18/08/2019 – Par Frédéric de Kemmeter – Signalisation ferroviaire et rédacteur freelance
Inscrivez-vous au blog
🟧 Nos brèves quotidiennes 🟧 Notre lexique ferroviaire
L’intelligence artificielle (IA) peut apporter une contribution importante à la révolution de la mobilité. Dans le cadre d’une mobilité en réseau intelligent, les personnes se déplaceront d’un lieu à l’autre et les marchandises seront transportées de manière économe en ressources. Des experts en plateformes de systèmes d’apprentissage (learning systems) décrivent dans un rapport récent ce qui serait le moyen le plus sûr, le plus souple et le plus économique de se déplacer sur la route, sur les rails, sur l’eau ou dans les airs.
Les learning systems offriraient un grand potentiel pour relever les défis de la mobilité actuels, selon ces experts. « Moins de congestion, d’accidents et d’émissions polluantes – l’IA peut nous aider à atteindre ces objectifs pour la mobilité du futur. Pour se rapprocher de cette étape, les moyens de transport et les infrastructures de transport doivent être intelligemment mis en réseau », explique Christoph Peylo , responsable du centre Bosch pour l’intelligence artificielle et co-responsable du groupe de travail ‘Mobilité et systèmes de transport intelligents’ de la ‘Plattform Lernende Systeme’. L’idée : des capteurs, des caméras et des infrastructures ainsi que des plates-formes intelligentes qui collectent les données, les gèrent et les partagent en données de trafic. Des techniques d’apprentissage automatique (ML) de plus en plus puissantes sont utilisées pour traiter l’énorme masse de données collectées.
Au sein du groupe de travail « Mobilité et systèmes de transport intelligents » de la ‘Plattform Lernende Systeme’, des représentants de la science et de l’industrie ont examiné les possibilités et les défis que posent les learning system pour chaque mode de transport. Pour son premier rapport, le groupe de travail a identifié cinq domaines d’action qui devraient être abordés par la science, l’industrie, la politique et la société afin de promouvoir la mobilité basée sur l’intelligence artificielle et des systèmes de transport intelligents, durables et axés sur la demande : mise en réseau et interaction des systèmes, disponibilité des flottes de matériel roulant, état des infrastructures, interaction homme-machine (MMI) dans l’espace de mobilité, sécurité dans les systèmes de transport intelligents et aspects sociaux.
Pour les membres du groupe de travail, les learning systems doivent être développés pour tous les modes de transport, y compris les chemins de fer. Leurs applications vont des drones de livraison sans pilote aux systèmes ferroviaires en réseau avec locomotives autonomes, ou encore des formes intelligentes de mobilité dans les transports publics et le covoiturage, ainsi que les véhicules autonomes. Ces développements parfois concurrents sont utilisés en parallèle dans un même environnement – par exemple dans le réseau routier et ferroviaire existant – et peuvent avoir des effets considérables sur notre société. Que dit ce rapport en ce qui concerne le domaine ferroviaire ? C’est ce que nous allons voir mais il faut au préalable quelques bases en intelligence artificielle.
C’est quoi le ‘learning system’ ?
Malgré la confusion qui entoure sa définition et sa valeur commerciale, l’intelligence artificielle continue de progresser. L’apprentissage automatique est une méthode d’analyse de données qui automatise la création de modèles analytiques. Ces modèles basés sur des algorithmes sont principalement construits à partir de techniques statistiques et d’informatique théorique et exploitent de vastes ensembles de données pour apprendre et s’améliorer en permanence.
Dans un sens, les systèmes d’apprentissage et l’intelligence artificielle (IA) sont arrivés depuis longtemps dans la vie privée et professionnelle : nous restons en contact les uns avec les autres à tout moment via un smartphone, nous avons accès à un large éventail d’informations en temps réel via des systèmes d’assistance intelligents, qui nous aident notament au travail, à la maison ou à nous guider (Google Maps). Mais la question essentielle est de savoir comment traiter ce que nous laissons derrière nous, c’est à dire les données.
De nos jours, la plupart des chercheurs en intelligence artificielle s’intéressent aux quantités énormes de données avec des algorithmes très avancés qui utilisent des learning system pour créer des modèles. « On arrive à faire des prévisions de très bonne qualité en utilisant d’énormes bases de données, » note Emma Frejinger, professeure agrégée au Département d’informatique et de recherche opérationnelle à l’Université de Montréal. « C’est quelque chose qui n’était pas possible avant.»
On trouve généralement trois types de learning system :
- En 2019, la majorité des programmes d’apprentissage étaient encore de type supervisés, c’est-à-dire qu’ils ont besoin d’être nourri par des données annotées par des développeurs. L’apprentissage supervisé apporte une base de données pré-construite au système. Les développeurs spécifient la valeur des informations, par exemple, si elles appartiennent à la catégorie A ou B. C’est un travail fastidieux et exigeant, qui comporte un risque important d’erreurs.
- L’apprentissage par renforcement est un processus automatique par lequel l’IA s’améliore sans intervention humaine. L’IA a accès aux données et améliore constamment ses réponses par l’apprentissage.
- L’apprentissage non supervisé aide à trouver des modèles dans un ensemble de données sans étiquettes préexistantes. Deux des principales méthodes utilisées dans l’apprentissage non supervisé sont l’analyse en composantes principales et en clusters (grappes).
L’apprentissage profond (ou deep learning) est l’évolution la plus poussée de l’IA à ce jour. Il fait partie d’une famille plus large de méthodes d’apprentissage automatique basées sur des réseaux de neurones artificiels. Le deep learning peut être supervisé, semi-supervisé ou non supervisé. Il exige une importante capacité de traitement informatique ainsi qu’une grande quantité de données étiquetées pour appréhender la tâche dont il est question. Il peut ainsi atteindre le plus haut degré de précision possible en matière de données.
Au niveau technique, ces apprentissages peuvent être grandement accélérés par le déploiement de la 5G, qui fait débat dans plusieurs pays, ainsi que des serveurs à grande capacité.
Quel potentiel pour la mobilité ?
L’intelligence artificielle existe déjà sous différentes formes dans le domaine de la mobilité : d’une part avec les systèmes d’assistance et d’automatisation qui sont déjà implémenté dans chaque système de transport. Et d’autre part par l’utilisation de l’IA pour les opérations, la planification et la gestion des actifs. Mais il faut aller beaucoup plus loin.
L’objectif est de rendre la mobilité multimodale efficace et conviviale, en exploitant l’énorme potentiel d’optimisation entre chaque opérateur. Cela nécessite un couplage beaucoup plus fort des systèmes de chacun, avec tout ce que cela implique au niveau technique et réglementaire, par exemple au niveau de la protection des données.
De grandes quantités de données
La mobilité est certainement un secteur qui produit le plus de données. Les volumes sont croissants d’année en année. Quand vous mettez en marche la touche « position » sur votre smartphone, celui-ci enregistre la totalité de vos déplacements, et même de vos mouvements avec une application sportive, par exemple. Toutes ces données partent vers des serveurs et sont analysées. Dans de nombreuses villes, nous trouvons par exemple le métro, l’autobus, les différents services de taxi, le vélo et l’automobile en partage. Mais ils sont tous liés les uns aux autres puisqu’ils utilisent tous les mêmes routes. Votre smartphone enregistre tous les transports que vous empruntez, le temps que vous y passez et la fréquence chaque semaine ou chaque mois. D’où la nécessité de regarder la situation de manière globale. Ce sont ces services dans leur ensemble que l’on veut mieux comprendre et mieux planifier. Tous les modes de transport sont liés. Le système est cependant très complexe. En conséquence, les méthodes d’intelligence artificielle peuvent être présentées comme une solution intéressante pour des systèmes aussi complexes qui ne peuvent pas être gérés à l’aide de méthodes traditionnelles. De nombreux chercheurs ont démontré les avantages de l’IA dans les transports.
L’un des grands défis est d’éviter de devoir utiliser trop de données annotées (l’apprentissage supervisé). Les systèmes pourront améliorer leur performance par un apprentissage en continu non-supervisé, à partir de données capturées automatiquement sans besoin d’annotation. Ce mode d’apprentissage plus autonome nécessitera un contrôle quasi-permanent des connaissances de la machine. Et cela coûte très cher. À l’avenir, avec la complexité des données dans les STI (systèmes de transport intelligents), des techniques de deep learning seront essentielles pour trouver des modèles permettant de créer des systèmes de transport encore plus connectés.
Potentiel ferroviaire
Le learning systems permet d’implémenter techniquement une automatisation élevée de nouvelles fonctions ferroviaires et de rendre les fonctions existantes plus sûres et plus efficaces. Les fonctions existantes peuvent ainsi être améliorées, comme la perception anticipée de l’environnement, la coordination du trafic ou encore la surveillance automatique des composants des véhicules, qui a trait à la maintenance prédictive. Les learning systems peuvent prédire plus finement la maintenance des actifs ferroviaires au fur et à mesure que la masse des données s’accumule. On mesure ici le défis d’avoir des données utilisables ainsi que leur quantité qu’il est nécessaire de traiter.
Sécurité du réseau
Des systèmes basés sur l’apprentissage non supervisé sont mis en œuvre dans la sécurité du réseau : un système d’apprentissage automatique détecte les comportements anormaux. Par exemple, une section occupée par un autre train. Des algorithmes intelligents, sous la forme de réseaux neuronaux artificiels, peuvent analyser le trafic et développer des systèmes de gestion du trafic plus efficaces, tout en garantissant la sécurité des trains. Cela intéresse fortement le secteur ferroviaire, qui doit justement fournir un très haut degré de sécurité tout en améliorant ses performances.
Connaissances des flux
Le développement rapide des systèmes de transport intelligents a accru la nécessité de proposer des méthodes avancées pour prédire les informations de trafic. Ces méthodes jouent un rôle important dans le succès des sous-systèmes STI tels que les systèmes d’information des voyageurs, les systèmes de gestion du trafic et les systèmes de transport en commun. Les systèmes prédictifs intelligents sont développés à l’aide de données historiques extraites de l’occupation des sections de voies et des trains. Ensuite, ces données deviennent une entrée pour les algorithmes d’apprentissage automatique et d’intelligence artificielle permettant une prédiction en temps réel.
Les études de simulation de trafic, qui sont importantes quand il faut décider si on doit ajouter une voie ou modifier une entrée de gare, peuvent être enrichies par les techniques de learning systems. Il s’agit là d’un potentiel considérable pour contrôler le flux de trafic avec davantage de précisions et de pouvoir gérer le trafic plus efficacement. Cependant, la mise en relation de données individuelles et collectives pose de grands défis, à la fois sur le plan technique et réglementaire. Un compromis intelligent entre données individuelles et collectives est indispensable pour que les systèmes ne soit pas livré à lui-même. Le learning systems peut jouer un rôle clé à cet égard. La condition préalable est le choix des algorithmes d’édition de données prenant en charge leur gestion et la prise de décision. Ils permettent ainsi de maîtriser la complexité des indicateurs de performance clés (KPI).
Conduite automatisée
Une autre application importante des learning systems dans le domaine des transports ferroviaires est la conduite automatisée sans conducteur. Les trams, métros et trains automatisés sans conducteur offriraient non seulement une plus grande capacité sur le réseau ferroviaire, mais ils permettraient d’adapter le système de transport aux besoins des usagers en optimisant les horaires de transport public ainsi que la capacité de transport. La conduite hautement automatisée ou sans conducteur dans des conditions de circulation ferroviaires mixtes ou sur des itinéraires dotés d’infrastructures de sécurité moins strictes nécessite avant toute chose des informations sur les véhicules. Le train automatisé doit pouvoir détecter son environnement comme le fait un conducteur humain aujourd’hui. Cela revient à instaurer des capacités d’analyses proche de la voiture autonome, bien que le train soit guidé sur des rails. Actuellement, les trains ne communiquent pas entre eux et sont dépendants d’un centre de contrôle du trafic. Ce n’est pas de l’autonomie à 100%.
Un cas particulier d’automatisation ferroviaire est le ‘Driver Advisory Systems’. Ces systèmes d’assistance intelligents, basés sur de nouveaux algorithmes, permettent de conduire plus efficacement, d’obtenir davantage d’efficacité énergétique, ce qui améliore la capacité en ligne, la stabilité opérationnelle et la fiabilité du système. L’automatisation intelligente rendrait les opérations plus flexibles – à l’instar du trafic routier -, et le transport ferroviaire pourrait être desservi de manière orientée vers la demande en réactivant des itinéraires fermés avec des véhicules ferroviaires plus petits et automatisés. De plus, les méthodes d’IA modernes pourraient fournir des informations plus fiables sur la disponibilité de la flotte de transport ou l’état de l’infrastructure.
>>> À lire : Le train autonome, où en est-on réellement ?
L’automatisation du transport ferroviaire doit prendre en compte l’interaction des véhicules avec l’infrastructure et les systèmes de contrôle du trafic et de la sécurité. Les réglementations en vigueur, qui régissent la sécurité dans le trafic ferroviaire, par exemple, exigent toujours l’utilisation de technologies éprouvées. Les changements technologiques devraient dès lors nécessiter des ajustements de la réglementation pour les opérations ferroviaires. C’est un véritable défi quand on connait avec quel degré la sécurité des transports est aujourd’hui soumise par les organismes gouvernementaux. En particulier, la mise en réseau avec une gestion globalisée du trafic peut présenter un risque potentiel pour la sécurité : ainsi, si plusieurs trains attendent mutuellement parce qu’ils sont tributaires de l’un ou l’autre, l’attente peut déclencher des nœuds engorgés ou des surcharges temporaires.
Les méthodes d’IA modernes peuvent jouer un rôle clé en tant que composants élémentaires de l’ensemble de la chaîne de traitement d’une conduite automatisée. Elles peuvent être utilisées, par exemple, dans l’interprétation des perceptions de l’environnement, dans la localisation, dans les prévisions, dans la planification et dans la mise en œuvre de stratégie de conduite optimale, ainsi que dans d’autres domaines liés aux infrastructures tels que : la construction et la gestion d’une grande base de données ou la cartographie exacte de l’environnement du réseau ferré.
La maintenance prédictive
Les composants mécaniques, tant de l’infrastructure que du matériel roulant, souffrent d’usure et les techniques actuelles les mettent temporairement hors service à la moindre panne. La surveillance intelligente de l’exploitation, la maintenance prédictive et le dépannage intelligent et adaptatif sont capables d’augmenter la disponibilité des actifs, de mettre moins de trains dans les ateliers, ce qui est crucial pour l’orientation client.
Pour ce faire, les learning systems ont continuellement besoin de données provenant de différentes sources, à tout instant, et à partir desquelles ils peuvent prévoir des scénarios de défaillance typiques mais aussi intervenir de manière proactive dans la maintenance. Dans le secteur ferroviaire, les possibilités de surveillance intelligente sont innombrables. En particulier, une surveillance et une évaluation continues des données par capteurs et télémétrie enregistrées doivent être effectuées, par exemple en ce qui concerne les températures des rails ou d’autres composants électriques, des mesures de temps, des enregistrements d’images, etc. L’infrastructure peut être constamment surveillée par des drones, moyennant une meilleure souplesse de la réglementation très stricte de ces engins. L’objectif est d’assurer une disponibilité de près de 98% des trains et 100% de l’infrastructure.
>>> À lire : La digitalisation du rail, c’est déjà du concret chez Infrabel
L’interface homme / Machine
« Un point crucial de la mobilité intelligente en réseau est constitué par des interfaces bien conçues pour l’interaction entre l’homme et la machine (IHM). Où que ce soit dans un espace de mobilité, les personnes et les systèmes intelligents vont se rencontrer : que ce soit lors de la réservation de tickets, de covoiturage ou de vélos, en tant que conducteur de véhicules automatisés ou simplement lors de la traversée de la rue », explique Tobias Hesse, Chef du Département Développement Véhicule et Système au Centre aérospatial allemand et co-responsable du groupe de travail. L’interaction doit être conviviale, intuitive et sécurisée. « Par exemple, un véhicule hautement automatisé doit pouvoir communiquer de manière intelligible avec ses occupants ainsi qu’avec les autres conducteurs, les cyclistes ou les piétons, et cela à tout moment. Les learning systems apportent à la fois de nouveaux défis et des solutions innovantes », explique-t-il.
Les auteurs du rapport proposent une plate-forme de mobilité globale qui regroupe, orchestre et met à la disposition de groupes d’utilisateurs hétérogènes les offres de divers fournisseurs de services de mobilité, ainsi que des informations sur le trafic et l’infrastructure. « Dans la prochaine étape, le groupe de travail Plattform Lernende Systeme souhaite concevoir une plate-forme de mobilité complète. Ce devrait être le lieu de convergence des informations provenant des fournisseurs de mobilité, des participants et des infrastructures. Les différentes parties prenantes pourront utiliser les données en réseau pour élaborer des offres et des produits de mobilité durables », a annoncé Christoph Peylo. Nous attendrons cela avec impatience…
Le rapport « Vers un espace de mobilité intelligent » est disponible à ce lien, uniquement en allemand
18/08/2019 – Par Frédéric de Kemmeter – Signalisation ferroviaire et rédacteur freelance
Inscrivez-vous au blog
^
WordPress:
J’aime chargement…
FRMCS, une clé pour l’ERTMS et la numérisation du rail
La 5G, une technologie clé pour l’avenir de nos chemins de fer
Allemagne : rail numérique, ERTMS et ATO pour les trains régionaux
Passer du produit au client : le rail peut-il s’inspirer des Gafam ?
Numérique : l’indispensable adaptation du rail avec l’humain comme objectif
FRMCS, une clé pour l’ERTMS et la numérisation du rail
Mediarail.be - Rail Europe News 
Vous devez être connecté pour poster un commentaire.