La Corée réussit un test de train autonome avec la 5G

Le Korea Railroad Research Institute a annoncé le succès des tests de la technologie de contrôle autonome des trains basée sur la 5G sur sa piste d’essai dédiée à Osong.

Le KRRI a été créé en 1996 en tant qu’organisme de recherche ferroviaire en Corée du Sud, dans le but de développer le transport ferroviaire et d’améliorer la compétitivité de l’industrie en déployant des activités stratégiques de R&D. Une piste d’essai sur sa nouvelle technopole de Osong fut achevée en 2019 et les tests avec deux véhicules de taille réduite ont commencé en avril dernier. Le 24 septembre dernier, KRRI a annoncé le succès d’un tout premier test de conduite autonome de train basé sur la 5G. De quoi s’agit-il au juste ?

Il est d’abord crucial de comprendre que, si la photo – la seule disponible -, montre des petits modules, ce n’est pas du tout le retour de idées des années 70, mais un concept destiné, plus tard, à être intégré sur trains lourds. Le système coréen s’écarte de la « méthode de contrôle centralisée » actuelle dans laquelle c’est le sol qui contrôle le train, pour mettre plutôt en œuvre la « méthode de contrôle distribuée », c’est à dire que le train contrôle lui-même sa propre sécurité. Chaque train détermine son propre profil de performance basé sur une communication directe de train à train qui rapporte les positions exactes de chaque convois. Une telle intégrité requiert dès lors la 5G pour absorber en temps réel la masse importante de données et réduire drastiquement le temps de latence. KRRI estime que cela pourrait réduire la quantité d’équipements de signalisation au sol jusqu’à 30%. 

Le délai de communication de la 5G est raccourci et la fiabilité de la transmission et la capacité de transmission des données sont améliorées jusqu’à 20 fois par rapport au système de signalisation existant. La technologie contrôle ainsi l’intervalle précis entre deux trains et peut de la sorte améliorer le débit en ligne.

Mais il y a encore mieux. Le système de conduite autonome permettra aux trains de partager des informations telles que l’itinéraire, les missions d’arrêt et les vitesses de circulation, et de reconnaître, d’évaluer et de répondre à des situations inhabituelles en temps réel. Des tests ont également été menés à l’aide d’une autre technologie qui permettra aux trains de définir leurs propres itinéraires dans les nœuds ferroviaires.

Ces essais sont donc d’un niveau assez poussé, car il n’y a ici de sol que les rails et quelques appareillages. Bien évidemment, ces premiers tests concernent des véhicules très légers, probablement à faible vitesse, et dont les distances de freinages doivent être risibles en regard à l’exploitation du « grand chemin de fer ». Il n’empêche ! Un train qui contrôle sa propre sécurité sans le besoin de circuits de voie – du moins en permanence -, est véritablement disruptif. Les coréens visent probablement à ce qu’un train choisisse lui-même à quelle voie il va stopper dans une grande gare, en fonction de l’occupation en temps réel, en fonction d’un planning-horaire continuellement mis à jour.

Science-fiction ? À voir. La question de l’hétérogénéité du réseau ne semble pas abordée dans cet exemple-ci, alors qu’il s’agit d’une question cruciale pour tous les opérateurs du monde, la (très) lente et douloureuse application de l’ETCS sur nos trains est là pour nous le rappeler.

Reste qu’en Asie, on avance. Il n’y a pas, là-bas, les tergiversations culturelles sur la 5G ni sur les technologies de demain. Les coréens avancent, reculerons peut-être un peu, mais un jour y arriveront.

Articles similaires : 

TER_SNCFTaxirail, le train autonome à la demande
28/07/2020 – On parlait l’autre jour des 9.000 kilomètres de petites lignes UIC 7 à 9 dont on n’a pas encore trouvé la recette miracle pour leur maintien. Le concept novateur de Taxirail pourrait leur donner vie.


La 5G, une technologie clé pour l’avenir de nos chemins de fer
21/09/2020 – La 5G est une technologie sans fil qui pourrait grandement aider nos chemins de fer à se moderniser. Maintenance prédictive, surveillance de la voie, occupation des trains en temps réel et même concept de signalisation, de nombreux domaines pourraient être impactés.


Digirail_4Alstom va tester des locomotives de manœuvre automatiques aux Pays-Bas
15/07/2020 – Alstom a signé un accord avec le néerlandais ProRail pour procéder à des essais de conduite automatique ATO sur des locomotives Lineas, opérateur privé belge.


Digirail_4Digital : un potentiel énorme pour le rail
21/04/2020 – Comment le digital peut aider le rail à reconquérir une meilleure place dans le monde des transports ? Quelques exemples parmi d’autres.


>>> D’autres news sur nos newsletters hebdomadaires.
Souscrivez par mail pour être tenu informé des derniers développements ferroviaires
cc-byncnd

Allemagne : rail numérique, ERTMS et ATO pour les trains régionaux

Le Land du Bade-Würtemberg – encore lui -, a publié un appel d’offres pour 120 à 130 rames électriques régionales. Fait nouveau : elles doivent contenir un certain degré d’ATO. Et Hambourg se dote aussi de rames avec ATO.

Comme nous l’avions présenté dans un autre article, le Land du Bade-Würtemberg est propriétaire de sa propre société de crédit-bail publique, la Landesanstalt Schienenfahrzeuge Baden-Württemberg (SFBW). L’idée est que le Land, financièrement sain, peut contracter des prêts à des conditions nettement plus avantageuses pour financer de nouveaux véhicules que ce qui serait possible pour des entreprises qui arrivent sur le marché des transports locaux. Le but est d’éviter que la Deutsche Bahn – qui peut bien-sûr toujours se porter candidate -, n’impose son matériel roulant aux Länder, éliminant de facto la concurrence. On rappellera que le Bade-Würtemberg a un « ministre » des Transports écologiste, favorable à ce système…

>>> À lire : La régionalisation du rail, garante du service public

C’est donc le SFBW qui vient de publier un appel d’offres pour 120 à 130 rames électriques régionales, mais obligatoirement dotées d’un degré d’ATO. Il est assez remarquable qu’une autorité régionale mette ce point technique en avant, alors qu’en général c’est le contractant qui l propose. L’ATO se superpose au système ETCS de niveau européen. Le gouvernement du Land prend d’ailleurs la peine d’expliquer ce qu’est l’ETCS de manière générale, comme on peut le voir à cette page.

Côté technique, le SFBW a inscrit dans son cahier des charges des trains qui doivent avoir une accélération de départ d’au moins 1,2 m/s² lorsqu’ils circulent à la fois individuellement ou en unités multiples accouplées. Le freinage ne doit pas descendre en dessous de 0,75 m/s² à des vitesses de 200 km/h à 0 km/h et 0,9 m/s² à des vitesses de 160 km/h à 0 km/h. Le SFBW compte en effet faire circuler des trains à 200km/h, ce qui n’est le cas aujourd’hui que sur la ligne nouvelle NBS reliant Stuttgart à Mannheim.

Série 463 « Mireo » de Siemens, exploité par DB Regio, qui a gagné quelques lignes du réseau du Bade-Würtemberg (photo SWEG).

Rappelons brièvement que l’ATO – Automatic Train Operation – est un fonctionnement dans lequel le contrôle du train est partiellement ou entièrement pris en charge par un ordinateur à bord. L’ATO est déjà fonctionnel dans le monde mais généralement sur des missions répétitives tout au long de la journée, comme certains métros ou transports publics suburbains. Il comporte quatre niveaux :

  • GoA1 – conduite classique avec gestion des portes et des urgences d’exploitation;
  • GoA2 – conduite automatique avec conducteur à bord pour reprendre le contrôle du train en cas de besoin;
  • GoA3 – conduite automatique sans conducteur, mais avec un autre personnel présent dans le train pour reprendre le contrôle;
  • GoA4 – conduite automatique sans personnel dans le train.

L’ATO a déjà eu un test en 2018 sur le Thameslink de Londres. Le conducteur a vérifié les quais, fermé les portes, puis a sélectionné l’ATO d’un simple bouton jaune. le train avec sa signalisation en cabine a ensuite continué sous contrôle automatique à travers Farringdon, City Thameslink et London Blackfriars. Il a finalement arrêté l’ATO à sa sortie de London Blackfriars (bouton rouge) pour reprendre la conduite normale.

L’ATO britannique sur le Thameslink (photo GTR)

>>> À lire : Le train autonome : où en est-on réellement ? (2018)

Richard Plokhaar, analyste principal des opérations ferroviaires à la société d’ingénierie canadienne Gannett Fleming, détaillait tout de même dans Railtech.com que « l’ATO n’est en principe pas aussi compliqué qu’il y paraît. » La question la plus importante n’est pas non plus de savoir comment détecter les obstacles sur la voie et éviter les collisions de train. « C’est juste une question de caméras et de systèmes LIDAR appropriés. Le train détecte un obstacle et s’arrête automatiquement. » Mais, ajoute-t-il : « le plus important est de trouver la bonne solution pour maintenir un train immobilisé qui a effectué un arrêt d’urgence. » Et de faire en sorte qu’il ne reparte pas inopinément, par exemple avec des portes encore ouvertes…

Dans le cas du Bade-Würtemberg, tous les véhicules doivent être équipés d’unités ETCS avec Baseline 3 Release 2 (SRS 3.6.0) et ATO de niveau GoA 2. Ils doivent également être compatibles avec le développement du FRMCS – Future Railway Mobile Communication System -, qui doit remplacer le GSM-R actuel, technologie en fin de vie. Il s’agit du futur système de télécommunication mondial conçu par l’UIC, en étroite collaboration avec les différents acteurs du secteur ferroviaire, en tant que successeur du GSM-R mais aussi en tant que catalyseur clé de la numérisation du transport ferroviaire.

Ce projet est un écho au lancement, la semaine dernière, par le ministre fédéral des Transports Andreas Scheuer (CSU), d’un projet de « vitrine pour le rail numérique » :  la région métropolitaine de Stuttgart, capitale du Bade-Würtemberg, serait le premier hub ferroviaire numérisé en Allemagne. Des investissements totalisant 462,5 millions d’euros sont prévus pour cela jusqu’en 2025. À cette date, les trains longue distance, régionaux et S-Bahn circuleront dans le nœud de Stuttgart sur un réseau équipé des dernières technologies numériques. En plus de la nouvelle gare principale (projet Stuttgart 21) et des autres gares, plus de 100 kilomètres de lignes régionales seront initialement équipées d’enclenchements numériques, du système de contrôle des trains ETCS et d’opérations de conduite de type ATO. Compte tenu des bugs récurrents de l’ETCS, on sera curieux de voir la suite des événements.

Quatre rames doivent être homologués pour l’exploitation d’ici juin 2024, suivis par jusqu’à 20 véhicules avant le troisième trimestre de 2024. Entre 70 et 80 rames doivent être approuvés pour l’exploitation des passagers en novembre 2025, et les véhicules restants doivent l’être avant juin 2026.

Par cette politique, le Bade-Würtemberg cherche à rassurer les opérateurs pour qui l’ETCS est avant tout un surcoût sans – disent-ils -, de gain sur les capacités du réseau. Ce programme de numérisation du rail permettrait de démentir cette conviction et il est temps : l’ETCS est un projet qui a maintenant 25 ans !

À Hambourg aussi
Tout au nord de l’Allemagne, la ville de Hambourg dispose aussi d’un remarquable et historique S-Bahn, le RER allemand. Ce réseau mis en service en 1934 totalise maintenant 144 km de lignes et 68 gares. «Digital S-Bahn» est le nom d’un projet sur lequel 300 techniciens et ingénieurs ont travaillé ces deux dernières années, principalement de Siemens. Et on se prépare là aussi pour une autre vitrine.

>>> À lire : Le S-Bahn en Allemagne, chiffres et conception

Contrairement au Bade-Würtemberg, il s’agit ici de quatre rames existantes ET 474 – et modifiées -, qui doivent démontrer le fonctionnement hautement automatisé juste à temps pour le Congrès mondial des systèmes de transport intelligents ITS, qui se tiendra à Hambourg en 2021, si le corona l’autorise ! La première rame vient d’être présentée à la presse et commencera ses tests à l’automne. Les essais se dérouleront pour la première fois sur le tronçon de 23 kilomètres entre Berliner Tor et Bergedorf/Aumühle. Le patron du S-Bahn de Hambourg, Kay Uwe Arnecke, a expliqué:  « Le conducteur du train reste à bord. Il est très important de le mentionner. Il surveille l’itinéraire et peut également intervenir en cas de perturbations. ». Il s’agit donc ici aussi d’un ATO de niveau GoA 2. À l’avenir, la technologie ATO sera également installée sur les rames de série 490.

 

La ville de Hambourg, la Deutsche Bahn et Siemens se partagent les coûts du projet d’environ 60 millions d’euros, et la ville y participe à hauteur d’1,5 million d’euros. Les estimations du projet pilote montrent des gains de capacité de 20 à 30 % sur le réseau S-Bahn, permettant d’introduire davantage de trains et surtout d’accroître la stabilité des opérations. La technologie permettrait une circulation, en théorie, toutes les 60 secondes, contre toutes les trois minutes actuellement. Mais il faudra probablement tabler sur des écarts de 90 à 100 secondes dans un premier temps. Des profils de trafics « optimisés » garantiraient un déplacement économe en énergie et il sera fait usage, comme à Stuttgart, d’une technologie de signalisation et d’enclenchement uniforme permettant une maintenance plus simple.

Moins de coûts d’entretien et pas d’infrastructures coûteuses supplémentaires, ce sont les principaux défis auxquels devra répondre «Digital S-Bahn». Commentaire d’un autre écologiste, le sénateur Anjes Tjarks : « La technologie est une solution pour permettre la croissance du réseau S-Bahn et donc aussi l’avenir de Hambourg ». On peine à retrouver le même enthousiasme en nos contrées latines…

Ces deux exemples montrent d’une part que la digitalisation du rail prend maintenant de l’ampleur : il est grand temps, quand d’autres secteurs des transports sont déjà plus loin. Contrairement aux systèmes déjà existants (pour la plupart en circuit fermé), la particularité de ces projets est que les systèmes mis en œuvre pour le contrôle des trains (ETCS) et la conduite automatique (ATO GoA2) sont basés sur des spécifications européennes harmonisées, ce qui est nouveau, du moins en Allemagne. Et d’autre part, on voit que de plus petites entités comme à l’échelle des Länder ou d’une ville sont plus réactives que de grands mastodontes nationaux qui peinent à se mettre à jour.

Autres articles similaires :

Mediarail.be – La régionalisation des trains de proximité en Allemagne

Le S-Bahn de Hambourg n’a pas de caténaire et fonctionne – comme à Berlin -, par troisième rail latéral (photo Metro Centric via license flickr)

cc-byncnd

L’Allemagne teste un dépôt de tram automatisé

Un dépôt de tram appartenant au Verkehrsbetrieb Potsdam, près de Berlin, sera entièrement automatisé pour étudier, par exemple, l’automatisation de certaines opérations d’entretien. Mais pas seulement…

Avec plusieurs partenaires, le groupe Siemens semble vouloir franchir une nouvelle étape dans le développement des tramways autonomes : un dépôt de tramway entièrement automatisé est en cours d’installation au sein de la société de transports Verkehrsbetrieb Potsdam, l’opérateur de transport public situé dans cette ville proche de Berlin. Ce projet de recherche commun porte le nom d’AStriD (pour ‘Autonomous Straßenbahn im Depot‘). Six entreprises et institutions allemandes dirigées par Siemens Mobility mèneront conjointement ce projet de recherche novateur. Elles ont pour objectif d’explorer différentes solutions d’implantation de systèmes de tramways autonomes dans un dépôt de tramway entièrement automatique.

L’apport de l’État fédéral
L’étude est financée par le ministère fédéral des Transports et de l’Infrastructure numérique (BMVI) dans le cadre plus large de l’initiative de recherche « Modernity Fund » (mFUND), axée sur les solutions numériques, et qui finance des projets de recherche et développement axés sur les applications numériques basées sur des données pour Mobility 4.0, cela depuis 2016. En plus de fournir un soutien financier, mFUND s’appuie sur différents types d’initiatives pour promouvoir la mise en réseau des acteurs de la politique, des affaires et de la recherche, et fournit un accès à un portail de données appelé mCLOUD.

Le ministère propose ainsi deux lignes de financement : une première pour des projets subsidiés à maximum 100.000 euros. Et une deuxième ligne de financement pour un maximum de 3 millions d’euros. La 5ème promotion de ces financements été publiée le 19 juillet dernier. On y trouve notamment une plateforme intelligente pour la mise en réseau des opérations de taxi – SMATA, l’optimisation du contrôle du trafic aérien à l’aide de données dynamiques du trafic aérien – OMNyFlug, la fourniture facilitée de données climatiques et météorologiques – FAIR, et… le tramway autonome (liste non exhaustive).

Cas concret
L’étude du tramway autonome n’est cependant pas nouvelle. En 2018, Siemens avait fait circuler durant Innotrans Berlin, un tram autonome sur un tronçon de six kilomètres du réseau de tramway de Potsdam, à l’aide d’un véhicule du type Combino. « Ce véhicule de développement est équipé de plusieurs capteurs lidar, radar et caméra qui capturent l’environnement du tram », expliquait alors Sabrina Soussan, PDG de Siemens Mobility.

>>> Voir notre article Siemens Mobility présente le premier tramway autonome au monde

Oliver Glaser, directeur du pôle technologie chez l’opérateur Verkehrsbetrieb Potsdam (ViP), expliquait alors au Postdamer Neueste Nachrichten que les capteurs intégrés sur le tram Combino suffisaient pour environ 80 mètres à une vitesse maximale de 50 km/h. Lors du test de 2018, une poussette est apparue dans le chemin du tram, lequel s’est automatiquement arrêté. Glaser se montre cependant pragmatique : il faudra probablement 20 à 30 ans avant que de telles voiries ne soient réellement utilisées par des trams sans conducteur. L’acceptation au sein du public ne se fera pas sans mal, prédit-il. Côté ressources, il faudra aussi des employés dans les domaines de la surveillance et du contrôle, ainsi que des équipes mobiles de techniciens qui pourraient être appelés sur place rapidement en cas de problème. À l’heure actuelle, il ne s’agit que d’un projet de recherche et développement sans utilité commerciale. Le Verkehrsbetrieb Potsdam est conscient que la prochaine génération de trams aura toujours besoin d’un conducteur dans les prochaines années, malgré les tests en conditions réelles.

Le fait que Potsdam soit sélectionné tant pour la voie d’essai que pour le nouveau projet de dépôt automatisé est en partie dû à sa proximité avec Siemens-Berlin qui dispose d’un département de recherche à Adlershof. De plus, l’opérateur Verkehrsbetrieb Potsdam (ViP) est depuis longtemps un client de Siemens : « nous avons eu de très bonnes expériences ici avec le projet précédent, le tram autonome », rapporte la firme.

Le dépôt automatisé
AStriD commence ce mois d’octobre 2019, soit un an après les tests du tram autonome, et devrait durer trois ans. Outre Siemens Mobility, les cinq autres participants sont le Verkehrsbetrieb Potsdam (ViP), l’Institut de technologie de Karlsruhe (KIT), l’Institut pour la protection du climat, l’énergie et la mobilité (IKEM), Codewerk et Mapillary. Le projet est considéré comme étant la prochaine grande étape sur la voie des tramways autonomes. « En automatisant certaines opérations fastidieuses au sein des installations d’entretien, nous voulons garantir à nos clients une création de valeur par des pratiques durables, tout au long du cycle de vie [de nos tramways] et à garantir la disponibilité maximale du matériel, ce qui est essentiel », explique Sabrina Soussan, PDG de Siemens Mobility.

Comme l’a déclaré Eva Haupenthal, porte-parole de Siemens, l’avantage du projet est qu’il se fera au sein d’un dépôt dans un lieu non public. Le cadre juridique est donc différent de celui de la rue et permet plus de latitudes.  Tous les participants ont des rôles différents. Ainsi, Siemens Mobility GmbH développera le mobile ‘tram autonome’ au sein du dépôt. Verkehrsbetrieb Potsdam (ViP) exploitera les données, les systèmes et les installations pour faire une évaluation avec le point de vue de l’opérateur de dépôt, chose primordiale car l’opérateur n’est rien d’autre… que le client de Siemens, le fournisseur. Autant tenir compte de ses remarques.

(photo Siemens)

À noter à l’agenda qu’un sommet sur le ‘rail intelligent‘ se tiendra du 19 au 21 novembre 2019 à Paris, en France. Pour en savoir plus sur l’événement, cliquez  sur ce lien .

Comment l’intelligence artificielle va révolutionner la mobilité

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, 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