Multi-agent systems, self-organization and constructivist learning for Cooperative Intelligent Transportation Systems modeling and control

Dans un proche futur, les véhicules connectés et autonomes remplaceront nos véhicules actuels, et il sera nécessaire de repenser intégralement la mobilité. Le conducteur, avec ses lacunes, sera de plus en plus assisté, et un jour détrôné par un système embarqué, capable d'agir plus rapidement, tout en ayant une représentation plus précise et fiable de son environnement de navigation. Pourtant, il reste encore du chemin à parcourir avant d'arriver à un tel stade de maturité : l'environnement du véhicule est complexe, imprévisible et conflictuel, car partagé avec d'autres acteurs de la mobilité. Ce travail de thèse vise à anticiper l'arrivée de ces nouveaux véhicules afin de proposer des comportements coopératifs au niveau des véhicules et de l'infrastructure tout en permettant un contrôle décentralisé de ce type de système complexe. Dans le cadre d'une approche multi-agents et d'une architecture distribuée, nous proposons d'abord une modélisation par couplage des dynamiques physique et communicationnelle, auxquelles s'ajoute une intégration de la fiabilité de l'information (confiance). L'étape suivante a été de développer un cadre de simulation propice à l'implémentation de nos modèles dans le cas des véhicules connectés. Nous introduisons un nouveau simulateur de trafic, construit comme une extension d'une plateforme existante, au sein duquel les flux d'informations entre les véhicules et avec l'infrastructure prennent la forme d'échanges de messages. Toutes les informations du système proviennent de capteurs, et toutes les entités, modélisées comme des agents, sont autonomes dans leur prise de décision. De nouvelles formes de contrôle sont désormais envisageables en utilisant des consignes transmises par l'infrastructure communicante. Le couplage des dynamiques assure la cohérence et l'inter-dépendance des différents modèles dans le simulateur. Nous montrons en simulation que, grâce à l'intégration d'informations supplémentaires via la communication, les véhicules, modélisés par un modèle microscopique multi-anticipatif bilatéral, sont capables de réduire l'effet de perturbations propagées au sein d'un flux. En termes de stratégies de contrôle, une des problématiques principales est de garantir une forme de contrôle qui s'adaptera aux différentes phases de déploiement des systèmes coopératifs. L'analogie avec des problèmes de l'IA (problème de cognition) nous a mené à traiter le problème de manière plus abstraite : comment permettre à un système autonome de contrôler son environnement. Les approches constructivistes, que nous avons retenues, modélisent le processus de cognition comme un phénomène de construction itératif. Pour le trafic coopératif, l'avantage est de disposer d'un système capable de générer ses propres stratégies, en utilisant ou non des connaissances expertes, et de les faire évoluer au cours du temps pour s'adapter aux véhicules composant le flux. Les résultats de notre approche sont présentés dans deux cadres de simulation. Le premier est un prototype visant à illustrer les comportements de bas niveau dans un environnement simplifié. Nous montrons que le modèle est capable dans ce cadre de combiner différentes représentations individuelles pour construire une représentation et de s'adapter à différents contextes en les recombinant dynamiquement. Puis, dans le cadre de simulation du trafic coopératif, les résultats laissent entrevoir le potentiel de notre approche dans des applications réellesIn a near future, connected and automated vehicles will progressively replace current vehicles, leading to deep changes in transportation. The driver will be soon assisted and then replaced by an embedded system, able to act quicker, relying on a more robust and precise representation of its surrounding environment. However, some steps are still needed before coming up with such a level of automation since the vehicle environment is complex and unpredictable. This work intends to anticipate the introduction of these new kinds of vehicles by providing cooperative behaviors at both infrastructure and vehicle levels, at the same time allowing a decentralized control of these systems. We propose a distributed modeling framework, using multi-agent systems, relying on the coupling of the system dynamics: information, communication and reliability (modeled through the concept of trust). The next step was to develop a simulation framework enabling the implementation of our models for connected vehicles applications. We present a new microscopic traffic simulator, built as an extension of an existing platform, and able to model information exchanges using messages between vehicles and with the infrastructure. All data are provided by sensors and all entities, modeled as agents, are autonomous regarding their decision process. Thanks to the simulator, it is possible to imagine new control strategies relying on recommendations disseminated by the connected infrastructure. Consistency and interdependence of the simulator components are ensured by the dynamic coupling. As for the vehicles’ dynamics, we propose a bilateral multi-anticipative model that integrates additional information from communications in the vehicle decision process. Results in simulation confirm that the model is able to reduce the propagation of perturbation through the flow, leading to a more homogeneous and stable traffic. One of the major issues regarding traffic control strategies will be to dynamically adapt the action policy to the several deployment stages of cooperative transportation systems. The similarities with Artificial Intelligence problems like cognition motivate a more abstract study: how to model an autonomous system able to control its environment. We choose the constructivist approaches, that propose to model the cognition process as an iterative building process. For cooperative traffic, the benefits lie in the ability of the system to generate its own strategies, relying or not on domain specific knowledge, and then make them evolve to be adapted to vehicles in the flow. The results from our approach are presented in two distinct simulation frameworks. The first one is an experimentation prototype aiming at highlighting the low-level behaviors in a simplified environment. In this context, we show that the model is able to combine efficiently several individual concurrent representations in order to build a high-level representation that can be adapted to several contexts. The second framework is the traffic simulator where the results lead to some insights about the potential of our approach for such realistic application