Optimisation stochastique et apprentissage par renforcement pourla conception de systèmes de mobilité à la demande par simulation

par Tarek Chouaki

Projet de thèse en Informatique

Sous la direction de Jakob Puchinger et de Sebastian Horl.


  • Résumé

    Depuis la révolution industrielle, l'urbanisation des sociétés n'a cessé de s'accélérer. On constate que cette évolution est marquée par un étalement urbain et une absorption de communes dans de plus grandes unités. Il en résulte que les grandes communautés urbaines concentrent non seulement la population, mais également l'essentiel des activités économiques. Un premier effet très visible de cette importante urbanisation est la complexification des systèmes de transport pour satisfaire les différents besoins de mobilité de tout un chacun. La mobilité des personnes, mais également des marchandises, constitue de fait un garant important de la bonne santé socio-économique d'un territoire quelle que soit son échelle. Les changements qu'ont connus nos sociétés ces dernières années, en particulier dans le domaine du numérique, nous poussent à reconsidérer la notion de transport. On constate qu'avec la révolution numérique de ces dernières années, la mobilité sera de plus en plus organisée sous forme de services. Des services basés sur des véhicules autonomes sont actuellement fortement investigués par les constructeurs de ces véhicules. Il s'agira de différents types de service de transport à la demande comme les robots-taxis, les navettes à la demande, etc. Les travaux s'appuient sur des outils de simulation de trafic et des techniques d'optimisation stochastique et d'apprentissage par renforcement pour mettre au point des algorithmes de gestion pour les services de mobilité étudiés.

  • Titre traduit

    Stochastic optimization and reinforcement learning for the design by simulation of on-demand mobility systems


  • Résumé

    Since the industrial revolution, the urbanization of societies has been continuously accelerating. It can be seen that this development is marked by urban sprawl and the absorption of municipalities into larger units. As a result, large urban communities concentrate not only the population, but also the bulk of the economic activity. A first very visible effect of this major urbanization is the increasing complexity of transport systems to meet the different mobility needs of everyone. The mobility of people, but also of goods, is in fact an important guarantee of the good socio-economic health of a territory whatever its scale. The changes that our societies have experienced in recent years, particularly in the digital field, prompt us to reconsider the concept of transport. We see that with the digital revolution of recent years, mobility will be increasingly organized in the terms of services. Mobility services based on autonomous vehicles are currently heavily investigated by the manufacturers of these vehicles. These will be different types of on-demand transport services such as robot taxis, on-demand shuttles, etc. This work is based on traffic simulation tools and stochastic optimization and reinforcement learning techniques to develop algorithms for the management of the studied mobility services.