécurité routière
•
Assurances
•
Fournir informations aux voyageurs
Scénarios prospectifs à évaluer
4. Applications Privé
Public
Environment pour tests virtuels de logiciel (SIL)
Environment pour tests virtuels de hardware (HIL)
Calage des paramètres des algorithmes appliqués
6
Applications en Temps réel Simulation de nombreux scénarios pour entrainement AI
Etudier plusieurs scenarios pour optimiser les investissements
Identifier les changements d’infrastructure optimaux
Environnement pour tests virtuels de gestion de flottes
Impacts opérationnels des applications CAV
Impacts stratégiques des applications CAV
Etudier les meilleures alternatives pour les émissions et le bruit
Analyser des combinaisons de technologies (complémentarité) Applications d’intégration de systèmes de transport (MaaS)
Etudier la transition vers les CAVs selon le taux de pénétration
2. AV vs CAV RSU
•
Détection et cartographie de l’environnement du véhicule par différents types de capteurs (caméras, radars, lidars, etc.)
•
Processus de calcul des données des autres véhicules en fonction des détections
•
Base de donnée cartographique pour calcul de choix d’itinéraire
•
Conduite totalement autonome sans intervention humaine (niveau 5)
•
Impacts surtout dans le comportement opérationnel des véhicules: poursuite, changement de voie, gestion des créneaux, marges de sécurité
•
Véhicule potentiellement connecté à tous les éléments du système de transport (véhicules, infrastructure, feux, postes de contrôle)
•
Collecte, traitement et gestion de données historiques et en temps réelle. Besoin de systèmes avec intelligence artificielle.
•
Nombreuses applications opérationnelles (obtention directe des données des autres véhicules). Exemples :
•
7
•
CACC et formation de pelotons
•
Gestion des changements de voies et de la recherche de créneaux
•
Adaptation de la vitesse en fonction des informations des feux (position dans le cycle)
Nombreuses applications stratégiques. Exemples : •
Gestion globale du choix d’itinéraires
•
Adaptation de la vitesse dans les autoroutes en fonction des évènements (congestion, accident, etc.)
3. Simulation dans Aimsun Next Compte tenu du détail nécessaire pour bien reproduire le comportement opérationnel des CAVs et le traitement continu d’information pendant la simulation, le modèle microscopique est le niveau de simulation plus pertinent pour reproduire le comportement CAV. Les calculs de choix d’itinéraires peuvent se réaliser á plusieurs niveaux selon convenance (macro-meso-micro).
Aimsun Next micro évalue pour chaque véhicule du modèle et chaque pas de simulation (0.1s – 1s): • Loi de Poursuite (Modèle de Gipps) • Loi de Changement de voie • Acceptation de créneaux
8
3. Simulation CAV dans Aimsun Next : API Compte tenu du détail nécessaire pour bien reproduire le comportement opérationnel des CAVs et le traitement continu d’information pendant la simulation, le modèle microscopique est le niveau de simulation plus pertinent pour reproduire le comportement CAV. Les calculs de choix d’itinéraires peuvent se réaliser á plusieurs niveaux selon convenance (macro-meso-micro). API:
Aimsun Next micro évalue pour chaque véhicule du modèle et chaque pas de simulation (0.1s – 1s): • Loi de Poursuite (Modèle de Gipps) • Loi de Changement de voie • Acceptation de créneaux
9
Outil V2X :
-
- Les valeurs des paramètres du véhicule peuvent être écrasés pour changer le comportement - paramètres statiques (accélération max, états des feux, etc...) ou dynamiques (position et vitesse) - Ne permet pas, par exemple, de coder un nouveau modèle de changement de voie, mais peut coder une application du type CACC.
Type de messages envoyés (SPAT, MAP, CAM, etc.) Latences et pertes de communication Données depuis des Road Side Units Données depuis les autres véhicules Données depuis les infrastructures
3. Simulation CAV dans Aimsun Next : Micro SDK Compte tenu du détail nécessaire pour bien reproduire le comportement opérationnel des CAVs et le traitement continu d’information pendant la simulation, le modèle microscopique est le niveau de simulation plus pertinent pour reproduire le comportement CAV. Les calculs de choix d’itinéraires peuvent se réaliser á plusieurs niveaux selon convenance (macro-meso-micro).
Micro SDK:
Outil V2X :
10
-
- les 3 lois peuvent être modifiées pour un sous-ensemble ou pour tous les véhicules - Possibilité de modifier la logique du comportement des véhicules au cœur de la simulation, en ayant accès aux mêmes informations que le simulateur microscopique
Type de messages envoyés (SPAT, MAP, CAM, etc.) Latences et pertes de communication Données depuis des Road Side Units Données depuis les autres véhicules Données depuis les infrastructures
5. I-15 • Modèle autoroutier de l’I-15 San Diego (40km d’autoroute et chemins alternatifs) • Introduction d’un système de CACC (complémentés plus tard par des systèmes intelligents globaux de gestion de l’autoroute) • 4 scenarios avec différentes caractéristiques et pour chacun d'eux, plusieurs tests de taux de pénétration et changements d'infrastructure: o Taux de pénétration égal à 25%, les véhicules équipés du CACC circulent sur les 3 voies de gauche o Taux de pénétration égal à 50%, les véhicules équipés du CACC circulent sur les 3 voies de gauche o Taux de pénétration égal à 90%, les véhicules équipés du CACC ont accès aux 5 voies de circulation • L’algorithme ne fixe pas de limite sur la taille du peloton de véhicules qui se suivent • Un peloton se termine quand un véhicule non équipé du CACC se retrouve derrière le peloton, ou quand un véhicule avec CACC s’apprête à quitter la voie du peloton pour ensuite sortir de l’autoroute. • Le CACC a été activé (contrairement à l’algorithme du modèle de poursuite) lorsqu’un véhicule répondait aux conditions suivantes : o Le véhicule est un véhicule connecté ; o Le véhicule circule sur une voie où l’activation du CACC est autorisée ; o Le véhicule est à une distance suffisante de la sortie qu’il veut 11 emprunter.
Jour Type Conditions d’opération Retard accumulé (min) #Incidents/Période Demande totale (véh)
OC 1 (AM1)
OC 2 (AM2)
OC 3 (PM3)
OC 4 (PM4)
AM (entre 5h et 10h)
AM (entre 5h et 10h)
PM (entre 14h et 19h)
PM (entre 14h et 19h)
2015/05/27 Direction Sud (AM) Demande Moyenne Niveau d’incidents Moyen 49.88 1.9 335 913
2015/02/09
2015/06/30
Direction Sud (AM) Demande Moyenne Niveau d’incidents Haut
Direction Nord (PM) Demande Moyenne Niveau d’incidents Haut
108.03 3.7 337 476
99.72 5.5 417 671
2014/07/07 Direction Nord (PM) Demande Moyenne Niveau d’incidents Moyen 63.25 2.1 350 066
6. Human Drive • Construction d’un prototype de véhicule autonome de niveau 4 reproduisant la sensation de conduite humaine et analysant les perceptions des passagers pendant les déplacements • Réaliser plusieurs voyages depuis Cranfield jusqu’à Newcastle pour tester le prototype et en extraire des données • Projet d’une durée de 3 ans avec un budget de £8.7M (depuis juillet 2017) • 9 participants parmi les universités, organismes publics et privés WP4 – Connexion au simulateur de conduite
• Développent d’un modèle de simulation très détaillé qui sert d’environnement virtuel pour un simulateur de conduite • Connexions au simulateur de conduite et interaction entre véhicules pour évaluer les perceptions des passagers WP6 – Gestion des autoroutes
• Développement de deux environnements virtuels (A-19 à Newcastle et M-1 à Sheffield) pour simuler plusieurs scénarios de gestion de AVs sur les autoroutes anglaises • Développement de logiques AV pour reproduire le comportement du prototype niveau 4 décrit ci-dessous. En plus, des technologies de gestion globale des autoroutes pourront aussi être testées • Evaluation des impacts des scenarios en variant les taux de pénétrations, les configurations d'infrastructure et les technologies pour évaluer les gains et pertes en terme de capacité, émissions et sécurité 12
7. Capri • Conception et développement de 4 PODs (navettes) connectées et autonomes pour les déplacements dans les aéroports, hôpitaux, centres commerciaux, parcs et centres touristiques • 3 programmes de démonstration de faisabilité dans trois sites différents (Bristol et Londres) • Projet d’une durée de 3 ans avec un budget de £4.2M (depuis novembre 2017) • 20 participants parmi les universités, organismes publics et privés • Développement de nombreux environnements virtuels pour analyser le comportement des navettes dans des situations particulières (parkings, interactions avec tramways, piétons, voitures, feux, etc.) • Vérifier et Valider (V&V) la fluidité et la sécurité de chacun des éléments des simulations réalisées dans les cas antérieurs • Intégrer la logique CAV des navettes dans Aimsun Next pour pouvoir reproduire le comportement lors des simulations • Intégrer les logiques de gestion de flottes de navettes, de demande du services et de déroutages dans Aimsun Next pour simuler les scénarios • Réalisation de l'environnement virtuel du démonstrateur du Queen Elisabeth Olympic Park de Londres pour la réalisation de plusieurs tests de: o Comportement des navettes dans un environnement spécifique + interactions avec les autres systèmes de transport et piétons 13 o Différentes stratégies de gestion des flottes de navettes et des déroutages en fonction des demandes de service
Merci de votre attention
