1

ProjetdeFind’Études(PFE)2019

Modélisationroutière:étudedesimpactsdesvéhiculesautonomesetconnectéssurl’écoulementdutraficetles

émissionsdepolluants

Clémence Burgué sous la direction de Hervé Baptiste Source image : safecarnews.com

2

Modélisationroutière:étudedesimpactsdesvéhiculesautonomesetconnectéssurl’écoulementdutraficetlesémissionsde

polluantsDirecteurderecherche:HervéBaptisteAuteure:ClémenceBurgué

Janvier2019

3

Avertissement Cetterechercheafaitappelàdeslectures,enquêtesetinterviews.Toutempruntàdescontenusd’interviews, des écrits autres que strictement personnel, toute reproduction et citation, fontsystématiquementl’objetd’unréférencement.

L’auteur(lesauteurs)decetterecherchea(ont)signéuneattestationsurl'honneurdenonplagiat.

4

Formationparlarecherche,ProjetdeFind’Étudesengéniedel’aménagementetdel’environnementLa formation au génie de l’aménagement et de l’environnement, assurée par le départementaménagementetenvironnementdel’ÉcolePolytechniquedel’UniversitédeTours,associedansle champ de l’urbanisme, de l’aménagement des espaces fortement à faiblement anthropisés,l’acquisitionde connaissances fondamentales, l’acquisitionde techniques et de savoir faire, laformationàlapratiqueprofessionnelleetlaformationparlarecherche.Cettedernièrenevisepas à former les seuls futurs élèves désireux de prolonger leur formation par les étudesdoctorales,mais toutenouvrantàcettevoie,ellevise toutd’abordà favoriser lacapacitédesfutursingénieursà:

§ Accroîtreleurscompétencesenmatièredepratiqueprofessionnelleparlamobilisationdeconnaissancesetdetechniques,dontlesfondementsetcontenusontétéexplorésleplusfinementpossibleafind’enassurerunebonnemaîtriseintellectuelleetpratique,

§ Accroîtrelacapacitédesingénieursengéniedel’aménagementetdel’environnementàinnover tant en matière de méthodes que d’outils, mobilisables pour affronter etrésoudrelesproblèmescomplexesposésparl’organisationetlagestiondesespaces.

La formation par la recherche inclut un exercice individuel de recherche, le projet de find’études (P.F.E.), situé en dernière année de formation des élèves ingénieurs. Cet exercicecorrespond à un stage d’une durée minimum de trois mois, en laboratoire de recherche,principalementauseinde l’équipeDynamiquesetActionsTerritorialesetEnvironnementalesde l’UMR7324CITERESà laquelle appartiennent les enseignants-chercheursdudépartementaménagement.

Letravailderecherche,dont l’objectifdebaseestd’acquérirunecompétenceméthodologiqueenmatièrederecherche,doitrépondreàl’undesdeuxgrandsobjectifs:

§ Développer toute ou partie d’une méthode ou d’un outil nouveau permettant letraitementinnovantd’unproblèmed’aménagement

§ Approfondirlesconnaissancesdebasepourmieuxaffronterunequestioncomplexeenmatièred’aménagement.

AfindevalorisercetravailderecherchenousavonsdécidédemettreenlignesurlabaseduSystèmeUniversitairedeDocumentation(SUDOC),lesmémoiresàpartirdelamentionbien.

5

Remerciements

Je tiens à remercier mon tuteur pédagogique Hervé Baptiste, enseignant chercheur enAménagementdel’espaceetUrbanisme,poursontempsetsesconseils.

6

Sommaire

Introduction.....................................................................................................................................7Premièrepartie...............................................................................................................................8

Généralitéssurlamodélisationroutière...............................................................................8

Échellemacroscopique-modèlecontinu...............................................................................8Modèlesdupremierordre(LWR).......................................................................................................9Modèlesdusecondordre(GenericSecondOrderModel).......................................................10

Échellemicroscopique-modèlediscontinu.......................................................................10Deuxtypesdemodèles........................................................................................................................11Modèlelongitudinal.............................................................................................................................................11Modèlelatéral.........................................................................................................................................................13

Échellemésoscopique................................................................................................................14Limitesdesmodèles...................................................................................................................14

Introductionàladiversitédescomportementsdesconducteurs..............................15Modélisationetsimulationdutraficroutier......................................................................16

Deuxièmepartie..........................................................................................................................19

Lesvéhiculesautonomesetconnectés.................................................................................19Entermededébit...................................................................................................................................21Fonctionnementdulogiciel..............................................................................................................................21Résultatsdesimulationdulogiciel...............................................................................................................24

Entermed’émissionsdepolluants..................................................................................................28Différentstypesdepolluants...........................................................................................................................28Présentationdulogicieldesimulation........................................................................................................28Résultatsdessimulations..................................................................................................................................30

Conclusion......................................................................................................................................32Tabledesfigures...........................................................................................................................33Sources.............................................................................................................................................34

7

IntroductionLesnouvellestechnologiessontdeplusenplusprésentesdansnotrequotidien.Ledomainedela mobilité et des transports en est un bon exemple. Les Systèmes de Transport Intelligents(STI) se développent et cherchent à répondre à une demande de mobilité toujours plusimportante. Ces technologies s’appliquent à de nombreux domaines comme la billettique destransports en commun, la diffusion d’informations, la sécurité routière ou les véhiculesautonomesetconnectés.Cesprogrèspourraientconduireàdestransformationsimportantespournotresociété.Eneffet,ledomainedestransportsestactuellementresponsableduquartdelaconsommationmondialed’énergieetdesémissionsdeCO2dansl’atmosphère.Àl’échellemondialeilyaunvéhiculepourdix habitants (chiffre qui tend à augmenter). On estime qu’en 2050, 75% de la populationmondiale vivra dans les villes1 . En zone urbaine la question des déplacements et plusparticulièrement de l’utilisation de la voiture individuelle va devenir un enjeu majeur. Laconception de la voiture particulière va subir des modifications et son utilisation va êtreamenéeàêtrerepensée.Ellenepourrapascontinueràêtrelemodededéplacementprivilégiédes habitants. Les véhicules autonomes et connectés permettront d’apporter des solutionsconcernantlaquestionenvironnementale.Demanièreplusgénérale,lesenjeuxdesSystèmesdeTransportIntelligentssontceuxdelasécurité,delafluidité,duconfortetdel’environnement.CeProjetdeFind’Étudessediviseendeuxparties.Unepremièreprésenteunétatdel’artnonexhaustifdesmodèlesdetraficexistants.Cettepartieestorganiséeparéchelle,lesmodèlesdel’échellemacroscopique,puismicroscopiqueetensuitemésoscopique.L’accentestmissur lesmodèlesmicroscopiquescar ils serventdebaseà laplupartdesétudeset travauxactuelsquifontl’objetdeladeuxièmepartiedecetécrit.Celle-ciprésentelestravauxderechercherécents,les logiciels utilisés ainsi que les résultats obtenus. Ces travaux permettent d’apporter desréponses chiffrées quant aux impacts de la substitution des véhicules classiques par desvéhiculesautonomesetconnectésentermedefluiditédetraficetd’émissionsdepolluants.Lapremièrepartieutiliseuneméthoded’exploitationbibliographique, conceptuelle, ladeuxièmepartieutilisequantàelleuneexploitationderésultats,appliquée.L’objectifdeceprojetestdemontrerà l’aided’étudesscientifiquesque lesvéhiculesautonomesetconnectésreprésententunesolutioncrédibleauxproblèmesactuelsdecongestionsetdepollutionenvironnementale.

1Source:INRIA,LivreBlancVAC2Source:coursn°4–Lemodèleséquentielà4étapes,HervéBaptiste3Source:CEREMAhttp://www.simulationdynamique.fr/spip.php?rubrique32

8

Premièrepartie

GénéralitéssurlamodélisationroutièreLamodélisationroutièreestréaliséedansunbutdeplanificationetdeprévisiondelademandedetransport.Lesgestionnairesdesréseauxroutiersutilisentcetoutild’aideàladécisionpourl’exploitationdutraficetlagestiondesdéplacements.Lesenjeuxsonttrèsimportants.Eneffet,lamodélisationpermetdeprédirel’étatdutraficetsonévolution.Endétectantlescongestionsoulesincidents,lestempsderéactionetd’interventionsetrouventconsidérablementréduits.Les déplacements sur un réseau routier peuvent être décrits selon deux types de modèlesdifférents:lesmodèlesstatiquesetlesmodèlesdynamiques.Lepremiertypepermetdereprésenterdemanièresimplifiéelesdéplacements,sansprendreencompte les interactionsni les fluctuations,autrementdit, sansprendreencompte le temps. Ilest plus particulièrement utilisé à l’échelle macroscopique et pour travailler sur desproblématiquesdeplanificationàlongterme.Lesmodèlesditsstatiquessontcomposésdeplusieurs“familles”,cependant laplus largementutiliséeestlamodélisationclassiqueàquatreétapes.Ellesecomposedesétapesséquentiellessuivantes : génération de la demande de déplacement, distribution des déplacements,répartitionmodaleetaffectationdesdéplacements.2Paroppositionaupremiermodèle,lesecondprendencomptelesmodificationsdesconditionsde circulation qui peuvent intervenir au cours du temps. Son utilisation est à l’échellemicroscopique ou macroscopique et sert généralement à répondre à des problématiquesopérationnelles.Lesmodèlesdynamiquessontnombreux,ilspeuventêtreclassésparl’échellequ’ils utilisent. Certains des modèles s’intéressent à la dynamique des véhicules de manièreindividuelle et correspondent donc à une échelle microscopique. Tandis que les modèless’intéressantàdesphénomènesplusglobauxetconsidérantladynamiquedutraficcommeunensemble,appartiennentàl’échellemacroscopique.Laplupartdesmodélisationsfontunrapprochemententreletraficroutieretlamécaniquedesfluides. Ilesteneffetpossibled’identifier lecomportementdesvéhiculesàceluideparticulesconstituantun fluide.L’étudedes interactionsentrevéhiculesapermisd’établirplusieurs loisde comportement utilisées dans la construction de modèles à différentes échelles :macroscopique,microscopiqueoumésoscopique.

Échellemacroscopique-modèlecontinuAcetteéchelle,lareprésentationdutraficestlaplusagrégée.Letraficestconsidérécommeunflux, autrementdit, un seul ensembledevéhicules. Les caractéristiques étudiées sont ledébit(nombredevéhiculespendantunepériodede temps), la concentration (nombredevéhiculesparunitéd’espace)etlavitesse(vitessemoyennedesvéhicules).

2Source:coursn°4–Lemodèleséquentielà4étapes,HervéBaptiste

9

Les modèles présentés à cette échelle posent une hypothèse de continuité des élémentsconstituantleflux.

Modèlesdupremierordre(LWR)Lemodèle le plus largement utilisé est celui de LighthillWhitham Richards oumodèle LWR(1955-1956).Ilsefondesurl’hypothèsed’équilibredutrafic:l’évolutionsefaitenpassantd’unétat à un autre. Cemodèle présente 3 variables qui sont la vitesseV(x,t), le débitQ(x,t) et ladensitéD(x,t).Lemodèlereposesurtroiséquations:

- lavitessedeflux,correspondantaurapportdudébitsurladensité;- laloideconservation,correspondantàlaconservationdunombredevéhiculessurune

portionderoutedelongueurinfinitésimalependantunlapsdetempsdonné;- lediagrammefondamental,quisupposelasituationd’équilibredutraficetsonpassage

d’unétatàunautre.

𝑄(𝑥, 𝑡) = 𝐷(𝑥, 𝑡)×𝑉(𝑥, 𝑡)𝜕𝑄(𝑥, 𝑡)𝜕𝑥

+𝜕𝐷(𝑥, 𝑡)𝜕𝑡

= 0𝑉(𝑥, 𝑡) = 𝑉!(𝐷(𝑥, 𝑡))

avecVelavitessedutraficàl’équilibre

Source:thèseG.CortesequeLa résolution de ce système d’équations permet de déterminer la densité et de déduire lesdébits et vitesses des véhicules sur un réseau. Il existe différents diagrammes fondamentaux,touspermettantderépondreauxobservationssuivantes:

- quand la densité est faible, les interactions entre véhicules sont réduites, donc lesvéhiculesadoptentunevitessedecroisière,ledébitvaaugmenter.C’estunesituationderégimefluide.

- quand ladensitéest importante, les interactionsentrevéhiculessontplus fortes,doncleurvitessevadiminuer.C’estl’entréedanslerégimecongestionné.

- ladensitéestbornéeàunecertainevaleurcorrespondantà l’étatoùtouslesvéhiculessontàl’arrêtlesunsderrièrelesautres.

Figure1:DiagrammefondamentaldeGreenshields(débitenfonctiondeladensité)

Source:thèseE.Bourrel

10

Modèlesdusecondordre(GenericSecondOrderModel)Lesmodèlesd’ordresupérieurontétédéveloppéssurlabasedumodèledupremierordreafinde décrire les phases transitoires, ils permettent de prendre en compte les états de non-équilibre.DanslemodèledécritparPayne,uneéquationdynamiquequiexprimel’accélération,vientremplacerl’équationd’équilibreutiliséedanslemodèledupremierordre.L’accélérationest décrite par deux termes : la relaxation vers la vitesse d’équilibre (𝑉!) et le terme decomportement individuel. L’intérêt est de pouvoir représenter le caractère individuel desconducteurs.

Figure2:ClassificationdesmodèlesderéprésentationmacroscopiqueSource:thèseM.Uzunova(p23)Réalisation:ClémenceBurgué

Échellemicroscopique-modèlediscontinuAcetteéchelle, tous lesvéhiculessontétudiésdemanière individuelle.Le traficestconsidérécommeunsystèmedeparticules,onutiliseletermeflotdevéhicules.Lesmodèlescherchentàreproduire le mieux possible le comportement réel des véhicules en prenant en compte lecomportement des conducteurs. Le résultat recherché par ces modèles est la trajectoireindividuelle des véhicules. Les paramètres en jeu sont la position des véhicules, la vitesse, ladistanceintervéhiculesouladensitédechaquevéhicule.La principale vocation des modèles microscopiques est de décrire les comportementsindividuelsdesconducteurspourdeuxtypesdesituationdeconduite.Lepremiertypeestceluiducomportementdepoursuiteouvoiture-suiveuse,ilcorrespondauxréactionsduconducteurenréponseauxactionsduvéhiculedevantlui.Le deuxième type de situation est celui de changement de voie, il comprend toutes lesmanoeuvresd’insertionoudedépassement.

Représentationmacroscopique

Modèlesdu1erordreLWRstatique

Modèlesdu2ndordrePAYNEdynamique

3variables:vitesse-débit–densité3équations:loideconservation-vitessedeflux-diagrammefondamental

4variables:vitesse-débit-densité-accélération4équations:loideconservation-vitessedeflux-diagrammefondamental-variationdelavitesse

11

Deuxtypesdemodèles

ModèlelongitudinalCe modèle est fondé sur l’analyse simplifiée de la conduite et plus particulièrement sur leshypothèsesliéesauxdécisionsdesconducteurs.Lesnombreusesétudessurlesujetontdégagécertains principes, la conduite des conducteurs peut être divisée en plusieurs étapes : toutd’abord le prélèvement de l’information concernant l’environnement, le traitement del’information,puislaprisededécisionetenfinl’action.Cettedernièreétapepeutsetraduirepardeux réactions différentes : le contrôle de l’accélération ou celui de la direction. C’est ducontrôle de l'accélération qu’il est question dans le modèle longitudinal, on parle aussi decomportement de poursuite ou de modèle voiture-suiveuse. Ce type de comportement a étédécritparplusieursmodèlesprenantencomptedesélémentstelsquelesstimulus,ladistancedesécuritéoulavitesse.Dans l’étudedes comportements de poursuite, on peut distinguer deux types de conduite. Laconduitelibre,quandletraficestassezfaibleetqu’ilpermetauxvéhiculesdecirculeravecuneinterdistance suffisamment importante pour que le conducteur puisse circuler à une vitessedésirée.Laconduiteavecprésenced’unvéhicule leader,quandunvéhiculesuiveuradopteunevitesseplusfaiblequesavitessedésiréeàcausedesinteractionsliéesauvéhiculeleader.Ilexisteplusieurstypesdemodèlesdepoursuite:

ModèleàdistancedesécuritéCe modèle décrit la dynamique d’un véhicule en fonction de la distance de sécurité qu’ilentretientaveclevéhiculeleprécédant.IlaétéétabliparPipesen1953,etsuppose“unebonnerègle pour suivre un véhicule à une distance sûre est de laisser aumoins l’équivalent d’unelongueur de son propre véhicule tous les 10 miles/heure [16,1 km/h]”. Ainsi, la formulesuivantepermetdedéduireladistancedesécuritéquisépareunvéhiculeroulantàunevitessevd’unautre.

𝐷!(𝑡) = 𝐿!(1+!(!)!",!

)

avec:𝐷!,ladistancedesécurité𝐿! ,lalongueurduvéhicule𝑣,lavitesseduvéhiculeDanscemodèle,ladistanceminimaledesécuritéestproportionnelleàlavitesse.En 1974, Kometani et Sasaki proposent leur modèle de prévention des accidents (CollisionAvoidance). Ils cherchent àdéterminer ladistancede sécuritéminimale à adopterpourqu’encasdechangementdecomportementdeconduiteduvéhiculeleader(casdefreinageimprévu)toutecollisionpuisseêtreévitée.

12

Cette interdistance peut être calculée par cette équation qui s’appuie elle-même sur leséquationsdumouvementdeNewton:

𝐷!(𝑡) = 𝛼. 𝑣!!!! (𝑡)+ 𝛽. 𝑣!!(𝑡 + 𝑇)+ 𝛾. 𝑣!(𝑡 + 𝑇)+ 𝛿avec𝛼et𝛽respectivementl’inversedelacapacitémaximalededécélérationduvéhiculeleaderetdusuiveur;𝛾,l’inversedutempsderéactionousensibilitéduconducteur;𝛿,unedistance;T,tempsdepriseencompteduchangementdevitesseduvéhiculeleader.

Modèlederéponseàunstimulus(GHR)Aveccemodèle,l’idéeestdeconsidérerunretardsurlaréactionduconducteursuiveursurlacommande de son véhicule. Le comportement du conducteur est défini comme tel : dans unpremier ilyaperceptiond’unstimulusà l’instant tet ilyaensuiteréactionavecundécalagetemporel représenté par𝑇! . Cette réaction est proportionnelle au stimulus reçu ainsi qu’à lasensibilitéduconducteur.

𝑟é𝑝𝑜𝑛𝑠𝑒(𝑡 + 𝑇!) = 𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡é×𝑠𝑡𝑖𝑚𝑢𝑙𝑢𝑠(𝑡)Source:thèseG.Corteseque

En 1958, Chandler propose un modèle dans lequel il décrit le stimulus comme étant ladifférencedevitesseentredeuxvéhiculesquisesuivent.

𝑎!(𝑡 + 𝑇!) = 𝛼. (𝑣!!!(𝑡)− 𝑣!(𝑡))avec𝛼,lecoefficientdesensibilitésupposéconstant𝑇! ,letempsderéactionduconducteurL’expressiondeChandlerpermetainsidecalculerl’accélérationduvéhiculesuiveurenfonctiondelasensibilitéduconducteuràladifférencedevitesseentresonvéhiculeetceluiqu’ilsuitetd’untempsderéaction.Ce coefficient de sensibilité a été complexifié par Gazis, Herman et Rothery (1961), ils ledéfinissentcommesuit:

𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑡é = 𝛽𝑣!(𝑡 + 𝑇!)

(𝑥!!!(𝑡) − 𝑥!(𝑡))!

Ici,letermeexprimantlasensibilitéestinversementproportionnelàladistanceentrevéhicules.Aussi, la sensibilité augmente d’autant plus que la distance inter véhicules diminue.L’expressiondelaréponse,ouaccélérationestlasuivante:

𝑎!(𝑡 + 𝑇!) = 𝛽𝑣!(𝑡 + 𝑇!)

(𝑥!!!(𝑡) − 𝑥!(𝑡))!. (𝑣!!!(𝑡)− 𝑣!(𝑡))

ModèledeGipps,1981

13

Lescoefficient𝛽,letmsontàdéterminer.Plusieurschercheurssesontpenchéssurlesujetafind’établirlesmeilleurescombinaisonspossibles.

ModèleàvitesseoptimaleLemodèledelavitesseoptimaleestl’undesplusrépandudansledomaine,ilaétéformuléparNewellen1961.Ici,leconducteurestsupposéadopterunevitessequiestfonctiond’unevitessediteoptimaleetdeladistancequ’ilentretientaveclevéhiculesuivi.L’expressiondelavitesseestlasuivante:

𝑣!(𝑡 + 𝑑𝑡) = 𝑉!"#(𝑥!!!(𝑡) − 𝑥!(𝑡))avec𝑉!"# ,lavitesseoptimalejugéesatisfaisantepourleconducteurdt,l’intervaldetempsnécessaireauchangementdevitesseduvéhiculeContrairementauxmodèlesprécédents,celuicineconsidèrepasletempscommeuntempsderéactionmaiscommeletempsnécessairepouradapterlavitesseduvéhicule.Autrementdit,leconducteurestsupposémodifiersavitessedemanièreinstantanée.

ModèlelatéralLemodèle latéraldécrit lecomportementchangementdevoiedesvéhiculesdans lecasd’uneinfrastructuremultivoies. C’est unmodèle complexe qui doit à la fois prendre en compte lesdistances inter véhicules, les temps de réaction des conducteursmais aussi les conditions decirculationdesdifférentesvoies.Généralement,deuxétapessontdéfinies:laprisededécisionetl’actiondechangementdevoie.L’actiondechangementdevoiepeutêtredeplusieurstypes.Ellepeutêtrediscrète,danslecasoù le changement est considéré comme un saut entre deux voies, ou continue quand lechangementestdéfiniparunetrajectoiredéterminée.

Changementdevoie-MOBIL(MinimizingOverallBrakingInducedbyLanechange)Cemodèle,proposéparTreiber etKesting (2006)décrit le changementdevoie commeétantdépendantdedeuxcritères:lamotivationetlasécurité.Lecritèredesécuritéestsatisfaitsiladécélérationdueaufreinage−𝑎!"! !"#$%"& imposéaunouveauvéhiculesuiveurnedépassepasunecertainelimite𝑏!é!"!"#é.

𝑎!"! !"#$%"& > −𝑏!é!"#$%éLecritèredemotivationdoitpermettredejugersileconducteuràunintérêtàchangerdevoieentermed’augmentationdesonaccélération.Lerisquedechangerdevoien’estpasprissicetteaugmentationdevitessededépassepas𝛥𝑎!"#$% .Unemarged’erreur𝛥𝑎!"#$% !""!#" ,estrajoutéeàlaformulepourprendreencomptelecôtédechangementdevoie.Eneffet,pourlaplupartdespayseuropéens,lesdépassementssefontparlagauchemaisdansd’autrespaysledépassementparladroiteestautorisé.

𝑎!"#è! !!!"#$%$"&>𝑎!"!#$ !!!"#$%$"&+𝛥𝑎!"#$% ±𝛥𝑎!"#$% !""!#"

14

ÉchellemésoscopiqueCette échellepeut être considérée commeuneéchelle intermédiaire à cellemacroscopiqueetmicroscopique. Les modèles de trafic à l’échelle mésoscopique représentent l’état du traficroutiersousformedegroupesdeparticules.Cettereprésentationhomogènepermetl’étudedesinteractionsentrepaquetsdevéhicules.Lesmodélisationseffectuéesàcetteéchellesontbaséessurlesévènements,etconsistentàcalculerdesinformationsindividuelles(vitessesouinstantsdepassagedevéhicules)pourreconstituerdesinformationscollectives(tempsdeparcours)3.Cette échelle de modélisation est souvent considérée idéale pour les représentationsdynamiquesderéseauxdegrande taille.Notammentparceque lescalculs sontplusrapidesàeffectuerquepourunemodélisationà l’échellemicroscopiqueetquesonniveaudeprécisionestplusgrandqueceluidesmodélisationsfaitesàl’échellemacroscopique.

Figure3:Illustrationdestroiséchellesmacroscopique,mésoscopiqueetmicroscopique

Source:DTUETD

LimitesdesmodèlesChacun demodèles précédents répond à des besoins différents. Desmodélisations à l’échellemacroscopique ou mésoscopique vont être utilisées pour l’étude du dimensionnement deréseauxroutiersoudel’apparitiondescongestions.Ellesvontêtreappliquéessurdesréseauxde tailles conséquentes. Ce ne sont pas les relations entre véhicules qui vont être regardées.Pour cela, c’est l’utilisation des modèles microscopiques qui va être recommandée. On varegarderlesinteractionsentrevéhiculesainsiquelecomportementindividueldesvéhicules.Certainesdeshypothèsesposéespour l’élaborationdesmodèles sont tropsimplificatrices.Eneffet, concernant les modèles longitudinaux de l’échelle microscopique, plusieurs critiques

3Source:CEREMAhttp://www.simulationdynamique.fr/spip.php?rubrique32

15

peuventêtreémises.DansBoeretVanWinsum(1999)certainesdeslimitesprésentéesparlesmodèleslongitudinauxsontdéveloppées.Toutd’abord,cesmodèlesneprennentpasencomptela diversité des comportements de conduite des conducteurs. Ensuite, il est supposé que cesderniers restent attentifs, c’est-à-dire qu’ils adoptent une conduite optimisée en permanence.Aussi, leurperceptiondesdistancesestsupposéeparfaite.Enfin,onconsidère les interactionsentre véhicules comme limitées, seule la voiture suivie (n-1) est prise en compte dans cesmodèlesetnonlesvéhicules(n-2),(n-3),…oulevéhiculesuivant.Ilest importantdepréciserque touscesmodèlesdepoursuitenepeuventmodéliserquedessituationsprésentantuntraficrelativementdense.Eneffet,commel’expliqueVogel(2002)siladensitédevoituresesttropfaible,alorslesconducteurspeuventadopterunevitesseditelibreet ne sont plus en situation de voiture-suiveuse. Il définit l’état de voiture-suiveuse commecorrespondantàunesituationoùletempsintervéhiculeestsupérieurà6secondes.Dans ses travaux, Hancock (1999) explique l’insuffisance des modèles pour décrire lacomplexitédu trafic.D’après lui,pours’approcherauplusde la réalité, lesmodèlesdevraientintégrer des éléments de psychologie du conducteur. Ainsi, l’utilisation des modèlesmicroscopiquespourraitêtreamélioréeparl’intégrationdevariablesreprésentativesdutempsde réaction du conducteur, son état de fatigue, son anticipation, son mode de conduite(manuelleouautomatique)maisaussidesonstyledeconduite(agressive,normale,prudente).

IntroductionàladiversitédescomportementsdesconducteursCommenousavonspulevoirdanslespartiesprécédentes,lesparallèlesentrelamodélisationdu trafic routier et la mécanique des fluides sont nombreux. Contrairement aux moléculescomposantlesfluides,les“particules”constituantletraficroutiernesontpastoutesidentiques,en effet chaque conducteur adopteun comportement variable et différentde celui des autresconducteurs.Certainsprésententdesattitudesdeconduiteplutôtagressivestandisqued’autressont plus calmes. Face à un même événement, par exemple un ralentissement, les réactionspeuvent être différentes d’un conducteur à l’autre, l’un peut avoir anticipé son freinage alorsqu’unautrepeutchoisirderalentirauderniermoment.Touscescomportementsetprisesdedécisions impactent l’écoulementdu fluxdevéhicules. Ilestaussi importantdeconsidérer lestypesdevéhiculescomposantl’ensembleétudié.Eneffet,letraficpeutrassemblerdesvoitures,des deux roues mais aussi des poids lourds. Chacun de ces véhicules possède descaractéristiquesparticulières.Parexemplelescamionssontlimitésauniveaudeleurvitessecarleur capacité d’accélérationn’est pas lamêmeque celle d’une voiture. L’espace occupé sur laroute par le véhicule est aussi un élément important à prendre en compte. La typologie duvéhiculepeutaussiêtreliéeaumotifdedéplacementquiinfluesurl’attitudeduconducteursurla route. Pour reprendre l’exemple des poids lourds leur motif de déplacement estexclusivement professionnel, il est donc possible d’associer une partie de leurs attitudes deconduiteàleurtypedevéhicules.Deplus,lesréactionsdesconducteursvontchangeraucoursdelajournée.L’étatémotionnel,lafatigueoulestresssontdesfacteursimportantsquivarientetinfluencentlaconduite.Chaque conducteur évalue de manière différente les créneaux disponibles pour effectuer unchangement de voie ou pour un dépassement de véhicule. Un créneau peut se définir parl’intervalledetempsentrelepassagededeuxvéhicules,ilestcalculésurladistancequiséparelepare-chocarrièreduvéhiculeentêteetlepare-chocavantduvéhiculesuivant.Onparlealors

16

deloid’acceptationdescréneaux,selonlecomportementconducteurouladensitédutrafic,lesconducteurs vont être amenés à plus ou moins diminuer ou augmenter leur acceptation decréneaux.Enfin, l’environnement extérieur influence fortement le comportement des conducteurs. Toutd’abord, les conditionsmétéorologiques peuvent et doivent influencer la conduite. En cas defortes pluies ou de brouillard qui peuvent diminuer la visibilité, la baisse de vitesse estrecommandéevoire indispensable. Ilyaaussi lecasdecertainsconducteursquin’aimentpasconduire de nuit ou par temps de pluie. Alors, ces éléments extérieurs influencent l’étatémotionnel du conducteur et donc leur conduite. Le type d’infrastructure impacte aussi laconduite. L’attitude d’un conducteur va être différente selon qu’il emprunte une route decampagne une nationale ou une autoroute. Ces types de route peuvent présenter différentescaractéristiques,nousallonsnotammentdistinguercellesdites “ouvertes”etcellesprésentantdespanneauxsurlescôtés.Surcederniertypederoutesnousavonstendanceàroulermoinsvite(Source:CoquandR.,Routes,1956).Lors d’un changement entre ces types de routes ou entre deux voies, les attitudes desconducteurspeuventêtreamenéesàchanger.CephénomèneestexpliquéparDaganzo(2002).D'aprèslui,lesconducteursadoptentunchangementdecomportementlorsqu’ilseffectuentdeschangementsdevoie,unconducteurdoublantunautredevientplus“motivé”danssaconduiteetvaêtreamenéàdoublerplusfacilementavecuntempsdecréneauplusfaible.Tous ces éléments nous permettent de mettre en avant le caractère hétérogène descomportementsreprésentéssurlesroutes.Cettediversitédecomportementsprésentésparlesconducteurs explique la forte variabilité des caractéristiques d’écoulement du trafic routier,c’estcequel’onappellelecaractèrestochastiquedutraficroutier.Dans les modèles présentés ci-dessus, de grandes approximations existent concernant lamodélisation des caractéristiques humaines de conduite, c’est ce point là que nous allonsétudierdanslapartiesuivante.

ModélisationetsimulationdutraficroutierLa modélisation s’appuie sur des modèles mathématiques pour s’approcher de la réalitéphysiquedutraficetmieuxcomprendresonfonctionnement.Lasimulationvaquantàelleêtreutiliséepourdécrire la dynamiquedu trafic, c’est-à-dire son écoulement. Elle cherche aussi àdécrire et expliquer les phénomènes de gestion. Lesmodèles sont utilisés dans les outils desimulation afin d’obtenir des données numériques. Elle nécessite l’utilisation de l’outilinformatique notamment pour sa puissance de calcul et de stockage de données. Lamodélisationdutraficpassepartroisphases:lareprésentationdel’environnement,lechoixdumodèledetraficetlechoixdescaractéristiquesliéesauconducteur.Leslogicielsdesimulationdeladynamiquedutraficsontsouventutiliséspourreprésenterdessituationsàl’échellemicroscopique,ilsutilisentalorsdesmodèlespermettantdetenircomptedemanièreindividuelledel’environnementetdecertainescaractéristiquesdescomportementsdesconducteurs.Certainsdesmodèlesutilisésontétéprésentésprécédemment,notammentlesmodèleslongitudinauxdetypepoursuiteet lesmodèleslatérauxpermettantdeconsidérerlesdépassementsetchangementsdevoies.Pourcequiestdelagestionderéseauxdegrandetailleoudeleurévaluation,cesontlesmodèlesmacroscopiquesquisontprivilégiés.

17

SelonleCEREMA(Centred’Étudesetd’expertisesurlesRisques,l’Environnement,laMobilitéetl’Aménagement) les principaux outils de simulation dynamique en France sont : Aimsun,Dynasim, Paramics, Transmodeler et Vissim. Tous ces logiciels ont été développés et sontutilisés àdes fins commerciales contrairementaux logiciels issusde travauxde recherche.Letableau ci-dessous répertorie ces logiciels en fonction de leur échelle d’étude et précise lesmodèlesqu’ilsutilisent.

Échelles Logiciels Modèlesutilisés Particularités

Macroscopique TransModeler

basésurunlienfonctiondeperformance

similaireàcelledesmodèlesd'assignationstatiques4

modèlehybride(fonctionnesurtrois

échelles)

Microscopique

Aimsuntyperéponseàunstimulus

(GHR)

estimationdeladécélérationduvéhiculemeneur

Dynasimtypepoursuiteissudu

modèledeHelly

priseencompted’unezone

d’influenceautourduvéhiculenon

pénétréeparlesautresusagers

Paramicstypelongitudinauxet

latérauxmisaupointparFritzche5

prendencomptelanotion

d’interdistancedésiréeet

d’interdistancecible

Vissimtypepsycho-physique

développéparWiedemann6

prendencomptelecouplevéhicule-conducteur

TransModelertypelongitudinaux(voiture

suiveuse)etlatéraux(changementdevoies)7

modèlehybride(fonctionnesurtrois

échelles)

Mésoscopique TransModeler

cellulesdecirculation(trafficcells),relationvitesse-

densitépourdéterminerlesmouvements8

modèlehybride(fonctionnesurtrois

échelles)

La simulation permet d’apporter un complément à l’étude d’un système complexe, il n’a pasvocation à apporter une solution à un problème donné. Les résultats issus de simulations nepeuvent être interprétés comme ceux issus de la réalité, ils restent fictifs. Leur intérêt réside4http://web.mit.edu/osorioc/www/papers/selvamMScThesis2014.pdf5https://en.wikipedia.org/wiki/Quadstone_Paramics6https://www.ptvgroup.com/fr/solutions/produits/ptv-vissim/champs-dapplication/transport-multimodal/7http://web.mit.edu/osorioc/www/papers/selvamMScThesis2014.pdf8http://web.mit.edu/osorioc/www/papers/selvamMScThesis2014.pdf

18

principalement dans leur faible coût d’obtention et dans leur capacité à implémenterd’importantsjeuxdedonnées.Commeprésentédanslapartieprécédente,ilestdifficiledemodéliserparfaitementlecaractèrede humain du conducteur car il faudrait pouvoir prendre en compte l’ensemble des facteursprésentés. Tout en gardant cela à l’esprit, il est tout de même possible d’effectuer dessimulationscomparativesentre l’utilisationdevéhiculesclassiquesetdevéhiculesautonomesafind’enobserverlesdifférences.Lapartiesuivanteprésentelaréalisationdetravauxvisantàmettre en avant ces différences. Dans un premier temps, le logiciel utilisé, les modèles qu’ilutilise ainsi que son fonctionnement sont présentés. Les résultats issus des simulations sontanalysés.

19

Deuxièmepartie

LesvéhiculesautonomesetconnectésLes véhicules autonomes et connectés (VAC) font partie des STI (Systèmes de TransportIntelligents), ils comprennent les véhicules pris en charge par le conducteur au véhiculeentièrement autonome. Le véhicule connecté est un véhicule auquel ont été rajoutées destechnologies permettant l’échange avec l’environnement de celui-ci. Des capteurs prenant laformede radars, lasers àbalayageet camérasvont envoyerdes signauxqui seront traduits àl’aided’algorithmesquivontensuitelestraiteretgénérerdesinformationspourlesenvoyerauvéhicule qui les traduit en actions de conduite. Ces technologies sont aussi appelées ADAS(AdvancedDriverAssistanceSystems).Concernant les outils de télécommunication sans fil, il en existe plusieurs types. Il y a toutd’abordlatechnologiesV2V(Vehicle-to-vehicle)quiconnectelesvéhiculesentreeuxetpermetnotammentd’informerlesconducteursdelaprésenced’unautrevéhiculeàproximité.LeV2D(Vehicle-to-Device)etleV2P(Vehicle-to-Pedestrian)fonctionnentsurlemêmeprincipequeleV2Vetsontutiliséspourdétecterlaprésencedecyclistesetdepiétons.LescommunicationsdetypeV2H(Vehicle-to-Home)ouV2G(Vehicle-to-Grid)sontplusutiliséesdansunbutdegestionet d’économie d’énergie et non comme aide à la conduite. Enfin, le V2I (Vehicle-to-Infrastructure) est un élément important d’aide à la conduite permettant l’échanged’informations entre les véhicules et les infrastructures routières. Elle permet d’avertir lesconducteurssurlepassagedefeuxrougesàvenir,etlimiterlescongestionsdutraficendéviantcertainsautomobilistesde lacirculationlourdeouenréduisant les limitationsdevitessepourfluidifierletraficglobal.

Figure4:Lesdifférentstypesdecommunicationdesvéhiculesconnectés

Source:Movimento

L’ensembledecestechnologiescorrespondàdessystèmesd’aideàlaconduitequiassistentetfacilitent la conduitedu véhicule en apportantdes informations aux conducteurs. Le véhicule

20

totalement autonome est un véhicule qui circule de façon automatique, sans nécessiterl’interventiond’unconducteur.L’automatisationdesvéhiculespermetdedéléguertoutouunepartiedelaconduite.Lesmissionsdestechnologiesimplémentéessedivisententroisétapes:laperceptiondel’environnement,ladécisiondelamanœuvreàeffectueretenfinsaréalisation.Ilexistesixniveauxd’automatisationdelaconduite,ilsontétédéfiniparlaSociétéInternationaledes ingénieurs de l’automobile, la SAE (Society of Automotive Engineers), plus le niveau estgrand,plusleniveaud’automatisationestimportant.Le niveau 0 ne comprend aucune automatisation mais peut posséder des technologiesd’avertissementtelsqu’unsignalsonore.Le niveau1 correspond à une aide à la conduite, le conducteur est responsable de toutes lestâchesdelaconduitemaispeutchoisirdedéléguerlecontrôlelongitudinalduvéhiculeàtraversun régulateur de vitesse adaptatif ACC (Adaptive Cruise Control) qui ralentit le véhiculeautomatiquement en cas de besoin. Le conducteur peut reprendre le contrôle total de sonvéhiculeàtoutmoment.Leniveau2estuneautomatisationpartielle, levéhiculepeutcontrôlerà lafois lavitesseet ladirection.Ilpeutêtreutilisépourl’assistanceaustationnementousurautoroutepourgérerlesdépassementsencasdetraficpeudenseetprésencedeslignessurlachaussée.Leconducteurdoitcontrôlerlesactionsduvéhiculeetpeutàtoutmomentreprendrelaconduiteduvéhicule.Le niveau 3 ou automatisation conditionnelle, le véhicule s’adapte aux conditions de trafic.Contrairementauniveau2quinécessiteuneattentioncontinueàlatenuederouteduvéhicule,ce niveau permet au conducteur de baisser momentanément son niveau de vigilancenotamment dans des situations de congestion. Si les conditions l’exigent, le conducteur peutreprendrelaconduite.Leniveau4estuneautomatisationélevéeduvéhicule.Leconducteurchoisit l’activationdecemodepourpouvoirsedétournerdelaconduite,ilpeutêtreactivéquepourcertainsmodesdeconduiteetsouscertainesconditions.Enfin, le niveau 5 est l’automatisation complète. La présence humaine aux commandes n’estplusnécessaire,aucunesupervisionn’estàeffectuer.Onpeutnoterunedifférenceentrelesniveauxallantde0à4quiproposentuneautomatisationgraduelleavecuncontrôledeladécisionetdel’actionàeffectuerparleconducteuretle5èmeniveau qui présente une autonomie totale de l’action et de la décision uniquement par levéhicule.Actuellement,lesavancéestechnologiquesontpermisd’atteindreleniveau2dececlassement,leconducteurdoitsuperviserlaconduiteetdoitêtrecapabled’agiràtoutmoment.

21

Figure5:extraitdesobjectifsderecherchedelaNouvelleFranceIndustriellepourleVéhiculeAutonomeet

Connecté

Comme indiqué dans le graphique ci dessus, l’une des premières situations visées par lesvéhiculesautonomesetconnectésestlaconduitesurautoroute.Ellepeutêtrediviséeendeuxactionsprincipales : laconduiteàgrandevitesseen trafic fluideet laconduiteàbassevitessequi correspond à une situation de congestion. Les éléments qui font que la conduite desvéhiculesautonomesetconnectésestsimplifiéesont les faibles interactionsavec lesélémentsextérieurs : pas de piétons à considérer ni de feux tricolores, peu d’obstacles et pasd’intersections; et une lectureprédictiblede la trajectoirede conduitedes autresusagers.Deplus,leguidagedesvéhiculesestsimplifiéparunmarquageausolnormalisé.Danslapartiesuivantenousallonsutiliserdestravauxderechercheréalisésparsixchercheursquicherchentàdéterminerlesimpactsdel’insertiondevéhiculesautonomesetconnectéssurla fluidité du trafic. Les simulations se basent sur des modèles microscopiques, les résultatsobtenussontainsiinterprétablespourcetteéchelle.

EntermededébitL’écoulement du trafic est caractérisé par l’ensemble des comportements individuels deconduite. Chaque conducteur interagit avec son environnement qui se constitue del’infrastructurequ’ilemprunteetdesautresvéhicules.

FonctionnementdulogicielDans cette partie on va s’appuyer sur un logiciel de simulation conçu par les chercheursallemands Kesting et Treiber (2013) dont on va décrire le fonctionnement pour pouvoir

22

interpréterlesrésultatsquel’onpeutobtenir.C’estcelogicieldesimulationquiestretenucarilestàlabasedeplusieurstravauxderechercheactuels.Ce logiciel,MovSim (Multi-model Open-source Vehicular-traffic Simulator), a pour objectif demodéliseretsimulerlessituationsdetraficdebasecommedesprisesdedécisiondansdescasdedépassement,d’insertionsurunevoie,deréactionàunfeuouàuncédez-le-passage. Ilestbasé sur de nombreux modèles microscopiques de type changement de voies et voiture-suiveuse.Lesimulateurimplémentelesmodèlessuivants:

● IntelligentDriverModel(IDM),décritci-après● Modèleàvitesseoptimale● Différencedevitesse(Chandler)● ModèledeGipps● 2modèlesd’automatescellulaires(Nagel-SchreckenbergetKerner-Klenov-Wolf)9● MinimizingOverallBrakingInducedbyLanechange(MOBIL)

Danssathèse,Kestingprésentelemodèledepilotagehumain(HDM)commeuncadregénéralpour l'extension des modèles de poursuite avec une prise en compte plus fine descaractéristiques humaines, notamment le temps de réaction, les erreurs de perception et lesdifférentesformesd'anticipationhumaine.10Le modèle de pilotage intelligent (IDM) décrit par Treiber et Kesting (2013) est un modèlemicroscopiquedepoursuite.L’équationd’accélérationestdéfiniecommesuit:

𝑎! = 𝑎 1 −𝑣!𝑣!

!−

𝑠! + 𝑣!𝑇 +𝑣!𝛥𝑣!2 𝑎𝑏

𝛥𝑥!

!

𝑎!: 𝑎𝑐𝑐é𝑙é𝑟𝑎𝑡𝑖𝑜𝑛 𝑑𝑢 𝑣éℎ𝑖𝑐𝑢𝑙𝑒 𝑐𝑜𝑛𝑠𝑖𝑑é𝑟é𝑎 ∶ 𝑎𝑐𝑐é𝑙é𝑟𝑎𝑡𝑖𝑜𝑛 𝑚𝑎𝑥𝑖𝑚𝑢𝑚𝑏 ∶ 𝑑é𝑐é𝑙é𝑟𝑎𝑡𝑖𝑜𝑛 𝑑é𝑠𝑖𝑟é𝑒𝑣!: 𝑣𝑖𝑡𝑒𝑠𝑠𝑒 𝑑é𝑠𝑖𝑟é𝑒𝑠!: 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒 𝑒𝑛 𝑐𝑜𝑛𝑔𝑒𝑠𝑡𝑖𝑜𝑛𝑇: 𝑡𝑒𝑚𝑝𝑠 𝑖𝑛𝑡𝑒𝑟 𝑣éℎ𝑖𝑐𝑢𝑙𝑒 𝑑é𝑠𝑖𝑟é𝛿: 𝑡𝑟𝑎𝑑𝑢𝑖𝑡 𝑙′𝑎𝑔𝑟𝑒𝑠𝑠𝑖𝑣𝑖𝑡é (𝑎𝑐𝑐é𝑙é𝑟𝑎𝑡𝑖𝑜𝑛)

9Unautomatecellulaireestconstituédesplusieurscellulesreprésentantdesétatscorrespondantseux-mêmesàdesvaleurs.Cettetechniquedecalculapourambitionlaréalisationdesystèmesdynamiquespourarriveràdesmodélisationsdephénomènescomplexesd’autoreproduction.10Pourplusd’explicationssurlecalibragedumodèleseréféreràlathèsedeA.Kesting:http://tud.qucosa.de/api/qucosa%3A24070/attachment/ATT-0/

23

Cetteéquationestlasuperpositiondestermesexprimantl’accélérationd’unvéhiculesanspriseen compte des autres véhicules, et des termes exprimant une décélération due à un freinagedanslecasoùlevéhiculesuiveurseretrouveàunedistancetropfaibleduvéhiculemeneur.Lastratégiedefreinagedel’IDMgarantituneconduiteetdesfreinagessanscollision.

Figure6:Tableauregroupantlesvaleursdesparamètresdevitesse,dedistanceintervéhicule,dedistance

encongestion,d'accélérationmaximumetdedécélérationdésiréedel'IDMSource:thèseA.Kesting

Comme indiquées dans le tableau ci-dessus, les valeurs des paramètres du modèle peuventvarierdans les intervallesdéterminés. L’intérêtde l’IDMrésidedans sa capacitéd’adapterdemanièreautomatiséelescaractéristiquesdeconduiteenfonctiondelasituationréelledutrafic.Ce sont notamment les caractéristiques en lien avec l’accélération et donc celles de l’ACCquisontmodifiées.Cetteadaptationse fait suiteàunprocessusendeuxétapes.Dansunpremiertemps,lesvéhiculesautonomesetconnectéseffectuentuneanalysedelasituationdutraficquipeut être séparée en cinq classes : circulation libre, l’approche d’un front de congestion,déplacementencirculationcongestionnée, findedéplacementencirculationcongestionnéeetdépassementdegoulotd’étranglement(commeune intersectionouunezonedetravaux).Cesdifférents types de circulation sont détectés grâce aux capteurs des véhicules. Une fois cetteanalyseeffectuée,lesparamètresdel’ACCpeuventêtremis-à-jourparlamatricedestratégiedeconduitequiassociecescaractéristiquesdeconduiteauxconditionsdecirculation.

24

Figure7:StructuredulogicieldesimulationMovSim

Source:thèseA.KestingRéalisation:ClémenceBurgué

RésultatsdesimulationdulogicielUnprojetderecherchemenéparl’IFSTTAR(InstitutFrançaisdesSciencesetTechnologiesdesTransport, de l’Aménagement et des Réseaux) et publié en avril 2016, intitulé “Commentévaluerlesbénéficesdesvéhiculesconnectés?Uncadredesimulationpourlaconceptiondesstratégies de gestion coopératives du trafic11” a permis d’obtenir des résultats concernantl’efficacité des véhicules autonomes et connectés sur la fluidité du trafic routier. Ce projet aréunisixchercheursquiontdécidéd’utiliserlelogicielMovSimpoureffectuerlessimulations.Ilsont implémentéunsystèmemulti-agents(SMA)surle logiciel.Unsystèmemulti-agentsestun système regroupant des agents autonomes et partageant un environnement commun. Lapremière version du logiciel ne donnait pas la possibilité de représenter les communications(V2V,V2I)lorsdessimulations.Cetajoutpermetuneprédictiondesactionsdechaquevéhiculeet une prise en compte duniveaude confiance que les agents ont à propos des informationsqu’ilsreçoivent.Pour les simulations, tous les paramètres du modèle ont été choisis aléatoirement pourreproduire lavariabilitédesconducteurs.Lechoixde lazoned’études’estportésurunevoierapide de banlieue pour pouvoir observer la création de perturbations et avoir un flux assezimportant(40veh/voie/km).Lazoned’étudeestconstituéede3voiesets’étendsur10km.Lalimitationdevitesseestà90km/hetlasimulationdure30minutes.

11https://www.researchgate.net/publication/296694789_How_to_assess_the_benefits_of_connected_vehicles_A_simulation_framework_for_the_design_of_cooperative_traffic_management_strategies

25

Les résultats de leurs simulations avec des données réelles sont présentés sur les images ci-dessous.

Figure8:Résultatsdestrajectoiresdesvéhiculespourlessixscénariosavecdifférentspourcentagesde

véhiculesconnectés:a0%,b20%,c40%,d60%,e80%,f100%

L’image(a)correspondauscénarioderéférenceavecaucunvéhiculeconnecté.Lescinqautresscénariosprésententdessituationsdetraficmixte,c’est-à-direavecdesvéhiculesclassiquesetdes véhicules connectés. Les bandes rouges correspondent à l’apparition de petitesperturbations se propageant, similaires à des congestions fantômes (voir explications del’encadrécidessous).Cesinstabilitésrendentletraficplushétérogène.Plusletauxdevéhiculesconnectésaugmente,pluslesphénomènesdecongestions’estompent.Pourautauxsupérieurà40%,lescongestionsdisparaissenttotalementetletraficdevienthomogène.Lesrésultatsdecessimulationsapportentlapreuvedel’impactpositifdesvéhiculesautonomesetconnectésquipermettentunehomogénéisationdufluxdutraficroutier.LescongestionsIl existe des fortes congestions liées à une densité de trafic importante (grands départs envacances,heuresdepointe,etc)quipeuvents’étendresurdeskilomètresetdurerplusieursheures,lesvitessesdesvéhiculesapprochentalorsles0km/h.Cetypederalentissementestdonc principalement lié à des caractéristiques physiques (capacité des infrastructures,nombredevéhicules, conditionsmétéorologiques).Cependant,d’autres typesdecongestionexistentetapparaissentsansraisonapparente.Lacréationdescongestionsfantômes(ouphantomtrafficjamsenanglais)aétéexpliquéeparTreiterer et Myers (1974). Il ont démontré la formation spontanée d’une vague deralentissement pour aucune raison apparente comme un accident ou un goulotd’étranglement. Ces phénomènes apparaissent dans des situations où les véhicules sont

26

procheslesunsdesautres.Cescongestionssecomportentcommeuneonde.Elless’amplifientetsepropagentvers l’amontde lacirculationàunevitessecompriseentre10et20km/hàpartir du premier véhicule source de ralentissement. Les comportements individuels deconduiteetleschangementsdevoiesassociésàunediminutiondelavitessesontconsidéréscommeàl’originedecephénomène.

Figure9:Déplacementdesvéhiculeslorsd'unecongestionfantôme

Source:trafficwaves.org

27

Figure10:Illustrationdel'émergenced'unecongestionfantôme

Source:Helbing(2001)

Les trajectoires des véhicules représentés ont été obtenues par photographie aérienne. Leslignesbriséessontduesauxchangementsdevoieet lespentesdes trajectoiresreflètent lesvitesses individuellesdes véhicules.Ainsi, la figuremontre la formationd'unembouteillagefantôme,quiarrêtetemporairementlesvéhicules.

Actuellement, de nombreux projets de recherche sont en cours concernant le platooning(pelotonroutierouconvoiroutier).Cettetechniqueconcerneprincipalementledomainedelalogistique.Leprincipeétantque lespoids lourdssesuiventàquelquesmètresdedistanceenutilisant la communication de type V2V et des technologies permettant une conduiteautomatisée et connectée. Ce type de conduite permet de créer un trafic rapproché avec levéhiculeprécédentqui transmetdes informationsauxvéhicules suivants. Le convoipeut êtreassimiléàunmonobloc.Cettesynchronisationentrevéhiculespermetd’optimiser laconduitenotamment en termes de freinages et accélérationsmais aussi pour les trajectoires. Ainsi, laformation de ces convois permettrait d’obtenir unemeilleure fluidité du traficmais aussi deréduirelaconsommationdecarburantdesvéhicules.

28

Entermed’émissionsdepolluantsPour répondre à la question des impacts des véhicules autonomes et connectés sur lesémissionsdepolluants,nousallonsnousappuyersurunprojetderechercheréalisépar troischercheurs et professeurs de l’Université du Texas, présenté en janvier 2017. L’objet de larechercheest”Anticiperlesimpactsdesémissionsd’uneconduiteplusfluidepardesvéhiculesautonomesetconnectésàl’aidedumodèleMOVES”.

DifférentstypesdepolluantsCetteétudeautilisélesimulateur(MOVES)pourestimerlestauxd'émissionpourlesprincipauxpolluantsémisparletraficroutier.Lespolluantschoisissontdespolluantsditsprimaires,c’est-à-direémisdirectementparlesvéhicules,ilspeuventprendrelaformedegazoudeparticules.Lespolluantsprésentéssontréglementésàl'exceptiondudioxydedecarboneetdudioxydedesoufre.Lespolluantsétudiéssontlessuivants:

- les composés organiques volatils (COV). Ils proviennent de la combustion incomplètedescombustibles;

- les particules fines (PM 2.5). Ils sont le résultat de combustions incomplètes ducarburant.Leurdiamètreestinférieurouégalà2,5microns;

- lemonoxydedecarbone(CO)seformependantlacombustionincomplètedematièresorganiques,unefoisdansl’airilsetransformeendioxydedecarbone;

- oxydesd'azote(NOx),seformentsuiteàunecombustionàhautetempératureetàunetransformation dans l’air. Ils sont réputés comme plus nocifs que le monoxyde decarbone;

- dioxyde de soufre (SO2) se constitue à partir d’additifs soufrés contenus dans lescarburants(principalementdanslegazole).

- dioxydedecarbone(CO2).

PrésentationdulogicieldesimulationLessimulationsontpourobjectifl’étudedesémissionsdepolluantsdesVAC,onsupposequelestechnologies qu’ils possèdent permettent une anticipation et une réduction du temps deréactionetainsid’adopteruneconduiteplussouplequ’uneconduitehumaine.Leschercheursutilisent le simulateur MOtor Vehicle Emission Simulator (MOVES) basé sur des schémas deconduitepermettantl’estimationdesémissionsproduitesparlesvéhicules.Comme nous avons pu le voir dans la partie précédente avec le phénomène de congestionfantôme,lesdifférentstypesdeconduiteshumainesonttendanceàmontrerdesfluctuationsdevitessesignificativesetfréquentesainsiquedestempsderéactionsrelativementlongs.L’étudeutilise des cycles de conduite12humaine permettant de représenter la diversité des styles deconduiteexistants.Cescyclesdeconduitesont lisséspours’approcheraumieuxd’unstyledeconduite proposé par des VAC. Ainsi, les profils de conduite des VAC contiendront moins

12Uncycledeconduitereprésenteengénéralunensembledepointsdevitessevéhiculeenfonctiondutemps.Ilestutilisépourévaluerlaconsommationdecarburantetlesémissionsdepolluantsd’unvéhiculed’unemanièrenormalisée,desortequelesdifférentsvéhiculespuissentêtrecomparésentreeux.(Source:car-engineer.com)

29

d'événementsdeconduiteextrêmes(commelesfortesaccélérations, lefreinagesoudainet lesviragesbrusquesourapides)quelescyclesdesvéhiculesconduitspourdeshumains.

Figure11:Graphiquereprésentantuncycledeconduitehumaineetsonlissage(enpointillés)

Pour générer des données demicrosimulation du trafic, les chercheurs ont utilisé le logicielPARAMICS(présentédansletableauenpremièrepartie–Modélisationetsimulationdutraficroutier).Celogicielaainsipermisdesimulerlesopérationsliéesàlaconduitepourfournirlesdonnées entrées nécessaires au logiciel MOVES, utilisé dans un second temps pour lamodélisationdesémissions.

30

Figure12:Schémaexplicatifdufonctionnementdelasimulationdesémissionsdepolluants

Réalisation:ClémenceBurgué

TouteslessimulationsontétéfaitessurlecomtédeTravis(Texas)soitenviron2600km2.Lessimulationsontétéeffectuéesuniquementsurdesroutesdemilieuurbain.Lescarburantsdesvéhiculessontdetypediesel,ethanol(E-85)ouessence.Enfin,touslespolluantsprisencomptesont:VOC,CO,SO2,CO2,NOxetPM2.5.

RésultatsdessimulationsLesrésultatsdesémissionsindiquentquelescycleslissésdesVACprésententenmoyennedestauxd'émissioninférieurspourlescinqpolluantsd'intérêt.

31

Figure13:Tableaudesrésulatsobtenusparlasimulationaveclaréductionmoyenneobtenuepartypedepolluantémis

LacolonneAverageDropindiqueladiminutionmoyennedestauxd’émissiondepolluantsdesVAC.Nouspouvonsremarquerquelaplusimportantediminutionconcernelesparticulesfines(19,09%),vientensuitecelledesoxydesd’azote(15,51%),puiscelledumonoxydedecarbone(13,23%),celledescomposésorganiquesvolatiles(10,89%)etcellesdesdioxydedecarboneetdesdioxydedesoufre(6,55%).Cesrésultatspeuventêtreexpliquésparplusieursfacteurs.Toutd’abord, ladiminutiondecesémissionss’expliqueparlefaitquelesVACprésententdescyclesdeconduitespluslisses,avecdesaccélérationsetdécélérationsplusgraduellesdescellesdescyclesdeconduitedevéhiculesclassiques.Commel’indiqueChristopheDecoupignydanssathèseconcernantla“Modélisationfine des émissions de polluants issues du trafic en milieu urbain”, en terme d’émissions, laquantité de polluants dépend en grande partie de la vitesse et plus précisément du couplevitesse-accélération. Les différentes technologies d’aide à la conduite permettent deschangementsdevitesseplus automatiquesetoptimisés et ainsid'améliorer les économiesdecarburant et les réductions des émissions de polluants. Ensuite, les technologies decommunication tellesquevehicle-to-vehicle (V2V)etvehicle-to-infrastructure (V2I)présentesdans les VAC vont leur permettre à garder des vitesses plus constantes et diminuer lesmouvementsdestop-and-go.On peut également s'attendre à ce que la mise en place de platooning avec des véhiculesautonomes soit associée à un rendement énergétique plus élevé et à des taux d'émission depolluantsencoreplusfaibles.

32

ConclusionDansunepremièrepartienousavonspuvoirautraversd’unétatdel’artlesprincipauxmodèlesexistantspourdécrireletraficroutier.Nousavonsensuitedéfinicequ’estlasimulationetfaitunrécapitulatifdesprincipauxlogicielsdesimulationexistants.Dansunedeuxièmepartie,nousavonsprésentéslesvéhiculesautonomesetconnectés(VAC,5èmeniveaud’automatisation)ainsique certaines des technologies qu’ils utilisent. Nous avons par la suite apporté des réponseschiffrées, en s’appuyant sur de récents travaux de recherche, quant aux impacts que lasubstitution de véhicules classiques par des VAC pourrait avoir sur la fluidité du trafic, lescongestionsainsiquelesémissionsdepolluants.Ainsi nous avons pu voir grâce aux simulations intégrant des VAC dans le trafic, que leurinsertionpermetd’homogénéiserletrafic.Apartirde40%devéhiculesconnectésdansletrafic,les congestions disparaissent totalement et le trafic devient homogène. Concernant lesémissions de polluants, les résultats des simulations ont montré que les VAC permettent dediminuer lesémissionsdeparticules finesde19%, cellesdesoxydesd’azotede15,5%,puiscelle dumonoxyde de carbone de 13%, celle des composés organiques volatiles de 10% etcelles du dioxyde de carbone et du dioxyde de soufre de 6,5 %. Ces résultats prouvent lesavantages des véhicules autonomes et connectés. Un déploiement progressif de ces véhiculeséquipés de nouvelles technologies pourrait se faire en cohabitation avec les véhiculesclassiques,onparlealorsdetraficmixte.Cependant,ilfautgarderàl’espritqueceschiffressontles résultats d’expériences effectuées avec des paramètres précis, on ne pourrait espérerobtenirlesmêmesrésultatsdansd’autresconditions.L’automatisationdelaconduitepermettraitaussid’apporterdesavantagesentermedesécuritéroutière.Cepointn’apasétédéveloppédansceprojetdefind’étudesmaisplusieursétudes13sesontpenchées sur laquestionet ont conclu surun impactpositif desVAC sur la sécuritédesconducteurs.Concernant l’autonomie totaledesvéhicules, l’utilisationde l’intelligenceartificiellepermettradu point de vue technologique de produire ces véhicules.Néanmoins va se poser la questionéthiquedesonutilisation.Encasd’accident,quiestresponsable?Danslecasoùl’intelligenceartificielleest confrontéeàundilemmemoraletqu’elleest amenéeà choisir entredeuxvies,commentl’ordinateurquipilotelevéhiculeferalechoix?

13NotammentO.Derbeldanssathèseintitulée“Modélisationmicroscopiqueetmacroscopiquedutrafic.Impactdesvéhiculesautomatiséssurlasécuritéduconducteur”

33

Tabledesfigures

FIGURE1:DIAGRAMMEFONDAMENTALDEGREENSHIELDS(DÉBITENFONCTIONDELADENSITÉ)SOURCE:THÈSEE.

BOURREL...........................................................................................................................................................................................9FIGURE2:CLASSIFICATIONDESMODÈLESDERÉPRÉSENTATIONMACROSCOPIQUESOURCE:THÈSEM.UZUNOVA(P23)

RÉALISATION:CLÉMENCEBURGUÉ...........................................................................................................................................10FIGURE3:ILLUSTRATIONDESTROISÉCHELLESMACROSCOPIQUE,MÉSOSCOPIQUEETMICROSCOPIQUESOURCE:DTUETD

..........................................................................................................................................................................................................14FIGURE4:LESDIFFÉRENTSTYPESDECOMMUNICATIONDESVÉHICULESCONNECTÉSSOURCE:MOVIMENTO.......................19FIGURE5:EXTRAITDESOBJECTIFSDERECHERCHEDELANOUVELLEFRANCEINDUSTRIELLEPOURLEVÉHICULEAUTONOME

ETCONNECTÉ.................................................................................................................................................................................21FIGURE6:TABLEAUREGROUPANTLESVALEURSDESPARAMÈTRESDEVITESSE,DEDISTANCEINTERVÉHICULE,DEDISTANCE

ENCONGESTION,D'ACCÉLÉRATIONMAXIMUMETDEDÉCÉLÉRATIONDÉSIRÉEDEL'IDMSOURCE:THÈSEA.KESTING..........................................................................................................................................................................................................23

FIGURE7:STRUCTUREDULOGICIELDESIMULATIONMOVSIMSOURCE:THÈSEA.KESTINGRÉALISATION:CLÉMENCEBURGUÉ..........................................................................................................................................................................................24

FIGURE8:RÉSULTATSDESTRAJECTOIRESDESVÉHICULESPOURLESSIXSCÉNARIOSAVECDIFFÉRENTSPOURCENTAGESDEVÉHICULESCONNECTÉS:A0%,B20%,C40%,D60%,E80%,F100%......................................................................25

FIGURE9:DÉPLACEMENTDESVÉHICULESLORSD'UNECONGESTIONFANTÔMESOURCE:TRAFFICWAVES.ORG....................26FIGURE10:ILLUSTRATIONDEL'ÉMERGENCED'UNECONGESTIONFANTÔMESOURCE:HELBING(2001).............................27FIGURE11:GRAPHIQUEREPRÉSENTANTUNCYCLEDECONDUITEHUMAINEETSONLISSAGE(ENPOINTILLÉS)....................29FIGURE12:SCHÉMAEXPLICATIFDUFONCTIONNEMENTDELASIMULATIONDESÉMISSIONSDEPOLLUANTSRÉALISATION:

CLÉMENCEBURGUÉ......................................................................................................................................................................30FIGURE13:TABLEAUDESRÉSULATSOBTENUSPARLASIMULATIONAVECLARÉDUCTIONMOYENNEOBTENUEPARTYPEDE

POLLUANTÉMIS.............................................................................................................................................................................31

34

Sources

§ COSTESEQUE, Guillaume.- Modélisation du trafic routier : passage du microscopique au macroscopique- Thèse, 2012.

§ CORTESEQUE, Guillaume Modélisation et simulation dans le contexte du trafic routier, 2013. § COQUAND, Routes, 1956 § DECOUPIGNY, Christophe.- Modélisation fine des émissions de polluants issues du trafic urbain- 2006 § Déplacements, S. dynamique des, 2017. Les modèles mésoscopiques [WWW Document]. URL

http://www.simulationdynamique.fr/spip.php?rubrique32 (accessed 1.7.19). § Déplacements, S. dynamique des, 2013. Outils de modélisation [WWW Document]. URL

http://www.simulationdynamique.fr/spip.php?article29 (accessed 12.30.18). § DERBEL, Oussama.- Modélisation microscopique et macroscopique du trafic : Impact des véhicules

automatisés sur la sécurité du conducteur- Thèse, 2016. § Facteurs humains, technologies embarquées et numériques : Quel rôle pour les politiques de sécurité

routière ?, n.d. § GUÉRIAU, M., BILLOT, R., EL FAOUZI, N.-E., MONTEIL, J., ARMETTA, F., HASSAS, S., 2016. How

to assess the benefits of connected vehicles? A simulation framework for the design of cooperative traffic management strategies. Transportation Research Part C Emerging Technologies 67. https://doi.org/10.1016/j.trc.2016.01.020

§ HEDHLI, P.A., 2017. Regards croisés sur le véhicule autonome 17. § INRIA Livre blanc VAC, 2018. § La simulation mésoscopique dynamique à grande échelle, le cas de Paris, n.d. 9. § LACROIX, B., n.d. Normer pour mieux varier ? La différenciation comportementale par les normes, et son

application au trafic dans les simulateurs de conduite 179. § Les différents cycles de conduite [WWW Document], n.d. URL http://www.car-engineer.com/fr/les-

differents-cycles-de-conduite/ (accessed 1.9.19). § Les modèles d’écoulement du trafic face aux problèmes d’échelles, n.d. § Les problèmes d’échelles, n.d. § LICIT, n.d. MASCAT 2017. § LIU, J., KOCKELMAN, K.M., NICHOLS, A., Anticipating the emissions impacts of smoother driving by

connected and autonomous vehicules, using the MOVES model, n.d. § KESTING, A. - Microscopic modeling of human and automated driving : towards traffic-adaptative cruise

control- 2008 § Objectifs de recherche Véhicule Autonome, n.d. § Quadstone Paramics, 2016. . Wikipédia. § Qu’est ce qu’un véhicule autonome ? - Ifsttar [WWW Document], n.d. URL http://www.ifsttar.fr/ressources-

en-ligne/espace-science-et-societe/mobilites/dossiers-thematiques/vehicule-autonome/definitions/ (accessed 12.31.18).

§ Traffic and Related Self-Driven Many-Particle Systems [WWW Document], n.d. URL https://www.researchgate.net/publication/1863763_Traffic_and_Related_Self-Driven_Many-Particle_Systems (accessed 1.4.19).

§ TREIBER, M., KESTING, A., n.d. traffic-simulation-de/TrafficSimulationDe.pdf at master · movsim/traffic-simulation-de · GitHub [WWW Document]. URL https://github.com/movsim/traffic-simulation-de/blob/master/doc/TrafficSimulationDe.pdf (accessed 1.5.19).

§ Vehicle-to-Everything (V2X) Technology Will Be a Literal Life Saver – But What Is It ? | Automotive & Connected Car [WWW Document], n.d. URL http://eecatalog.com/automotive/2016/05/19/vehicle-to-everything-v2x-technology-will-be-a-literal-life-saver-but-what-is-it/ (accessed 1.2.19).

§ YAN, Fei. - Contribution à la modélisation et à la régulation du trafic aux intersections : intégration des communications véhicule-infrastructure - Thèse, 2012.

35

CITERESUMR7324Cités,Territoires,EnvironnementetSociétés

Directeurderecherche: ClémenceBurgué PFE/DAE5HervéBaptiste RESEAU

2018-2019Modélisationroutière:étudedesimpactsdesvéhiculesautonomesetconnectéssurl’écoulementdutraficetlesémissionsdepolluantsRésumé:Ceprojetdefind’étudesabordelethèmedelamodélisationroutièreetplusparticulièrement les impacts de la substitution des véhicules classiques par desvéhiculesautonomesetconnectés.Dansunepremièrepartie,unétatde l’artprésentelesdifférentsmodèlesexistantspourdécrireletraficroutier.Cetétatdel’artsedécoupeen trois parties correspondantes à trois échelles qui sont l’échelle macroscopique,microscopiqueetmésoscopique.Ladescriptiondesmodèless’attardeparticulièrementsur l’échelle microscopique. La deuxième partie du projet s’appuie sur de récentstravauxderechercheutilisantdes logicielsdesimulationpourrépondreà laquestiondes impactsdesvéhiculesautonomesetconnectésen termed’écoulementdu traficetd’émissions de polluants. Le fonctionnement des logiciels de micro simulation y estdécrit à l’aidede certainsmodèlesprésentés enpremièrepartieduprojet. Enfin, uneconclusionestapportéeconcernant les impactsdesvéhiculesautonomesetconnectéssurlafluiditédutraficetdesémissionsdepolluantsengendrées.MotsClés:Modélisation–Simulation–Traficroutier–Émissionsdepolluants–VéhiculesAutonomesetConnectés–SystèmedeTransportIntelligent