Modélisation de comportements de conducteurs réalistes pour l'estimation de l'efficacité énergétique durant le développement des véhicules poids-lourds

Realistic driver behavior modeling for energy efficiency estimation during heavy-trucks vehicles development

• Auteur / Autrice : Claire d' Agostino
• Direction : Liming Chen, Alexandre Saïdi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 27/11/2014
• Etablissement(s) : Ecully, Ecole centrale de Lyon
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : Entreprise : Volvo
• Partenaire(s) de recherche : Equipe de recherche : Extraction de Caractéristiques et Identification
• Jury : Président / Présidente : Catherine Garbay
• Jury : Examinateurs / Examinatrices : Gilles Souarnec, Stéphane Espié
• Jury : Rapporteurs / Rapporteuses : Mohamed Ali Hammami, Jean-Christophe Popieul

Mots clés

Mots clés contrôlés

Camions -- Conduite

Carburants -- Consommation

Mots clés libres

Modèle de conducteur

Consommation de carburant

Simulation

Évènements de conduite

Apprentissage

Conduite rationnelle

Éco-conduite

Paramètres de conduite

Driver model

Fuel consumption

Simulation

Driving events

Machine-learning

Rational driving

Economical driving

Driving features

Résumé

Dans un contexte où la consommation de carburant est un poste de coût de plus en plus important, la consommation et la vitesse moyenne d'un poids-lourds est l'une des caractéristiques clés estimées durant le développement des nouveaux véhicules. Ainsi, nous désirons créer différents modèles de conducteurs en termes de consommation et de vitesse moyenne, c'est à dire en termes de conduite rationnelle. Nous proposons une méthode en deux étapes: premièrement la reconnaissance des évènements de conduite grâce à des attributs de conduite. Puis la quantification de trois types de conduite différents sur ces évènements. Suite à ces deux étapes, nous pouvons implémenter nos résultats dans un outil qui crée différents modèles de conducteurs pour la simulation et le banc à rouleaux. Les écarts entre conducteurs se mesurent en termes de consommation de carburant et de vitesse moyenne. Le taux de classification des évènements s'étend de 74% à 91% selon le type d'évènements. Ces résultats sont dus à la nature même des données et aux similarités entre les classes, mais nous estimons que ces taux sont suffisants pour notre application. Nous obtenons également des corrélations prometteuses entre les attributs de conduite sélectionnés et l'indicateur de conduite rationnelle. Nous avons notamment porté notre étude sur les évènements classiques: les ronds-points, les péages et les arrêts. Les résultats de l'outil que nous avons développé sont pertinents. Nous pouvons désormais simuler différents types de chauffeurs. Sur nos essais en simulation, l'adaptation de seulement 10% des évènements d'un cycle découle sur un gain en consommation de 1.5% et une vitesse moyenne 3% plus élevée pour un conducteur efficace. Ces résultats sont encourageants, surtout que le travail à venir visera à augmenter la diversité des évènements couverts.

Realistic driver behavior modeling for energy efficiency estimation during heavy-trucks vehicles development Abstract: In the context where fuel consumption is a growing cost center, fuel consumption of a truck coupled with its average speed is one of the key vehicle characteristics that needs to be optimized and accurately estimated during the truck design process. Consequently, we aim to create different driver behavior models for testing trucks regarding fuel consumption and average speed issues, i.e., rational driving. We propose a two-step method to model more accurately driving behavior: first, the identification of driving events through driving features. Second, the quantification of three different driving behaviors on the recognized driving events. Then we implement our results in a tool that creates these different driving behaviors. The output of this tool is a cycle adapted to a driver type in terms of fuel consumption and average speed, and that can be used in simulation and on chassis-dynamometer. The classification of driving events reaches classification rates between 74% and 91% depending on the events. We believe that they are sufficient for our application due to the raw nature of driving events and the similarities between the different classes. We also obtain promising results concerning the correlation between driving features and rational driving index. We focus especially on typical events, namely roundabout on extra-urban roads, toll on highways and stop on urban roads. The results of the developed tool prove to be efficient since we can now simulate different driving behaviors. On our test run in simulation, adapting only 10% of the events of a cycle produces fuel savings of 1.5% and an average speed which is 3% faster for an efficient driver than a non-efficient driver. These results are promising and we need to implement other events in the future.