Université d’Évry-Val-d’Essonne École doctorale S&I

Numéro d’ordre ...

Développement de méthodes de
réduction de la consommation en
carburant d’un véhicule dans un
contexte de sécurité et de confort : un
compromis entre économie et écologie

THÈSE
présentée et soutenue publiquement le 27 juin 2011
pour l’obtention du

Doctorat de l’Université d’Évry-Val-d’Essonne

(spécialité Automatique)
par
Hong Tu LUU

Composition du jury

Rapporteurs : Yann CHAMAILLARD Professeur à l’Université d’Orléans

Philippe CHEVREL Professeur à l’école des Mines de Nantes
Examinateurs : Maurice COUR Continental Automotive
Emmanuel GODOY Professeur à SUPELEC
Bernard JACOB Ingénieur Général à l’IFSTTAR

Encadrant : Lydie NOUVELIÈRE Maitre de conférence, Université d’Evry-Val-D’Essonne

Directeur : Saı̈d MAMMAR Professeur à l’Université d’Évry-Val-d’Essonne

Laboratoire sur les Interactions Véhicules-Infrastructure-Conducteurs

IFSTTAR 14, route de la Minière 78000 Versailles-Satory
 Remerciements
Les travaux de recherche présentés dans ce mémoire ont été réalisés au laboratoire sur les
Interactions Véhicule-Infrastructure-Conducteur (unité mixte INRETS/LCPC). Je tiens à re-
mercier sincèrement son directeur, Monsieur Jacques Ehrlich, pour son accueil et sa confiance
pendant ces trois années.
Je remercie particulièrement Monsieur Saïd Mammar, Professeur de l’université d’Evry-
Val-d’Essonne, et Madame Lydie Nouvelière, Maître de Conférences à l’université d’Evry-Val-
d’Essonne, de m’avoir confié cette thèse.
J’exprime ma profonde gratitude envers Monsieur Said Mammar, mon directeur de thèse,
avec qui les discussions sont toujours très enrichissantes et enthousiastes. Je le remercie encore
une fois pour ses conseils scientifiques qui ont su me guider dans mes recherches.
Je suis particulièrement redevable envers Madame Lydie Nouvelière, qui a été encadrante
de cette thèse pour sa confiance, ses encouragements permanents qui m’ont aidé à surmonter
des moments délicats, des difficultés à la fois professionnelles et personnelles. Ses remarques
pertinentes et ses précieux conseils ont largement contribué à l’aboutissement de cette thèse. Je
la remercie encore une fois pour sa gentillesse.
Je remercie Messieurs Yann Chamaillard et Philippe Chevrel pour avoir accepté d’être rap-
porteurs de ma thèse et pour l’attention avec laquelle ils ont lu mon mémoire.
Je remercie également Messieurs Maurice Cour, industriel à la Continental Automotive, Em-
manuel Godoy, Professeur à Supelec, Bernard Jacob, ingénieur général à l’IFSTTAR d’avoir
accepté de faire partie des membres du jury.
Je souhaiterais vivement remercier l’ensemble des personnels du LIVIC pour son accueil
chaleureux, pour son soutien et pour sa participation aux différents tests d’évaluation du système.
J’exprime notamment ma gratitude envers :
– Benoît Lusetti pour ses conseils, ses supports précieux, pour ses heures innombrables sur
les circuits de tests. Avec lui, l’implantation du système sur le véhicule devient plus simple.
– Séverine Somma pour sa gentillesse et sa disponibilité sur toutes sortes de questions.
– Guillaume Saint-Pierre pour ses discussions, ses échanges et pour son engagement afin de
rendre possible l’arrivée du véhicule VANI sur le circuit ARCOS.
– Sébastien Glaser pour ses explications sur la dynamique du véhicule et plus particulièrement
sur le système d’alerte en vitesse en approche de virage.
– l’ensemble du personnel du LIVIC, que je n’ai pas encore mentionné, son directeur adjoint
Monsieur Didier Aubert, ses secrétaires Isnié Rusani et Christelle Evrard, ses chercheurs,
ingénieurs et ses techniciens.
– l’ensemble de mes amis doctorants, apprentis et stagiaires.
Je remercie évidemment ma femme Phuong Liên, ma fille Tu Linh et ma grande famille pour
leur irremplaçable et inconditionnel soutien. Elles ont été présentes pour écarter les doutes, soi-
gner les blessures et partager les joies. Cette thèse est aussi un peu la leur.

Je souhaite rendre hommage à mon défunt père.

"Papa,
Je ne pourrais jamais assez te remercier. J’ai voulu mener cette thèse à terme pour que tu
sois fier de moi.
Tu resteras dans nos cœurs pour toujours."

i
ii
 Je dédie cette thèse
À mes parents,
À ma femme et ma fille,
À ma grande famille,

iii
iv
 Résumé de thèse
De nos jours, la voiture s’est dotée de nombreuses fonctions d’aide à la conduite permettant au
conducteur d’être plus sécuritaire tout en améliorant son confort. Dans le contexte où le secteur
automobile apparaît comme l’un des principaux émetteurs de gaz à effet de serre, des efforts
doivent être apportés pour répondre à des normes antipollution de plus en plus contraignantes.
Une des solutions qui permet de réagir de façon rapide et peu onéreuse consiste à réduire la
consommation en carburant en agissant sur le changement du comportement du conducteur.
Dans la continuité des recherches effectuées au LIVIC, l’objectif de la thèse est donc de développer
un système qui aide le conducteur à adopter globalement une conduite plus économique, et qui
plus est, écologique et sécuritaire.
Notre approche se différencie des études et systèmes déjà existants par la stratégie utilisée.
Celle-ci prend à la fois en compte les caractéristiques du véhicule, celles de l’infrastructure et
surtout la situation dans laquelle se trouve le véhicule.
Pour cela, on se place dans le contexte où la carte numérique contenant la géométrie de
la route (pente, dévers, courbure) et les limitations de vitesse est disponible, la distance inter-
véhiculaire est mesurable et les caractéristiques longitudinales du véhicule sont connues. Partant
de ces informations, le problème d’optimisation de la consommation en carburant est formulé et
ensuite résolu par une technique de programmation dynamique. La stratégie de calcul en ligne
est par la suite adoptée pour rendre le système adaptatif aux conditions de trafic. C’est ainsi que,
sur la base de cette stratégie, le couplage entre le problème de sécurité routière et de réduction
de consommation est réalisé.
A l’aide de simulations, on a pu montrer que la prise en compte de certaines contraintes de
sécurité (limitation de vitesse, vitesse en approche de virage, respect de la distance de sécurité)
dans la stratégie d’économie de carburant permet non seulement d’atteindre les objectifs écolo-
giques, mais en plus, rend les consignes du système plus fiables, cohérentes et plus sûres. Des
expérimentations sur véhicule prototype sont réalisées sur les pistes d’essai à Versailles Satory
ainsi que sur un itinéraire situé dans les Yvelines. Lors de cette étape, il s’agit d’évaluer le sys-
tème suggestif avec une interface Homme-Machine bien spécifique. Les résultats montrent que
le suivi des consignes, données par le système, est tout à fait réalisable par le conducteur. Ces
essais confirment aussi le potentiel d’économie de carburant et l’amélioration de la sécurité grâce
à notre système. En comparaison avec le style d’éco-conduite des conducteurs, l’économie en
carburant en moyenne est de 7,5% et peut atteindre 12,9% et des réductions des dépassements
de vitesse de 50% en moyenne et atteint près de 80% pour certains conducteurs. Mais, de toute
évidence, le LIVIC devra réaliser des campagnes d’essais plus conséquentes pour mieux confir-
mer le gain potentiel du système. Avec la conception d’un système actif, ce point fait partie des
perspectives de cette thèse.

v
vi
 Table des matières

Notations xv
1 Acronymes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv

Introduction

1 Contexte général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Objectifs et contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Organisation du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Chapitre 1
État de l’art

1.1 Mesures de réduction de consommation dans les transports . . . . . . . . . . . . 5

1.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Mesures politiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Avancées technologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.1.4 Éco-conduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Systèmes d’aide à la conduite écologique . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Systèmes commercialisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.3 Gains en économie de carburant . . . . . . . . . . . . . . . . . . . . . . . 24
1.3 Discussion sur la consommation des véhicules lourds . . . . . . . . . . . . . . . . 25
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Chapitre 2
Modélisation du véhicule et de la consommation

2.1 Modèle longitudinal du véhicule . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.1.1 Forces opposées au mouvement du véhicule . . . . . . . . . . . . . . . . . 30
2.1.2 Force aux roues fournie par le moteur . . . . . . . . . . . . . . . . . . . . 32
2.1.3 Équation du mouvement longitudinal . . . . . . . . . . . . . . . . . . . . . 35
2.1.4 Discussion sur le modèle utilisé . . . . . . . . . . . . . . . . . . . . . . . . 36

vii
Table des matières

2.2 Modèle de consommation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.2 Quelques modèles existants . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.3 Développement d’un modèle de consommation à partir de données expéri-
mentales [LNM09] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Chapitre 3
Problème d’optimisation de consommation de carburant

3.1 Formulation du problème d’optimisation . . . . . . . . . . . . . . . . . . . . . . . 54

3.1.1 Équation dynamique du système . . . . . . . . . . . . . . . . . . . . . . . 54
3.1.2 Critère . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.3 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.4 Problème de contrôle optimal . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Méthodes numériques d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.1 Revue des méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.2 Programmation Quadratique Successive (SQP) . . . . . . . . . . . . . . . 60
3.2.3 Programmation dynamique (PD) . . . . . . . . . . . . . . . . . . . . . . . 62
3.3 Résolution d’un problème simple . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.1 Hypothèses simplificatrices . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.2 Problème sous forme discrétisée . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.3 Application de la méthode SQP . . . . . . . . . . . . . . . . . . . . . . . . 68
3.3.4 Application de la programmation dynamique . . . . . . . . . . . . . . . . 72
3.3.5 Comparaison des deux méthodes . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Chapitre 4
Vers un système d’aide à la conduite écologique et sécuritaire

4.1 Problème d’optimisation multi-objectifs . . . . . . . . . . . . . . . . . . . . . . . 78

4.1.1 Nouvelle approche du problème . . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.2 Recherche d’une nouvelle fonction coût . . . . . . . . . . . . . . . . . . . . 79
4.1.3 Influence de la pente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Approche pour un calcul en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Analyse de la complexité de la programmation dynamique . . . . . . . . . 94
4.2.2 Changement de méthode de discrétisation . . . . . . . . . . . . . . . . . . 95
4.2.3 Utilisation de l’horizon électronique . . . . . . . . . . . . . . . . . . . . . . 96
4.2.4 Réduction de l’espace de recherche . . . . . . . . . . . . . . . . . . . . . . 97

viii
 4.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Extension au problème de sécurité . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3.1 Définition du contexte de sécurité . . . . . . . . . . . . . . . . . . . . . . . 99
4.3.2 Choix de la stratégie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3.3 Contrôleur de logique floue . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Validation de la stratégie développée : cas d’un système actif . . . . . . . . . . . 108
4.4.1 Conception d’un système actif . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.4.2 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Chapitre 5
Expérimentation

5.1 Interface Homme-Machine (IHM) . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.1.1 Analyses des informations pertinentes . . . . . . . . . . . . . . . . . . . . 116
5.1.2 Évolutions des versions de l’interface . . . . . . . . . . . . . . . . . . . . . 118
5.1.3 Gestion de l’interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2 Mise en place de l’expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2.1 Équipements du véhicule . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2.2 Présentation des pistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.2.3 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3 Campagnes d’évaluation du système . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.2 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.3 Déroulement des tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.4 Résultats et analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.4.1 Scénario 1 : circulation libre . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.4.2 Scénario 2 : circulation contrainte par un véhicule précédent . . . . . . . . 140
5.4.3 Scénario 2 : discussions sur la vitesse en virage et la distance inter-véhiculaire144
5.4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

Conclusion

Bibliographie

Bibliographie 155

Annexes 165

ix
Table des matières

Annexe A Annexe 165

A.1 Paramètres des véhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
A.2 Données du projet LAVIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
A.3 Données du véhicule Renault Clio Eco2 . . . . . . . . . . . . . . . . . . . . . . . 167
A.3.1 Donnée du bus CAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.3.2 Consommation mesurée avec le débitmètre . . . . . . . . . . . . . . . . . . 168
A.4 Méthodes des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
A.5 Développement de l’IHM : évolution des versions . . . . . . . . . . . . . . . . . . 170
A.6 Compléments théoriques sur la commande par mode glissant . . . . . . . . . . . . 173
A.6.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
A.6.2 Existence d’un mode de glissement . . . . . . . . . . . . . . . . . . . . . . 173
A.6.3 Avantage et inconvénient des modes glissants d’ordre 1 . . . . . . . . . . . 175

x
 Table des figures

1.1 Émissions mondiales de CO2 en 2008 par secteurs (a) et du secteur du transport
(b) (source [Age10]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Émissions des gaz à effet de serre dans le transport routier en France en 2006.
Cette proportion reste peu changée jusqu’à aujourd’hui . . . . . . . . . . . . . . . 6
1.3 Cycle Européen urbain et extra-urbain ECE-EUDC (source [JAV+ 99]) . . . . . . 7
1.4 Banc à rouleaux homologation avec le système de soufflerie (source UTAC) . . . . 8
1.5 Cycle américain FTP75 (urbain) et US Highway (interurbain) pour les véhicules
légers (source [JAV+ 99]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Évolution de la consommation unitaire moyenne des véhicules en France. (a) :
Consommation conventionnelle (source ADEME) ; (b) : Consommation réelle (source
Bilan de circulation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Différentes pertes d’énergie fournie par le moteur [Pon10] d’après GM . . . . . . 13
1.8 Structure des systèmes d’aide à la conduite écologique embarqués . . . . . . . . . 17
1.9 Interface proposée dans [vdVDvM01] . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.10 Concept MDD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.11 Tableau de bord proposé dans le projet GERICO . . . . . . . . . . . . . . . . . . 20
1.12 Interface sur véhicule Astra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.13 Système Eco AssistTM présenté par HONDA . . . . . . . . . . . . . . . . . . . . . 21
1.14 Système ECOREAD ECONEN II proposé par la société Finlandaise Paetronics Oy 22
1.15 Interface du logiciel EcoDrive du constructeur FIAT . . . . . . . . . . . . . . . . 23
1.16 Boitier EcoGyzer et Interface du logiciel proposé par la société Nomadic Solution 23
1.17 Version EcoGyzer pour les nomades . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.18 Logiciel EcoRoute compatible avec les GPS Garmin Nüvi . . . . . . . . . . . . . 24
1.19 Bilan de la circulation des transports en France en 2008 [dledS] . . . . . . . . . . 25

2.1 Différentes forces résistantes longitudinales agissant sur le véhicule . . . . . . . . 30

2.2 Système de transmission . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Cartographie du moteur du véhicule Renault Laguna . . . . . . . . . . . . . . . . 32
2.4 Approximation du couple moteur maximal de la Renault Laguna . . . . . . . . . 33
2.5 Approximation du couple moteur maximal de la Renault Eco2 . . . . . . . . . . . 34
2.6 Implantation du modèle sous Matlab/Simulink . . . . . . . . . . . . . . . . . . . 36
2.7 Données enregistrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.8 Comparaison de la réponse du modèle aux données réelles . . . . . . . . . . . . . 37
2.9 Approche ARFCOM pour la modélisation de la consommation [Big88] . . . . . . 42
2.10 Estimation avec le modèle K. Post . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.11 Estimation avec le modèle EMIT . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.12 Estimation avec le modèle (2.46) . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

xi
Table des figures

2.13 Modèle (2.47) avec vitesse élevée . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

2.14 Estimation avec le modèle (2.48) . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.15 Estimation avec le modèle (2.49) . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.16 Estimation avec le modèle 2.50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.17 Comparaison de la réponse du modèle aux données réelles . . . . . . . . . . . . . 51
2.18 Estimation sur un trajet dans les Yvelines . . . . . . . . . . . . . . . . . . . . . . 51
2.19 Estimation sur le trajet entre Paris et Lille . . . . . . . . . . . . . . . . . . . . . . 52

3.1 Courbe iso-consommation du moteur du véhicule Renault Laguna . . . . . . . . . 65

3.2 Possibilité de choisir un meilleur point de fonctionnement du moteur avec le chan-
gement du rapport de boîte [Duy09] . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3 Principe de sélection du rapport de boîte . . . . . . . . . . . . . . . . . . . . . . . 66
3.4 Courbe du couple et de la puissance du moteur TCE 100 (source : Renault) . . . 67
3.5 Profils optimaux obtenus avec l’algorithme SQP . . . . . . . . . . . . . . . . . . . 70
3.6 Régime moteur obtenu avec l’algorithme SQP . . . . . . . . . . . . . . . . . . . . 70
3.7 Effets d’initialisation de l’algorithme SQP . . . . . . . . . . . . . . . . . . . . . . 71
3.8 Profils optimaux obtenus avec l’algorithme SQP - cas défavorable . . . . . . . . . 71
3.9 Formalisation du problème optimal avec la théorie des graphes . . . . . . . . . . 72
3.10 Profils optimaux obtenus avec l’algorithme PD . . . . . . . . . . . . . . . . . . . 73
3.11 Régime moteur obtenu avec l’algorithme PD . . . . . . . . . . . . . . . . . . . . . 74
3.12 Comparaison des profils de vitesses optimaux obtenus avec l’algorithme SQP et PD 75
3.13 Comparaison des profils de couples optimaux obtenus avec les algorithmes SQP
et PD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.1 Profils optimaux : cas du temps minimal . . . . . . . . . . . . . . . . . . . . . . . 80

4.2 Accélération en m/s2 (en noir) et Jerk en m/s3 (en bleu) du véhicule avec leurs
contraintes (lignes horizontales en pointillées) : cas du temps minimal . . . . . . . 81
4.3 Régime moteur : cas du temps minimal . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4 Problème en temps minimal : comparaison des deux approches au niveau du rap-
port de boîte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.5 Problème en temps minimal : comparaison, des régimes moteur, des deux ap-
proches du rapport de boîte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.6 Profils optimaux : Q1=0.5 Q2=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.7 Compromis entre le temps de trajet et la consommation : comparaison des profils
optimaux - (a) profils de vitesse (b) profils de couple . . . . . . . . . . . . . . . . 84
4.8 Régime moteur : Q1=0.5 Q2=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.9 Profils optimaux : Q1 = 0.5 Q2 = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.10 Accélération (en bleu pointillé) et Jerk (en noir solide) : Q1 =0.5 Q2 =1 . . . . . . 86
4.11 Influence du critère CONFORT sur la vitesse (a) et sur le jerk (b) . . . . . . . . 87
4.12 Influence du critère CONFORT sur un profil non oscillatoire . . . . . . . . . . . . 87
4.13 Profils optimaux sur une montée de 5% d’inclinaison : lignes en pointillés (Q1=1
Q2=1 Q3=0.2), traints pleins (Q1=0.5 Q2=1 Q3=0) . . . . . . . . . . . . . . . . 88
4.14 Profil optimaux sur une descente de -5% : lignes en pointillés (Q1=1 Q2=1 Q3=0.2),
traits pleins (Q1=0.5 Q2=1 Q3=0) . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.15 Profils optimaux dans le cas d’une vallée : lignes en pointillés (Q1=1 Q2=1
Q3=0.2), traits pleins (Q1=0.5 Q2=1 Q3=0) . . . . . . . . . . . . . . . . . . . . 90
4.16 Profils optimaux dans le cas d’une colline : lignes en pointillés (Q1=1 Q2=1
Q3=0.2), traits pleins (Q1=0.5 Q2=1 Q3=0) . . . . . . . . . . . . . . . . . . . . 90

xii
4.17 Profils optimaux sur un trajet de 4 km entre deux arrêts : cas en temps minimal
(les rapports de boîte sont multipliés par un facteur 5 et représentés avec l’échelle
à gauche) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.18 Profils optimaux sur un trajet de 4 km entre deux arrêts : Q1=0.5 Q2=1 Q3=0.2 92
4.19 Profils optimaux de la piste d’essais : Q1=0.5 Q2=1 Q3=0 . . . . . . . . . . . . . 93
4.20 Discrétisation du problème en temps . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.21 Discrétisation du problème en distance . . . . . . . . . . . . . . . . . . . . . . . . 95
4.22 Stratégie d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.23 Méthode de calcul de la vitesse de consigne . . . . . . . . . . . . . . . . . . . . . 97
4.24 Stratégie de réduction de l’espace de recherche. La dimension de l’espace de re-
cherche varie en fonction de la phase où le véhicule se trouve. En phase d’accélé-
ration à partir d’une vitesse basse, la dimension de l’espace de recherche est plus
grande qu’en phase de croisière . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.25 Problème de la distance de sécurité entre véhicules . . . . . . . . . . . . . . . . . 100
4.26 Structure parallèle pour un système écologique et sécuritaire . . . . . . . . . . . . 102
4.27 Structure en cascade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.28 Détermination de l’intervalle de vitesse contrainte . . . . . . . . . . . . . . . . . . 104
4.29 La structure du contrôleur floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.30 Fonctions d’appartenance associées à la variable ∆v . . . . . . . . . . . . . . . . . 105
4.31 Fonctions d’appartenance associées à la variable SM . . . . . . . . . . . . . . . . 106
4.32 Fonctions d’appartenance associées à la variable ∆vP V . . . . . . . . . . . . . . . 106
4.33 Fonctions d’appartenance associées à la variable de sortie . . . . . . . . . . . . . 106
4.34 Schéma complet d’un système actif . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.35 Résutlats avec le correcteur PID . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.36 Commande par mode glissant pour le système actif . . . . . . . . . . . . . . . . . 110
4.37 Profil optimal avec Q1=1, Q2=1, Q3=1 . . . . . . . . . . . . . . . . . . . . . . . 111
4.38 Marge de sécurité avec Q1=1, Q2=1, Q3=1 . . . . . . . . . . . . . . . . . . . . . 112

5.1 Cycle de développement de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.2 Informations disponibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3 Première version de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.4 Code des couleurs utilisé pour l’IHM (la différence de vitesse est en km/h) . . . . 119
5.5 Version évoluée de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.6 Version finale de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.7 Exemples de fonctionnement de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . 121
5.8 Exemple de message lors de la désactivation de l’IHM . . . . . . . . . . . . . . . 122
5.9 Équipements des véhicules d’essais . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.10 Imprécision des mesures du radar laser dans certaines situations. (a) : Problème
lié au virage (b) : Problème lié à la pente . . . . . . . . . . . . . . . . . . . . . . 124
5.11 Vue d’ensemble des pistes à Satory . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.12 Circuit Routière-Val d’Or . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.13 Circuit ARCOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.14 Étapes de traitement du système EDAS . . . . . . . . . . . . . . . . . . . . . . . 128
5.15 Implantation du système sous RTMaps, sur le véhicule suiveur : interface gra-
phique de RTMaps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.16 Nombre de conducteurs par catégorie (a) : Nombre de conducteurs en fonction de
la connaissance du trajet (b) : Nombre de conducteurs ayant participé à une autre
expérience d’éco-conduite au LIVIC . . . . . . . . . . . . . . . . . . . . . . . . . . 131

xiii
Table des figures

5.17 Différents états de fonctionnement de l’IHM pendant le test (a) : La conduite est en
adéquation avec les consignes (b) : La vitesse est en dessous de la vitesse conseillée
et passer au rapport supérieur est conseillé (c) : La vitesse en adéquate, le rapport
supérieur est demandé (d) : La vitesse est trop élevée, le rapport supérieur est
conseillé (e) : Le véhicule est trop proche du véhicule de devant (f) : Désactivation
de l’interface à l’approche d’un événement. . . . . . . . . . . . . . . . . . . . . . . 133
5.18 Profils optimaux dans le cas de libre circulation . . . . . . . . . . . . . . . . . . . 137
5.19 Différents profils de vitesse des deux conducteurs . . . . . . . . . . . . . . . . . . 138
5.20 Profils de vitesse et de couple moteur du conducteur B . . . . . . . . . . . . . . . 139
5.21 Vitesses du véhicule suiveur de différents conducteurs (en trait solide) et distance
inter-véhiculaire (en pointillés) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.22 Relation entre la différence du pourcentage des dépassements de la vitesse et la
différence du temps de trajet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.23 Vitesse maximale en virage définie avec des accélérations latérales et longitudinales
moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.24 Ensemble de profils de vitesse. Les vitesses d’un même conducteur sont de mêmes
couleurs. En traits plein sont les vitesses enregistrées avec le système et en poin-
tillés celles sans le système. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.25 Respect de la vitesse maximale en virage - cas du conducteur D . . . . . . . . . . 145
5.26 Profils de vitesse sur le parcours du conducteur S . . . . . . . . . . . . . . . . . . 147
5.27 Profils de vitesse du conducteur S . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.28 Profils de vitesse du parcours du conducteur C . . . . . . . . . . . . . . . . . . . 148
5.29 Consommation moyenne en fonction de la vitesse de croisière d’un véhicule léger 149

A.1 Exemple de trajet enregistré dans le cadre du projet LAVIA . . . . . . . . . . . . 166

A.2 Détermination du rapport engagé à partir du rapport entre la vitesse longitudinale
et le régime moteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.3 Reconstruction de la consommation cumulée issue du bus CAN . . . . . . . . . . 168
A.4 Installation du débitmètre dans le véhicule Renault Clio Eco2 . . . . . . . . . . . 169
A.5 Consommation cumulée mesurée par le débitmètre et issue du bus CAN d’un trajet
d’essai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
A.6 Consommation cumulée d’un trajet d’essai - problème de décalage temporaire
entre les données du bus CAN et du débitmètre . . . . . . . . . . . . . . . . . . . 170
A.7 Version de l’IHM avec reconstruction d’un horizon de prédiction . . . . . . . . . . 171
A.8 Évolution de l’IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
A.9 Version avec une répartition des zones . . . . . . . . . . . . . . . . . . . . . . . . 172
A.10 Illustration de l’attraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
A.11 Illustration du phénomène de réticence . . . . . . . . . . . . . . . . . . . . . . . . 175
A.12 Allure de sign(s) et de sat(s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

xiv
 Notations

1 Acronymes

Symbole Dénomination

GES Gaz à Effet de Serre

CO2 Dioxyde de Carbonne
CH4 Methane
NEDC New European Driving Cycle
ESC European Stationary Cycle
PRG Pouvoir de Réchauffement Global
MDD Modern Drive Devices
ACC Adaptative Cruise Control
ISA Intelligent Speed Adaptation
FDW Following Distance Warning system
GERICO Gestion de l’Energie paR Interface COnducteur
IEA International Energy Agency
IPCC Intergovernmental Panel on Climate Change
ADEME Agence de l’Environnement et de la Maîtrise de l’Energie
UTAC Union Technique de l’Automobile du motocycle et du Cycle
NHTSA National Highway Traffic Safety Administration
SAV Système d’alerte en virage

xv
Notations

xvi
 Introduction

1 Contexte général
Aujourd’hui, le changement climatique devient une préoccupation mondiale. Des études ont
confirmé l’existence d’un lien étroit entre ce phénomène et l’augmentation de la concentration
des gaz à effet de serre (GES) dans l’atmosphère de notre planète. Actuellement, la production
et l’utilisation des énergies fossiles sont les principales sources d’émission des gaz à effet de serre
dont le dioxyde de carbone (CO2 ), dans le monde entier. Réduire l’effet de serre anthropique
dans ce contexte doit nécessairement passer par une réduction des émissions de ces sources.
Le protocole de Kyoto, signé en 1997 et ratifié par 183 pays en 2010, s’agissait d’un premier
traité international visant la réduction des émissions des gaz à effet de serre. Il est entré en vigueur
en 2005 à Montréal. Depuis, il fait l’objet de nombreuses négociations entre les différentes parties
visées pour avoir des actions et des engagements plus concrets. Que ce soit de la part des pays qui
ont déjà ratifié le traité ou des pays qui ne l’ont pas encore approuvé, notamment les Etats-Unis
et les pays en développement. La feuille de route de Bali, associée au plan d’action de Bali, définie
en 2007 en Indonésie, fait partie de ce processus de négociation dans lequel de nombreux pays
industrialisés et en développement, se sont accordés pour s’efforcer de lutter contre le changement
climatique. Elle comprend des décisions tournées vers l’avenir et devait être finalisée en 2009
pour pouvoir succéder au protocole de Kyoto qui prendra fin en 2013. Cependant, le sommet de
Copenhague en 2009 n’a pas abouti aux accords attendus par les scientifiques et est considéré
comme un recul dans la lutte contre le réchauffement climatique au niveau mondial. Cet échec
est dû aux nombreux facteurs qui sont liés principalement aux conflits d’intérêts financiers des
différents pays. Néanmoins, les parties visées se sont mises d’accord pour poursuivre le processus
de négociation afin d’aboutir à des résultats plus concrets dans les mois qui viennent. Même
si la prolongation du protocole de Kyoto n’est pas encore à l’ordre du jour, on peut espérer et
croire au changement d’attitude des parties concernées pour le bien écologique de la planète.
En attendant, tous les secteurs d’activité dans chaque pays doivent s’efforcer d’améliorer leur
rendement énergétique et réduire leur dépendance aux énergies non renouvelables, notamment
les énergies fossiles. Cela dans le but de satisfaire des engagements actuels et aussi d’anticiper
les engagements beaucoup plus contraignants des années à venir.
Dans ce contexte, le domaine du transport, et particulièrement le secteur du transport routier
ne peut pas échapper à cette tendance. En étant la première source émettrice de CO2 parmi toutes
les branches du secteur du transport, qui est lui même le deuxième plus gros émetteur de CO2
avec 6,6 Gt en 2008 [Age09, Age10], le transport routier doit redoubler d’effort pour réduire son
impact environnemental. Dans le cadre de notre étude, on s’intéresse plus particulièrement au
secteur de l’automobile. C’est un des secteurs qui se montrent les plus actifs dans la lutte contre
la pollution atmosphérique. Les efforts et les avancées de technologies de ce domaine permettent
d’introduire sur le marché des véhicules de plus en plus verts et respectueux de l’environnement.
Les concepts les plus en vogue en ce moment sont évidement électriques et hybrides. Cette

1
Introduction

tendance est clairement reflétée lors du "Mondial de l’automobile 2010 à Paris" avec la mise en
avant par la plupart des constructeurs de leurs modèles hybrides ou électriques. Cependant, si la
réduction de la quantité des polluants par kilomètre parcouru de ces véhicules est incontestable,
la réduction des émissions de CO2 sur l’ensemble du cycle de vie de ces véhicules reste un sujet
en discussion [Gre10]. De plus, des limites techniques et technologiques font qu’il reste un délai
encore très important avant que ces véhicules remplacent nos véhicules conventionnels actuels.
Mais ces véhicules sont, en tout cas, de très bonnes alternatives pour réduire la dépendance de
nos déplacements aux énergies fossiles.
Ces efforts provenant des constructeurs et de la classe politique reflètent aussi la prise de
conscience du problème écologique par les citoyens d’aujourd’hui. L’impact environnemental
commence à devenir un critère de choix des véhicules par les automobilistes. Répondre à cette
exigence nécessite de concrétiser les engagements écologiques mais aussi d’améliorer l’image de
la marque et l’intérêt économique de chaque constructeur. A côté du choix de véhicule, on
remarque aussi la tendance des automobilistes à mieux utiliser leurs véhicules. Cette bonne
volonté d’adapter leurs besoins de déplacement et leur style de conduite au type de véhicule
existe réellement mais reste encore très minoritaire parmi les conducteurs. Pourtant, cette me-
sure représente un potentiel d’économie de carburant très conséquent en comparaison avec les
différents efforts réalisés par les constructeurs. De nombreuses études montrent que par un
bon comportement, le conducteur peut réduire sa consommation de carburant de 15 à 20%
[CEHW79, JFE99, SPA10a, RSM+ 06, Ver06, aW02, CIE07]. Cela représente un gain significatif
de quantité de carburant non brûlée et donc des émissions de CO2 en moins et d’économie de
dépenses en plus. Et sur une plus grande échelle, ce gain en terme d’écologie et d’économie ne doit
pas être pris à la légère. Dans un contexte où les solutions techniques et technologiques montrent
souvent une grande inertie pour être intégrées dans les véhicules actuels, aider les conducteurs à
adopter une conduite mieux adaptée à son véhicule et au trajet devient alors une solution facile
à déployer, moins coûteuse et efficace. Surtout, elle demeure une solution intéressante pour des
nouveaux types de véhicule.

2 Objectifs et contribution
Pour aider le conducteur à adopter un style de conduite écologique, le développement d’un
système d’aide à la conduite écologique est la solution choisie. Il se place dans la continuité des
travaux de recherche menés au LIVIC. L’objectif principal de la thèse est donc le développement
et l’implémentation d’un système embarqué d’aide au conducteur lui permettant de réduire sa
consommation de carburant tout en assurant sa sécurité.
Il faut noter qu’il existe déjà des systèmes d’assistance à la conduite écologique sur le marché.
Nos sources de motivation et les nouveautés qu’on souhaite apporter dans cette thèse sont les
suivantes :
1. Actuellement, la plupart des systèmes EDAS proposés sur le marché sont connus sous le
concept que les auteurs dans [vMvdVvD02] ont appelé MDD (Modern Drive Devices). Ce
concept consiste à enregistrer les informations du véhicule le long du trajet. Les conseils
d’éco-conduite sont donnés soit en temps réel sur les supports de type Smarphones (iPhone,
GPS) ou en différé sous forme des tableaux récapitulatifs après que les données enregistrées
auraient été traitées par les logiciels propriétaires installés par avance sur un ordinateur.
Il s’agit, pour la plupart, de systèmes informatifs basés uniquement sur la dynamique
longitudinale du véhicule (la vitesse et l’accélération), calculée grâce aux accéléromètres
intégrés dans les supports et aux positions GPS ou recueillies via le bus CAN. Si les conseils

2
 2. Objectifs et contribution

sont donnés en temps réel, ils sont plutôt des retours du comportement du conducteur à
des instants passés qui ne sont pas forcément adaptés aux événements futurs. Ils se limitent
aussi aux conseils de type "Modérer votre accélération !" ou à l’affichage des paramètres
du trajet (consommation instantanées, distance parcourue...). Les conseils différés, quant
à eux, sont souvent très spécifiques et ne sont pas forcément facilement compréhensibles
par tout le monde. Ils sont plutôt destinés à des gestionnaires de flottes ou des formateurs
d’éco-conduite. À l’heure actuelle, aucune étude ne permet de confirmer l’efficacité de ces
systèmes. On souhaite construire un système qui soit capable de fournir au conducteur le
retour de ses actions et en même temps lui conseiller sur ce qu’il doit faire en temps réel.
On étudie ensuite son efficacité en terme d’économie de carburant.
2. Le deuxième concept que l’on appelle les "Systèmes embarqués écologiques" demande da-
vantage de connaissances spécifiques du véhicule (cartographie du moteur, rendement du
système de transmission,...) qui ne sont pas forcément disponibles au grand public. Cela
explique en partie pourquoi ces systèmes sont uniquement développés par les équipmen-
tiers automobile. De plus, le peu de systèmes existants sont tous conçus pour les véhicules
hybrides. Aucun système n’est disponible pour les véhicules traditionnels ou les véhicules
lourds. Le nombre de travaux de recherche dans ce domaine est aussi très limité. L’impact
d’un tel système sur ces types de véhicules ne sont pas forcément bien connu. On souhaite
donc développer un système embarqué pour ces types de véhicules et dans un premier
temps pour les véhicules légers à essence.
3. La stratégie utilisée pour un véhicule hybride n’est pas forcément adaptée à un véhicule à
moteur thermique. En effet, le fait d’avoir une autre source d’énergie permet d’utiliser une
approche locale de recherche des meilleurs points de fonctionnement du moteur thermique
à conseiller au conducteur. Ce qui n’est pas forcément possible pour le cas des véhicules
conventionnels. Dans ce cas, une approche globale avec l’utilisation de l’horizon électro-
nique est nécessaire. Par conséquent, on passe d’une approche qui tient compte juste les
caractéristiques du véhicule à un concept qui intègre à la fois le véhicule et l’infrastructure.
4. Finalement, pour que le système soit accepté par les conducteurs, les consignes données
doivent être claires, compréhensibles et surtout cohérentes avec la situation dans laquelle se
situe le véhicule. Pour atteindre cet objectif, la prise en compte du trafic et des problèmes de
sécurité est alors un élément essentiel. Ce nouveau concept inclut alors à la fois le véhicule,
l’infrastructure et le trafic. En terme de stratégie, on souhaite développer un système qui
permet le conducteur de "réduire sa consommation tout en assurant sa sécurité".
Ces quatre points montrent l’intérêt du développement d’un nouveau système d’aide à la
conduite écologique. Ce développement combine les aspects conceptuels, stratégiques et aussi en
termes d’étude et d’analyse de résultats. Les objectifs de la thèse se résument alors comme suit :
1. Concevoir et implanter un système d’aide à la conduite écologique
– Embarqué sur le véhicule
– Informatif et suggestif dans un premier temps
– Adapté au véhicule léger et au poids lourd
– et surtout plus sûr
2. Étude et Analyse des gains en économie de carburant et en amélioration de la sécurité du
système
Ces objectif sont atteints. La conception et l’analyse des différents aspects du système à
travers les résultats de simulation et d’expérimentation sont présentées dans les sept chapitres
de ce mémoire.

3
Introduction

3 Organisation du mémoire
Ce mémoire est organisé suivant la décomposition des tâches réalisées pour atteindre l’objectif
fixé.
Il commence par définir les objectifs et présenter le contexte, les motivations de nos travaux
dans le chapitre "Introduction".
Ensuite, le chapitre 1, intitulé "État de l’art" présente un aperçu des mesures prises et envi-
sagées pour réduire l’impact environnemental du transport routier. Cela nous permet de justifier
notre approche qui consiste à aider le conducteur à adopter le comportement éco-responsable.
Une revue détaillée des solutions techniques de cette approche renforcent une fois de plus nos
motivations et justifient nos stratégies définies précédemment.
Les trois chapitres qui suivent présentent les différentes étapes de la conception du système.
La première étape concerne la modélisation longitudinale et la modélisation de la consom-
mation de carburant du véhicule dans le chapitre 2, intitulé "Modélisation du véhicule et de la
consommation". Le but du chapitre est d’obtenir un modèle de prédiction du mouvement longi-
tudinal du véhicule et un moyen simple d’évaluer la consommation instantanée de carburant.
Ces modèles sont ensuite utilisés dans le chapitre 3 dont l’objectif est de formuler le problème
d’optimisation d’économie de carburant et de choisir la méthode la plus adaptée aux différents
contraintes du problème. Ce chapitre "Problème d’optimisation de consommation de carburant"
présente un problème d’optimisation classique mais qui comporte des spécificités et des difficultés
intéressantes à étudier. Le choix de la programmation dynamique est justifié par comparaison à
d’autres méthodes d’optimisation dans un cas d’étude simple.
Dans le chapitre 4, cette méthode est ensuite améliorée pour construire la stratégie finale qui
consiste à tenir compte des problèmes de sécurité, du temps de trajet, du confort du passager
parallèlement au problème de minimisation de la consommation de carburant. Le chapitre est
appelé "Vers un système d’aide à la conduite écologique et sécuritaire". On y a résolu un problème
multi-objectif avec l’étude de l’influence de chaque élément dont la consommation, le temps du
trajet, le confort du passager et la pente de la route. Une fois l’étape terminée, les différents
stratégies sont appliquées pour obtenir une stratégie de calcul en ligne. C’est sur cette base que
le problème du respect de la distance entre véhicules est résolu. C’est aussi le point qui complète
notre stratégie permettant de satisfaire les objectifs fixés concernant le système.
Les questions liées à l’expérimentation de la stratégie conçue sont présentées dans le chapitre
"Expérimentation". Ce chapitre 5 commence par la présentation de la conception de l’interface
Homme-Machine permettant de communiquer les consignes du système au conducteur. La mise
en place de l’expérimentation est ensuite détaillée. Les résultats de tests sur les pistes d’essais
et sur une boucle routière dans les Yvelines sont expliqués, suivis des analyses sur l’efficacité
du système en termes d’économie de carburant et d’amélioration de sécurité. C’est ainsi qu’à
travers ce chapitre on apporte des éléments de réponse à certaines interrogations notamment sur
la facilité du suivi des consignes et l’acceptabilité du système par les conducteurs.
Le chapitre "Conclusion" nous permet de faire un bilan sur ce qui a été réalisé et sur ce qui
reste à améliorer et à étudier dans le développement des systèmes d’aide à la conduite écologique
et sécuritaire. Il clôt finalement ce mémoire présentant une expérience scientifique et personnelle
très enrichissante.

4
 Chapitre 1

État de l’art

Sommaire
1.1 Mesures de réduction de consommation dans les transports . . . . . 5
1.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Mesures politiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Avancées technologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.1.4 Éco-conduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Systèmes d’aide à la conduite écologique . . . . . . . . . . . . . . . . 15
1.2.1 Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Systèmes commercialisés . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.3 Gains en économie de carburant . . . . . . . . . . . . . . . . . . . . . . 24
1.3 Discussion sur la consommation des véhicules lourds . . . . . . . . . 25
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.1 Mesures de réduction de consommation dans les transports

1.1.1 Généralités
Le développement rapide des transports permet de répondre à nos besoins de déplacements
en augmentation ces dernières décennies. Il nous met en même temps dans la nécessité de re-
cherche constante de solutions pour faire face à des problèmes qui leur sont liés. Parmi eux, le
réchauffement climatique dû à des gaz à effet de serre du secteur du transport routier est une
problématique qui attire toutes les attentions.
En effet, bien que les voitures soient de plus en plus propres, la quantité de polluants qui
réchauffe notre planète ne cesse d’augmenter. D’après les scénarios développés par World Energy
Outlook 2009 [Age], les émissions de CO2 atteindront 40,1 Gt en 2030, avec un taux de croissance
annuel de 1,5%. Cela intensifie encore plus les effets néfastes du réchauffement climatique pour
lequel le secteur du transport a une part de responsabilité importante. Il est un grand consom-
mateur d’énergie et sera la cause de 97% de l’augmentation de demande d’énergie fossile d’ici
2030. Au niveau mondial, il représente le deuxième secteur émetteur avec 6,6 Gt de CO2 sur les
29,38 Gt d’émissions mondiales tous secteurs confondus en 2008 et peut atteindre 18 Gt en 2050
selon les prévisions de l’Agence Internationale de l’Énergie [IEA08a, Age10].
Il faut souligner que le CO2 est aussi le principal responsable du réchauffement climatique.
Même si son pouvoir de réchauffement global (PRG) de 1 est très faible par rapport aux autres gaz

5
Chapitre 1. État de l’art

(a) (b)

Fig. 1.1: Émissions mondiales de CO2 en 2008 par secteurs (a) et du secteur du transport (b)
(source [Age10])

à effet de serre (25 pour le méthane CH4 , 296 pour le protoxyde d’azote,...), sa nette domination
dans la composition des GES du secteur (figure 1.2) justifie largement l’importance des recherches
allouées à sa réduction. Surtout dans le contexte où le parcours moyen par véhicule est seulement
en légère baisse et que le parc français des véhicules usuels atteint les 37 millions de véhicules
[CCF09].

Fig. 1.2: Émissions des gaz à effet de serre dans le transport routier en France en 2006. Cette
proportion reste peu changée jusqu’à aujourd’hui

Ce sont ses efforts en recherche et développement qui permettent au secteur de répondre à ce

challenge. Avec les améliorations du rendement énergétique du moteur, l’évolution de l’aérody-
namique et l’utilisation de matériaux plus légers, le véhicule d’aujourd’hui devient plus propre
et moins gourmand en carburant. Par ailleurs, avant de regarder l’évolution de la consommation
moyenne de carburant des véhicules en France, on propose de distinguer la consommation réelle
de la consommation conventionnelle.

Consommation conventionnelle et consommation réelle

En effet, en Europe comme ailleurs dans le monde, un nouveau modèle du véhicule mis

6
 1.1. Mesures de réduction de consommation dans les transports

sur le marché doit d’abord passer des tests d’homologation concernant le rejet des polluants et
la consommation de carburant. Et c’est la consommation moyenne en l/100 km (en Europe)
mesurée lors de cette série de tests, appelée aussi "la consommation conventionnelle", qui est
donnée comme information voire comme argument de vente aux consommateurs. En France,
c’est l’Union Technique de l’Automobile, du motocycle et du Cycle (UTAC) qui est chargée de la
mise en œuvre de cette procédure. Elle est appliquée au véhicule léger et non au poids lourd. La
consommation et les émissions sont mesurées sur un banc d’essai équipé d’un système à rouleaux.
Le véhicule est soumis à un cycle standard de changements de rapport, de ralentissements et de
périodes à vitesse constante. Ce cycle, appelé "cycle de test ECE + EUDC" ou encore NEDC
(pour New European Driving Cycle), est utilisé pour les véhicules dans la zone Euro. Il est ainsi
présenté sur la figure 1.3.

Fig. 1.3: Cycle Européen urbain et extra-urbain ECE-EUDC (source [JAV+ 99])

Le principe de ce cycle est un profil de vitesse comportant des phase d’accélération, de

décélération et du maintien de la vitesse constante d’une durée de 20 minutes avec 800 secondes
en conduite urbaine et 400 secondes en conduite extra-urbaine. Les tests d’homologation des
véhicules neufs se déroulent de la façon suivante [Wik] : la vitesse à tout moment du test doit
être maintenue dans un certain écart de tolérance autour de la consigne. Le cycle doit être
effectué sur un véhicule froid à une température de 20˚C. Pour chaque configuration de véhicule,
une courbe appelée « loi de route » est appliquée : à chaque vitesse correspond une certaine valeur
de résistance (couple inverse appliqué aux roues motrices). Ce mécanisme permet également de
tester avec un même véhicule physique toutes ses variantes de carrosseries (berline, break, coupé,
monospace...), par simple changement de la loi de route. Un système de soufflerie couplé au
banc permet de fournir aux entrées d’air du moteur un débit représentatif de la vitesse pratiquée
(figure 1.4).
Ce mécanisme permet d’effectuer un grand nombre d’essais au cours des phases de déve-
loppement des véhicules et de leurs moteurs. Les chiffres généralement publiés à destination du
grand public sont la consommation urbaine qui est mesurée sur les 800 premières secondes, la
consommation extra-urbaine qui est mesurée de 800 à 1 200 secondes. La consommation mixte
et la production de CO2 sont celles mesurées sur l’ensemble du cycle.
Pour les camions, les essais ne portent pas sur le véhicule achevé, mais se limitent au seul
moteur. En effet, celui-ci peut trouver place dans une variété de véhicules, destinés à des ap-
plications différentes, dans des conditions très diverses. Il est très difficile de mettre au point
un test général ; ces véhicules devraient presque être évalués individuellement. Le nombre de
configurations possibles, allié au fait que les camions reçoivent souvent leur forme définitive dans
des ateliers de carrosserie indépendants, augmenterait considérablement les frais d’homologation,
sans que l’on dispose pour autant d’informations pertinentes. Le moteur est donc mis au banc
d’essai pour subir une série de charges - le cycle ESC - en tournant à un régime déterminé et en
délivrant un couple constant.

7
Chapitre 1. État de l’art

Fig. 1.4: Banc à rouleaux homologation avec le système de soufflerie (source UTAC)

Si le cycle Européen est considéré comme satisfaisant pour représenter une conduite douce
avec la prise en compte des effets aérodynamiques, il ne prend pas en compte l’utilisation de
la climatisation, par exemple. Pour faire face à ce défaut, on utilise plusieurs cycles différents
(figure 1.5) pour représenter les différentes conduites aux États-Unis : le cycle standard FTP75,
le cycle SCO3 pour une conduite avec climatisation, US06 pour une conduite agressive...

Fig. 1.5: Cycle américain FTP75 (urbain) et US Highway (interurbain) pour les véhicules légers
(source [JAV+ 99])

Cela explique aussi que la consommation d’un même véhicule puisse être différente suivant
le pays. Il est plus raisonnable de regarder l’évolution de la consommation des véhicules dans les
mêmes conditions de mesures. Dans notre cas, c’est la consommation moyenne des véhicules en
France qui sera utilisée.
La consommation réelle quant à elle est la consommation enregistrée lors des passages à la
pompe à essence. En France, le panel SECODIP permet de suivre les consommations de 3300
voitures appartenant à des particuliers résidant en France depuis 1987 [dledS]. Un carnet avec
relevé du kilométrage au compteur qui est renseigné lors de chaque retrait de carburant à la

8
 1.1. Mesures de réduction de consommation dans les transports

pompe est mis en place avec l’accord des automobilistes. Cette enquête permet donc de calculer
la consommation moyenne réelle d’une voiture particulière en circulation.
La figure montre l’évolution de la consommation moyenne conventionnelle (figure 1.6a) et
réelle (figure 1.6b) des véhicules en France ces vingt dernières années [CCF09, ADE09a, dledS].

(a) (b)

Fig. 1.6: Évolution de la consommation unitaire moyenne des véhicules en France. (a) : Consom-
mation conventionnelle (source ADEME) ; (b) : Consommation réelle (source Bilan de circulation)

On remarque que la consommation est en baisse constante depuis ces vingt dernières années.
La consommation réelle connaît une baisse aux alentours de 8% pour les véhicules essence entre
1995 et 2005 (1.3% pour les diesels) tandis que la consommation conventionnelle connaît un gain
beaucoup plus fort (25.3% pour les véhicules à essence et 22.7% pour les diesels entre 1995 et
2005) (source ADEME, panel carburant TNS/SECODIP). L’explication est donnée par le fait
que les avancées technologiques permettent de réduire considérablement la consommation. Mais
dans le même temps, le fait d’ajouter des systèmes complexes pour améliorer le confort et la
sécurité va à l’encontre des bénéfices de ces derniers développements.
Ensuite, on voit une différence conséquente entre la consommation réelle et la consommation
conventionnelle. Les cycles sont censés représenter la consommation moyenne d’un automobiliste
européen. Il va de soi que les conditions ne sont pas les mêmes partout et pour tous. De plus,
le cycle ne prend pas en compte par exemple l’utilisation des accessoires (climatiseur, GPS,...),
le trafic (trafic fluide ou embouteillage...), .... Le détail des facteurs de surconsommation est
présenté dans ce qui suit.

Facteurs de surconsommation

La consommation du véhicule dépend de plusieurs facteurs qui peuvent relever de trois caté-
gories en lien avec : le véhicule, les conditions opérationnelles d’exploitation et le conducteur.
Les paramètres relatifs au véhicule proprement dit sont l’aérodynamique du véhicule, le mo-
teur, le système de transmission, les systèmes électroniques, les pneumatiques (résistance au rou-
lement), les systèmes supplémentaires (climatisation, GPS...). Les études de l’ADEME [ADE09a]
et de l’ENERGECO [Ene] identifient ces facteurs comme des sources potentielles de surconsom-
mation de carburant du véhicule. Le fait de ne pas entretenir le moteur expose le propriétaire
aux risques d’affronter des pannes coûteuses... et d’entraîner une importante surconsommation de
carburant (pouvant aller jusqu’à 25%, soit environ 2 l/100 km supplémentaires). Un sous-gonflage

9
Chapitre 1. État de l’art

des pneus entraîne une augmentation de la résistance au roulement et donc une surconsommation
de carburant. Les données de Michelin font d’état d’une surconsommation d’environ 1,2% pour
un sous-gonflage de 0,3 bar. Ou encore, le fait d’augmenter la résistance aérodynamique du véhi-
cule avec une galerie (ou des barres de toit), même à vide, peut augmenter la consommation de
10%. Ce chiffre peut atteindre les 15% (1l/100km supplémentaire à 120 km/h) une fois la galerie
chargée. Un dernier exemple et non le moindre, concerne l’utilisation d’équipements supplémen-
taires, qui semble extrêmement coûteuse en carburant. L’intégration des systèmes complexes
pour améliorer la sécurité et le confort induit donc une consommation supplémentaire. Quand
elle fonctionne, la climatisation augmente la consommation de carburant de 6% sur autoroute
pour un écart de température inter-externe de 5˚et atteint jusqu’à 20% en ville. L’impact éner-
gétique de la climatisation limite l’effet des progrès importants réalisés par les constructeurs
pour réduire la consommation des véhicules. Dans les prochaines années, l’évolution prévisible
du parc automobile laisse envisager une augmentation de la proportion des voitures climatisées,
confortant la tendance à l’augmentation des consommations, ce qui va à l’encontre des politiques
menées actuellement pour limiter les consommations d’énergies fossiles.
La deuxième catégorie concerne l’ensemble des facteurs liés aux conditions d’exploitation
opérationnelle du véhicule. Ils comprennent le type de trajet (urbain, inter-urbain dont une des
caractéristiques est la fréquence des arrêts), le type de route (montagne, planéité, sinuosité,...),
les conditions du trafic, la géométrie de la route (la pente, la rugosité,...). Même si peu d’études
quantifient la différence de consommation entre différents types de trajets, on se doute bien que la
consommation n’est pas la même sur une route plane et sur une route avec relief, de même entre
une route droite et une route avec des virages fréquents. Une augmentation de 15 à 20% de la
consommation de carburant en hiver par rapport à l’été est notée en Europe [Bak95]. Finalement,
la consommation dans un embouteillage s’avère très élevée par rapport à la consommation en
trafic fluide. L’ADEME annonce le chiffre de près de 16 l/100km pour un véhicule de gamme
moyenne.
La troisième catégorie concerne donc le conducteur. En plus de la maintenance de son véhicule,
sa conduite peut engendrer des sur-consommations non négligeables. Dans [NRC95], on constate
que la conduite agressive (accélération et décélération brutales) en situation de congestion est
estimée engendrer une augmentation de 10% de la consommation. De même, avec la vitesse et la
transmission, la variation entre conducteurs peut atteindre 20% due à la différence de l’utilisation
des boîtes de vitesse [Din00]. Les véhicules d’aujourd’hui connaissent beaucoup de changement
par rapport aux générations précédentes, et par conséquent, le conducteur doit lui aussi adapter
sa conduite à la performance offerte par son véhicule. Cela fait partie de la tendance d’une
conduite écologique qui d’après plusieurs études [CEHW79, BBD+ 09, BB09, CIE07, JFE99,
RSM+ 06, OEE98] permet d’obtenir un gain de consommation de 15 à 20% en augmentant en
même temps le confort et en diminuant aussi les risques d’accidents. Cette éco-conduite va être
présentée plus en détails dans la suite du document.
Finalement, il paraît clair que le développement des transports a une part de responsabi-
lité dans le réchauffement climatique. Réduire la consommation et les émissions de ce secteur
s’annonce comme une tâche difficile et un vrai défi pour tous les acteurs concernés. Il faut à
la fois conserver la liberté de déplacement offerte par le transport routier et diminuer son im-
pact environnemental. C’est un défi à la fois technologique et social que l’on doit relever avec
la participation de l’ensemble des acteurs : les politiques, les constructeurs, les automobilistes,
les gestionnaires du trafic et de l’infrastructure,...L’ensemble des éléments donnés (certainement
non exhaustifs) permet d’avoir une première idée des sources potentielles de réduction de la
consommation et des émissions dans le transport. Par la suite, on présente certaines mesures qui
sont prises en Europe pour contribuer à relever ce défi.

10
 1.1. Mesures de réduction de consommation dans les transports

1.1.2 Mesures politiques

Les mesures politiques comprennent les mesures permettant d’améliorer l’efficacité énergé-
tique des véhicules et les mesures pour influencer la façon de les utiliser.
Sans vouloir classer les mesures en différentes catégories, on trouve que les premières mesures
concernent plutôt les constructeurs automobiles et les équipementiers. Elles les incitent à fournir
des efforts dans la recherche et développement pour satisfaire à des contraintes de plus en plus
contraignantes dont le but est de réduire l’impact environnemental du secteur automobile.
Une des premières mesures consiste à définir des normes anti-pollution en automobile. Si
la présence du catalyseur pour réduire les effets toxiques des rejets automobiles est rendu obli-
gatoire par l’état américain de Californie depuis 1975, il n’est que progressivement apparu en
Europe pour les voitures à fortes cylindrées à partir de la fin des années 1980 et n’est devenu
obligatoire sur toutes les voitures neuves qu’à partir du premier janvier 1993. Cela coïncide avec
l’entrée en vigueur de la norme Euro 1. Aujourd’hui, tous les véhicules neufs doivent répondre à
des contraintes fixées par la norme Euro 5 qui est en vigueur depuis le premier septembre 2009.
L’évolution des normes européennes montre une volonté de plus en plus grande des instances
politiques d’obtenir des constructeurs des véhicules de plus en plus propres et respectueux de
l’environnement. Concrètement, ces normes définissent des seuils en terme de quantité de pol-
luants rejetés par les véhicules au-delà desquels le véhicule ne sera pas homologué. Elles ne
concernent que les gaz les plus toxiques pour l’homme à savoir le monoxyde de carbone (CO),
les hydrocarbures (HC), les hydrocarbures non méthaniques (NMHC), les oxydes d’azote (NOx),
HC + NOx et les particules. On y remarque l’absence du CO2 . En effet, ce gaz à effet de serre,
toxique pour l’homme à partir de 5000 ppm est réglementé par d’autres directives.
En Europe, la Commission Européenne a trouvé un accord avec les constructeurs en décembre
2007 pour fixer un objectif de 130 grammes de CO2 /km pour les véhicules neufs immatriculés
dans l’Union Européenne. La valeur limite d’émission ne s’applique pas à chaque véhicule in-
dividuellement, mais à la moyenne de tous les véhicules conçus par un constructeur enregistré
dans l’UE en un an. A partir de 2012, les constructeurs qui ne respectent pas cet objectif doivent
payer "une prime sur les émissions excédentaires". Dans cette continuité, la Commission Eu-
ropéenne propose aussi des programmes de soutien à la recherche et au développement pour
réduire les émissions de CO2 à 95 g par km d’ici à 2020. Des dispositifs équivalents existent
aussi ailleurs. Aux États-Unis, la loi Energy Independence and Security Act de 2007 requièrt une
norme d’économie de carburant de 35 miles par gallon (6.72 l/100km) en 2020 [IEA08b].
Concernant les mesures pour influencer l’utilisation des véhicules, elles ont pour objectif de
stimuler une réflexion éco-responsable des automobilistes. Celles-ci consistent à la fois en des
mesures volontaires, réglementaires, des incitations financières et des mesures pour renforcer la
prise de conscience des consommateurs. Plusieurs mesures ont été prises par le passé, certaines
ont été maintenues et d’autres renouvelées.
La directive Européenne 1999/94/EC oblige les constructeurs à afficher les étiquettes pour
informer les acheteurs de la consommation de carburant et des émissions de CO2 des modèles
proposés. Un guide annuel doit être élaboré pour guider les consommateurs à propos des émis-
sions et consommations des nouveaux modèles. Cette pratique peut réduire la consommation de
l’ensemble des véhicules de 4 à 5% grâce à la prise de conscience des consommateurs [WEC08].Les
nouvelles législations donnent encore plus de précisions pour ce dispositif qui par exemple oblige
un affichage comparatif de la consommation et des émissions du véhicule par rapport à des
normes fixées par l’UE.
Les incitations financières sont quant à elles l’ensemble des mesures qui consistent à en-
courager les consommateurs à renouveler le parc de véhicules en changeant les vieux véhicules

11
Chapitre 1. État de l’art

gourmands en consommation par des véhicules plus propres. Elles peuvent être matérialisées par
une prime à la casse dans certains pays (la France(1994-1996) renouvelée entre 2009 et 2010,
l’Espagne (depuis 1994),...) ou encore par une prime à l’achat d’un véhicule neuf. Il existe par
exemple en France un système de bonus-malus et super bonus. Le principe est simple. Un bonus
écologique sera versé à la première immatriculation pour tout achat d’un véhicule particulier
neuf émettant moins de 130 g de CO2 par km. Le bonus sera complété d’un "superbonus" de
trois cents euros lorsque l’acquisition du véhicule écologique s’accompagnera de la mise au rebut
d’un véhicule vieux de plus de 15 ans.
Des mesures un peu plus radicales consistent à taxer les déplacements automobiles ou tout
simplement les interdire dans une certaine zone. Le système de péage sur les autoroutes permet
de financer la maintenance des infrastructures mais aussi de succiter la réflexion de la part des
conducteurs avant de se déplacer sur les routes. Il n’est maintenant pas rare que les communes
et les villes créent des zones interdites aux véhicules. Cela permet tout simplement de supprimer
les pollutions automobiles dans des zones très fréquentées comme le centre ville. A Singapour
et à Londres [WEC08], des mécanismes sont installés pour réduire le nombre de véhicules. Dans
une zone de 6 km2 du centre ville, un ticket d’entrée (de 1 euro par jour ou de 20 euros par
mois) est nécessaire pour y accéder. Le dispositif est ensuite remplacé par des cartes électroniques
installées dans les véhicules en 1998. Cela permet de diminuer le trafic à l’heure de pointe de 45%
et d’augmenter l’utilisation des transports en communs de 46% à 65%. A Londres, le dispositif
est instauré avec une zone plus large (21 km2 ) permettant de réduire le trafic de 15% et la
congestion de 30%. Cela conduit à une réduction de 10% de la consommation et de 19% de CO2 .
Il existe plusieurs autres mesures dans la gestion du trafic qui favorisent le transport en
commun et le covoiturage mais qui restent encore dans la phase expérimentale ou bien à une
échelle locale. Des voies réservées au covoiturage et aux bus, des parkings gratuits destinés aux
personnes en covoiturage sont des exemples de ces mesures. Il est tout de même important de
savoir que la gestion efficace du trafic peut réduire la consommation de 5% [Din00].

1.1.3 Avancées technologiques

Les avancées technologiques permettent de réduire considérablement la consommation des
véhicules actuels comme souligné dans la partie précédente. Cela permet aux constructeurs au-
tomobiles de répondre à des contraintes de plus en plus sévères pour réduire l’impact sur le
réchauffement climatique du secteur. Pour construire une voiture moins gourmande en carburant
et plus propre, les constructeurs doivent combiner les différentes technologies actuelles. Elles
se résument en deux objectifs : augmenter l’efficacité des différents composants de la transmis-
sion et réduire les charges tractrices du véhicule (masse, résistance aérodynamique, résistance au
roulement...).
Le schéma représentant les différentes pertes d’énergie de General Motors (figure 1.7) montre
quels sont les points sur lesquels les ingénieurs peuvent continuer à travailler pour réduire la
consommation de carburant.
Sur les voitures conventionnelles, la tendance actuelle consiste à combiner la réduction de
la cylindrée, la technique d’injection directe et le turbocompresseur pour réduire la masse et
l’efficacité énergétique du véhicule. Ford présente par exemple le moteur EcoBoost qui permet
d’améliorer la consommation de 20% avec cette combinaison. Ensuite, la réduction des vitesses
au ralenti du moteur permet d’économiser du carburant tout comme le système électronique de
retour de carburant utilisé par GM. Le système "Stop and Start" installé sur de nombreux mo-
dèles propose une autre solution intéressante pour réduire la consommation du véhicule, surtout
sur des trajets avec des arrêts et départs fréquents (urbain, congestion...). La technique consiste

12
 1.1. Mesures de réduction de consommation dans les transports

Fig. 1.7: Différentes pertes d’énergie fournie par le moteur [Pon10] d’après GM

à solliciter la pompe de carburant à la demande au lieu de tourner en continu même à l’arrêt.

Elle permet une baisse de consommation moyenne de 15% selon les constructeurs.
D’autres alternatives pour remplacer les véhicules conventionnels sont explorées. La technique
actuellement en vogue est l’hybridation. Elle consiste à équiper la voiture en même temps d’un
moteur électrique et d’un moteur thermique. Cela ajoute à la fois un degré de liberté pour faire
fonctionner au mieux le moteur thermique et une capacité à récupérer l’énergie de freinage. Le
véhicule électrique permet quant à lui de réduire les émissions à zéro. Son plus grand défaut actuel
est son autonomie limitée et le manque d’infrastrucutres adaptées, mais il reste intéressant pour
des courts trajets. C’est sur ces défauts que se concentrent les recherches actuelles. On peut aussi
citer les alternatives concernant les bio-carburants, les véhicules à hydrogène,... mais elles restent
pour l’instant peu convaincantes aux yeux des automobilistes pour diverses raisons.

1.1.4 Éco-conduite
Comme cité précédemment, le comportement du conducteur a une influence significative sur
la consommation de carburant. Plusieurs études montrent qu’en changeant son style de conduite,
le conducteur peut gagner de 15 à 20% de carburant [CEHW79, BBD+ 09, BB09, CIE07, SPA10b,
JFE99, RSM+ 06]. Avec le kilométrage au compteur d’un véhicule qui s’élève à 107 000 kilomètres,
le gain obtenu en adaptant une conduite plus économe se chiffre aux alentours de 1000 litres de
carburant par véhicule.
L’éco-conduite est basée sur une sollicitation modérée du véhicule, qui doit être bien entretenu
et adapté au besoin de son conducteur. Ce comportement se résume en un ensemble de règles
de bonne conduite à apprendre. Ces règles varient en fonction du public ciblé et en fonction du
pays. Dans le contexte du projet Ecodrive de l’UE, les règles d’or sont :
1. Passer à la vitesse supérieure dès que possible.
Passer à la vitesse supérieure entre 2.000 et 2.500 t/min
2. Maintenir une allure constante.
Enclencher la plus haute vitesse possible et conduire avec un régime moteur faible.
3. Anticiper le trafic.
Regarder le plus loin possible et anticiper le trafic environnant.
4. Décélérer progressivement.
S’il faut ralentir ou s’arrêter, décélérer progressivement en relâchant l’accélérateur à temps

13
Chapitre 1. État de l’art

et en laissant la voiture en prise.

5. Vérifier régulièrement la pression des pneus.
Comme l’étude menée par le LIVIC [SPA10b], la plupart des études menées par Quality Al-
liance Eco-drive(CH) et le DVR(D), Ford, Mercedes et BMW montrent une réduction importante
à court-terme de carburant pour les conducteurs ayant une formation d’éco-conduite mais l’effet
à long terme est moins significatif. Elles soulignent aussi les principaux avantages d’une conduite
écologique [CIE07] :
– La consommation de carburant peut être réduite de 15% à 20% à court-terme
– À long terme, la réduction de carburant n’est plus que de 4.7 à 8%. Cela est du au fait
que le conducteur reprend ses habitudes de conduite. Les formations de rappel sont alors
nécessaires.
– L’éco-conduite réduit aussi les risques d’accident
– Le parcours est plus confortable

Ces résultats montrent un grand potentiel de réduction de la consommation en carburant en

adoptant un style de conduite plus éco-responsable. Les conseils pour une conduite écologique
sont simples. Mais pour pouvoir pratiquer vraiment ce style de conduite et en tirer des bénéfices,
un grand effort est souhaitable de la part des conducteurs. Pour les conducteurs expérimentés, il
s’agit peut-être de changer son style de conduite et de maintenir cette nouvelle habitude. Chose
qui n’est peut-être pas forcément évidente.

On peut alors se poser la question si l’éco-conduite induit une conduite sécuritaire ?

Plusieurs études tentent de répondre à cette question. D’après les études de GreenRoad
[Tec08] dans le cadre des formations et examens, il existe une corrélation directe entre l’éco-
conduite et la sécurité. Une conduite prudente peut améliorer la consommation de carburant de
7% à 11%. Les conducteurs "verts" ont moins de risque d’accident que les conducteurs "rouges"
(conduite agressive ou imprudente). Mais il existe tout de même certains conflits potentiels entre
la conduite écologique et la conduite prudente. Ce sont des points qui sont soulignés dans le
rapport "Eco-safe" 2004 de l’Université de Turku (Finlande).
– Le principe d’accélération rapide jusqu’à la vitesse escomptée pourrait être appliqué trop
"littéralement", et déboucher sur une diminution des distances de sécurité dans le trafic,
s’il n’est pas combiné avec une anticipation adéquate.
– Rapprochement excessif du véhicule qui précède dans un effort d’uniformisation optimale
de la vitesse. S’il est mal géré, le maintien d’une vitesse constante peut se traduire par des
marges de sécurité insuffisantes à cause d’une décélération trop tardive.
– L’application trop précoce du frein moteur peut engendrer une circulation différente de
celle du "trafic normal" et accroître le risque de collision arrière.
– Le principe visant à "éviter les arrêts" peut être source de problèmes : s’il est appliqué
à proximité des passages pour piétons ou de carrefours à visibilité réduite, "les capacités
d’observation de l’apprenti-conducteur peuvent s’avérer insuffisantes".
Mis à part ces conflits potentiels qui sont certes évitables, le potentiel de gain apporté par
l’éco-conduite semble significatif par rapport aux différentes mesures présentées précédemment.
Pour aider le conducteur à mieux tirer profit de ce style de conduite, les systèmes d’assistance au
conducteur peuvent être une alternative intéressante pour qu’il puisse se former à pratiquer des
gestions au volant à des fins d’économie de carburant, d’amélioration de l’efficacité énergétique
et de sécurité. Ces systèmes font donc l’objet du prochain paragraphe.

14
 1.2. Systèmes d’aide à la conduite écologique

1.2 Systèmes d’aide à la conduite écologique

L’objectif des systèmes d’aide à la conduite écologique est de permettre au conducteur de
maximiser son économie de carburant en le stimulant à adopter une conduite plus adaptée à
son véhicule. Ces systèmes connaissent une évolution assez rapide et commencent à attirer plus
d’attention dans le contexte où l’opinion publique se tourne plus que jamais vers le problème du
réchauffement climatique dans le transport routier. Avec les avancées technologiques, le concept
de ces systèmes devient de plus en plus complexe. L’objectif d’informer le conducteur qu’on a
connu au début des années 1980 se voit compléter avec des objectifs de l’aider activement et de
le former continuellement à devenir des conducteurs éco-responsable. Cette partie permet de voir
ces différents concepts et les systèmes existant sur le marché ainsi que leur gain potentiel.

1.2.1 Concepts
Informer
Ce concept simple consiste à informer le conducteur de son style de conduite sous la forme
d’indicateurs visuels. Les informations qu’on y retrouve souvent sont la consommation instanta-
née, la consommation moyenne, la distance parcourue et le temps de trajet. À titre d’exemple, les
économètres et les ordinateurs de bords permettent de les afficher via un écran séparé. Plusieurs
modèles existaient sur le marché dont la consommation était mesurée au moyen des jauges placées
au niveau de l’admission du moteur ou des débitmètres. Cela implique qu’une intervention au
niveau d’admission du moteur était nécessaire pour l’installation du système. Ils sont remplacés
par une zone d’affichage sur le tableau de bord dont disposent nombre de voitures actuelles. Les
informations affichées sont véhiculées par le bus CAN du véhicule. On voit apparaître dans cette
zone selon le choix du conducteur, la consommation instantanée, la consommation moyenne en
l/100 km,...Grâce à ces informations, le conducteur peut connaître les situations dans lesquelles
survient le pic de consommation et à terme les éviter pour consommer moins. Mais ces systèmes
se trouvent insuffisants pour aider les conducteurs à mieux connaître son véhicule et à adopter
une conduite mieux adaptée au véhicule et au trajet.

Assister
Les systèmes discutés dans cette partie sont des systèmes actifs ou informatifs dont l’objectif
premier est d’améliorer le confort et la sécurité du conducteur. Leur utilisation favorise tout de
même une conduite plus douce et par conséquent l’économie de carburant dans certains cas.
C’est pour cette raison qu’on les considère tout de même comme des alternatives possibles pour
réduire la consommation de carburant.
Les premiers exemples sont des régulateurs de vitesses dont la nouvelle génération sont ap-
pelées régulateur de vitesse adaptatif (ACC pour Adaptative Cruise Control). Trois principaux
objectifs de ces systèmes sont d’assurer que la vitesse souhaitée n’est pas dépassée, que la vitesse
du véhicule est automatiquement adaptée au véhicule qui précède et finalement de décharger le
conducteur dans certaines situations. Ils permettent ainsi à l’automobiliste de conduire de façon
plus décontractée mais sans pour autant le déresponsabiliser. Concernant le facteur d’économie
de carburant, l’argument utilisé consiste à dire que l’augmentation de la fluidité du trafic et une
conduite plus souple, assurée par les systèmes ACC, permettent de réduire la consommation.
Certaines études [VE03, BI01] dans le contexte du trafic avec des véhicules équipés du système
ACC et des véhicules non équipés montrent une baisse de consommation grâce à ces systèmes.
Mais dans certains cas, l’utilisation d’un tel système donne des résultats négatifs, notamment

15
Chapitre 1. État de l’art

avec le maintien d’une vitesse constante sur un parcours sinueux et avec des pentes. Le fait
d’introduire l’aspect d’économie de carburant dans la conception de ces systèmes [LhHPH10]
pourrait améliorer leur efficacité énergétique. C’est aussi le cas du système développé par E.
Hellstrom [Hel10] qui sera explicité un peu plus loin.
Comme les systèmes ACC, les systèmes d’adaptation intelligente de la vitesse ISA (Intelligent
Speed Adaptation) [ESLR06, Ehr] n’ont pas été conçus dans le but de réduire la consommation.
Il s’agit donc de systèmes qui permettent de récupérer la limitation locale de vitesse et utilisent
cette information pour la répercuter au conducteur ou limiter la vitesse du véhicule. L’influence
sur la consommation de carburant du véhicule qui en est équipé n’est prouvée qu’après différentes
études [LCG+ 08, BBD+ 09, SPE08]. Le résultat le plus fréquemment cité est la conclusion d’une
expérimentation de recherche qui a eu lieu en Angleterre et réalisée par l’Université de Leeds
[CM00]. Avec l’hypothèse d’une pénétration complète du système ISA, [Car05] conclut à une
réduction d’environ 8% de la consommation de carburant dans les zones urbaines et seulement
2% sur les autoroutes. D’autres études similaires [Min01] estiment aussi une réduction de la
consommation de carburant de près de 11%. Il existe par ailleurs des études qui ne donnent pas la
même conclusion. L’étude récemment réalisée par l’université de Monash en Australie [RTY+ 06]
trouve seulement une réduction de consommation dans la zone de limitation de vitesse de 80
km/h et avec une combinaison du système ISA et du système d’alerte de distance de sécurité
(FDW pour Following Distance Warning system).
À partir de ces deux exemples, on peut conclure que l’efficacité énergétique de ces systèmes
reste encore un sujet en discussion. Il faut remarquer tout de même qu’ils augmentent certaine-
ment la sécurité et le confort du conducteur et que cela ajoute peut être un effet psychologique
favorable à une conduite plus écologique.

Informer, Suggérer et Apprendre

Ce concept n’a été développé que ces dernières années. Il consiste à la fois à informer le
conducteur sur sa conduite, lui suggérer des consignes à suivre pour réduire sa consommation et
de lui inculquer à terme une conduite plus éco-responsable. Deux principaux axes de développe-
ment sont notamment envisagés. D’un côté, on a des systèmes d’aide à la conduite embarqués
sur le véhicule (projet GERICO [BB06], tableau de bord éco-conduite de HONDA et de l’autre
côté, des systèmes issus du concept MDD (pour Modern Drive Devices). La différence principale
entre ces deux types de systèmes provient de la façon de fournir des conseils au conducteur. Les
systèmes embarqués sont capables de délivrer des informations, des suggestions en temps réel
et adaptés au trajet. Le concept MDD quant à lui met l’accent sur les analyses et les conseils
donnés au conducteur une fois que le trajet est achevé grâce à des programmes informatiques
d’analyse statistique. A ces conseils le conducteur peut avoir un meilleur comportement lors du
prochain passage sur le trajet. La suite de ce paragraphe nous permet de discuter plus en détails
ces systèmes.

Systèmes embarqués

Le principe des systèmes embarqués peut se résumer par la figure 1.8.

Ils se composent de trois parties : les capteurs, le module de calcul et l’interface graphique.
La première comprend les différents capteurs (récepteur GPS, radar, carte d’acquisition du bus
CAN...) pour acquérir des informations sur la route, sur le trajet, sur les consignes de sécurité
et sur l’état du véhicule. À partir de ces informations, le module de calcul cherche des consignes
en vitesse et de rapport de boîtes dites optimales en économie de carburant. Ces informations

16
 1.2. Systèmes d’aide à la conduite écologique

Fig. 1.8: Structure des systèmes d’aide à la conduite écologique embarqués

sont ensuite transférées au conducteur grâce à des interfaces graphiques dans le cas des systèmes
suggestifs ou sont considérées comme des consignes d’entrée des systèmes de commande dans le
cas des systèmes actifs.
Si les architectures globales de ces systèmes se ressemblent, les stratégies de réduction de
consommation ainsi que la conception de l’interface sont différentes.
Dans [vdVDvM01], les auteurs proposent un prototype qui permet de réduire la consomma-
tion en carburant en se basant sur un concept s’appelant "modèle normatif". Ce modèle décrit
les comportements optimaux du conducteur dans un large contexte connu sous le nom des états.
Ils sont appelés par exemple l’état d’accélération, de freinage, ou de croisière, ... Le comporte-
ment du conducteur actuel est alors comparé au comportement optimal. Si un large écart est
détecté, ce comportement va être signalé au conducteur. Les conseils donnés au conducteur sont
déterminés par un planificateur qui inclut en même temps l’aspect sécuritaire. Le conseil va être
annulé s’il provoque une situation d’insécurité pour le conducteur. Les paramètres utilisés pour
ce système sont la vitesse du véhicule, le régime moteur, l’embrayage, le rapport de boîte, les
positions des pédales, le couple de freinage, l’angle de braquage et le temps inter-véhiculaire.
Le principe de cette stratégie consiste à faire fonctionner le moteur dans sa zone de fonction-
nement optimale. Pour cela, la cartographie du moteur qui relie la consommation spécifique du
moteur, le régime et le couple moteur est utilisée. Les consignes en vitesse et de rapport de boîte
à suivre sont données au conducteur via une Interface Homme-Machine. Elle est présentée dans
la figure 1.9.
Elle est composée d’une échelle de six LEDs de couleur vert, jaune et rouge indiquant l’écart
entre la conduite réalisée et la conduite optimale. Des messages courts sont aussi donnés si le
conducteur doit changer le rapport de boîte. Le système a été testé sur un simulateur de conduite
et un gain de carburant est démontré.
Les informations données dans [vdVDvM01] nous laissent tout de même perplexe. En effet, il
manque les détails concernant la détermination des comportements optimaux. On a l’impression
que le système se base sur un système de décision dont la référence est l’ensemble des conseils
d’éco-conduite. Par conséquent, la cartographie du moteur ne semble pas indispensable. De plus,
le gradient de la route, un des paramètres s’avérant important n’est pas pris en compte.
Une autre approche qui semble plus rigoureuse et qui donnerait des résultats encourageants

17
Chapitre 1. État de l’art

Fig. 1.9: Interface proposée dans [vdVDvM01]

consiste à comparer le profil du conducteur avec un profil dit optimal. Celui-ci est obtenu avec la
formulation d’un problème de contrôle optimal. Cette stratégie va être discutée dans le chapitre
4. À ce stade, on se contente de citer les différents travaux ayant abordé ce type d’approche.
Schwarzkopf et Leipnik [SL77] semblent les premiers à essayer de mettre en place le problème
de contrôle optimal. Ils calculent les trajectoires optimales pour une accélération, de la position
d’arrêt à une vitesse de croisière donnée. Les polynômes quadratiques sont utilisés pour modé-
liser les performances du véhicule et le contrôle optimal est obtenu en utilisant le principe du
maximum de Pontryagin. Hooker [Hoo83], [Hoo88] obtient des solutions numériques plus précises
avec le simulateur de consommation de carburant et la programmation dynamique. Il calcule le
contrôle optimal pour certaines situations de conduite. L’inconvénient de la méthode de Hooker
est l’investissement à apporter pour faire des tests pour obtenir notamment le simulateur des
performances du véhicule. Les études plus récentes [LBML08, LBML08, HFN05] appliquent cette
approche dans différents contextes. On peut aussi citer les travaux de Scordia [SDrT+ 05]. L’objec-
tif est de déterminer le point de fonctionnement optimal du moteur thermique en travaillant sur
le couplage de ce dernier avec un moteur électrique dans une architecture hybride. Le problème
d’optimisation formulé tient compte des différents paramètres du véhicule, du moteur thermique
et du moteur électrique. Il est résolu numériquement par la programmation dynamique.
En résumé, les systèmes embarqués offrent une précision encourageante des consignes à don-
ner au conducteur. Par contre, le développement et l’intégration de ces systèmes dans les véhi-
cules actuels demandent encore beaucoup d’investissement et du temps. Dans les années à venir,
avec des véhicules qui communiquent entre eux et des bases de données routières 3D (comme
proposent le projet NEXTMap d’Intermap ou la société NAVTEQ) qui seront disponibles, ces
systèmes peuvent apporter un plus dans l’argument de vente des constructeurs et peuvent être
intégré dans de nouveaux modèles de véhicule.

Systèmes MDD

Contrairement aux systèmes embarqués, le concept MDD ne vise pas à donner des consignes
précises en temps réel car le processus ne le permet pas. L’objectif de ce concept est de donner
aux conducteurs les informations personnalisées sur son attitude au volant pour qu’il puisse
l’améliorer.
La figure 1.10 résume ce concept.
Le système enregistre les données liées au véhicule le long du trajet. Certaines informations
comme la consommation moyenne, la distance parcourue,... sont fournies au conducteur. À la

18
 1.2. Systèmes d’aide à la conduite écologique

Fig. 1.10: Concept MDD

fin du trajet, les données enregistrées peuvent être transférées vers un ordinateur sur lequel un
logiciel d’analyse est pré-installé. En travaillant sur les informations dynamiques du véhicule
(accélération, vitesse, rapport de boîte, régime moteur,...), le programme fournit au conducteur
des fiches de synthèse, des graphiques et des conseils sur sa conduite. Toutes ces informations de-
viennent donc des supports que les conducteurs peuvent utiliser pour se former à l’éco-conduite.
Sans parler de l’efficacité de cette méthode, qui n’est pas reconnue à l’heure actuelle, ce concept
demande aux utilisateurs une certaine capacité d’analyse, de synthèse et surtout de la patience.
Les lacunes informatiques peuvent aussi écarter certaines catégories d’utilisateurs notamment
les conducteurs âgés. C’est pour cela que ce type de système convient mieux à des moniteurs de
conduite ou à des gestionnaires de flotte.

Que peut-on encore imaginer ?

En terme de conception architecturale, le fonctionnement d’un système d’assistance écolo-

gique au conducteur peut être décrit par le scénario suivant. Le conducteur après avoir attaché
sa ceinture communique au système le point d’arrivée qu’il souhaite. Le système de navigation
propose au conducteur un itinéraire le plus économique en carburant et en temps de trajet. En-
suite, le système va émettre des suggestions aux conducteurs tout au long du trajet pour adopter
un profil de vitesse le plus adapté possible à la géométrie de la route, aux conditions du trafic et
aux consignes de sécurité. À la fin du trajet, des synthèses peuvent être données au conducteur
pour qu’il puisse encore améliorer son interaction avec les consignes données par le système. On
voit dans ce scénario la complémentarité des différentes approches. On s’intéresse dans le cadre
d’étude à la partie permettant de fournir au conducteur les consignes en temps réel.

1.2.2 Systèmes commercialisés

Comme on l’a souligné précédemment, le nombre de systèmes d’aide à la conduite écologique

reste encore très limité sur le marché surtout celui concernant les systèmes embarqués. Il existe
tout de même des intentions de les intégrer dans les voitures haut de gamme de la part de certains
constructeurs et des produits du concept MDD qui sont proposés par certaines sociétés. Cette
section nous permet de regarder des propositions sur le marché actuel.

19
Chapitre 1. État de l’art

Projet GERICO

Le projet GERICO (Gestion de l’Énergie paR Interface COnducteur) est lancé depuis dé-
cembre 2003 avec le soutien de l’ADEME qui rassemble de nombreux partenaires dont Conti-
nental Automotive, la Ville de Toulouse, Eurisco Internationnal, INP de Toulouse...L’objectif du
projet est de proposer un système donnant des informations au conducteur en vue de l’aider à
réduire l’énergie et le carburant qu’il consomme.
Le système fonctionne au moyen d’un logiciel intégrant des données cartographiques réguliè-
rement actualisées. Le conducteur reçoit sur son tableau de bord des conseils sur les vitesses à
utiliser en fonction de la route empruntée ainsi que sur le rapport de boîte optimal en vue de
réduire les consommations de carburant (figure 1.11).

Fig. 1.11: Tableau de bord proposé dans le projet GERICO

Sur le tableau de bord, les informations suivantes sont affichées :

– la vitesse à pratiquer et le rapport à utiliser en fonction des attributs de la route et de la
vitesse du véhicule
– la consommation de carburant prévue pour le trajet en cours
– les messages de prévention et d’alerte
Un dispositif de guidage par GPS peut être installé en complément, permettant alors à l’auto-
mobiliste d’être guidé dans son parcours (figure 1.12).

Fig. 1.12: Interface sur véhicule Astra

Une industrialisation de ce système a été envisagée pour l’horizon 2010 (source ADEME).
Mais pour l’instant, ce système n’est toujours pas disponible sur le marché.

20
 1.2. Systèmes d’aide à la conduite écologique

Système Eco AssistTM de HONDA

Dans la même famille de systèmes embarqués, le constructeur HONDA a annoncé courant

2008 que sa nouvelle série hybride Insight serait équipée d’un système d’aide à la conduite
écologique baptisé Eco AssistTM . Ce système dispose de plusieurs fonctions. La première consiste
à optimiser le contrôle des éléments du groupe motopropulseur (transmission continuellement
variable (TCV), moteur et composantes connexes) en activant le mode ECON. Dans le même
temps, il ajuste le fonctionnement du climatiseur, augmente la possibilité d’engager plus tôt la
fonction d’arrêt au ralenti et accroît la recharge de la batterie pendant le freinage. Le deuxième
module permet de sensibiliser le conducteur à sa conduite instantanée. Sur le tableau de bord,
la consommation de carburant instantanée est affichée en temps réel. De plus, le compteur de
vitesse change de couleur en fonction de la conduite du conducteur : du vert pour une conduite
économe au bleu pour une consommation excessive (figure 1.13).

Fig. 1.13: Système Eco AssistTM présenté par HONDA

Par ailleurs, un autre module donne une appréciation générale de la conduite du conducteur.
Des informations sous forme graphique donnent au conducteur les économies de carburant qu’il
a obtenues lors de ses trois derniers trajets. Le système de pointage permet de mesurer le progrès
de la conduite au fur et à mesure en faisant pousser les graphiques ludiques sous forme de
feuilles d’arbre. Ainsi le conducteur obtient une rétroaction de sa conduite à la fois instantanée
et cumulative.
Ce système permet donc de faire de l’économie de carburant en agissant sur le véhicule
mais en même temps sur la conduite du conducteur. Il utilise simultanément le concept des
systèmes embarquées comme le système GERICO et le concept MDD. D’après les communiqués
du constructeur, la série hybride Honda Insight équipée de ce système va être commercialisée
prochainement.

21
Chapitre 1. État de l’art

Systèmes MDD

Contrairement aux systèmes embarqués dont l’intégration sur les véhicules semble difficile,
les systèmes MDD sont techniquement favorables pour leur pénétration dans la flotte actuelle.
C’est une des raisons pour lesquelles, il existe plus de produits de ce type sur le marché.
La société finlandaise Paetronics Oy propose le système appelé ECOREAD ECONEN II.
C’est un dispositif simple qui comprend une carte de lecture et un système d’affichage et permet
d’enregistrer et d’afficher les informations en temps réel de la consommation et de la vitesse du
véhicule, du temps de trajet, du temps d’arrêt (figure 1.14).

Fig. 1.14: Système ECOREAD ECONEN II proposé par la société Finlandaise Paetronics Oy

Une fois la journée terminée, le conducteur peut transférer les données sur l’ordinateur pour
analyser sa conduite.
Dans le même esprit, la société Nomadic Solution et le constructeur Fiat proposent respecti-
vement le système EcoGyzer et le logiciel Fiat EcoDrive. Ces deux systèmes donnent une analyse
détaillée de la conduite.
Le logiciel EcoDrive n’est compatible qu’avec des voitures du groupe Fiat équipées d’un
système de communication Blue and Me. Il faut conduire avec une clé USB branchée sur la
voiture. À la fin de la journée, il faut brancher la clé USB sur un PC sur lequel le programme
EcoDrive a été préalablement installé. Une note sur 100 (un éco index) est donnée au conducteur
et des conseils sont délivrés pour améliorer ce score (figure 1.15). L’utilisateur peut aussi suivre
ses kilomètres journaliers et l’évolution de ses émissions de CO2. Fiat affirme qu’une réduction
de consommation d’essence de 15% est possible en suivant ce programme.
Le système EcoGyzer présente tout de même quelques différences. Les analyses faites par
ce système se basent uniquement sur les données dynamiques du véhicule (vitesse, accélération,
décélération et kilomètres parcourus). Elles sont recueillies grâce à un récepteur GPS et un accé-
léromètre installés dans le boiter. Cela lui offre comme avantage l’installation facile de l’appareil
sur le tableau de bord avec comme alimentation l’allume-cigare.
Comme le logiciel EcoDrive, le système réalise une analyse détaillée de la conduite en confron-
tant les données recueillies à celles correspondant à une conduite écologique définie pour chaque

22
 1.2. Systèmes d’aide à la conduite écologique

Fig. 1.15: Interface du logiciel EcoDrive du constructeur FIAT

type de véhicule. Par conséquent, les paramètres de la voiture doivent être préalablement ren-
seignés par l’utilisateur (données de la carte grise, puissance, motorisation, énergie,...) (figure
1.16). Le logiciel propose également à son utilisateur de suivre dans le temps ses performances
en matière d’éco-conduite.

Fig. 1.16: Boitier EcoGyzer et Interface du logiciel proposé par la société Nomadic Solution

La version pour les nomades quand à elle permet au conducteur de visualiser certaines infor-
mations en temps réel comme la consommation, les messages de conseils...(figure 1.17).

Fig. 1.17: Version EcoGyzer pour les nomades

Dans une approche un peu différente, le logiciel EcoRoute compatible avec le système de

23
Chapitre 1. État de l’art

navigation GPS Garmin nüvi propose un itinéraire avec en plus des informations sur la consom-
mation (figure 1.18). Cela permet au conducteur de faire un choix d’itinéraire tenant compte de
l’aspect environnemental. Cette idée se retrouve dans les travaux présentés dans [ELBF06].

Fig. 1.18: Logiciel EcoRoute compatible avec les GPS Garmin Nüvi

Le logiciel présente des fonctionnalités comme le mode challenge qui permet au conducteur de
comparer ses différentes conduites sur le même trajet en terme de consommation et d’émissions
de CO2 .

1.2.3 Gains en économie de carburant

Les systèmes d’aide à la conduite écologiques n’ont été que récemment introduits sur le mar-
ché. Aucune étude statique sur leurs gains en économie de carburant dans les conditions réelles
n’est réalisée jusqu’à maintenant. Il est donc difficile de conclure sur l’efficacité de ces systèmes.
Les gains potentiels sont notamment annoncés par les travaux de recherche cités précédemment.
L’évaluation du prototype proposé dans [vdVDvM01] sur des simulateurs montre qu’une
baisse de la consommation totale de 16% est possible. Il est noté qu’un même conducteur ne
peut réduire sa consommation que de 9% en suivant les consignes d’éco-conduite. Cela signifie
d’après l’auteur que le système apporte une réduction supplémentaire de 7% à un conducteur
écologique. Ainsi ce gain atteint 16% en condition de trafic urbain. Dans le cadre du projet GE-
RICO, le système est implanté et testé sur un véhicule d’essai (Renault Mégane Scénic) dans les
environs de Toulouse. L’analyse comparative des tests effectués a montré que le système d’as-
sistance embarqué est plus efficace qu’une formation à la conduite économe, avec une réduction
de 17% de la consommation de carburant contre une réduction de 11%. L’analyse approfondie
des performances du système a montré que la réduction de la vitesse permet une plus grande
réduction de la consommation en carburant à l’extérieur plutôt qu’à l’intérieur des villes et que
la bonne sélection du rapport de boîte de vitesses a principalement des effets en ville.
Concernant les systèmes MDD, le gain apporté par ces systèmes n’est toujours pas connu. Si
le constructeur FIAT prétend que son dispositif peut faire chuter la consommation de 15%, les
avis des utilisateurs restent mitigés. On attend peut être une étude de plus grande envergure et
indépendante quant à l’efficacité de ces systèmes. Il faut souligner tout de même que ces systèmes
peuvent inciter les conducteurs à prendre conscience d’une conduite écologique.

24
 1.3. Discussion sur la consommation des véhicules lourds

1.3 Discussion sur la consommation des véhicules lourds

Jusqu’à maintenant, même si on ne distingue pas les différents types de véhicules dans le
transport routier, l’accent a été mis sur le secteur automobile. Les véhicules lourds comprennent
les poids lourds, les bus et les cars sont de gros consommateurs de carburant du secteur de
transport routier. Cela est apparu dans le "Bilan de la circulation en 2008" du Ministère de
l’écologie, du développement durable, des transports et du logement (figure 1.19).

Fig. 1.19: Bilan de la circulation des transports en France en 2008 [dledS]

En effet, si le nombre de véhicules lourds ne représente que 1.69% du parc français de véhicules,
leur consommation totale représente jusqu’à 20.3% de la consommation du parc. Cela est expliqué
par le fait que même si leur nombre n’est que de 630 000 véhicules parmi les 37 millions du parc,
leur parcours moyen et leur consommation moyenne sont beaucoup plus élevés que ceux des
voitures particulières et des véhicules utilitaires légers. En effet, le parcours moyen d’un véhicule
lourd est de 41 274 km, presque trois fois plus élevé que celui des voitures particulières (12
850 km) ou des véhicules utilitaires légers (VUL) (16 016 km). Leur consommation moyenne
est de 35.1 l/100km, presque quatre fois plus élevée que celle des VUL (9.4 l/100km) et cinq
fois plus élevée que celle des voitures particulières. Avec des caractéristiques qui sont propres
aux véhicules lourds (masse, objectif d’utilisation, trajet emprunté,....), les différentes mesures et
approches citées ci-dessus ont probablement des impacts différents par rapport aux autres types
de véhicule.
Concernant les systèmes d’aide à la conduite, si on admet qu’un gain d’économie de carburant
de 15% est possible, l’incitation financière pour adopter ces mesures ne serait pas pareil entre
un conducteur de poids lourds et un automobiliste. Si on reprend les même chiffres donnés
ci-dessus et en supposant que le prix du gasoil est de 1.07e le litre, l’économie en 2008 d’un
conducteur de véhicule lourd est de 2317e contre 140e pour un particulier. Ce qui fait tout
de même une énorme différence. De plus, les véhicules lourds sont plus souvent utilisés dans
un but commercial, ce qui n’est pas le cas des voitures qui sont utilisées en même temps pour
le loisir. Ce gain économique peut donc jouer un rôle encore plus important dans les décisions
d’adoption des mesures écologiques. C’est aussi une des raisons pour lesquelles la pénétration
des mesures réduisant la consommation dans le parc actuel est probablement plus facile dans le
cas des véhicules lourds que dans les véhicules légers.
Pourtant, à notre connaissance, il existe actuellement peu de projets de recherche sur le
développement de ces systèmes dans les véhicules lourds. On peut les comptabiliser au nombre

25
Chapitre 1. État de l’art

de deux.
Le premier est le projet PREDIT-ANR-ANGO [LBML08, LBM+ 08] dans le domaine du
transport public. Dans ce projet, le trajet du bus est parfaitement connu car en site propre.
Un ensemble de trajectoires optimales est calculé hors-ligne. Une stratégie a été ensuite mise
en place pour utiliser ces trajectoires en temps réel en tenant compte notamment de l’approche
du bus aux feux rouges et les arrêts aux stations. Ce système informatif communique avec le
conducteur à travers une interface homme-machine qui comprend un écran et une échelle de
diode. Les consignes de conduite optimale sont présentées au conducteur sous la forme d’une
échelle verticale de neuf LED. Cette série de diodes de trois couleurs différentes (jaune, vert et
rouge) permet au chauffeur de doser l’effet d’accélération qu’il doit fournir. En complément de
ces consignes de conduite, un écran positionné latéralement par rapport au chauffeur, indiquera
plusieurs valeurs présentant différents aspects de la consommation (consommation instantanée,
moyenne et journalière) afin d’apporter au chauffeur une information plus explicite concernant
l’incidence de l’application des consignes sur la consommation. Ce système combine donc le
concept "Informer, Suggérer et Apprendre" qu’on a discuté précédemment. Des tests sont en
cours pour étudier l’efficacité d’un tel système.
Le deuxième projet est celui relaté dans les travaux de E. Hellstrom [HFN05, Hel05, Hel10]
cités auparavant. Il s’agit cette fois d’un système actif permettant d’assister le conducteur. L’ob-
jectif est de concevoir un régulateur de vitesse en tenant compte de l’aspect d’économie de
carburant. Pour cela, la cartographie de la route est supposée disponible. La formulation d’un
problème d’optimisation est utilisée avec comme variables de contrôle la position des pédales
d’accélérateur et de freinage et le rapport de vitesse. La stratégie prédictive avec un horizon élec-
tronique permet d’ajouter l’aspect d’anticipation dans les consignes de commande. Le gain de
consommation obtenu avec ce système sur les pistes d’essai est de 3.5% comparé à une utilisation
d’un système ACC.
Ces deux travaux qui représentent les concepts "Assister" et "Informer, Suggérer et Ap-
prendre" montrent le potentiel d’économie de carburant des systèmes d’aide à la conduite dans
le contexte des véhicules lourds. Il est alors intéressant d’avoir maintenant une comparaison de
l’efficacité des systèmes d’aide à la conduite appliqués aux véhicules légers. En terme de straté-
gie utilisée, on voit intervenir non seulement le véhicule mais aussi les données d’infrastructure.
Ce point est nouveau. Ces systèmes peuvent être considérés comme représentatif d’une nouvelle
génération de systèmes d’assistance écologique au conducteur .

1.4 Conclusion
Dans ce chapitre, la problématique du réchauffement climatique liée au développement du
transport routier est exposée. Une mise en situation est donnée avec par la suite la présentation
des différentes mesures prises et envisagées pour réduire l’impact environnemental de ce secteur.
L’automobiliste reste au centre de ces différentes mesures.
Les avancées technologiques permettent une réduction considérable d’émissions de C02 des
véhicules. L’amélioration des infrastructures et la gestion plus efficace du trafic permettent de
réduire le temps de trajet et les embouteillages. Quoi qu’il en soit, le bilan des émissions des gaz
à effet de serre ne cesse d’augmenter. En effet, si les émissions unitaires des véhicules diminuent,
le nombre de véhicules circulant sur la route continue à augmenter. De plus, les véhicules plus
propres et moins gourmands en carburant dont le budget alloué diminue peut inciter des automo-
bilistes à prendre plus souvent la voiture. Ceci augmentera le kilométrage moyen des véhicules et
entrainera donc plus d’émissions de CO2 . Les mêmes effets peuvent exister avec d’autres mesures.

26
 1.4. Conclusion

Des infrastructures plus intelligentes permettent d’augmenter la fluidité du trafic, de diminuer

le temps de trajet, d’éviter les bouchons et donc donnent plus de confort au conducteur. La
question soulevée est alors : Est ce que ce confort et cette liberté retrouvés pourrait inciter les
automobilistes qui ont abandonné leur véhicule pour les transports en commun à retourner à
leurs habitudes d’automobilistes ? C’est pour tout cela que la sensibilisation des automobilistes
sur la question écologique reste toujours une mesure à maintenir. Dans ce contexte, les systèmes
d’aide à la conduite écologique peuvent avoir leur place dans le secteur automobile dans les
années à venir.
Si l’efficacité énergétique des systèmes MDD et d’autres systèmes comme ISA ou ACC n’est
pas très connue ou pas encore claire, celle des systèmes embarqués écologiques semble évidente.
Mais pour une intégration dans les véhicules des années à venir, le système ne doit pas se contenter
d’un seul objectif d’économie de carburant. En effet, avec toutes les technologies et informations
qui seraient mises à disposition, le système doit en plus être capable d’améliorer le confort et
surtout la sécurité des passagers. C’est dans cet esprit que sera conduite notre recherche dans le
contexte des véhicules légers tout en gardant une extension possible vers des véhicules lourds.

27
Chapitre 1. État de l’art

28
 Chapitre 2

Modélisation du véhicule et de la
consommation

Sommaire
2.1 Modèle longitudinal du véhicule . . . . . . . . . . . . . . . . . . . . . 29
2.1.1 Forces opposées au mouvement du véhicule . . . . . . . . . . . . . . . . 30
2.1.2 Force aux roues fournie par le moteur . . . . . . . . . . . . . . . . . . . 32
2.1.3 Équation du mouvement longitudinal . . . . . . . . . . . . . . . . . . . 35
2.1.4 Discussion sur le modèle utilisé . . . . . . . . . . . . . . . . . . . . . . . 36
2.2 Modèle de consommation . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.2 Quelques modèles existants . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.3 Développement d’un modèle de consommation à partir de données ex-
périmentales [LNM09] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Ce chapitre présente la modélisation de la dynamique longitudinale et de la consommation en

carburant du véhicule. Ces modèles permettent de prédire le mouvement longitudinal du véhicule
et d’évaluer sa consommation durant le trajet. Il faut noter qu’il existe déjà des travaux sur ce
thème. La tâche consiste alors à les adapter à notre besoin dans le cas du modèle dynamique
longitudinal ou de proposer des nouveaux modèles plus adaptés dans le cas de la modélisation de
la consommation. Dans cette démarche, nous allons proposer des alternatives pour contourner
des absences d’information ou d’instrumentation que nous allons préciser tout au long de ce
chapitre. L’ensemble des démarches de modélisation peut se résumer alors de façon suivante.
L’équation du mouvement longitudinal est obtenue à partir des forces externes appliquées au
véhicule et du système de transmission en appliquant les principes de base de la mécanique
dont les détails sont présentés dans [KN00, Gil92]. La validité du modèle va être illustrée par
des simulations. Ensuite, le modèle de la consommation de carburant est construit à partir de
données expérimentales acquises avec des véhicules instrumentés. Le modèle utilisé est aussi
validé sur deux types de véhicules légers différents.

2.1 Modèle longitudinal du véhicule

Pour obtenir le modèle longitudinal du véhicule, on utilise le principe fondamental de la
Dynamique qui s’écrit : X
M~a = F~ (2.1)

29
Chapitre 2. Modélisation du véhicule et de la consommation

P~
avec ~a l’accélération du véhicule et F la somme des forces exercées sur le véhicule. On y
distinguera Fx la force tractrice disponible aux roues fournie par le moteur et F~ext l’ensemble
~
des forces extérieures.
On remarque que les principales forces résistantes sont la force aérodynamique F~A , la force
résistante au roulement F~R et la force de gravité F~G . Sur la figure 2.1, elles sont représentées par
leurs normes notées respectivement FA , FR et FG et par leur directions indiquées par le sens des
flèches. Dans le cas d’une montée avec un angle de θ, toutes ces forces sont opposées au sens du
mouvement du véhicule. La force tractrice F~x est quant à elle dans le sens du trajet.

Fig. 2.1: Différentes forces résistantes longitudinales agissant sur le véhicule

Par la suite, les normes des vecteurs sont utilisées avec comme convention de signe suivante.
Le signe "+" est utilisé pour les forces dans le sens du trajet et le signe "-" est pour celles
opposées au mouvement du véhicule.

2.1.1 Forces opposées au mouvement du véhicule

Force aérodynamique
La force aérodynamique FA est calculée par l’expression :
1
FA = ρSCx vr2 (2.2)
2
avec ρ est la densité de l’air en kg/m3 , S la surface frontale du véhicule en m2 , Cx le coefficient
de résistance aérodynamique, vr la vitesse relative du véhicule au vent en m/s.
Cette force varie en fonction de l’allure du véhicule mais aussi des conditions météo et de
l’altitude. Cette variation est très complexe et dépend de nombreux facteurs. Différents travaux
[JK78, Big87, Ben89] permettent d’estimer par exemple l’influence de la température et de l’alti-
tude sur la densité de l’air. Ainsi une relation entre la densité de l’air ρ en fonction de l’altitude
ALT et de la température Tair est proposée dans [Ben89] sous la forme :

ρ = 0.0566 + 1.225(1 − 2.26 ∗ 10− 5ALT )4 .225 − 0.00377Tair (2.3)

ρ vaut alors par exemple 1.2Kg/m3 à 200 m d’altitude avec une température de 15˚C.
Le coefficient de résistance aérodynamique Cx dépend quant à lui de la vitesse relative du
véhicule au vent vr et de l’angle d’incidence du vent. Ces deux paramètres sont difficiles à mesurer

30
 2.1. Modèle longitudinal du véhicule

de façon précise et varient beaucoup lors d’un trajet. Pour cela, les auteurs [Big87, Gre03] ont
proposé l’approche suivante : Tout d’abord, le coefficient de résistance aérodynamique nominal
Cxnominal est obtenu par des tests dans un tunnel avec un angle d’incidence du vent nul. Ensuite,
pour retrouver un coefficient proche de celui qui peut être obtenu sur la route, le coefficient
nominal est ajusté par un coefficient de multiplication moyen de l’ordre de 1.25 pour une vitesse
moyenne du vent entre 3 et 5 m/s. En appliquant le même principe, cette approche calcule la
vitesse relative du véhicule au vent vr par la relation vr = 1.02v, avec v la vitesse du véhicule.

Force résistante au roulement

La force résistante au roulement FR s’écrit généralement sous la forme :
FR = M gCR (2.4)
avec CR le coefficient de résistance au roulement, M la masse du véhicule en kg et g l’accélération
par gravité en m/s2 .
Bien que l’équation (2.4) reste standard, le calcul du coefficient CR est l’objet de plusieurs
travaux. Cenek [Cen94] a trouvé que CR dépendait de la vitesse du véhicule. La forme commune
s’écrit :
CR = Co + Cv v Cm (2.5)
avec Co le coefficient statique de la résistance au roulement, Cv le coefficient dynamique de la
résistance au roulement en 1/(m/s)Cm et Cm vaut 2 dans le cas des véhicules légers.
Watanatada [WHP+ 87] calcule le coefficient CR pour les voitures en fonction de la rugosité
de la route en utilisant l’équation (2.6) :
CR = 0.0218 + 0.00061IRI (2.6)
avec IRI la rugosité de la route en m/km.
Ces données seront intéressantes si on souhaite dans le futur affiner le modèle et qu’on a
plus de possibilités d’obtenir les mesures précises de ces paramètres. Dans notre étude, une
valeur moyenne de CR sera utilisée car d’une côté, on ne dispose aucun moyen pour vérifier la
validité de ces formules et de l’autre côté, les équations (2.5 et 2.6) dépendent des paramètres
très variables suivant le trajet. Une valeur moyenne de CR reste alors justifiée.

Force de gravité
La force de gravité est prise en compte dans le mode longitudinal lorsque le véhicule est sur
une route non plane. Les ingénieurs, qui travaillent sur la conception d’une route définissent une
pente comme une route qui descend et la rampe comme une route qui monte. Dans ce mémoire,
la pente est utilisée comme un terme générique pour ces deux cas. La décomposition de cette
force sur la direction du trajet donne la relation suivante :
FG = M gsin(θ) (2.7)
avec θ la pente de la route.
Comme θ demeure faible, la relation θ ≃ sin(θ) ≃ tan(θ) est vérifiée avec une erreur de
seulement de 1.03% dans le cas d’une pente de 10 deg. D’ailleurs, on utilise le plus souvent la
formule tan(θ) = GR/100 où GR est le gradient de la route en pourcentage. L’équation (2.7)
s’écrit alors :
FG = M gGR10−2 (2.8)
Nous détaillons par la suite la force aux roues fournie par le moteur via le système de trans-
mission.

31
Chapitre 2. Modélisation du véhicule et de la consommation

2.1.2 Force aux roues fournie par le moteur

Les différents composants de la transmission sont décrits par la figure 2.2

Fig. 2.2: Système de transmission

Moteur

Le moteur utilisé est un moteur essence à combustion interne. La modélisation du moteur

thermique d’un véhicule léger est présentée dans [Nou02]. Néanmoins, l’identification des diffé-
rents paramètres du modèle pour un autre modèle est extrêmement difficile et demande beaucoup
d’effort et d’équipements. C’est pour cette raison qu’une cartographie du moteur est utilisée dans
les simulations. Cette cartographie est utile pour la validation de notre approche, mais il subsiste
des problèmes qui seront signalés par la suite.
La cartographie relie le couple moteur Te délivré à la sortie du moteur à la position de la
pédale d’accélérateur αt et au régime moteur ωe . Ce couple s’écrit alors :

Te = f (ωe , αt ) (2.9)

Cette relation est représentée sur la figure 2.3.

200

150
Couple moteur (Nm)

100

50

−50
8000 100
6000
4000 50
2000 Position pédale (%)
Régime moteur (tr/mn) 0 0

Fig. 2.3: Cartographie du moteur du véhicule Renault Laguna

32
 2.1. Modèle longitudinal du véhicule

Le couple maximal peut être approximé par un polynôme d’ordre deux sous la forme de
l’équation (2.10).

T eub = α1 + α2 ωe + α3 ωe2 (2.10)

Cette contrainte va être prise en compte lors de la formulation du problème d’optimisation.
L’utilisation de la cartographie permet d’avoir des simulations proches des conditions réelles
et aboutit donc une meilleure validation de la méthodologie. Un problème se pose alors pour
la phase d’expérimentation. En effet, la cartographie à notre disposition est celle d’un véhicule
Renault Laguna alors que le véhicule à notre disposition au LIVIC et sur lequel les tests seront
effectués est une Renault Clio Eco2. Les moteurs de ces véhicules possèdent évidemment des
caractéristiques très différentes. La comparaison entre le couple maximal du moteur Renault
Laguna et celui de la Renault Clio Eco2 en est un exemple.
La figure 2.4 montre le couple maximal que peut fournir le moteur de la Renault Laguna. De
ce tracé, il apparaît que l’approximation de ce couple par l’équation (2.10) est justifiée.

170 Couple max réel

Couple max estimé

160

150
Couple (Nm)

140

130
X: 750
Y: 120
120

110

100
1000 2000 3000 4000 5000 6000
Régime (tr/min)

Fig. 2.4: Approximation du couple moteur maximal de la Renault Laguna

Par contre, cette approximation n’est pas forcément valide si on regarde le couple maximal
du moteur TCE 100 du véhicule Renault Eco2 visible sur la figure 2.5
On voit par exemple que le couple moteur maximal de la Renault Eco2 est atteint dans
un intervalle de régime moteur plus large comparativement à celui de la Renault Laguna. Cet
exemple montre qu’on ne peut pas utiliser la même cartographie pour les deux véhicules. Dans la
suite de notre étude, d’un côté, les paramètres du véhicule Renault Laguna seront utilisés pour
les simulations mais de l’autre côté, des alternatives vont être proposées dans la perspective de la
phase de validation expérimentale comme par exemple la conception de la stratégie d’optimisation
du rapport de la boîte de vitesse ou la construction du modèle de consommation en carburant.

Transmission
Le couple moteur Te à la sortie de l’arbre moteur est délivré à l’entrée de la boîte de vitesse via
l’embrayage. En considérant Ie, l’inertie en rotation du moteur et ω̇e , l’accélération angulaire du
moteur et que l’embrayage est sur la position verrouillée, le couple Tc à la sortie de l’embrayage

33
Chapitre 2. Modélisation du véhicule et de la consommation

Fig. 2.5: Approximation du couple moteur maximal de la Renault Eco2

s’écrit :
Tc = Te − Ie ω˙e (2.11)
A la sortie de la boîte de vitesse, le couple à l’entrée se retrouve amplifié par le rapport de
boîte mais subit des pertes dues à l’inertie de la boîte. Le couple s’écrit alors :

Td = (Tc − It ω˙e )Nt (2.12)

avec Nt la valeur du rapport de transmission de la boîte, It l’inertie rotationnelle de la transmis-

sion.
De même, le couple délivré à l’essieu Ta , pour faire tourner les roues et fournissant la force
tractrice au sol, est amplifié par le différentiel avec des pertes dues à l’inertie de l’arbre de
transmission :
Ta = (Td − Id ω˙d )Nf (2.13)
avec Id , l’inertie en rotation de l’arbre de transmission, ω˙d l’accélération angulaire de l’arbre de
transmission et Nf le rapport de réduction du différentiel.
En combinant les équations précédentes, le couple fourni à l’essieu par le moteur à travers la
transmission est donné par :

Ta = ((Te − (Ie + It )ω˙e )Nt − Id ω˙d )Nf (2.14)

Le rendement global de la transmission est proportionnel au produit du rendement des dif-
férents éléments de la transmission. Il dépend très fortement de la valeur du couple moteur. Il
suffit alors de multiplier la valeur du rendement au terme contenant le couple moteur. Cela donne
l’équation (2.15)
Ta = ((ηTe − (Ie + It )ω˙e )Nt − Id ω˙d )Nf (2.15)
′
Si on tient compte du couple de freinage, le couple réel Ta fourni aux essieux s’écrit :
′
Ta = rFx + Iw ω˙w = Ta − Tb (2.16)

avec Fx force tractive au sol, r le rayon des roues et Iw l’inertie rotationnelle des roues.
Par ailleurs, les accélérations angulaires du moteur, de la transmission et des roues sont liées
par les rapports de boîte par les relations ω˙d = Nf ω˙w et ω˙e = Nt ω˙d = Nt Nf ω˙w . L’équation
(2.16) devient alors :

rFx + Iw ω˙w = ηT eNt Nf − {(Ie + It )Nf2 Nt2 + Id Nf2 }ω˙w − Tb (2.17)

34
 2.1. Modèle longitudinal du véhicule

Finalement, la force tractrice aux roues peut s’écrire sous la forme

1
Fx = {ηNf Nt T e − ((Ie + It )Nf2 Nt2 + Id Nf2 + Iw )ω˙w − Tb } (2.18)
r
La force de traction dépend donc de Te , Tb , r, Ni et Ii .

2.1.3 Équation du mouvement longitudinal

En connaissant la force tractrice et les forces s’opposant au mouvement du véhicule, par
application du principe de Newton, on obtient l’équation du mouvement du véhicule :

M v̇ = Fx − FR − FA − FG (2.19)

Pour les forces longitudinales, la notion de glissement est illustrée par le rapport λ. Le glisse-
ment longitudinal diffère selon que le véhicule est en phase de freinage ou en phase d’accélération
et s’écrit :
w −v
λ = rωrω ≥ 0 en accélération
w
rωw −v (2.20)
λ = v < 0 en freinage
En supposant l’absence de glissement longitudinal, les équations (2.20) nous permettent
d’écrire v = rωw , où ωw (rad/s) est la vitesse angulaire de la roue ou encore v̇ = r ω˙w . En
substituant cette dernière relation dans (2.18) et en combinant avec les équations (2.2, 2.4, 2.7)
des forces résistantes longitudinales, on obtient :
ηNf Nt Te v̇
M v̇ = − {(Ie + It )Nf2 Nt2 + Id Nf2 + Iw } 2
r r (2.21)
−M gCR − 0.5ρSCx v 2 − M gsinθ
ou encore
(Ie + It )Nf2 Nt2 + Id Nf2 + Iw ηNf Nt Te Tb
(M + )v̇ = − (2.22)
r2 r r
−M gCR − 0.5ρSCx v 2 − M gsinθ

(Ie + It )Nf2 Nt2 + Id Nf2 + Iw

On appelle la quantité Mr = la masse équivalent des composants
r2
M + Mr
en rotation. La quantité M + Mr s’appelle la masse effective et le rapport est le facteur
M
de masse qui dépend du rapport de boîte engagé.
Finalement on a :
r
v̇ = ∗
M r 2 + Iet Nf2 Nt2 + Idw (2.23)
(ηNf Nt Te − Tb − r(M gCR + 0.5ρSCx v 2 + M gsinθ))

avec Idw = Id Nf2 + Iw et Iet = Ie + It .

La modélisation longitudinale du véhicule est donc décrite par le système d’équations suivant :

 ẋ = vx

 r
v˙x = ∗ (2.24)
 M r + Iet Nf2 Nt2 + Idw
2

 2
(ηNf Nt Te − Tb − r(M gCR + 0.5ρSCx v + M gsinθ))

35
Chapitre 2. Modélisation du véhicule et de la consommation

2.1.4 Discussion sur le modèle utilisé

Le modèle donné par l’équation (2.24) est relativement simple. Les hypothèses qui sont im-
plicitement ou explicitement posées sont :
– la structure du véhicule est rigide et symétrique
– le glissement existant entre les roues et la chaussée est négligé
– le convertisseur de couple ou l’embrayage est considéré comme verrouillé
– le changement de rapport de boîte est instantané
– le point mort n’est pas considéré
L’avantage d’un tel modèle est qu’il est facile à manipuler pour les calculs liés à l’optimisation
qui vont être exposés dans les prochains chapitres. L’identification des paramètres du modèle
requiert des moyens d’essai spécifiques qui ne sont pas disponibles au LIVIC. Ce travail sera
réalisé dans un laboratoire partenaire équipé d’un banc à rouleaux. Actuellement, les données
utilisées pour la simulation sont donc identifiées à partir des diverses informations obtenues dans
la littérature. Cela ne nous empêche pas de prouver une certaine cohérence du modèle avec
quelques tests qui consistent à comparer les résultats de simulation avec les données enregistrées.
Pour cette comparaison, le jeu de données correspondant au véhicule Renault Laguna présenté
dans l’annexe est utilisé. Le schéma simulink est celui de la figure 2.6.

Fig. 2.6: Implantation du modèle sous Matlab/Simulink

Les entrées du modèle sont la position de la pédale d’accélération, le rapport de boîte, la

pente et le couple de freinage. Les deux premiers paramètres sont présentés sur les figures 2.7a
et 2.7b. La pente et le couple de freinage ne sont pas connus et fixés à zéro.
Les figures 2.8a, 2.8b, 2.8c présentent respectivement les valeurs simulées et réelles du régime
moteur, du couple moteur et de la vitesse du véhicule.
On remarque que les données issues de la simulation suivent relativement bien les variations
des données réelles. L’ordre de grandeur des paramètres n’est pas du tout aberrant. On ne peut
donc pas mieux prouver la cohérence du modèle en comparant les données de simulation et les
données réelles car d’une part, le modèle utilisé est un modèle très simplifié et d’autre part, on
ne connaît pas tous les paramètres pour reconstruire les conditions de conduite réelle pendant
l’enregistrement.
Finalement, même si le modèle est simple, il représente assez bien les différents éléments
pouvant influencer la consommation de carburant et la dynamique longitudinale du véhicule.
C’est pour cela que ce modèle sera utilisé dans la suite de notre travail.

36
 2.2. Modèle de consommation

40 5

35
Position de la pédale d’accélérateur (%)

4.5

30
4
25

Rapport de boîte
20 3.5

15
3

10
2.5
5

0 2
5 10 15 20 25 30 35 40 45 50 55 60
5 10 15 20 25 30 35 40 45 50 55 60 Temps (s)
Temps (s)

(a) (b)

Fig. 2.7: Données enregistrées

3500 120
Simulation Simulation
Mesures Mesures
100
3000
Régime moteur (tr/min)

80
Couple moteur (Nm)

2500
60

40
2000

20
1500
0

1000 −20
5 10 15 20 25 30 35 40 45 50 55 60 5 10 15 20 25 30 35 40 45 50 55 60
Temps (s) Temps (s)

(a) (b)

100
Simulation
Mesures

90

80
Vitesse (km/h)

70

60

50

40

30
5 10 15 20 25 30 35 40 45 50 55 60
Temps (s)

(c)

Fig. 2.8: Comparaison de la réponse du modèle aux données réelles

2.2 Modèle de consommation

2.2.1 Généralités
La modélisation de la consommation en carburant et des émissions des véhicules est un
vaste sujet qui peut et doit être traité sur des échelles différentes. Il est évident que les modèles
37
Chapitre 2. Modélisation du véhicule et de la consommation

utilisés pour évaluer la consommation sur un réseau routier large ne doivent pas avoir la même
complexité et requérir la même précision qu’une évaluation locale sur un rond-point ou sur
un réseau moindre et encore moins sur un seul véhicule à un instant précis. On peut donc
distinguer trois types d’approches qui produisent des modèles de consommation macroscopique,
mésoscopique et microscopique. Il est important de souligner qu’un bon modèle macroscopique
n’a pas forcément la bonne précision pour être appliqué à une échelle plus locale, notamment à
l’échelle d’un véhicule. On s’intéressera seulement aux modèles microscopiques qui modélisent la
consommation du véhicule. Nous ne cherchons pas non plus à obtenir un modèle très générique
valable pour tous les types de modèles du véhicule car cela est en dehors du cadre de notre
travail. On se contentera donc de construire un modèle qui représente de façon acceptable la
consommation de deux types de véhicules qui sont la Renault Laguna II et la Renault Clio eo2.
L’objectif de cette partie est alors double. D’une part, on présente le modèle de consommation
de carburant utilisé et sa démarche de développement. D’autre part, on présente les différents
modèles existants pour un éventuel travail de développement dans le futur notamment pour
d’autres types de véhicules ou pour l’évaluation de l’impact environnemental des systèmes d’aide
à la conduite. Dans cette perspective, une éventuelle extension sera alors discutée à la fin de
cette partie.
Pour cela, quelques modèles macroscopiques et mésoscopiques sont passés en revue dans
un premier temps. Ensuite, un état de l’art plus conséquent sur les modèles microscopiques à
l’échelle du véhicule est présenté. Après différents tests des modèles alimentés par les données
disponibles, il nous sera nécessaire de développer un modèle plus précis pour pouvoir l’utiliser
dans un système d’aide à la conduite.

2.2.2 Quelques modèles existants

Évaluation de la consommation du trafic
Les différents modèles macroscopiques et mésoscopiques trouvés dans la littérature, se fondent
essentiellement sur la vitesse moyenne du trafic. Ils conviennent pour l’évaluation de la consom-
mation totale de carburant sur un réseau de trafic urbain qui permet de donner des consignes
sur la vitesse moyenne à pratiquer. Par la suite, on notera f c, la consommation de carburant, sa
signification et son unité pouvant être différentes en fonction des modèles : f c sera donc redéfinie
à chaque modèle.
L’ensemble des travaux de [CH81, CEHW76, EHL76, EH78, Lam85] donne une estimation
de la consommation par unité de distance f c en milieu urbain en fonction de la vitesse moyenne.

k2
fc = k1 + k2 t = k1 + (2.25)
v
avec v la vitesse moyenne, k1 et k2 les paramètres du modèle.
Dans le même esprit, Watson [WMM80] propose un autre modèle qui prend en compte une
variable supplémentaire appelée P KE pour l’énergie cinétique positive (Positive Kinetic Energy
en anglais) :
f c = k1 + k2 /v + k3 v + k4 P KE (2.26)
avec f c la consommation de carburant en l/km, v la vitesse moyenne, ki les paramètres du mo-
dèle, P KE la somme de l’énergie cinétique positive pendant l’accélération en m/s2 .

Le terme P KE est calculé par l’équation (2.27) :

X
P KE = (vf2 − vi2 )/(12.960xs ) (2.27)

38
 2.2. Modèle de consommation

avec vi , vf , respectivement les vitesses initiale et finale de la phase d’accélération en (km/h) et

xs , la longueur de la section.
Pour élargir la plage de vitesses valides de ces modèles, Vincent [VMR80] et Post [PTP+ 81,
PKTC85] proposent des modèles qui utilisent comme variable la vitesse de croisière pour une
circulation sur autoroute :
fc = a1 + a2 vc + a3 vc2 (2.28)

fc = b1 + b2 /vc + b3 vc2 (2.29)

avec f c la consommation en ml/km, à la vitesse de croisière vc (en km/h) et ai , bi , les paramètres

du modèle.
D’autres auteurs comme [Akc81, AB83, RA83, SPA10b] proposent des modèles qui ne prennent
pas en compte que la vitesse moyenne et la vitesse de croisière. Dans [Akc81], le modèle consiste
à estimer séparément la consommation pendant les trois phases du cycle de conduite urbaine que
sont la phase en croisière, la phase au ralenti et la phase de décélération ou accélération.

fc = f1 Xs + f2 ts + f3 h (2.30)

avec f c la consommation moyenne par section de route (en ml), Xs , la distance totale de la
section (en km), ts le temps d’arrêt moyen par véhicule (en s), h le nombre d’arrêts moyen par
véhicule, f1 , la consommation pendant la phase de croisière (en ml/km), f2 la consommation
pendant la phase de ralenti (en ml/sec), f3 la surconsommation par arrêt du véhicule (en ml).
G. Saint-Pierre [SPA10b] modélise la consommation sur un trajet en utilisant entre autres le
temps à l’arrêt et le PKE. Le modèle s’écrit :

f c = a1 + a2 T P + a3 ST + a4 EBT + a5 P KE + a6 BS (2.31)

avec f c, la consommation moyenne par section de route (en ml), T P , la position moyenne de la
pédale d’accélérateur, ST , le temps d’arrêt moyen (en s), EBT , le temps d’utilisation du frein
moteur moyen, P KE, le changement de l’énergie cinétique positive, BS le nombre d’utilisation
de la pédale de frein.
Le modèle est construit suite à une expérience menée sur la ville de Versailles Satory avec le
véhicule Renault Clio Eco2. Le coefficient de régression R2 est utilisé pour mesurer la qualité de
l’ajustement de l’équation de régression et peut donner une idée globale de l’ajustement. En cas
de régression simple, un coefficient R2 proche de 1 est suffisant pour dire que l’estimation par le
modèle est bonne. Le coefficient R2 de ce modèle est de 0.9344.

Le modèle développé par An et Ros [AR93] calcule la consommation du véhicule en fonction

des caractéristiques du véhicule et du trajet telles que la vitesse moyenne, la vitesse instantanée,
le nombre d’arrêts, la résistance au roulement. La forme de ce modèle est présentée par l’équation
(2.32).

v (tc +tD )
fc = [αf.pwr (1 − tc − tD )( gear
v ) + αf.idle ]
2 2 αacc
v (2.32)
+(αtire + αair λvr + αbrake βvp n + v )

39
Chapitre 2. Modélisation du véhicule et de la consommation

fc consommation par unité de distance

v vitesse moyenne sur le parcours
vr vitesse moyenne de croisière
vp pic de vitesse moyenne
n nombre d’arrêts par mile
λ moyenne de la vitesse au cube
divisé par le cube de la moyenne de la vitesse
β fraction de l’énergie cinétique
absorbée par le freinage
tc , tD fraction du temps de freinage et d’arrêt
αf.pwr ,αf.idle frottement du moteur
en pleine puissance et au ralenti
αtire coefficient lié à la résistance
au roulement des pneus
αair coefficient lié à la résistance aérodynamique
αbrake coefficient lié au freinage
αacc coefficient lié à l’utilisation
des accessoires du véhicule
Les modèles présentés sont utilisés pour une évaluation de la consommation du trafic dans
différents lieux. Il nous est difficile de pouvoir donner un jugement sur la validité et la précision
de ces modèles. Il est tout de même important de souligner que certains modèles sont intégrés
dans des logiciels de simulation de trafic comme notamment le modèle (2.30) dans le simulateur
TRANSYT-7F [WCR+ 84].

Évaluation de la consommation d’un véhicule

Les modèles microscopiques à l’échelle du véhicule consistent à estimer la consommation
instantanée en carburant du véhicule à partir des valeurs instantanées des différents paramètres
liés au véhicule lui-même ou aux conditions d’exploitation. Ils font l’objet de plusieurs travaux
de recherche ces dernières années [ARA+ 02, PKTC85]. Il existe d’ores et déjà dans la littérature
deux approches. La première utilise les données expérimentales pour construire des modèles
empiriques. La seconde, plus récente, dite "mécanique", utilise les connaissances physiques et
mécaniques du véhicule dans son mouvement ainsi que des facteurs liés à l’environnement pour
en déduire le modèle de consommation.
On peut noter que même en utilisant des approches différentes, les modèles proposés par les
auteurs ont tout de même des points de convergence au niveau des paramètres utilisés.

Approche empirique

Dans cette approche, on distingue d’un côté, les modèles ne faisant intervenir que des pa-
ramètres liés au véhicule comme la puissance, la vitesse, l’accélération et de l’autre côté, les
modèles faisant intervenir en plus des caractéristiques de la route, du trajet comme la pente, le
nombre d’arrêts...
Le premier modèle microscopique est dû à K. Post [PKTC85]. La consommation instantanée
est donnée en fonction de la puissance appliquée par l’équation (2.33) :

fc = α + βP P >0
(2.33)
= α P ≤0

40
 2.2. Modèle de consommation

avec f c la consommation instantanée en carburant en ml/s, α la consommation au ralenti en

ml/s, β le facteur de l’efficacité moyenne en mL/kW/s et P la puissance totale instantanée en
kW .
Le laboratoire ARRB (Australian Road Research Board) [Akc89] a par la suite proposé
une extension du modèle de Post. Le modèle de l’équation (2.34) prédit la consommation pour
différents profils de vitesse du véhicule, en utilisant des coefficients moyens.

fc = α + βc Pc + βa Pa (2.34)

avec βc , βa , les paramètres d’efficacité, Pa la puissance totale d’avancement à vitesse constante,

Pc la puissance totale due aux effets d’inertie.
Ensuite, on voit apparaître des modèles qui font intervenir la vitesse et l’accélération. Le
modèle proposé par [AB83] s’écrit :

fc = k1 + k2 v + k3 v 3 + k4 av + k5 a2 v (2.35)

avec f c, la consommation instantanée en ml/sec, v la vitesse instantanée, a l’accélération ins-

tantanée en (km/h/sec) et ki les paramètres du modèle.
De la même manière, Ahn [Ahn98] et Rakha [RAAT99] ont développé un ensemble de modèles
polynômiaux basés sur la vitesse et l’accélération instantanées. La forme générale du modèle
est donnée par l’équation (2.36). La transformation logarithmique permet d’exclure tous les
arguments négatifs liés à la consommation :
P3 P3
ln(f c) = i=1 i=1 (kij ∗ v i ∗ aj ) (2.36)

avec f c la consommation en carburant en l/s, k, le coefficient de régression du modèle, v la

vitesse instantanée du véhicule en m/s et a l’accélération instantanée du véhicule en m/s2 .
Ce modèle a été mis au point à partir de données issues des huit véhicules et camions légers
fournies par le laboratoire ORNL (Oak Ridge National Laboratory). Les données, enregistrées
sur route et sur banc d’essais, incluent une vitesse variant de 0 à 120 km/h avec un pas d’incré-
mentation de 1.1 km/h, l’accélération variant quant à elle entre −1.5 m/s2 et 3.2 m/s2 avec un
pas d’incrémentation de 0.3 m/s2 .
En distinguant le cas de l’accélération et de la décélération, un nouveau modèle [ARA+ 02]
donné par l’équation (2.37) a été proposé :
 P3 P3 i j
ln(f c) = Pi=1 i=1 (Lij ∗ v ∗ a ) a≥0
(2.37)
3 P3 i j
i=1 i=1 (Mij ∗ v ∗ a ) a < 0

Il faut souligner que plusieurs modèles polynômiaux de la consommation en carburant ont

été proposés dans [Ahn98]. Un modèle non linéaire utilisant des réseaux de neurones y est aussi
présenté.
Chesher et Harrison [CH87] ont présenté un modèle qui prend en compte en plus des para-
mètres du véhicule, la géométrie de la route :
a1
f c = a0 + s + a2 v 2 + a3 RISE + a4 F ALL + a5 IRI (2.38)

avec f c, la consommation en carburant en l/1000km, v, la vitesse du véhicule en km/h, IRI,

l’indice international de la rugosité, en m/km (ou mm/m), RISE, F ALL, la pente de la route,
a0 , ..., a5 des constantes.

41
Chapitre 2. Modélisation du véhicule et de la consommation

Approche mécanique

L’approche mécanique qui a comme point de départ le modèle de Post présenté par l’équa-
tion (2.33), considère que la consommation est proportionnelle à la puissance totale demandée.
Le travail consiste alors à trouver cette puissance. On commence par estimer et modéliser les
différentes forces résistantes pour en déduire la force de traction nécessaire à l’avancement du
véhicule. Par la suite, la puissance totale est calculée par la combinaison de ces forces avec la
consommation des accessoires du véhicule (ventilateur de refroidissement, climatiseur, ...) et le
frottement interne du moteur.
Dans cette approche, on retrouve les modèles développés par Greenwood [Gre03], Bennett
[Ben89] et Bester [Bes81].
La démarche de cette approche est présentée sur la figure 2.9.

Fig. 2.9: Approche ARFCOM pour la modélisation de la consommation [Big88]

La relation entre la consommation et la puissance s’écrit de façon assez similaire au modèle

(2.33)
f c = max(α + ζP tot) P > 0
(2.39)
= minf c P ≤0
avec f c la consommation de carburant en ml/s, α, la consommation au ralenti en ml/s, ζ, le fac-
teur d’efficacité de la conversion carburant-puissance en ml/kW/s, P tot, la puissance demandée,
minf c, le minimum de la consommation dans le cas d’une puissance négative.
L’ambiguïté demeure dans la façon de déterminer la consommation de carburant au ralenti.
[BAB] exprime la relation entre la consommation au ralenti α et la cylindrée D du moteur par
l’équation (2.40) :
α = 0.220D − 0.0193D 2 (2.40)
[Gre03] donne une relation directe entre la consommation au ralenti et le régime moteur qui
est la suivante :
α = a0 + a1 ωe + a2 ωe2 (2.41)
En explicitant la prédiction de la puissance totale demandée à partir des équations présen-
tées dans la partie "Modélisation du véhicule", le modèle d’estimation de la consommation de
carburant avec l’approche mécanique s’écrit [Bes81] :
a1
f c = a0 + + a2 v 2 + a3 GR + a4 a (2.42)
v

42
 2.2. Modèle de consommation

avec a, l’accélération en m/s2 .

Ce modèle a la même forme que celle utilisée dans l’approche empirique. La différence réside
dans la définition des paramètres. Bester [Bes81] relie les coefficients avec des forces résistantes.
En effet, a0 est lié à la résistance au roulement, a1 à la consommation au ralenti, a2 à la résistance
aérodynamique, a3 à la résistance due à la gravité et a4 à l’accélération.
Dans le même principe, le modèle EMIT [CCN+ 02] s’écrit sous la forme :

α + βv + γv 2 + δv 3 + ζav Ptract > 0
fc = (2.43)
α′ Ptract = 0

Cette approche est plus générique, comparée à l’approche empirique, dans le sens où les prin-
cipes de base de la physique sont les mêmes pour différents types de véhicule.

Conclusion

Finalement, même si les deux approches sont différentes, on remarque que les modèles propo-
sés par les auteurs ont beaucoup de points communs. Ce sont notamment les variables utilisées
(la vitesse, l’accélération, le gradient de la route) et la forme (somme des produits de la vitesse et
de l’accélération). Même si l’approche mécanique permet d’avoir une signification des coefficients
liés aux paramètres, ces relations ne sont malheureusement pas définies de façon beaucoup plus
claire en comparaison avec l’approche empirique.
Le principal inconvénient de l’approche empirique est qu’elle dépend beaucoup des caracté-
ristiques du véhicule étudié. Si on veut généraliser le modèle pour un ensemble de véhicules, on
introduit des paramètres moyens et en même temps une imprécision de l’estimation. Par contre,
cette approche est parfois plus directe et plus facile si on dispose déjà de données expérimentales.
L’approche mécanique, quant à elle, donne des modèles plus simples et plus génériques. Mais il
faut estimer les différentes forces résistantes et identifier les paramètres. Cette étape demande
d’avoir à disposition beaucoup d’instruments de mesure est donc peu évidente et parfois coûteuse
à réaliser.

2.2.3 Développement d’un modèle de consommation à partir de données ex-

périmentales [LNM09]
Dans la section précédente, plusieurs modèles de la consommation en carburant ont été pré-
sentés. L’objectif de cette étape est de trouver un modèle qui représente au mieux la consom-
mation de carburant d’un véhicule léger. Ce modèle va être utilisé par la suite pour évaluer la
consommation en carburant selon différents critères d’optimisation qui seront présentés.
Cette phase de développement s’est effectuée en deux étapes. Dans un premier temps, le
développement du modèle est réalisé à l’aide des données expérimentales issues du projet LAVIA
[ESLR06]. C’est un projet français qui a été soutenu par la Direction de la Sécurité et de la
Circulation Routière (DSCR) et par la Direction de la Recherche et des Affaires Scientifiques et
Techniques (DRAST) du Ministère des Transports français afin de mieux apprécier les effets d’une
généralisation des régulateurs de vitesse adaptatifs en termes d’acceptabilité par le conducteur
et les effets sur les comportements de conduite. Suite à ce projet, l’impact environnemental de
ces systèmes a été évalué au sein du LIVIC [SPE08]. La deuxième phase de développement
consiste à tester les différents modèles avec les données mesurées par un débitmètre et fournies
par le bus CAN de la Renault Clio Eco2. Le découpage est fait suivant la disponibilité des
données sur un intervalle d’un an. Cela ne nous a pas permis de consacrer plus de temps pour
le développement des modèles de consommation. On a dû se contenter de valider les modèles

43
Chapitre 2. Modélisation du véhicule et de la consommation

précédemment développés avec ces nouvelles données. L’annexe détaille les différents aspects des
données provenant de ces deux sources.
Pour évaluer la performance des modèles, on prend un critère simple qui consiste à accepter
un modèle si l’ erreur maximale entre la consommation réelle et la consommation estimée est
inférieure à 7% et que la tendance des deux courbes est similaire. Ce dernier critère peut se
traduire par un pourcentage élevé des erreurs inférieures à 7% et une erreur moyenne faible.
Dans la mesure du possible, le modèle doit être simple et facile à évaluer.
Dans un premier temps, on va évaluer les différents modèles présentés ci-dessus avec les
données à notre disposition. On présentera ensuite le développement de notre modèle.

Évaluation de certains modèles

On peut constater que la plupart des modèles présentés sont linéaires en les paramètres
à identifier. On utilise alors la méthode des moindres carrés pour identifier ces derniers. Une
description de cette méthode est donnée en annexe.
Pour le modèle de Post, la puissance est obtenue par le produit du couple moteur et du régime
moteur P = ωe Te . Ce modèle est testé sur un trajet dont la vitesse varie entre 0 et 115 km/h.
Les figures 2.10a et 2.10b présentent l’estimation de la consommation instantanée de carbu-
rant de la Renault Laguna par le modèle de Post. Ces figures montrent des résultats intéressants
à développer par la suite. L’erreur maximale du modèle est de 12.9% et l’erreur moyenne est de
2.38%.

4.5 12
Mesures
Estimation
4 10

3.5 8

3 6
Erreur d’estimation (%)
Consommation (ml/s)

2.5 4

2 2

1.5 0

1 −2

0.5 −4

0 −6
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.10: Estimation avec le modèle K. Post

Le même test avec le modèle EMIT et celui de Ahn et Rakha n’ont pas donné de meilleures
estimations. Les figures 2.11a et 2.11b montrent le résultat obtenu avec le modèle EMIT.
Sur ces figures, on voit bien que l’erreur maximale et l’erreur moyenne sont très grandes. La
performance du modèle reste alors très limitée.
Parmi ces trois modèles, celui de Post donne la meilleure estimation pour les jeux de données
utilisés. Les deux autres modèles donnent des erreurs d’estimation maximales trop importantes
de l’ordre de 80% pour le modèle EMIT et de 50% pour le modèle de Ahn et Rakha. Il est
important de souligner que les modèles testés ont été construits avec certaines hypothèses qui ne
sont pas forcément vérifiées avec les données LAVIA (par exemple : route plane pour le modèle
EMIT). Il est dans ce cas délicat de conclure quant à l’origine des erreurs d’estimation.

44
 2.2. Modèle de consommation

4.5 50
Mesures
Estimation

4 40

3.5 30

3 20

Consommation (ml/s)
Consommation (ml/s)

2.5 10

2 0

1.5 −10

1 −20

0.5 −30

0 −40
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.11: Estimation avec le modèle EMIT

Par contre, on peut retenir que l’utilisation de la puissance moteur semble prometteuse et
qu’on doit estimer séparément la consommation au ralenti et en fonctionnement normal. Il est par
ailleurs évident que l’utilisation d’une simple constante pour le régime de ralenti est insuffisante.
Finalement, l’utilisation seule de la cinétique du véhicule peut aussi être insuffisante. Il faut donc
rajouter d’autres paramètres comme ceux de la route ou du trajet. On construit donc un nouveau
modèle sous la forme :
f c = β si P > 0
(2.44)
= α si P ≤ 0

où α et β sont fonction des différents paramètres du véhicule et du trajet, avec P = ωe Te et

ωe > 0, on se ramène alors à tester la condition sur le couple moteur Te à la place de la puissance
P . D’autre part, la consommation au ralenti varie en fonction du régime moteur du véhicule.
L’étude de Bowyer donne cette dépendance sous la forme de l’équation (2.41). Dans un premier
temps, le modèle s’écrit :

fc = β si Te > 0
(2.45)
= α + γωe + θωe2 si Te ≤ 0

Modèles proposés

À partir de données expérimentales à haute vitesse, la consommation peut être considérée

comme une fonction linéaire de Te . En utilisant la vitesse dans le modèle, on obtient l’équation
(2.46) :
f c = β1 + β2 v + β3 Te si Te > 0
(2.46)
= α + γωe + θωe2 si Te ≤ 0

Les figures 2.12a et 2.12b montrent le résultat de l’estimation avec le modèle (2.46), plutôt
précis surtout pour le régime au ralenti. Différents tests ont été réalisés. C’est avec l’équation
(2.40) que l’on estime la consommation en carburant au ralenti. L’identification avec les moindres
carrés nous donne le tableau 2.1 des valeurs des coefficients et la performance du modèle. Pour
une meilleure lisibilité, dans ce tableau, ainsi que tous ceux qui suivent, les valeurs des paramètres
ont été multipliées par un facteur 10−4 :

45
Chapitre 2. Modélisation du véhicule et de la consommation

4.5 25
Mesures
Estimation
4 20

15
3.5

10
3

Erreur d’estimation (%)

Consommation (ml/s)

5
2.5

0
2
−5

1.5
−10

1
−15

0.5 −20

0 −25
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.12: Estimation avec le modèle (2.46)

Tab. 2.1: Résultats pour le modèle (2.46)

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

ǫ max(|f c|) max(|f c|) max(|f c|) < 7%
ǫ(%) 2.47 22.8 93.58
β1 β2 β3
−492.34603 45.09856 91.17993
α γ θ
1099.15704 0.03971 0.00026

Ces résultats ne semblent pas encore très satisfaisants, on ajoute alors d’autres paramètres
influençant la consommation, notamment l’accélération. Cela donne un deuxième modèle avec
l’équation (2.47) :
f c = β1 + β2 v + β3 Te + β4 a si Te > 0
(2.47)
= α + γωe + θωe2 si Te ≤ 0

L’estimation est très peu améliorée. Par contre, si le modèle est utilisé uniquement sur un
parcours à vitesse élevée, on obtient un résultat de bonne qualité comme le montre la figure 2.13.
Sur le trajet retenu, il faut remarquer qu’il y a peu de changements de rapports de boîte de
vitesse, qui influencent pourtant considérablement la consommation. Cela explique le fait que le
modèle ne fonctionne pas correctement dans une zone de vitesses moyennes ou faibles où l’on a
souvent des changements de rapport de boîte. En suivant cette réflexion, il faut souligner que
sur le même rapport de boîte de vitesse, on a un rapport constant entre la vitesse et le régime
moteur. D’où l’idée de remplacer la vitesse dans les équations précédentes par le régime moteur.
Ce qui nous permet de construire d’autres modèles dans la section suivante.

Prise en compte du régime moteur

On suppose donc que l’influence du rapport de boîte sur la consommation peut s’exprimer
à travers le régime moteur. On remplace la vitesse par le régime moteur dans le modèle (2.46),

46
 2.2. Modèle de consommation

7 25
Mesures
Estimation
20
6

15

5
10

Erreur d’estimation (%)

Consommation (ml/s)

5
4

3
−5

2 −10

−15
1
−20

0 −25
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.13: Modèle (2.47) avec vitesse élevée

cela nous donne l’équation (2.48) :

fc = β1 + β2 ωe + β3 Te si Te > 0
(2.48)
= α + γωe + θωe2 si Te ≤ 0
Ce modèle donne un résultat bien meilleur comme on peut le vérifier sur les figures 2.14 ainsi
que dans le tableau des performances du modèle.

4.5 10
Mesures
Estimation
4

5
3.5

3
Erreur d’estimation (%)
Consommation (ml/s)

0
2.5

2
−5

1.5

1
−10

0.5

0 −15
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.14: Estimation avec le modèle (2.48)

Les erreurs maximale et moyenne sont plus faibles (14% et 1% au lieu de 22.8% et 2.47%) et
le pourcentage d’erreurs inférieures à 7% est de 96% au lieu de 87%.
Ce modèle assez simple estime plutôt bien la consommation en carburant sur les différents
trajets étudiés. Par contre, ces résultats ne sont pas encore satisfaisants car l’erreur maximale
reste élevée. On souhaite améliorer le modèle en remplaçant le couple moteur par le produit du
couple et du régime moteur, donc la puissance.

Modèle utilisant la puissance

47
Chapitre 2. Modélisation du véhicule et de la consommation

Tab. 2.2: Résultats pour le modèle (2.48)

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

ǫ max(|f c|) max(|f c|) max(|f c|) < 7%
ǫ(%) 1.06 14.08 98.49
β1 β2 β3
−5353.57313 3.17790 94.91884
α γ θ
1099.15704 0.03971 0.00026

Le modèle proposé dans cette section est proche de celui de l’équation (2.48). On y remplace
Te par le produit ωe Te . Cela donne :

fc = β1 + β2 ωe + β3 ωe Te si Te > 0
(2.49)
= α + γωe + θωe2 si Te ≤ 0

4.5 8
Mesures
Estimation
4 7

6
3.5

5
3
Erreur d’estimation (%)
Consommation (ml/s)

4
2.5
3
2
2

1.5
1

1
0

0.5 −1

0 −2
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.15: Estimation avec le modèle (2.49)

Ce modèle reprend, pour le premier terme, l’idée développée par Post en utilisant la puissance
du moteur. Les différents tests montrent qu’on améliore beaucoup l’estimation avec ce nouveau
modèle. Sur la figure 2.15a, les deux courbes de consommation réelle et estimée se suivent bien. Il
existe quelques pics de consommation que le modèle n’arrive pas à bien estimer. Les résultats sont
quand même globalement corrects comme le montre la figure 2.15b. Les différents paramètres du
modèle sont donnés dans le tableau 2.3 :
Le modèle de base est donné par l’équation (2.49). La présence des pics mal estimés représente
le problème majeur. Le premier réflexe consisterait à introduire des paramètres supplémentaires
dans le modèle. Mais quels paramètres faudrait-il ajouter sachant que l’on a déjà le régime moteur
et la puissance ? D’après les précédentes remarques, on voit que l’ajout de l’accélération améliore
de très peu le modèle et que la vitesse a moins d’influence sur la consommation que le régime
moteur. Les tests réalisés avec ces deux paramètres nous confirment ces remarques. On retient

48
 2.2. Modèle de consommation

Tab. 2.3: Résultats de l’estimation avec le modèle (2.49)

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

max(|f c|) max(|f c|) max(|f c|) < 7%
0.42 12.018 99.78
β1 β2 β3
−397.51019 1.16184 0.03954
α γ θ
1099.15704 0.03971 0.00026

donc le couple moteur comme variable supplémentaire. Le nouveau modèle est donc :
fc = β1 + β2 ωe + β3 ωe Te + β4 Te si Te > 0
(2.50)
= α + γωe + θωe2 si Te ≤ 0
Ce modèle donne un résultat légèrement meilleur par rapport au modèle précédent. Le tableau
récapitulatif 2.4 ainsi que les figures 2.16a, 2.16b nous permettent de constater cette différence.

Tab. 2.4: Résultats pour le modèle (2.50)

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

ǫ max(|f c|) max(|f c|) max(|f c|) < 7%
ǫ(%) 0.398 9.35 99.40
β1 β2 β3 β4
−1029.92481 1.41071 0.03475 11.86631
α γ θ
1086.27350 0.05276 0.00025

Finalement, le modèle présenté par l’équation (2.50) ne satisfait pas tout à fait le critère
que l’on a fixé mais il améliore nettement la précision de l’estimation de la consommation en
carburant par rapport aux autres modèles trouvés dans la littérature. Il reste maintenant à savoir
si la performance de ce modèle est toujours acceptable avec les données de la Renault Clio Eco2.

Validation du modèle avec les données du Renault Clio Eco2

Le modèle (2.50) est utilisé pour estimer la consommation instantanée de carburant du vé-
hicule Renault Clio Eco2. Plusieurs essais avec le véhicule en question nous permettent d’avoir
une base de données représentative de diverses conditions de conduite. L’étape d’identification
des paramètres du modèle nous permet d’obtenir les valeurs représentées dans le tableau 2.5.
On vérifie à présent la performance du modèle sur deux trajets avec des profils de vitesses
très différents comme le montrent les figures 2.17a, 2.17b
Le premier trajet est un trajet du milieu urbain d’une vingtaine de kilomètres réalisé dans les
Yvelines. L’estimation de la consommation en carburant avec le modèle (2.50) et les coefficients
du tableau 2.5 est présentée sur les figures 2.18a et 2.18b.
On voit que les résultats d’estimation restent alors acceptables sur l’ensemble du parcours à
part les pics de consommation que l’on a connus avec les données LAVIA. La performance du
modèle pour ce trajet est donnée dans le tableau 2.6.

49
Chapitre 2. Modélisation du véhicule et de la consommation

4.5 2
Mesures
Estimation
4 1

0
3.5

−1
3

Erreur d’estimation (%)

Consommation (ml/s)

−2
2.5

−3
2
−4

1.5
−5

1
−6

0.5 −7

0 −8
300 400 500 600 700 800 900 1000 300 400 500 600 700 800 900 1000
Temps (s) Temps (s)

(a) (b)

Fig. 2.16: Estimation avec le modèle 2.50

Tab. 2.5: Valeurs des coefficients du modèle (2.50) pour le Renault Clio Eco2

β1 β2 β3 β4
8.0 ∗ 10−5 1.7 ∗ 10−7 2.4 ∗ 10−8 5.0 ∗ 10−6
α γ θ
1.4 ∗ 10−4 1.4 ∗ 10−7 2.5 ∗ 10−7

Le même modèle est utilisé pour estimer la consommation totale sur un autre trajet entre
Paris et Lille. Les figures 2.19a et 2.19b présentent les résultats de l’évaluation de la consommation
instantanée.
On remarque que la performance du modèle (2.50) est meilleure sur ce trajet par rapport à
l’exemple précédent.
Ces deux exemples nous permettent donc de confirmer la validité du modèle de consommation
de carburant développé précédemment pour le véhicule Renault Clio Eco2.

Conclusion
Cette deuxième partie du chapitre "Modélisation" a présenté les différents modèle de consom-
mation en carburant du véhicule et propose un nouveau modèle fondé sur le régime moteur et
le couple moteur. Le modèle est développé avec les données du projet LAVIA puis validé sur les
données de la Renault Clio Eco2 sur lequel nous allons conduire des tests pour le système final.
On remarque que la performance du modèle est mieux adaptée au véhicule Laguna mais sa
performance pour évaluer la consommation en carburant de notre deuxième véhicule reste large-
ment acceptable. De plus, le modèle très simple, nous permet de gagner du temps d’évaluation
de la consommation par rapport à une solution consistant à utiliser la cartographie du moteur
dont on ne dispose pas pour la Clio.
L’inconvénient de ce modèle est qu’il dépend du régime moteur et du couple moteur. Bien
que ces deux paramètres contiennent implicitement des influences des autres paramètres sur la
consommation, ils ne sont pas toujours facilement accessibles sur tous les véhicules. Il est donc
intéressant de pouvoir mettre en évidence d’autres paramètres plus faciles à mesurer dans le

50
 2.2. Modèle de consommation

Trajet dans les Yvelines Extrait du trajet entre Paris et Lille

90 120

80

100

70

60 80

Vitesse (km/h)
Vitesse (km/h)

50

60

40

X: 732
Y: 37.85
30 40

20

20

10

0 0
0 100 200 300 400 500 600 700 800 900 100 200 300 400 500 600 700 800 900 1000 1100
Temps (s) Temps (s)

(a) (b)

Fig. 2.17: Comparaison de la réponse du modèle aux données réelles

4.5 10

5
3.5

3
Erreur d’estimation (%)
Consommation (ml/s)

0
2.5

2
−5

1.5

1
−10

0.5

0 −15
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900
Temps (s) Temps (s)

(a) (b)

Fig. 2.18: Estimation sur un trajet dans les Yvelines

modèle d’estimation de la consommation comme la vitesse, l’accélération, la pente, le rapport

de boîte,...Une première tentative consiste à développer le modèle (2.50). En effet, le régime
moteur peut être remplacé par la vitesse et le rapport de réduction totale. Le couple moteur
peut être estimé avec l’équation (2.22) contenant le rapport de boîte, la vitesse, l’accélération,
et les différents paramètres du véhicule.

 β1 + β2 Nt v + β3 Nt2 va + β4 va + β5 v + β6 v 3

 a 1

 +β7 vsin(θ) + β8 Nt a + β9
 + β10
Nt Nt Te >0
fc = v 2 sin(θ) (2.51)

 +β11
 + β12


 Nt Nt
α1 + α2 Nt v + α3 Nt2 v 2 Te ≤ 0

avec les coefficients βi et αi dépendant des différents paramètres du véhicule (rayon de la

roue, inerties du moteur, rapport différentiel,...).
Ce modèle fait intervenir plusieurs paramètres à identifier et ne s’avère pas très précis pour

51
Chapitre 2. Modélisation du véhicule et de la consommation

Tab. 2.6: Résultats du trajet dans les Yvelines

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

ǫ max(|f c|) max(|f c|) max(|f c|) < 7%
ǫ(%) 3.4115 13.66 93.1188

4.5 10
Mesures
Simulation
4 X: 1009
8 Y: 8.882

3.5

Erreur d’estimation (%)

Consommation (ml/s)

2.5

2 2

1.5
0

−2

0.5

−4
0

−0.5 −6
100 200 300 400 500 600 700 800 900 1000 1100 100 200 300 400 500 600 700 800 900 1000 1100
Temps (s) Temps (s)

(a) (b)

Fig. 2.19: Estimation sur le trajet entre Paris et Lille

Tab. 2.7: Résultats du trajet entre Paris et Lille

mean(|ǫf c |) max(|ǫf c |) |ǫf c |

ǫ max(|f c|) max(|f c|) max(|f c|) < 7%
ǫ(%) 2.1898 12.14 99

le véhicule Renault Clio Eco2. Les données LAVIA ne contiennent pas de pente de la route pour
être testées.
Finalement, il faut peut-être modéliser de façon encore plus précise les différentes forces
appliquées au véhicule pour obtenir un meilleur modèle. De plus, l’évaluation de l’ensemble des
modèles présentés sur une période plus longue (de cinq à dix secondes au lieu d’une seconde)
peut être intéressant pour d’autres applications. Ce serait peut-être une voie à développer dans
l’avenir.

52
 Chapitre 3

Problème d’optimisation de
consommation de carburant

Sommaire
3.1 Formulation du problème d’optimisation . . . . . . . . . . . . . . . . 54
3.1.1 Équation dynamique du système . . . . . . . . . . . . . . . . . . . . . . 54
3.1.2 Critère . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.3 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.4 Problème de contrôle optimal . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Méthodes numériques d’optimisation . . . . . . . . . . . . . . . . . . 58
3.2.1 Revue des méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.2 Programmation Quadratique Successive (SQP) . . . . . . . . . . . . . . 60
3.2.3 Programmation dynamique (PD) . . . . . . . . . . . . . . . . . . . . . . 62
3.3 Résolution d’un problème simple . . . . . . . . . . . . . . . . . . . . . 64
3.3.1 Hypothèses simplificatrices . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.2 Problème sous forme discrétisée . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.3 Application de la méthode SQP . . . . . . . . . . . . . . . . . . . . . . . 68
3.3.4 Application de la programmation dynamique . . . . . . . . . . . . . . . 72
3.3.5 Comparaison des deux méthodes . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

On sait depuis très longtemps que le comportement des automobilistes a des influences si-
gnificatives sur la consommation de carburant du véhicule. Il est par contre difficile de savoir
exactement comment il faut conduire pour consommer le moins.
Schwarzkopf et Leipnik [SL77] semblent avoir été les premiers à traiter ce problème par la mise
en place d’un problème de contrôle optimal. Ils calculent les trajectoires d’accélération optimales
d’une position d’arrêt à une vitesse de croisière donnée. Des polynômes quadratiques sont utilisés
pour modéliser les mouvements longitudinaux du véhicule. Le problème est résolu par le principe
du maximum de Pontryagin. Par la suite, Hooker [Hoo88, Hoo83] a présenté une approche qui
était sensée résoudre le compromis entre l’approche empirique dont les conclusions se sont fondées
directement sur les résultats de tests et l’approche utilisant les modèles de véhicule. Pour cela, il
a construit un simulateur qui était susceptible de fournir un comportement réaliste du véhicule
en condition de circulation réelle. Le simulateur est ensuite utilisé pour évaluer la fonction de
coût et prédire les mouvements longitudinaux du véhicule dans le problème de contrôle optimal.
La programmation dynamique a été utilisée pour résoudre ce problème. L’inconvénient de cette

53
Chapitre 3. Problème d’optimisation de consommation de carburant

approche réside justement dans la volonté de réaliser un simulateur. En effet, cette approche
demande un grand investissement pour construire le simulateur. On se doute bien qu’il est presque
impossible de le faire pour tous les types de véhicules. Par contre, ce qui nous semble très
intéressant dans ces travaux, est l’utilisation de la programmation dynamique pour résoudre le
problème de contrôle optimal. Ces travaux ont de plus inspiré d’autres auteurs qui ont proposé
des améliorations et de nouvelles approches. Monastyrsky [MG93] a réussi à diminuer le temps
d’exécution de l’algorithme d’optimisation en utilisant une seule itération dans les calculs et en
formulant le problème comme dépendant de la distance au lieu du temps. Ainsi une fonction coût
comprenant le temps de trajet et la consommation a été proposée. Plus récemment, les travaux de
Nouvelière [LBML08, LBM+ 08] et de Hellstrom [HFN05] ont utilisé la programmation dynamique
pour calculer les profils optimaux dans le cadre des véhicules lourds (bus et poids lourd). Ce sont
d’ailleurs les deux études les plus abouties sur le problème de réduction de la consommation en
carburant dans le transport routier avec la naissance d’un système d’aide à la conduite informatif
pour le premier et actif pour l’autre.
On remarque alors que l’ensemble des travaux privilégient l’utilisation de la programmation
dynamique, mais ce choix n’est pas encore justifié par les auteurs. L’objectif de ce chapitre est
alors double. D’un côté, on souhaite présenter l’application de la programmation dynamique dans
le contexte d’un véhicule léger (où aucun travail n’a pour l’instant réalisé). De l’autre côté, on
souhaite donner quelques éléments pour justifier l’utilisation de la programmation dynamique
pour ce type de problème. Cet objectif est réalisé à l’aide d’une revue des méthodes dans un
premier temps et par des simulations dans un deuxième temps pour le cas de la Programmation
Quadratique Successive (SQP).
Le chapitre commence par la formulation du problème tout en tenant compte des différentes
contraintes et des points particuliers. Ensuite, la revue des méthodes nous permet de limiter
le nombre de méthodes susceptibles de résoudre le problème formulé. Une investigation plus
profonde de la méthode SQP et de la Programmation dynamique (PD) sur un exemple simple
nous permet de justifier le choix de la dernière technique [LNM10a, LNM10b].

3.1 Formulation du problème d’optimisation

La formulation du problème d’optimisation comporte les différentes étapes suivantes. On
commence par une étude du système considéré qui est l’équation dynamique longitudinale du
véhicule. Ensuite, la formulation du critère utilisé est examinée avec comme base le modèle de
consommation instantanée présentée dans le chapitre précédent. Les différentes contraintes du
problème sont ensuite passées en revue pour finalement mettre le problème sous forme d’un
problème de contrôle optimal classique.

3.1.1 Équation dynamique du système

L’évolution du véhicule est définie par le système d’équations (2.24). Il fait intervenir des
variables de la dynamique du véhicule comme la vitesse et l’accélération longitudinales ; du
moteur et du système de transmission telles que le couple moteur, le couple de freinage, le
rapport de boîte et différentes constantes comme le rayon de la roue, la masse du véhicule, le
rapport du différentiel.... Ce système d’équation peut être mis sous la forme d’une équation de
la forme :

Ẋ = f (X, U, θ) (3.1)

54
 3.1. Formulation du problème d’optimisation
 
  Te
x
avec X = le vecteur d’état et U =  Tb  le vecteur de commande. Les variables d’état
v
rb
sont la distance x et la vitesse v. Les variables de contrôle sont le couple moteur Te , le couple de
freinage Tb et le numéro du rapport de boîte rb. La fonction f est détaillée par l’équation (3.2) :


 v

 r
(ηNf Nt (rb)Te
f (X, U ) = M r 2 + Iet Nf2 Nt2 (rb) + Idw (3.2)

 1

 −Tb − r(M gCR + ρSCx v 2 + M gsinθ))
2
Dans cette formulation, la pente θ est considérée comme une perturbation externe connue.
On a donc un système avec deux variables d’état et trois variables de commande. Il s’agit
ici d’un système non linéaire et hybride avec des variables continues (la vitesse, la distance, le
couple moteur et le couple de freinage) et une variable discrète (le rapport de boîte de vitesse).

3.1.2 Critère
Il s’agit dans notre cas, de minimiser la consommation totale de carburant du véhicule sur
un trajet donné. Pour cela, le critère de coût prend forme d’une somme des consommations
instantanées du véhicule. Par ailleurs, la consommation instantanée du véhicule est évaluée par
l’équation (2.50) qui relie la consommation du véhicule au régime moteur ωe et au couple moteur
Te . Le coût total pour un trajet défini par l’intervalle de temps [t0 , t1 ] s’écrit alors :
Z t1
FC = f c(ωe (t), Te (t), t)dt (3.3)
t0

avec f c la consommation instantanée du véhicule et F C la consommation totale sur le trajet en

ml.

Par la prise en compte de la relation entre le régime moteur ωe et la vitesse v, le critère de

coût (3.3) se transforme en une fonction dépendant des variables d’état et de commande :
Z t1
FC = f c(rb(t), v(t), Te (t), t)dt (3.4)
t0

Pour simplifier l’écriture, nous omettrons la variable t des variables et nous noterons simple-
ment rb, ωe , Te .

3.1.3 Contraintes
Les contraintes imposées aux variables d’état et de commande sont liées à la performance du
véhicule, au confort du passager et à la condition de circulation. Ces contraintes se traduisent
souvent par un intervalle borné des valeurs admissibles pour chaque variable.
La première contrainte concerne le couple moteur et le couple de freinage. L’équation (2.9)
exprime le couple moteur en fonction du régime moteur et de la position de la pédale d’accélé-
ration. Il varie dans un intervalle limité par le couple moteur maximal Teub et le couple moteur
minimal Telb . Cette contrainte s’écrit sous la forme :

T elb ≤ Te ≤ T eub (3.5)

55
Chapitre 3. Problème d’optimisation de consommation de carburant

Le couple moteur maximum T eub peut être défini par une équation d’ordre 2 dans le cas du
véhicule Renault Laguna ou défini par un système d’équations dans le cas du véhicule Renault
Clio Eco2 (voir Annexe A.1).
Le couple moteur minimum Telb , aussi appelé "le frein moteur", dépend du régime moteur
par la relation (3.6) :
T eub = α1 + α2 ωe + α3 ωe2 (3.6)
Dans les véhicules modernes, l’utilisation du "frein moteur" permet de couper l’injection de
carburant dans la chambre de combustion et par conséquent permet au véhicule de décélérer
sans consommer de carburant. Ce qui n’est pas le cas avec l’utilisation de la pédale de freinage.
Ainsi le couple de freinage permet de décélérer le véhicule au besoin. La contrainte sur cette
variable s’écrit :
0 ≤ Tb ≤ Tbub (3.7)
Par ailleurs, les contraintes sur le régime moteur dépendent de la vitesse pratiquée et du
rapport de boîte. Dans le cas d’une boîte de vitesses à 5 rapports rb, on peut définir l’ensemble
Rb des rapports de boîte par Rb = {1, 2, 3, 4, 5}. L’ensemble des régimes admissibles se définit
alors par :
ωelb (rb) ≤ ωe ≤ ωeub (rb), rb ∈ Rb. (3.8)
Passons maintenant aux contraintes relatives à la dynamique du véhicule. Il s’agit alors de
la vitesse et de l’accélération longitudinales dans notre cas.
Si les vitesses minimale et maximale du véhicule dépendent de sa performance, la vitesse
pratiquée dépend du trajet et des conditions de trafic. Sur une autoroute par exemple, la vitesse
est limitée entre 60 km/h et 130 km/h. Alors, la contrainte de vitesse dans ce cas est l’intervalle
[60; 130]. On écrit cette contrainte sous la forme :

vlb ≤ v ≤ vub . (3.9)

Dans la perspective d’un système à la fois écologique et sécuritaire, la limitation supérieure

de la vitesse va être fixée par la contrainte de vitesse la plus contraignante parmi les différentes
consignes de vitesses qu’on peut rencontrer : la limitation de vitesse légale, la limitation de vitesse
à l’approche d’un virage, la limitation de vitesse due à des travaux,... La contrainte inférieure
est égale à la vitesse minimale à adopter sur la route.
De même, on définit les contraintes sur l’accélération et la décélération avec l’équation (3.10).

alb ≤ v̇ ≤ aub (3.10)

Pour améliorer le confort du passager, on doit limiter les trop forts à-coups. La variable
représentative du confort est la dérivée de l’accélération, appelée "le jerk". Plus ce paramètre est
faible, meilleur est le confort du passager. Cette contrainte est présentée de la façon suivante :

jerklb ≤ v̈ ≤ jerkub (3.11)

On peut aussi avoir les contraintes initiales et finales des variables d’états relatives au trajet
définies (3.12) : 

 x(t0 ) = x0

x(t1 ) = xf
(3.12)

 v(t0 ) = v0

v(t1 ) = vf

56
 3.1. Formulation du problème d’optimisation

En résumé, l’ensemble des contraintes s’écrit sous la forme d’un système de contraintes d’éga-
lité et d’inégalités : 
 (Te − T elb ) ∗ (T e − T eub ) ≤ 0




 Tb ∗ (Tb − T bub ) ≤ 0




 (ωe − ωelb ) ∗ (ωe − ωeub ) ≤ 0

 (v − v ) ∗ (v − v ) ≤ 0

 lb ub


 (v̇ − a lb ) ∗ (v̇ − a ub ) ≤ 0
(v̈ − jerklb ) ∗ (v̈ − jerkub ) ≤ 0 (3.13)



 x(t 0 ) = x 0



 x(t1 ) = xf



 v(t0 ) = v0




 v(t 1 ) = vf
 rb ∈ Rb

On voit qu’avec deux variables d’état que sont la distance et la vitesse, certaines contraintes
ne peuvent pas être prises en compte, notamment le jerk. Pour ne pas avoir à augmenter la
dimension du problème, cette contrainte ne va pas être retenue dans un premier temps.

3.1.4 Problème de contrôle optimal

Notre problème peut maintenant être mis sous la forme d’un problème d’optimisation clas-
sique ayant pour critère de coût l’expression donnée par l’équation (3.4) sous les contraintes
données par les systèmes d’équations (3.1, 3.13). On a d’un côté les contraintes d’égalités qui
s’écrivent sous la forme : 
Hi (X) = 0
(3.14)
i = 1, ..., p
et de l’autre côté des contraintes d’inégalités (3.15) :

Gj (X, U ) ≤ 0
(3.15)
j = 1, ..., q

Le problème de contrôle optimal à résoudre s’écrit alors :



 min F C(U, X)
 U∗


 Ẋ = f (X, U, θ)
Hi (X) = 0, i = 1, ..., p (3.16)




 G j (X, U ) ≤ 0, j = 1, ..., q

rb ∈ Rb

Il faut noter qu’on obtient avec cette formulation les commandes optimales que sont le couple
moteur, le couple de freinage et le rapport de boîte. Des variables d’état optimales sont obte-
nues par utilisation de l’équation (3.1) avec les commandes optimales trouvées et les conditions
initiales.
On a donc un problème de contrôle optimal :
– hybride, car il comporte à la fois des variables continues (vitesse, accélération, couple mo-
teur,...) et discrètes (rapport de boîte de vitesse) ;
– non différentiable, car certaines variables sont discrètes

57
Chapitre 3. Problème d’optimisation de consommation de carburant

– non linéaire, car l’équation dynamique du système et la fonction coût le sont.

Ces points particuliers limitent le nombre de méthodes envisageables pour résoudre le pro-
blème formulé.

3.2 Méthodes numériques d’optimisation

3.2.1 Revue des méthodes
Les techniques d’optimisation rencontrées dans la littérature peuvent être classées en deux
catégories : les méthodes exactes de contrôle optimal et les méthodes heuristiques.
Les méthodes heuristiques [Bäc95, Koz90] sont l’ensemble des techniques qui consistent à
rechercher, à moindre coût, une solution dont il n’est pas possible de garantir la qualité. La
plupart de ces méthodes utilisent des processus aléatoires. C’est une des raisons pour lesquelles
on les appelle parfois les méthodes "stochastiques". Elles sont caractérisées par une série des pa-
ramètres de contrôle dont le choix peut être déterminant pour la qualité de la solution. Parmi ces
méthodes, on distingue celles développées pour des problèmes spécifiques et les méthodes adap-
tables à un grand nombre de problèmes différents sans changement majeurs dans l’algorithme
que l’on appelle aussi les méthodes "méta-heuristiques" comme le recuit simulé, la recherche
tabou ou les algorithmes génétiques. Ces méthodes, dont l’origine se trouve dans la biologie ou
dans la thermodynamique, sont de plus en plus utilisées dans d’autres domaines, notamment
l’automobile.
Le recuit simulé [KGV83, Cer85], par exemple, trouve ses origines dans la thermodynamique.
Cette méthode est issue d’une analogie entre le phénomène physique de refroidissement lent d’un
corps en fusion, qui le conduit à un état solide, de basse énergie. Il faut abaisser lentement la
température, en marquant des paliers suffisamment longs pour que le corps atteigne l’"équilibre
thermodynamique" à chaque palier de température. Pour les matériaux, cette basse énergie se
manifeste par l’obtention d’une structure régulière, comme dans les cristaux et l’acier. L’analogie
exploitée par le recuit simulé consiste à considérer une fonction f à minimiser comme fonction
d’énergie, et une solution x peut être considérée comme un état donné de la matière dont f (x) est
l’énergie. Le recuit simulé exploite généralement le critère défini par l’algorithme de Metropolis
[MRR+ 53] pour l’acceptation d’une solution obtenue par perturbation de la solution courante
[Che99, SC98].
La recherche tabou [Che99] est un autre exemple des méthodes méta-heuristiques originale-
ment développées par Glover [Glo86] et indépendamment par Hansen [Han86]. Cette méthode
combine une procédure de recherche locale avec un certain nombre de règles et de mécanismes
permettant à celle-ci de surmonter l’obstacle des optima locaux [CGH96, Ree95]. Le principe
de base de cette méthode est le suivant. En partant d’une solution quelconque x appartenant à
l’ensemble de solutions X, on se déplace vers une solution s(x) située dans le voisinage [S(x)] de
x. L’algorithme explore itérativement l’espace de solutions X. Afin de choisir le meilleur voisin
s(x) dans S(x), l’algorithme évalue la fonction objectif f en chaque point s(x) et retient le voisin
qui améliore la valeur de la fonction objective f ou au pire celui qui la dégrade le moins. Ce prin-
cipe, qui accepte la dégradation de la fonction objective, permet d’éviter les pièges des minima
locaux. Par contre, cela expose au risque de tomber dans un cycle. Pour éviter ce problème, il
faut qu’on conserve pendant un moment la trace des dernières meilleures solutions déjà visitées.
Ces solutions sont déclarées tabou, d’où le nom de la méthode. La liste des solutions tabou induit
par conséquent l’encombrement de la mémoire. Certaines idées sont apportées pour corriger ces
défauts, notamment les travaux de [Glo86].

58
 3.2. Méthodes numériques d’optimisation

Les algorithmes génétiques, utilisent, quant à eux, les concepts issus du milieu biologique mais
connaissent certains succès dans d’autres domaines [Che99, All96, BB97]. Les "individus" sont
utilisés pour représenter chacun une solution du problème que l’algorithme est sensé résoudre.
L’ensemble des individus forment une "population". Chaque itération de l’algorithme sur cette
population engendre une nouvelle "génération". Lors de chaque génération, une série de trans-
formations est appliquée aux individus pour obtenir la génération suivante. Les individus utilisés
dans ces transformations sont appelés "parents" et les individus issus de celles-ci sont appelés
"enfants". Le processus est réitéré jusqu’à l’obtention d’une solution satisfaisante.
Bien que ces méthodes se prêtent à des extensions pour des problèmes d’optimisation dyna-
mique et multi-objectifs, elles montrent des inconvénients majeurs. Tout d’abord, elles demandent
un encombrement mémoire variable et induisent presque toujours un temps de calcul prohibitif.
En plus, comme elles sont caractérisées par une série de paramètres de contrôle, la difficulté
de réglage est alors non négligeable. [Del02] fait état de temps de calcul long et de réglage de
paramètres délicat en testant le recuit simulé pour le cas d’un véhicule hybride. Le problème des
solutions locales est aussi souligné. Concernant les algorithmes génétiques, ses inconvénients sont
bien connus et il n’y a pas, à notre connaissance, une mise en place de ces méthodes pour un
problème d’optimisation de consommation dans le secteur automobile. [DG97, Ros04, CFA+ 06]
faisaient l’état de la nécessité de procéder à beaucoup de réglages et signalent un encombrement
mémoire pour des études dans le domaine aéronautique. Et surtout, la formulation du problème
en termes de génétique n’est pas non plus très intuitive.
Sur un autre plan, on a les méthodes exactes issues du contrôle optimal, qui permettent
l’obtention de l’optimum global, au prix d’une complexité, d’un temps de calcul et d’un encom-
brement mémoire variables. Parmi celles-ci, on trouve la programmation dynamique [Bel57, P.03,
SDrT+ 05, Bor00, Bor00, Bor00, Cul98, Fle91, Gol89, Hol92, PR05, Rec94], qui calculent des com-
mandes en boucle fermée et les méthodes itératives qui utilisent le lagrangien par pénalisation
exacte et par linéarisation des contraintes. On trouve aussi des méthodes duales qui utilisent les
algorithmes comme celui d’Uzawa, Arriw-Hurwicz [Cul98, S.L06] et les méthodes primales utili-
sant les algorithmes comme celui de la programmation quadratique successive [Cul98, Tré03]. Le
principe du maximum de Pontryagin est aussi généralement utilisé pour les calculs des trajec-
toires optimales et des commandes en temps minimal par les calculs de variation [Cul98, J.S04].
Leurs solutions sont des commandes en boucle ouverte [Cul98, Tré03, EBL05].
Ces méthodes sont pour la plupart reconnues pour résoudre les problèmes de contrôle optimal
linéaire et non linéaire. Mais certaines ont été étendues pour résoudre les problèmes d’optimisa-
tion hybrides. Ce fût le cas par exemple du principe du maximum présenté dans [Pic99, Sus99].
Dans cette application, le principe du maximum n’est utilisé que pour la partie continue du
système pendant l’intervalle où il n’y a pas d’événement discret. Ensuite, l’approche numérique
de la programmation dynamique est une solution envisageable pour ce problème. En effet, cette
approche ne nécessite pas le gradient des fonctions coût pour trouver l’optimum. Ce qui signifie
que l’existence des variables discrètes et donc non différentiables dans le problème ne constitue
pas un obstacle. A l’inverse des algorithmes de tir, qui sont des processus aléatoires, cette ap-
proche est déterministe si on peut prédire l’évolution du système. Cette condition est vérifiée
dans notre cas. Par contre, son plus grand inconvénient réside dans l’effort de calcul avec une
variation exponentielle en fonction de la dimension de l’espace d’état.
Pour conclure sur cette revue, on voit bien que les méthodes heuristiques ne sont pas très
adaptées à notre problème, tandis que la résolution du problème hybride non linéaire doit recourir
à des méthodes très complexes. Notre approche consiste alors, dans un premier temps, à résoudre
un problème plus simple pour prouver l’efficacité de la programmation dynamique.
Pour cela, on utilisera deux des méthodes parmi les plus utilisées que sont la programmation

59
Chapitre 3. Problème d’optimisation de consommation de carburant

dynamique et la programmation quadratique successive (ou séquentielle).

3.2.2 Programmation Quadratique Successive (SQP)

Le principe de la méthode SQP repose sur une reformulation itérative du problème de pro-
grammation non linéaire (NLP) en un problème de programmation quadratique (QP), au moyen
d’une approximation quadratique du lagrangien de la fonction coût et d’une linéarisation des
contraintes. Le problème QP résiduel est ensuite résolu, pour chaque itération.
Un des points forts de la méthode SQP réside dans son caractère "chemin non-faisable" : la
progression vers la solution optimale est effectuée à partir de points intermédiaires "faisables",
mais aussi "non faisables", proches du domaine des contraintes. Ainsi, contrairement à de nom-
breuses méthodes qui vérifient les contraintes à chaque itération, la méthode SQP n’impose le
respect des contraintes que pour la solution finale.
Avant de présenter l’algorithme SQP, il est nécessaire de rappeler le système d’optimalité sur
lequel est fondée la méthode.

Contraintes d’égalité

Dans le cas du problème avec seulement des contraintes d’égalité, le problème à résoudre
s’écrit :
minJ(x), x ∈ ℜn , h(x) = 0 (3.17)

avec h(x) = (h1 (x), ..., , hp (x)) et h est continue de ℜn dans ℜp .

Théorème 3.2.1 On suppose que

– J et h sont de classe C 1 sur ℜn
– le problème a une solution x∗
– les p vecteurs de ℜn : (∇h1 (x∗ ), ..., ∇hp (x∗ )) sont linéairement indépendants (et donc p ≤
n) ;
alors il existe p réels (λ∗1 , ..., λ∗p ) tels que
p
X
∗
∇J(x ) + λ∗i ∇hi (x∗ ) = 0. (3.18)
i=1

Définition 3.2.1 Les réels λ∗i obtenus par le théorème précédent sont appelés des multiplica-
teurs de Lagrange.

Contraintes d’égalité et d’inégalité

Le problème à résoudre est de la forme

(P) minJ(x), x ∈ ℜn , x ∈ C (3.19)

où C = x ∈ ℜn |h(x) = 0, g(x) ≤ 0
La condition Karush-Kuhn-Tucker pour ce problème est donnée par le théorème suivant :

Théorème 3.2.2 On suppose que J, h et g sont de classe C 1 . soit x∗ régulier pour les contraintes
h et g. Alors il existe λ∗ = (λ∗1 , ..., λ∗p ) ∈ ℜp et µ∗ = (µ∗1 , ..., µ∗q ) ∈ ℜq tels que

60
 3.2. Méthodes numériques d’optimisation

hi (x∗ ) = 0, ∀i ∈ {1, ..., p}

gj (x∗ ) ≤ 0, ∀j ∈ {1, ..., q}
µj ≥ 0, ∀j ∈ {1, ..., q} (3.20)
µ∗j gj (x∗ ) = 0, ∀j ∈ {1, ..., q}
P P
∇J(x∗ ) + pi=1 λ∗i ∇hi (x∗ ) + qj=1 µ∗j ∇gj (x∗ ) = 0

p et q correspondent au nombre d’égalités et d’inégalités.

Définition 3.2.2 On appelle Lagrangien du problème P la fonction définie sur ℜn × ℜp × ℜq

p
X q
X
L (x, λ, µ) = J(x) + λi hi (x) + µj gj (x) (3.21)
i=1 j=1

Algorithme SQP [Ber01]

On a vu que la solution x∗ du problème est un point critique du Lagrangien L , mais ce
n’est pas en général un minimum de ce Lagrangien. Nous allons établir une méthode de descente
qui exploite le système d’optimalité établi dans le théorème sur la condition KKT. L’idée est
de résoudre une succession de problèmes quadratiques avec contraintes linéaires qui sont des
approximations du problème de départ.
Étant donné un itéré xk , on cherche

xk+1 = xk + ρk dk ,

où dk ∈ ℜn est une direction de descente et ρk > 0, le pas. Commençons par faire une approxi-
mation des contraintes h grâce à la formule de Taylor :

hi (xk + d) = hi (xk ) + ∇hi (xk ).d + O(||d||3 )

Si on néglige les termes d’ordre supérieur ou égal à 2, on définit la direction dk comme étant
la direction permettant d’assurer que hi (xk + d) ≃ 0. Plus précisément, on pose

hi (xk ) + ∇hi (xk ).dk = 0, ∀i = 1, ..., q,

c’est à dire
Dh(xk )dk = −h(xk ) (3.22)
où Dh(xk ) est la matrice Jacobienne de h en xk . Cette relation correspond à une linéarisation
des contraintes au voisinage de xk : c’est un système linéaire.
D’autre part, il faudrait que xk+1 diminue la valeur du Lagrangien (puisque que le Lagrangien
joue le rôle de la fonction coût, quand on a des contraintes). De manière similaire, on fait une
approximation du Lagrangien L (x, λ) = J(x) + λt h(x) : elle sera quadratique cette fois, puisque
le point recherché est un point critique et qu’on ne peut se contenter d’une approximation du
premier ordre.
1 2
L (xk + d, λ) = (xk , λ) + (∇x L (xk , λ), d) + (Dxx L (xk , λ)d, d) + O(||d||3 ).
2
Si on néglige les termes d’ordre supérieur ou égal à 3, on voit qu’il faut minimiser
1 2
(∇x L (xk , λ), d) + (Dxx L (xk , λ)d, d)
2

61
Chapitre 3. Problème d’optimisation de consommation de carburant

pour minimiser le Lagrangien. On cherche donc finalement dk comme solution du problème

( 1 2
min(∇J(xk ), d) + (Dxx L (xk , λ)d, d)
2
Dh(xk )dk + h(xk ) = 0.

En effet, avec l’équation (3.22)

∇x L (xk , λ), d) = (λx J(xk ), d) + λt Dh(xk )d = (∇x J(xk ), d) + λt h(xk )

| {z }
=const

Il reste à déterminer le pas ρk et le multiplicateur λk à chaque itération. Dans le cas du

problème avec des contraintes d’égalité et d’inégalité, le principe est le même. Seul le Lagrangien
change et vaut L (x, λ) = J(x) + λt h(x) + µt g(x), où λ ∈ ℜp et µ ∈ ℜq . Dans ce cas, on a donc
trois paramètres à trouver à chaque itération qui sont ρk , λk , µk . Il y a bien sûr beaucoup de
possibilités qui donnent lieu à autant de variantes de la méthode. L’algorithme de base consiste
donc à adopter ρk = 1, et se présente de la forme suivante dans le cas général :
1. Initialisation :

- k=1 : choix de xo ∈ ℜn et de (λ0 , µ0 ) ∈ ℜp × ℜq,+

2. Pour chaque itération k :

Résoudre le sous-problème quadratique :

 min(∇J(xk ), d) + 12 (Dxx
2 L (x , λ , µ )d, d)
k k k
Dh(xk )d + h(xk ) = 0 (3.23)

Dg(xk )d + g(xk ) ≤ 0.

3. Calcul des différents coefficients de pénalité :

- λk+1 ∈ ℜp est le coefficient de pénalité associé à chaque contrainte d’égalité.

- µk+1 ∈ ℜq est le coefficient de pénalité (positif) associé à chaque contrainte d’inégalité.

- xk+1 = xk + dk où dk est la direction de descente

4. Critère d’arrêt

- Si xk + 1 est satisfaisant : STOP

- Sinon, on pose k=k+1 et on revient à l’étape 2.

Dans le cas général, on a le même algorithme sauf que le Lagrangien est celui défini par
l’équation (3.21).

3.2.3 Programmation dynamique (PD)

La programmation dynamique permet la résolution d’un problème pour lequel des décisions
doivent être prises étape par étape. A chaque étape, les décisions possibles sont évaluées comme
étant la somme du coût présent et du coût futur attendu, cela suppose alors que le coût futur

62
 3.2. Méthodes numériques d’optimisation

a été déterminé, la résolution de la programmation dynamique consiste donc en une récurrence

inverse dans le temps.
Le principe d’optimisation a été énoncé sous sa forme actuelle par Richard Bellman [Bel57],
ce principe est à première vue totalement évident, mais paradoxalement, il est à la base d’une
méthode d’énumération efficace et robuste, ainsi le principe d’optimalité de Bellman, tel qu’il est
présenté dans [P.03, SDrT+ 05], est le suivant.

Dans un processus d’optimisation dynamique, une suite de décisions est optimale si, quels que
soient l’état et l’instant considérés sur la trajectoire qui lui est associée, les décisions ultérieures
constituent une suite optimale de décisions pour le sous-problème dynamique ayant cet état et cet
instant comme conditions initiales.

Ce principe peut être énoncé différemment :

Soit π ∗ = µ∗0 , µ∗1 , ...., µ∗N −1 une stratégie de commande optimale pour le problème considéré.
Supposons que, lorsque µ∗ est utilisé, l’état Xi est atteint au temps i. En considérant le sous-
problème pour lequel, à partir de l’état PX i à l’instant i, on cherche à minimiser le coût pour aller
N −1
de l’état i à N : J(u) = ζN (XN ) + n=i ζk (Xn , Un ), alors la stratégie de commande tronquée
π ∗ = µ∗i , µ∗1 , ...., µ∗N −1 est optimale pour ce problème

De ce principe, on peut formuler la proposition suivante :

Pour chaque état initial X0 , le coût optimal J ∗ (X0 ) du problème est égal à J0 (X0 ) donné par
l’algorithme récurrent suivant :
JN = ζN (XN )
Jn (Xn ) = min(ζn (Xn , Un ) + Jn+1 (f (Xn , Un ))) pour n=N-1..0
Un

L’équation donnée précédemment est aussi appelée l’équation récurrente de Hamilton-Bellman-

Jacobi en temps discret. La résolution de cette équation se fait en deux étapes inverses, de la
manière suivante :

Recherche de Un∗ = Un∗ (Xn )

1. Soit JN (XN ) = ζN (XN )

2. Soit n=N-1

3. Chercher Un∗ = µ∗n (Xn ) qui satisfait

Jn (Xn ) = min {ζn (Xn , Un ) + Jn+1 (fn (Xn , Un ))}
Un ∈U

4. Répéter l’étape 3 pour n=N-2, N-3,..0

5. Pour chaque état initial X0 , le coût optimal est J ∗ (x0 ) = J0 (x0 ).

6. La stratégie π ∗ = {µ∗0 , µ∗1 , ..., µ∗N −1 } est optimale.

63
Chapitre 3. Problème d’optimisation de consommation de carburant

Recherche du profil optimal à partir de la condition initiale

Soit n=0,...,N-1
Faire Un∗ = µ∗ (Xn )
xn+1 = f (Xn , Un∗ )

3.3 Résolution d’un problème simple

3.3.1 Hypothèses simplificatrices
Dans cette partie, on discute sur les deux points qui peuvent simplifier notre problème initial.
Le premier concerne les couples moteur et de freinage. En effet, le couple de freinage et le couple
moteur sont exclusifs l’un de l’autre. Par conséquent, à part la position d’arrêt où les deux couples
sont nuls, on a les trois possibilités suivantes.
– Utilisation du couple moteur : 0 < Te ≤ T eub , Tb = 0
– Utilisation du frein moteur : T elb < Te ≤ 0, Tb = 0
– Utilisation du couple de freinage : T e = 0, 0 < Tb ≤ T bub
On peut alors regrouper ces deux variables en une seule variable appelée Teb . Dans ce cas, on
a les trois mêmes situations que précédemment avec une écriture différente :
– 0 < Teb ≤ T eub : Utilisation du couple moteur
– T elb < Teb ≤ 0 : Utilisation du frein moteur
– T eblb < Tb ≤ T elb : Utilisation du couple de freinage
−Tbub + T elb
avec T eblb = .
ηNf Nt
Ce regroupement permet de réduire le nombre de variables de commande de trois à deux
variables sans changer le comportement du système. Ce qui est très intéressant pour réduire le
temps de calcul qui va être exposé dans le paragraphe §4.2.1.

Stratégie de sélection du rapport de boîte

Pour "négliger" le caractère hybride du système, la solution consiste à utiliser un modèle de
boîte de vitesse qui permet de calculer la vitesse de façon indépendante. En d’autres termes, on
sépare le problème d’optimisation du rapport de boîte de vitesse de notre problème d’optimisation
initial. Plusieurs approches peuvent être utilisées pour optimiser le rapport de boîte pour une
vitesse du véhicule donnée en fonction des conditions précises (la pente, la consommation des
accessoires,...). Le principe peut être décrit par l’introduction de la notion de la consommation
spécifique. Selon les motoristes, elle désigne la consommation d’un moteur en fonction de la
puissance développée et de la durée pendant laquelle cette puissance est développée. Elle est
usuellement chiffrée en gramme de carburant par ch/heure ou par kW/h, soit g/ch.h ou g/Kw.h.
La figure 3.1 montre l’exemple des courbes iso-consommations du moteur du véhicule Renault
Laguna.
Elle présente la consommation spécifique du moteur en fonction du régime et du couple
moteur. Pour chaque moteur, il existe une zone de fonctionnement optimal où le rendement
énergétique est le meilleur. L’objectif est de placer le point de fonctionnement du moteur le plus
proche possible de cette zone avec l’utilisation adéquate du rapport de boîte de vitesse. La figure
3.2 montre un exemple de cette stratégie sur un cas du maintien de la vitesse constante.
Sur cet exemple, on a la courbe de puissance pour maintenir la voiture à 120 km/h sur route
plane. Le point de fonctionnement du véhicule est l’intersection de la courbe de résistance à

64
 3.3. Résolution d’un problème simple

Consommation spécifique en g/kwh

0
0

27
27
0
30
350

320
160

400

32

0
0
25

300
140

270
0

250
25

270
120
Couple moteur en Nm

100 300
320
350
400

270 300
80 270

320
60 300
300
320 350
320
40
350 350
400
40

400
0

20

1000 2000 3000 4000 5000 6000

Régime moteur en tr/min

Fig. 3.1: Courbe iso-consommation du moteur du véhicule Renault Laguna

Fig. 3.2: Possibilité de choisir un meilleur point de fonctionnement du moteur avec le changement
du rapport de boîte [Duy09]

l’avancement et la courbe de puissance demandée. Le fait de changer le rapport de boîte de

vitesse permet de faire fonctionner le moteur à un point plus efficace énergiquement.
On voit que pour utiliser cette stratégie, on doit disposer de la cartographie de consommation
du moteur. Comme cette information n’est pas disponible pour notre véhicule de test qui est
le Renault Clio Eco2, on a été obligé de prendre une stratégie plus simple, qui provient d’un
constat sur les tests expérimentaux.
En effet, plusieurs tests effectués dans le cadre des expériences d’éco-conduite nous permettent
d’énoncer les remarques suivantes : Il faut passer au rapport de boîte de vitesse supérieur si le
régime moteur est aux alentours de 2000 à 2500 tr/min et de rétrograder s’il est aux alentours de

65
Chapitre 3. Problème d’optimisation de consommation de carburant

1500 tr/min. Dans l’hypothèse prise pour notre étude (conservation de la puissance, glissement
longitudinal négligé), on peut déterminer le rapport de boîte en fonction de la vitesse du véhicule.
Le principe est expliqué par les figures 3.3.

7000 7000
Rapport 1 Rapport 1
Rapport 2 Rapport 2
6000 Rapport 3 6000 Rapport 3
Rapport 4 Rapport 4
Rapport 5 Rapport 5
Seuil 1500 Seuil 1500
5000 5000
Seuil 2500 Seuil 2500
Seuil 3500 Seuil 3500
Régime moteur (tr/min)

Régime moteur (tr/min)

4000 4000

3000 3000

2000 2000

1000 1000

0 0
0 50 100 150 0 50 100 150
Vitesse (km/h) Vitesse (km/h)

(a) (b)

Fig. 3.3: Principe de sélection du rapport de boîte

Dans le sens croissant de la vitesse, si le régime moteur dépasse le seuil de 2500 tr/min (pour
cet exemple), on passe au rapport de boîte supérieur. Dans le sens inverse, on rétrograde si le
régime moteur est en-dessous du seuil inférieur (1500 tr/min pour notre exemple). Le but est
donc de maintenir le régime moteur dans un intervalle à priori optimal pour un véhicule léger.
Le rapport est donc déterminé par la fonction G(v) qui est le modèle de boîte de vitesse présenté
ci-dessus.
On voit que le modèle utilisé est simple mais pas forcément le mieux adapté. En dehors du
problème du choix du seuil de basculement, un autre problème peut apparaître dans certains cas
particuliers. En effet, avec l’hypothèse d’une pente faible, le fait de choisir ces seuils nous permet
de garantir un fonctionnement du moteur en bas régime. Ce qui est, d’après plusieurs études très
bénéfique en terme d’économie de carburant. Mais dans le cas d’une forte côte (θ > 10%), le fait
de fonctionner dans cet intervalle de régime ne permet pas d’avoir une puissance suffisante pour
la grimper même si on dispose du couple maximal. La figure 3.4 montre ces deux quantités du
moteur TCE 100 de la Renault Clio Eco2.
La figure montre que même si à 2500 tr/min, on atteint presque le couple maximal mais
pour une forte montée, la puissance du moteur reste insuffisante. Il faut donc dans ce cas monter
en régime pour disposer une puissance plus élevée. Un exemple simple consiste à faire monter
le véhicule à une vitesse de 50 (km/h) sur une pente de 13%. Avec les valeurs des paramètres
du véhicule Renault Clio Eco2 données en Annexe A.1, la puissance requise au moteur est
approximativement 37 kw. Avec le modèle de boîte actuel, à 50 km/h on atteint un régime de
2500 tr/min avec le rapport 3 et une puissance maximale d’environ 36 kw. Le véhicule peut
très difficilement monter la pente. Dans ce cas, il faut donc augmenter le régime en utilisant un
rapport de boîte plus faible (par exemple le deuxième). Le régime moteur est de 3500 tr/min
et la puissance maximale est de 51 kw, valeur plus adaptée à la situation. En partant de cet
exemple simple, on voit bien qu’il faut un seuil de changement de rapport plus élevé pour de
fortes montées. C’est pour cette raison que le rapport dépend non seulement de la vitesse du

66
 3.3. Résolution d’un problème simple

Fig. 3.4: Courbe du couple et de la puissance du moteur TCE 100 (source : Renault)

véhicule mais aussi de la pente de la route. La fonction G(v, θ) est alors utilisée pour déterminer
le rapport de boîte.
On voit bien que le modèle de boîte est assez simple et n’est pas forcément très précis pour
tous les véhicules. Dans un premier temps, ce modèle va être utilisé. On verra que ce modèle
simple est tout de même assez satisfaisant comparé à une autre approche qui sera présentée plus
loin. Le choix de ce modèle de boîte est motivé par le fait qu’on peut résoudre le problème d’opti-
misation par davantage de méthodes notamment par l’algorithme SQP et par la programmation
dynamique. Cela nous permet de faire une comparaison entre ces deux méthodes.

3.3.2 Problème sous forme discrétisée

Le problème donné par le système d’équations (3.16) contient maintenant deux variables
d’états et une variable de commande. En appliquant l’approximation des dérivées par la méthode
d’Euler avec un pas de discrétisation ∆t, le mouvement longitudinal du véhicule s’écrit sous la
forme discrète :

Xt+1 = f (Xt , Ut ) (3.24)

 
xt

avec Xt = les variables d’état à l’instant t et Ut = Tebt la variable de contrôle à
vt
l’instant t. Les variables d’état sont la distance xt et la vitesse vt . La variable de contrôle est le
couple Tebt . Le rapport de boîte à l’étape t est déterminé par la fonction Gt (vt , θt ).


 xt + ∆t ∗ vt


 v + ∆t ∗ r
t (ηNf Nt (rbt )Tebt
f (Xt , Ut ) = M r + Iet Nf Nt 2 (rbt ) + Idw
2 2 (3.25)

 −r(M gCR + 1 ρSCx v 2 + M gsinθt ))


t
2

67
Chapitre 3. Problème d’optimisation de consommation de carburant

La formulation du problème d’optimisation sous la forme discrète s’écrit de la façon suivante :



 min F C
 u0 ,..,uT −1

Xt+1 = f (Xt , Ut , θt ) (3.26)


 H i = 0, i = 1..p

Gj ≤ 0, j = 1..q

avec le critère sous forme discrète

T
X −1
FC = f ct (Gt (vt , θt ), vt , Tebt ) ∗ ∆t (3.27)
t=0
.

3.3.3 Application de la méthode SQP

Pour appliquer l’algorithme SQP présenté précédemment au problème décrit par l’équation
(4.4), la démarche consiste à décomposer successivement le système sur une durée donnée T
correspondant au temps de trajet.

X1 = f (X0 , U0 , 0)
X2 = f (X1 , U1 , 1) = f (f (X0 , U0 , 0), U1 , 1)
.. (3.28)
.
XT = f (XT −1 , UT −1 , T − 1) = f (f (...f (X0 , U0 , 0), ..., UT −2 , T − 2), UT −1 , T − 1)

On remarque que la dynamique du système est fonction des conditions initiales x0 et une stratégie
de commande U = [U0 ; U1 ; ...; UT ]. Donc, notre objectif est de déterminer cette stratégie de
commande optimale suivante U ∗ = [U0∗ ; U1∗ ; ...; UT∗ ] en utilisant la méthode SQP.
Inévitablement, le problème d’optimisation va dépendre uniquement des conditions initiales
X0 connues à priori et de la stratégie de commande à déterminer. D’où :

min J(U )
U0 ,..,UT
Gj,1 = Gj (X0 , U0 , 0) ≤ 0
Hi,1 = Hi (X0 , U0 , 0) = 0
Gj,2 = Gj (X1 , U1 , 1) = Gj (f (X0 , U0 , 0), U1 , 1) ≤ 0
(3.29)
Hi,2 = Gi (X1 , U1 , 1) = Hi (f (X0 , U0 , 0), U1 , 1) = 0
..
.
Gj,T = Gj (f (...f (X0 , U0 , 0), UT −2 , T − 2), UT −1 , T − 1) ≤ 0
Hi,T = Gi (f (...f (X0 , U0 , 0), UT −2 , T − 2), UT −1 , T − 1) = 0
Finalement, l’application de la méthode SQP revient à minimiser un Lagrangien à chaque instant
de discrétisation t. Le lagrangien s’écrit alors :
T
X T X
X q p
X
L(Xt , Ut , t) = g(Xt , Ut , t) + [ µt,j Gj (Xt , Ut , t) + λt,i Hi (Xt , Ut , t)] (3.30)
t=0 t=0 j=1 i=1

On pose
P
µt G(Xt , Ut , t) = qj=1 µt,j Gj (Xt , Ut , t)
′

P (3.31)
λt H(Xt , Ut , t) = pi=1 λt,i Hi (Xt , Ut , t)
′

68
 3.3. Résolution d’un problème simple

Donc
T
X T
X ′ ′
L(Xt , Ut , t) = g(Xt , Ut , t) + [µt G(Xt , Ut , t) + λt H(Xt , Ut , t)] (3.32)
t=0 t=0
Comme on a des contraintes d’égalité seulement sur les conditions terminales, le Lagrangien
va s’écrire :
P −1
L(Xt , Ut , t) = Tt=0
′
[g(Xt , Ut , t) + µt G(Xt , Ut , t)] + [g(XT , UT , T )
(3.33)
′ ′
+µt G(XT , UT , T ) + λt H(XT , UT , T )]
Finalement, le Lagrangien à minimiser est donné par l’équation suivante :
T
X −1
L(Xt , Ut , t) = l(Xt , Ut , t) + φ(XT , UT , T ) (3.34)
t=0

Ce Lagrangien est minimisé avec l’algorithme donné précédemment en modifiant quelques

notations.
1. Initialisation :

- Pour un instant discret donné t

- k=1 choix de ut,0 ∈ ℜn et de (λt,0 , µt,0 ) ∈ ℜp ℜ+,q

2. Pour chaque itération k :

Résoudre le sous-problème quadratique :


 min < ∇U J(Ut,k , d > + 21 < DU2 U L(Xt,k , Ut,k , t, λt,k , µt,k )d, d >
∇ H(xt,k , Ut,k , t)d + H(Xt,k , Ut,k , t) = 0 (3.35)
 U
∇U G(xt,k , Ut,k , t)d + G(Xt,k , Ut,k , t) ≤ 0

3. Calcul des différents coefficients de pénalité :

- λt,k+1 ∈ ℜp est le coefficient de pénalité associé à chaque contrainte d’égalité.

- µt,k+1 ∈ ℜq est le coefficient de pénalité (positif) associé à chaque contrainte d’inégalité.

- Ut,k+1 = Ut,k + dt,k où dt,k , la direction de descente

4. Critère d’arrêt

- Si Ut,k+1 est satisfaisant : STOP

- Sinon, on pose k=k+1 et on revient à l’étape 2.

Cet algorithme est mis en place avec la routine fmincon sous Maltab. On présente par la suite
les résultats de simulations obtenus par cette méthode.

69
Chapitre 3. Problème d’optimisation de consommation de carburant

Résultats de simulations

Le scénario utilisé est un trajet entre deux arrêts, distants de 800 m. Le temps du trajet est
fixé à 60 secondes avec une vitesse limitée à 90 km/h. La pente est supposée nulle. Le couple Teb
est limité entre 170 Nm (le couple moteur maximal) et -200 Nm. Le véhicule est en frein moteur
si le couple Teb ∈ [0, −20]. Les profils optimaux de vitesse et de couple sont donnés sur la figure
3.5 :

100 200
Couple moteur
Seuil frein moteur
75 Vitesse 150
Rapport
50 100

25 50
Vitesse (km/h)

Couple (Nm)
3 4 5 4 3 2 1
0 0

−25 −50

−50 −100

−75 −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.5: Profils optimaux obtenus avec l’algorithme SQP

On voit sur cette figure que les contraintes sur le couple moteur et la vitesse sont respectées.
Les rapports de boîte calculés sont numérotés de 1 à 5. On remarque sur la figure 3.6 que le
régime moteur reste dans la zone définie précédemment.

3000
Regime moteur
Seuil 1500
Seuil 2500
2500
Régime moteur (tr/min)

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.6: Régime moteur obtenu avec l’algorithme SQP

Comme on l’a souligné, les solutions obtenues avec la programmation quadratique successive
peuvent être potentiellement des solutions locales et que cette méthode est sensible aux conditions
d’initialisation. En effet, comme on ne connaît pas à priori la trajectoire optimale sur un tel

70
 3.3. Résolution d’un problème simple

trajet, un processus aléatoire est utilisé pour initialiser cet algorithme. Avec cela, on voit qu’en
fonction de l’initialisation, on obtient des profils différents (figure 3.7). Cette différence peut être
acceptable dans le cas des profils 1 et 2 mais deviennent très importantes pour le cas du profil 3.

90 200
Profil 1 (102 ml) Profil 1 (102ml)
80 Profil 2 (110 ml) Profil 2 (110ml)
Profil 3 (126 ml) 150 Profil 3 (126ml)
70 Seuil frein moteur

60 100
Vitesse (km/h)

50

Couple (Nm)
50
40
0
30

20 −50

10
−100
0

−10 −150
0 100 200 300 400 500 600 700 800 0 100 200 300 400 500 600 700 800
Distance (m) Distance (m)

(a) (b)

Fig. 3.7: Effets d’initialisation de l’algorithme SQP

Pour alléger les figures, on présente uniquement les couples et les vitesses optimaux. Le profil
1 correspond à une consommation de carburant la plus faible de 51 ml, suivi par le profil 2 (55 ml)
et le profil 3 (63 ml). La différence en terme de consommation de carburant entre ces trois profils
est tout de même remarquable. Entre le profil 1 et le profil 3, on observe une différence de 23.5%.
Cette différence peut s’expliquer par des vitesses atteintes plus élevées et par un pourcentage
de temps d’utilisation du frein moteur moins important pour les deux derniers profils. Dans ces
trois cas, même si la consommation nous pose déjà le problème, les solutions se ressemblent plus
ou moins. Mais il existe des cas où la solution donnée par l’algorithme SQP est complètement
différente comme le montre la figure 3.8

100 200
Vitesse
Rapport
75 Seuil frein moteur 150
Couple moteur
50 100

25 50
Vitesse (km/h)

Couple (Nm)

0 0

−25 −50

−50 −100

−75 −150

−100 −200
0 100
100 200200 300 300 400 400 500 500 600 600700 700
800 900
800
Distance (m)

Fig. 3.8: Profils optimaux obtenus avec l’algorithme SQP - cas défavorable

La consommation de carburant correspondant à ces profils est de 91 ml, soit 78% de plus

71
Chapitre 3. Problème d’optimisation de consommation de carburant

par rapport au profil 1. En plus, on observe bien le problème d’oscillation sur la vitesse et sur le
couple. Ce problème est donc très gênant pour le confort du passager.
On continue dans le paragraphe qui suit à présenter l’application de la programmation dy-
namique pour ce même problème avant d’analyser les avantages et les inconvénients de chacune
de ces deux méthodes.

3.3.4 Application de la programmation dynamique

La résolution numérique de notre problème ressemble à la recherche du plus court chemin

pour ramener le système de l’état initial vers l’état final ou les états finaux, au moyen de la
programmation dynamique. En effet, grâce à la connaissance à priori de la géométrie de la route,
l’évolution de notre système est déterministe. La transition entre des états successifs est associée
à un coût qui est la valeur de notre fonction objective. La résolution via l’équation BHJ de notre
problème est faite avec la formulation suivante.
Le trajet est discrétisé en N+1 étapes. ein correspond à l’état i à l’étape n. L’ensemble En
des états ein à l’étape n est défini par l’espace discrétisé du vecteur d’états. A chaque transition
de l’état ein ∈ En à l’état ejn ∈ En+1 on associe un coût ζni,j . A chaque état ein , on associe un
coût Jni . Un coût Jni = ∞ indique que l’état i de l’étape n ne peut pas être atteint par n’importe
quel autre état de l’étape n − 1. Ainsi ce coût permet de définir l’ensemble des états admissibles
Enadm d’une étape n donnée. On a par exemple EN adm = {et } pour l’état final n.
n
Dans un premier temps, le trajet est discrétisé en temps. Le vecteur d’état comporte donc
deux variables qui sont la vitesse et la distance. Le couple moteur n’est pas discrétisé mais calculé
à partir des équations de mouvement du véhicule.
La figure 3.9 représente la formulation du problème présentée ci-dessus.

Fig. 3.9: Formalisation du problème optimal avec la théorie des graphes

L’algorithme recherche la commande optimale en fonction de l’état sur N+1 étapes et cor-
respond à notre formulation, décrit comme suit.

72
 3.3. Résolution d’un problème simple

1. pour n=0,..,N
Jni = ∞, i ∈ En
JNt =0

2. n=N
3. Pour chaque ejn ∈ Enadm
i,j
i
Jn−1 = min {ζn−1 + Jnj }, i ∈ En−1
j∈En
La transition de l’état ein−1 à l’état ejn est autorisée quand on satisfait
les différentes contraintes précisées par 3.13.
4. Répéter l’étape 3 pour n=N-1,...,1
La recherche du profil optimal de vitesse à partir de l’état initial est alors effectuée de la
même façon que précédemment.
Par la suite, on présente des résultats de simulations obtenus par la programmation dyna-
mique.

Résultats de simulation
En utilisant le même contexte utilisé pour l’algorithme SQP, les résultats obtenus avec la
Programmation dynamique sont présentés sur la figure 3.10.

Profil de Vitesse
100 200
Vitesse
Rapport
75 150
Couple moteur

50 100

25 50
Vitesse (km/h)

0 0 Couple (Nm)

−25 −50

−50 −100

−75 −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.10: Profils optimaux obtenus avec l’algorithme PD

Les contraintes sur la vitesse et le couple sont respectés, ainsi que les conditions initiales et
finales. Le régime moteur reste plus ou moins dans l’intervalle "optimal" comme le montre la
figure 3.11
La consommation correspondant à ces profils est de 37.6 ml. Ce qui est beaucoup moins im-
portant par rapport aux profils obtenus par la méthode SQP. La comparaison des deux méthodes
est l’objet du paragraphe suivant.

3.3.5 Comparaison des deux méthodes

On a présenté ici deux exemples de méthodes qui sont la programmation dynamique et la
programmation quadratique successive. Chaque méthode présente des avantages et des inconvé-
nients pour être utilisée dans une application embarquée.

73
Chapitre 3. Problème d’optimisation de consommation de carburant

3000

2500
Régime moteur (tr/min)

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.11: Régime moteur obtenu avec l’algorithme PD

Avant tout, la méthode SQP est une méthode d’optimisation indirecte. Elle montre à travers
les résultats précédents qu’elle est très sensible au choix de la condition initiale et par conséquent
demande une connaissance à priori de la trajectoire optimale. Ce qui n’est évidemment pas
faisable dans le cadre de notre application. De plus, la prise en compte des contraintes n’est pas
forcément facile à faire. Car dans ce cas, on augmente la dimension de l’espace d’état et donc
on augmente la complexité du problème. Le problème d’optimum local est aussi à souligner en
utilisant la programmation quadratique successive.
Pour ce qui est de la programmation dynamique, elle ne demande pas une formulation très
rigoureuse du problème et la prise en compte des différentes contraintes est très facile à réaliser à
chaque étape de calcul. De plus, avec l’utilisation de l’équation de Halminton-Bellman-Jacobi, on
a une condition nécessaire et suffisante pour assurer l’obtention d’une solution optimale globale.
Si on compare les résultats obtenus avec les algorithmes SQP et PD, on trouve que l’algo-
rithme PD donne une meilleure solution. Les figures 3.12 et 3.13 nous permettent de justifier
cela. En comparant les deux courbes de vitesse, la vitesse maximale du profil PD est plus faible
que celle du profil SQP, le pourcentage d’utilisation du frein moteur est plus important et par
conséquent on obtient une consommation totale moins élevée.
Dans le cas de l’algorithme SQP, la routine fmincon [Mat06] de la Toolbox Matlab est utilisée.
Notons qu’il existe plusieurs autres solveurs fondés sur l’algorithme SQP permettant de résoudre
le problème posé qui fait partie des problèmes de programmation non linéaire (NLP). On re-
trouve alors les travaux des chercheurs de l’université de Californie, San Diego et de l’Université
de Stanford avec notamment les trois solveurs appelés SNOPT [GMS06], NPSOL [GMS98] et
MINOS [MS83]. Nous ne les avons pas utilisés en raison de leur coût. On peut aussi retrouver
d’autres solveurs moins utilisés comme filterSQP, OPTIMA,... La majorité de ces solveurs est im-
plantée sous forme d’une librairie codée en Fortran. On souhaite alors plutôt utiliser une routine
que l’on sera capable de mieux maîtriser.
Pour le scénario étudié, on a choisi un pas de discrétisation de 1 seconde. Les paramètres
par défaut de la routine sont utilisés. On remarque que le temps de calcul dépend de l’étape
d’initialisation. Il peut être de l’ordre d’une dizaine de secondes à une ou deux minutes sur
un ordinateur double cœur cadencé à 2 GHz. Ce temps d’exécution varie aussi en fonction des
paramètres de résolution : le nombre maximal d’itérations, la tolérance de la solution obtenue,...

74
 3.4. Conclusions

90
PD
80 SQP

70

60

Vitesse (km/h) 50

40

30

20

10

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.12: Comparaison des profils de vitesses optimaux obtenus avec l’algorithme SQP et PD

200
PD
SQP
150
Seuil frein moteur

100

50
Couple (Nm)

−50

−100

−150

−200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 3.13: Comparaison des profils de couples optimaux obtenus avec les algorithmes SQP et PD

On n’est donc pas en mesure d’évaluer de façon précise le temps d’exécution de l’algorithme SQP.
Pour ce qui est de la programmation dynamique, le temps de calcul représente son plus gros
inconvénient. Le paragraphe §4.2.1 présente une étude simple permettant d’évaluer ce temps.
Pour le scénario étudié, le pas de discrétisation du temps est toujours de 1 seconde. Les variables
d’états sont aussi discrétisées. Le temps d’exécution pour ce simple scénario s’avère déjà prohibitif
et est de l’ordre d’une quinzaine d’heures sur le même ordinateur. Dans ce même paragraphe,
nous allons aussi montrer que ce temps varie de façon exponentielle en fonction de la dimension
de l’espace d’état.

3.4 Conclusions
Dans cette section, on a présenté un problème d’optimisation de consommation simple avec
des hypothèses et des stratégies simplificatrices. Cette approche nous permet d’étudier la métho-
dologie à utiliser pour construire notre système final. Deux méthodes d’optimisation sont testées

75
Chapitre 3. Problème d’optimisation de consommation de carburant

et pour chacune d’elles les inconvénients et avantages ont été mis en évidence. On obtient un
profil plus économique avec la programmation dynamique mais le temps de calcul nécessité par
la résolution de ce problème est très élevé. De son côté, la programmation quadratique successive
présente des inconvénients très majeurs pour une application comme la nôtre (temps de calcul
variable, optimum local, capacité à deviner la trajectoire optimale nécessaire). De plus, l’implé-
mentation de cet algorithme s’avère plus difficile, surtout dans le cas d’un problème à caractère
hybride. C’est pour cela, la programmation dynamique est choisie pour la suite de notre étude.
Le grand défi est maintenant de réduire le temps de calcul et d’adapter cet algorithme à un
problème plus complet et complexe.
Le chapitre suivant détaille tous ces aspects nécessaire à la construction du système final.

76
 Chapitre 4

Vers un système d’aide à la conduite

écologique et sécuritaire

Sommaire
4.1 Problème d’optimisation multi-objectifs . . . . . . . . . . . . . . . . . 78
4.1.1 Nouvelle approche du problème . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.2 Recherche d’une nouvelle fonction coût . . . . . . . . . . . . . . . . . . . 79
4.1.3 Influence de la pente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Approche pour un calcul en ligne . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Analyse de la complexité de la programmation dynamique . . . . . . . . 94
4.2.2 Changement de méthode de discrétisation . . . . . . . . . . . . . . . . . 95
4.2.3 Utilisation de l’horizon électronique . . . . . . . . . . . . . . . . . . . . 96
4.2.4 Réduction de l’espace de recherche . . . . . . . . . . . . . . . . . . . . . 97
4.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Extension au problème de sécurité . . . . . . . . . . . . . . . . . . . . 98
4.3.1 Définition du contexte de sécurité . . . . . . . . . . . . . . . . . . . . . . 99
4.3.2 Choix de la stratégie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3.3 Contrôleur de logique floue . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Validation de la stratégie développée : cas d’un système actif . . . . 108
4.4.1 Conception d’un système actif . . . . . . . . . . . . . . . . . . . . . . . 108
4.4.2 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

L’objectif principal consiste à concevoir un système capable de communiquer au conducteur

l’impact de son comportement au volant sur la consommation de carburant et de lui suggérer un
style de conduite plus économique et écologique. Signalons que les consignes données doivent être
cohérentes avec sa situation de conduite, notamment en terme de sécurité. L’approche utilisée
au chapitre précédent est insuffisante pour atteindre ces objectifs. C’est donc pour cela qu’une
nouvelle approche du problème est mise en place. Le problème d’optimisation non-linéaire et
hybride défini par les équations (3.16) est abordé sous l’angle d’un problème multi-objectifs par la
construction d’une nouvelle fonction de coût. Ceci nous permet d’étudier, sur un exemple simple,
le compromis entre le temps de trajet, la consommation de carburant et le confort du passager.
L’influence de la pente est aussi abordée. Par la suite, les différentes techniques visant à réduire
l’effort de calcul lié à la Programmation Dynamique la rendent utilisable dans une approche

77
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

de calcul en ligne. Finalement, les différents aspects du problème de sécurité sont traités. Cela
nous permet de transmettre au conducteur des informations et des suggestions à la fois plus
précises, plus cohérentes et surtout plus sûres. Cette nouvelle approche [LNM10b, LNM10c] se
différenciera alors des concepts existants [Hel10, vdVDvM01].

4.1 Problème d’optimisation multi-objectifs

Le chapitre précédent a traité un problème d’optimisation avec un temps de parcours précis.
Par cette formulation, seul le critère de consommation en carburant a été pris en compte. Son
plus grand défaut est qu’elle s’avère très gourmande en temps de calcul. Pour le détourner, la
première solution consiste alors à transformer le problème dépendant du temps en un problème
dépendant de la distance. Le problème devient alors un problème d’optimisation avec un temps
de trajet implicite. Cette transformation se réalise grâce à la réécriture suivante :

dv dv ds dv 1 dv
= ⇒ = (4.1)
dt ds dt ds v dt
avec l’hypothèse d’une vitesse non nulle.
Par conséquent, la nouvelle expression du mouvement longitudinal s’écrit :

 xn + ∆x


 ∆x r
vn + ∗ (ηNf Nt (rbn )Tebn
f (Xn , Un ) = vn M r 2 + Iet Nf2 Nt 2 (rbn ) + Idw (4.2)

 −r(M gC + 1 ρSC v 2 + M gsinθ ))


R x n n
2
où ∆x est le pas de discrétisation en distance.
La démarche, pour formuler de nouveau le problème d’optimisation, reste identique à la
précédente, s’agissant de la définition du critère, des contraintes,.... Mais à présent, certaines
hypothèses seront levées. La discrétisation du problème n’est alors plus la même.

4.1.1 Nouvelle approche du problème

Rappelons d’abord quelles sont les hypothèses utilisées dans le chapitre précédent. Première-
ment, certaines contraintes, notamment le jerk, ne sont pas prises en compte. Ce choix a été fait
dans le but d’obtenir un problème suffisamment simple pour examiner rapidement les différentes
méthodes d’optimisation. Le regroupement du couple moteur et de freinage a été une solution in-
téressante pour réduire la dimension du problème et donc l’effort de calcul de la Programmation
Dynamique. Puis, finalement, l’hypothèse la plus importante reste l’utilisation d’un modèle du
rapport de boîte. Dans ce cas, on considère que le véhicule dispose d’une boîte de vitesse automa-
tique et que l’on s’occupe uniquement de trouver le couple et la vitesse optimaux. Le caractère
hybride du problème initial disparaît alors. Cela simplifie forcément la résolution du problème.
Bien que cette approche reste cohérente dans notre contexte d’étude, son plus grand inconvé-
nient est qu’elle ne présente pas une démarche générique et introduit certaines imprécisions. En
effet, les seuils de changement de rapport, par exemple, peuvent être différents d’un véhicule
à l’autre. Le maintien du régime moteur dans une zone dite "optimale" n’est pas forcément la
stratégie la mieux adaptée à toutes les situations et à tous les types de véhicules, notamment les
véhicules lourds. Il est nécessaire de résoudre le problème initial sans perdre de vue les points qui
le caractérisent. Cela est tout à fait faisable avec la programmation dynamique. En plus de ses

78
 4.1. Problème d’optimisation multi-objectifs

avantages déjà soulignés, sa mise en œuvre facile rend la prise en compte des contraintes et du
caractère hybride du problème plus simple. Rappelons alors la formulation du problème initial :


 min J(U, X)

 U∗

 Ẋ = f (X, U, θ)
Hi (X) = 0, i = 1, ..., p (4.3)


 Gj (X, U ) ≤ 0, j = 1, ..., q



rb ∈ Rb
 
  Te
x
avec X = le vecteur d’état et U =  Tb  le vecteur de commande.
v
rb
Le regroupement du couple moteur et de freinage est toujours utilisé. Le problème sous forme
discrète s’écrit alors : 

 min J
 U0 ,..,UN−1


 Xn+1 = f (Xn , Un , θn )
Hi = 0, i = 1..p (4.4)


 G ≤ 0, j = 1..q
 j


rb ∈ Rb


On a, comme variable d’état à l’étape n, Xn = vn et comme variables de contrôles Un =
 
Tebn
.
rbn
Par cette formulation, la discrétisation du problème change. Le trajet est discrétisé en distance
alors qu’il l’était en temps. Le nombre des états ein , toujours défini par deux espaces discrétisés,
est fortement réduit. Le deuxième espace discrétisé est réduit à Nx pour le nombre de valeurs
discrètes de la distance, et à 5 pour le nombre de valeurs possibles du rapport de boîte de vitesse.
Il faut souligner que même si on a 5 valeurs discrètes du rapport de boîte, seules trois valeurs
sont admissibles à chaque pas de calcul pour rester dans la logique séquentielle d’une boîte de
vitesse manuelle.
Construisons maintenant la fonction coût qui nous permet d’introduire différents aspects de
la conduite.

4.1.2 Recherche d’une nouvelle fonction coût

Sur un trajet donné, plusieurs objectifs peuvent être définis. Le premier consiste à parcourir
le trajet en un temps minimal. Dans ce cas, on utilise le maximum de la capacité (couple moteur
maximal et accélération maximale) du véhicule pour atteindre le plus rapidement possible la
fin du parcours. Par conséquent, on a le plus court temps de trajet mais aussi la plus grande
quantité de carburant consommée. La deuxième stratégie consiste alors à rouler moins vite pour
consommer moins en dépit d’un temps de trajet plus élevé. Dans cette partie, on essaie de
traduire ces comportements à travers différents critères utilisés pour former la fonction coût
du problème d’optimisation. La construction de cette fonction nous permettra de mettre en
évidence la différence entre une conduite sportive, énergivore et une conduite plus douce, plus
sûre et écologique. En d’autres termes, nous allons analyser le compromis entre la consommation,
le temps de trajet et le confort du passager.
Pour cela, on a à résoudre un problème multi-objectifs avec notamment la construction de
différents critères représentatifs des différents aspects que l’on souhaite considérer. Une des mé-
thodes pour aborder ce problème consiste à n’en former qu’un seul à partir de ces différents

79
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

critères. La forme générale en est alors une somme pondérée qui s’écrit :
X
J= Qi ∗ Ci (4.5)

avec Ci, les différents critères et Qi les coefficients de pondération correspondant à chaque critère
Ci, J étant le critère de coût final à optimiser.
Un des points délicats de ce problème se situe dans le choix des poids associés à chaque
critère. Il existe une solution optimale pour chaque ensemble des valeurs des coefficients Qi . La
définition de ces valeurs nous permet d’imposer les critères dominants dans la solution recherchée.
Un coefficient Qi important signifie que la priorité du critère Ci associé est plus élevée. Il existe
donc non seulement une solution mais plusieurs solutions optimales pour ce problème.

Problème de temps minimal

Le critère à considérer dans ce cas est le temps de trajet. Sous forme discrète, il s’écrit :
N −1
X 2 ∗ ∆x
T = (4.6)
n=0
vn+1 + vn

Le problème consiste alors à minimiser ce temps tout en respectant les contraintes imposées
par la performance du véhicule et par la limitation de vitesse. Le cas d’un trajet entre deux
arrêts distants de 800 m l’un de l’autre est de nouveau étudié. La pente est considérée nulle.
Les profils optimaux, obtenus à l’aide de la programmation dynamique, sont présentés sur la
figure 4.1. Sur le profil de la vitesse, on constate trois phases distinctes. La phase d’accélération

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)

0 0

Couple
−25 −50
Vitesse
Rapport
−50 −100

−75 −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.1: Profils optimaux : cas du temps minimal

à partir d’une position d’arrêt jusqu’à la vitesse maximale autorisée se fait sur 250 m. La phase
de croisière à la vitesse de 90 km/h constitue la phase la plus longue. Et finalement, on a la phase
de décélération pour revenir à la vitesse nulle à la position d’arrêt. On remarque que la phase
d’accélération est la phase dans laquelle le couple moteur est le plus sollicité. À l’inverse, la phase
de décélération utilise le maximum de capacité de freinage pour décélérer. Ce comportement est
tout à fait cohérent par rapport à l’objectif fixé : le plus court temps de parcours.
Ces profils montrent aussi que les différentes contraintes liées à la vitesse, au couple, au
rapport de boîte aussi qu’aux conditions initiales et finales sont respectées. Nous avons la même

80
 4.1. Problème d’optimisation multi-objectifs

−1

−2

−3

−4
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.2: Accélération en m/s2 (en noir) et Jerk en m/s3 (en bleu) du véhicule avec leurs
contraintes (lignes horizontales en pointillées) : cas du temps minimal

3500

3000
Régime moteur (tr/min)

2500

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.3: Régime moteur : cas du temps minimal

remarque en regardant les courbes d’accélération, du jerk (figure 4.2) et du régime moteur (figure
4.3).
Sur la figure 4.3, les deux lignes en pointillés définissent la zone "optimale" du régime moteur,
utilisée précédemment pour définir le modèle de boîte de vitesse. Dans ce cas, le régime moteur
ne se trouve pas dans cette zone. Cela semble cohérent car on ne recherche pas à minimiser la
consommation de carburant mais à obtenir le plus court temps de trajet. C’est d’ailleurs le défaut
de l’approche avec le modèle du rapport de boîte de vitesse utilisé. En souhaitant maintenir le
régime moteur dans une zone optimale, on force l’utilisation de rapports inadéquats à l’objectif
fixé. La comparaison des profils obtenus par les deux approches (figure 4.4) met en évidence ce
problème.
Pour cette comparaison, la notation étoilée est utilisée pour indiquer les profils obtenus par
l’utilisation du modèle de rapport de boîte. Sur cette figure, la courbe vitesse∗ correspondant
à l’utilisation du modèle de rapport de boîte, possède la phase d’accélération la plus longue.
Cela s’explique par les rapports utilisés. Le fait de limiter le régime moteur oblige l’utilisation
des rapports supérieurs avec une capacité d’accélération moins importante. Le temps nécessaire

81
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0
Couple
−25 Vitesse
Vitesse −50
Vitesse
Vitesse **
−50 Rapport*
Rapport* −100
Rapport
Rapport
−75 Couple* −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.4: Problème en temps minimal : comparaison des deux approches au niveau du rapport
de boîte

pour atteindre la vitesse maximale est le plus long. Avec la nouvelle approche, les premiers
rapports sont préconisés pour la phase de démarrage. Ce choix offre une capacité d’accélération
plus importante. Le véhicule peut atteindre plus rapidement la vitesse maximale. Par conséquent,
le régime moteur en est accru (figure 4.5).

3500
Régime moteur
Seuil 1500
3000 Seuil 2500
Régime moteur*
2500
Régime moteur (tr/min)

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.5: Problème en temps minimal : comparaison, des régimes moteur, des deux approches
du rapport de boîte

La vitesse maximale atteinte plus rapidement et son maintien plus long diminuent le temps
de trajet (on passe de 45 s à 43 s), mais augmentent légèrement la consommation (de 86 ml à
88 ml).
Le problème en temps minimal est maintenant abordé avec la vérification du respect des
différentes contraintes. La comparaison entre deux approches pour le rapport de boîte nous
fournit déjà quelques informations intéressantes, notamment la relation entre le temps de trajet
et la consommation. Examinons ce problème de plus près.

82
 4.1. Problème d’optimisation multi-objectifs

Compromis entre le temps de trajet et la consommation

Il est évident que les profils correspondant au problème en temps minimal sont les plus
énergivores. Ce ne sont pas ceux qui nous intéressent le plus pour la conception du système. Une
conduite écologique doit correspondre à un temps de trajet convenable et une consommation en
carburant en baisse. Pour obtenir ce type de profil, cette dernière doit être prise en compte. Le
nouveau critère de coût est alors défini comme :
J = Q1 ∗ F C + Q2 ∗ T (4.7)
avec Q1 (en ml−1 ), Q2 (en s−1 ), les coefficients de pondération respectivement associés aux
critères de consommation et de temps.
On remarque que ces deux critères ont le même ordre de grandeur. Cela signifie que les
poids des coefficients sont directement représentatifs du niveau de priorité du critère dans la
fonction coût. On fixe le coefficient Q2 = 1. Le problème en temps minimal correspond au cas
où le coefficient Q1 est égal à zéro. On souhaite réduire la consommation tout en garantissant
un temps de trajet correct. Cela est important pour que les consignes données soient acceptées
par le conducteur. Dans un premier temps, on fixe le coefficient Q2 = 0.5. Ce choix correspond,
en principe, à un temps de trajet de plus de 33% par rapport au temps minimal. On souhaite
observer le gain en consommation correspondant.
Les résultats de simulation montrent qu’avec des coefficients ainsi définis, on constate une
augmentation du temps de trajet de 23.26%. Mais la quantité de carburant consommée diminue
de 31.8%. Nous allons analyser les profils optimaux obtenus avec ce jeu de coefficients pour donner
quelques explications. Sur la figure 4.6, les profils optimaux de la vitesse, du couple moteur et
du rapport de boîte sont présentés.

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)

0 0

Vitesse
−25 −50
Rapport
Couple
−50 −100

−75 −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.6: Profils optimaux : Q1=0.5 Q2=1

Ces profils comportent une phase d’accélération et une phase de décélération. La vitesse
maximale (90 km/h) n’est pas atteinte. Les sollicitations du couple les plus importantes se
trouvent dans la phase d’accélération. Pour le reste, le couple requis reste faible. En les comparant
aux profils en temps minimal (figure 4.7), les différences se font clairement identifier.
La vitesse moyenne du nouveau profil est plus basse. Ce qui implique un temps de trajet plus
élevé. Le couple moteur est moins sollicité et on voit apparaître l’utilisation du frein moteur. De
plus, le régime moteur (figure 4.8) est plus faible. Cela explique le gain d’économie en carburant
obtenu.
Ces simulations montrent qu’il existe un compromis entre le temps de trajet et la consom-
mation qu’il faudra trouver. Si on se place alors dans la situation où le conducteur accepte un

83
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

100 200
Temps minimal
90 Q =0.5 Q =1
150 1 2
80
100
70
Temps minimal 50

Couple (Nm)
Vitesse (km/h)

60
Q1=0.5 Q2=1
50 0

40
−50
30
−100
20
−150
10

0 −200
0 100 200 300 400 500 600 700 800 0 100 200 300 400 500 600 700 800
Distance (m) Distance (m)

(a) (b)

Fig. 4.7: Compromis entre le temps de trajet et la consommation : comparaison des profils
optimaux - (a) profils de vitesse (b) profils de couple

3500
Régime moteur (tr/min)
Seuil 1500
3000
Seuil 2500
Régime moteur (tr/min)

2500

2000

1500

1000

500

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.8: Régime moteur : Q1=0.5 Q2=1

temps de trajet entre 0 à 20% de plus que le temps minimal, cette économie est alors un ar-
gument intéressant pour convaincre le conducteur à suivre les consignes données par le système
ainsi conçu. Mais la décélération sur une longue distance n’est peut-être pas du goût de tout le
monde. Dans ce cas, il faut proposer un profil plus rapide mais toujours avec un gain d’économie
en carburant.
Pour cela, prenons un coefficient Q1 = 0.1. Les résultats obtenus sont résumés dans le tableau
4.1.
Avec ce choix, la diminution du temps de trajet est moins importante mais le gain en carburant
reste significatif. En acceptant une augmentation du temps de trajet de 2.3%, ce qui équivaut
un retard de 30 secondes sur un trajet de 30 minutes, le gain potentiel en carburant est de 11%,
qui n’est pas du tout négligeable.
A l’inverse, si on souhaite avoir une plus forte réduction de carburant, il faut augmenter
le poids du coefficient qui lui est lié. Fixons par exemple le coefficient Q1 = 1. Dans ce cas,
on s’attend à une forte réduction de la consommation de carburant et un temps de trajet plus
conséquent. Effectivement, le temps qu’il faut pour parcourir une distance de 800 m en suivant

84
 4.1. Problème d’optimisation multi-objectifs

Tab. 4.1: Compromis entre le temps de trajet et la consommation de carburant

Profil Coefficients Temps (s) Consommation (ml)
1 Q1=0.0, Q2=1 43 (+0.0%) 88 (-0.0%)
2 Q1=0.1, Q2=1 44 (+2.3%) 78.3 (-11.08%)
3 Q1=0.5, Q2=1 53 (+23.26%) 60 (-31.8%)

le profil de vitesse de la figure 4.9 est maintenant de 58 secondes, soit une augmentation de 34%
avec une consommation de 57.5 ml.

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0
Couple (Nm)
−25 Vitesse (km/h) −50
Rapport

−50 −100

−75 −150

−100
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.9: Profils optimaux : Q1 = 0.5 Q2 = 1

La vitesse maximale atteinte et la vitesse moyenne de ce scénario sont plus basses. Cela
explique le temps de parcours plus long par rapport aux cas précédents mais le point qui nous
intéresse le plus avec ce profil reste son comportement sur l’intervalle [100m ; 400m]. On voit
apparaître des oscillations sur le profil de vitesse. Le comportement constaté fait qu’il y a une
longue phase d’accélération suivie d’une phase de décélération. Le phénomène se répète jusqu’à la
phase de décélération pour atteindre le point d’arrêt. En effet, en choisissant un coefficient Q1 plus
élevé, on accepte un temps de parcours plus long. Pour moins consommer, on laisse le véhicule
avancer avec sa propre inertie ou juste avec un couple moteur faible. Il faut alors redonner un coup
d’accélérateur pour diminuer le temps de trajet qui a tendance à augmenter. Plus on augmente
le coefficient Q1 , plus ce phénomène s’amplifie avec des phases de décélération plus longues et
des pics d’accélération plus forts. Même si cette solution offre un gain en carburant important,
le confort du passager se dégrade d’autant. Si on regarde les courbes de l’accélération et du jerk
(figure 4.10), on constate des à-coups très fréquents, donc désagréables pour le conducteur.
Ce cas soulève alors un point intéressant. La réduction de la consommation ne doit pas nuire
au confort du passager si l’on veut que le système ainsi conçu soit accepté par le conducteur.
Ainsi, concrètement, le phénomène d’oscillation apparu ci-dessus doit être atténué. Un critère
représentant le confort du passager doit alors être pris en compte.

Critère pour une conduite "confortable"

En imposant des contraintes sur le jerk, on entend limiter l’amplitude des à-coups. Mais
comme on a pu le voir, cela est insuffisant pour éviter le problème d’oscillation, signalé sur la

85
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

3
Jerk ((m/s2)/s)
2.5
Accélération (m/s2)
2

1.5

0.5

−0.5

−1

−1.5

−2
0 100 200 300 400 500 600 700 800

Fig. 4.10: Accélération (en bleu pointillé) et Jerk (en noir solide) : Q1 =0.5 Q2 =1

figure 4.9. L’introduction d’un nouveau critère pour réduire ce phénomène est nécessaire. Pour
que le conducteur n’ait pas la sensation d’être secoué constamment, il faut rouler à une vitesse
constante. Le critère de confort se traduit alors par la pénalisation des changements de vitesse.
Moins les changements de vitesse sont fréquents, meilleur est le confort du passager. On propose
alors le critère suivant :

CON F ORT = A ∗ max(0, (vn − vn−1 )) + (1 − A) ∗ |(min(0, (vn − vn−1 ))))| (4.8)

avec A ∈ [0; 1]. On distingue le changement dû à une accélération et le changement dû à une dé-
célération. Cela permet de diminuer le phénomène d’oscillation sans trop pénaliser l’accélération
du véhicule. La fonction coût comporte maintenant de trois termes :

J = Q1 ∗ F C + Q2 ∗ T + Q3 ∗ CON F ORT (4.9)

L’ajout de ce nouveau critère favorise une conduite à vitesse constante donc plus confortable
pour le conducteur. En même temps, il ajoute un contre-poids pour réduire l’impact du terme
lié à la consommation. Il supprime par conséquent le problème d’oscillation sur la vitesse et sur
le couple moteur (figure 4.11).
Avec un coefficient suffisamment petit, on a pu rendre le profil de vitesse plus confortable
pour le conducteur sans trop modifier le temps de trajet et la consommation ((57.7 ml, 57.46 s)
pour la nouvelle fonction coût contre (57.5 ml, 58 s) pour la précédente). Les à-coups sont moins
intenses et beaucoup moins fréquents. Dans le cas où il n’y a pas d’oscillation (Q1 =0.5 Q2 =1),
le nouveau critère permet d’avoir une vitesse constante pendant un intervalle plus long, ce qui
engendre, à priori, plus de confort (figure 4.12).
Finalement, il faut quand-même souligner qu’une vitesse constante est un facteur confort mais
pas forcément toujours économique, notamment sur une route non plane. Il faut alors trouver le
bon rapport entre le confort et la consommation. Ce qui signifie qu’il ne faut pas maintenir à
tout prix une vitesse constante avec un coefficient Q3 élevé.

Conclusion
Dans cette section, on a défini une nouvelle fonction coût. Elle contient à la fois des critères
liés à la consommation en carburant, au temps de trajet ainsi qu’au confort du passager. Une

86
 4.1. Problème d’optimisation multi-objectifs

80 2
Q1=1 Q2=1 Q3=0 Q1=1 Q2=1 Q3=0
Q1=1 Q2=1 Q3=0.5 Q1=1 Q2=1 Q3=0
70 1.5

60 1

50 0.5
Vitesse (km/h)

Jerk ((m/s2)/s)
40 0

30 −0.5

20 −1

10 −1.5

0 −2
0 100 200 300 400 500 600 700 800 0 100 200 300 400 500 600 700 800
Distance (m) Distance (m)

(a) (b)

Fig. 4.11: Influence du critère CONFORT sur la vitesse (a) et sur le jerk (b)

90
Q1=0.5 Q2=1 Q3=0
80 Q1=0.5 Q2=1 Q3=0.2

70

60
Vitesse (km/h)

50

40

30

20

10

0
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.12: Influence du critère CONFORT sur un profil non oscillatoire

étude sur un exemple simple nous a permis de mettre en évidence l’influence de ces différents
critères. Il existe alors non seulement une mais plusieurs solutions optimales. Cela dépend bien
évidemment de l’objectif fixé. Sur ces premières simulations, la route est considérée comme plane.
Cela a permis de nous focaliser sur la mise au point de la fonction coût. Chaque jeu de coefficients
donne des gains en carburant différents. Il est alors intéressant de connaître la part d’influence
de la géométrie de la route sur ces gains avec les mêmes coefficients. C’est l’objet de la section
suivante.

4.1.3 Influence de la pente

Chacun sait que la pente est un facteur qui a une influence significative sur la consommation
du véhicule. La façon de gérer cet élément est une source potentielle de réduction de la consom-
mation. Sur le site du constructeur Renault, les recommandations d’éco-conduite suivantes sont
données pour gérer les montées et les descentes :
– Garder sa vitesse en descente

87
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

– Ralentir en montée sans gêner la circulation et se stabiliser si possible à une vitesse supé-
rieure à 40 km/h.
– Profiter des descentes pour lever le pied
Étudions maintenant celles obtenues avec notre problème d’optimisation et l’influence de la
géométrie de la route sur la consommation en carburant. Le scénario d’un trajet entre deux arrêts
est de nouveau utilisé avec des profils de route différents. Deux jeux de coefficients correspondant
à des objectifs de réduction de carburant différents sont utilisés.
Le premier scénario consiste à franchir une montée de 200 m avec une inclinaison de 5%.
Pour rappel, une monté a une inclinaison positive et une descente une inclinaison négative. Les
consignes de couple et de vitesse sont présentées sur la figure 4.13.

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0

−25 −50
Couple moteur (Q1=1 Q2=1 Q3=0.2)
Vitesse(Q1=0.5 Q2=1 Q3=0)
−50 −100
Vitesse (Q1=1 Q2=1 Q3=0.2)
Altitude
−75 −150
Couple moteur (Q1=0.5 Q2=1 Q3=0)

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.13: Profils optimaux sur une montée de 5% d’inclinaison : lignes en pointillés (Q1=1 Q2=1
Q3=0.2), traints pleins (Q1=0.5 Q2=1 Q3=0)

Sur cette simulation, la différence entre ces deux jeux de données n’est pas très importante.
Le "bon comportement" consiste à augmenter la vitesse jusqu’à la moitié de la montée et puis
ralentir par un faible couple ou par le frein moteur pendant la dernière moitié. Le frein moteur
est ensuite utilisé jusqu’à l’arrêt. Les consignes d’éco-conduite ne sont appliquées qu’à la moitié
de la côte quand le véhicule a atteint une vitesse suffisamment élevée pour décélérer doucement
pendant le reste du trajet. Cette différence montre le caractère local des consignes d’éco-conduite.
Ce qui confirme l’intérêt d’un système d’aide à la conduite écologique.
La situation inverse est alors investiguée. Elle consiste à aborder une pente de -5% sur 200
m de distance. La tendance des deux types de profils est de maintenir une vitesse constante sur
la descente. Comme dans le cas d’une route plane, une économie plus importante en carburant
correspond à une vitesse moyenne plus basse (figure 4.14).
Sur ce cas de descente, on retrouve les mêmes consignes d’éco-conduite mais avec plus de
précision.
Sur ces deux exemples, on retrouve donc certaines consignes d’éco-conduite telles que fournies
par un constructeur automobile mais avec plus de précision et une approche plus globale. Quant
à l’influence des descentes et des montées, le tableau 4.2 nous permet de la quantifier plus
clairement.
On constate dans ce tableau que pour le même jeu de coefficients de pondération, les temps
de trajet sont sensiblement les mêmes dans les trois cas. La grande différence se situe au niveau
de la quantité de carburant consommée. On consomme beaucoup plus en montée qu’en descente.
Ce qui est tout à fait naturel. De même, comme sur une route plane, le fait d’aborder une montée
ou une descente avec des vitesses différentes peut s’avérer très bénéfique en terme d’économie de

88
 4.1. Problème d’optimisation multi-objectifs

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0

−25 −50

−50 −100

−75 −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.14: Profil optimaux sur une descente de -5% : lignes en pointillés (Q1=1 Q2=1 Q3=0.2),
traits pleins (Q1=0.5 Q2=1 Q3=0)

Tab. 4.2: Comparaison des consommations sur une montée et une descente par rapport au cas
de route plane
Route Coefficients Temps (s) Consommation (ml)
Plane Q1 =0.5 Q2 =1.0 Q3 =0.0 53.6 60.1
Q1 =1.0 Q2 =1.0 Q3 =0.2 57.5 57.8
avec une montée Q1 =0.5 Q2 =1.0 Q3 =0.0 53.2 72.0
de 5% Q1 =1.0 Q2 =1.0 Q3 =0.2 56.3 70.0
avec une descente Q1 =0.5 Q2 =1.0 Q3 =0.0 53.5 47.9
de -5% Q1 =1.0 Q2 =1.0 Q3 =0.2 58.0 44.2

carburant en contre-partie d’une augmentation du temps de trajet. Ces simulations permettent

aussi de mettre en évidence certains défauts et imprécisions des consignes d’éco-conduite. Ce
qui confirme encore l’intérêt de l’approche proposée. Cela peut être encore prouvé dans des
configurations plus complexes, notamment la traversée d’une vallée ou d’une colline.
La figure 4.15 présente le cas d’une vallée avec une descente de -5% suivie par une montée
de 5%. Avec les deux jeux de coefficients, on constate le même comportement suivant. Dans un
premier temps, on profite de la descente pour maintenir la vitesse. Vers la fin de la descente, on
commence à accélérer pour atteindre une vitesse plus élevée avant de profiter de la côte pour
décélérer jusqu’à la fin du trajet. En fonction de l’objectif fixé, le comportement précis sur la
descente et la montée n’est pas le même. En effet, si on accepte un temps de trajet plus long,
ce qui est le cas avec les coefficients Q1=1, Q2=1 et Q3=0.2, on maintient une vitesse constante
plus basse tout le long de la descente. Dans le cas contraire, on doit maintenir une vitesse plus
haute et profiter plus tôt de la descente pour atteindre une vitesse plus élevée. Ce qui ne permet
pas de profiter pleinement de la descente pour réduire la consommation.
Dans le cas d’une colline (figure 4.16), les consignes sont différentes. Après avoir atteint une
vitesse suffisamment élevée, on peut profiter de la montée pour décélérer progressivement jusqu’à
une vitesse plus basse. On profite par la suite de la descente pour maintenir cette vitesse avant
de décélérer à l’aide du frein moteur. Tout cela sans trop solliciter le frein moteur.

89
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0

−25 Couple moteur (Q1=0.5 Q2=1 Q3=0) −50

Vitesse (Q1=0.5
Vitesse (Q1=0.5 Q2=1
Q2=1 Q3=0)
Q3=0)
−50 Altitude
Altitude −100
Vitesse (Q1=1
Vitesse (Q1=1 Q2=1
Q2=1 Q3=0.2)
Q3=0.2)
−75 Couple moteur (Q1=1 Q2=1 Q3=0.2) −150

−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.15: Profils optimaux dans le cas d’une vallée : lignes en pointillés (Q1=1 Q2=1 Q3=0.2),
traits pleins (Q1=0.5 Q2=1 Q3=0)

100 200

75 150

50 100

25 50
Vitesse (km/h)

Couple (Nm)
0 0

−25 −50
Couple moteur (Q1=0.5 Q2=1 Q3=0)
Vitesse (Q1=0.5
Vitesse (Q1=0.5 Q2=1
Q2=1 Q3=0)
Q3=0)
−50 −100
Vitesse (Q1=1
Vitesse (Q1=1 Q2=1
Q2=1 Q3=0.2)
Q3=0.2)
Altitude
Altitude
−75 −150
Couple moteur (Q1=1 Q2=1 Q3=0.2)
−100 −200
0 100 200 300 400 500 600 700 800
Distance (m)

Fig. 4.16: Profils optimaux dans le cas d’une colline : lignes en pointillés (Q1=1 Q2=1 Q3=0.2),
traits pleins (Q1=0.5 Q2=1 Q3=0)

À travers ces quatre exemples, l’influence de la pente est mise en évidence. Les consignes d’éco-
conduite s’avèrent moins précises par rapport à notre approche. On notera que la connaissance
à priori du trajet permet de mieux gérer les descentes et les montées. Certaines vraisemblances
entre le style d’éco-conduite classique et notre approche montrent que les profils proposés sont
suffisamment proches du comportement d’un conducteur réel mais avec plus de précision et de
cohérence.

4.1.4 Conclusion
Dans cette section, le problème d’optimisation non linéaire et hybride est résolu par la pro-
grammation dynamique avec le changement de la méthode de discrétisation. Ce changement de
méthode de discrétisation nous permet de réduire le temps d’exécution. Ce point sera détaillé
dans le paragraphe §4.2.1. Dans le même temps, il transforme notre problème d’optimisation
avec un temps de trajet précis en un problème avec un temps de trajet imprécis. La formulation
d’un nouveau critère de coût est alors nécessaire pour avoir un temps de trajet convenable et
un confort du passager amélioré. On a dû trouver cette nouvelle fonction coût et qui plus est,
multi-critères.
A travers les diverses simulations exposées, le compromis entre le temps de trajet, la consom-

90
 4.1. Problème d’optimisation multi-objectifs

mation et le confort du passager est mis en évidence. L’influence de la pente est aussi étudiée.
Certaines comparaisons montrent le réalisme et l’avantage de l’approche proposée. On remarque
que les simulations sont faites sur un court trajet. Ce choix est motivé par les raisons suivantes.
Le type de trajet tout en étant simple représente tout de même les trois phases représentatives
d’une conduite normale : la phase d’accélération, la phase de décélération et la phase de croisière.
De plus, l’utilisation d’un tel trajet permet de mieux analyser les différents profils optimaux dans
des contextes bien spécifiques notamment l’étude de l’influence de la pente.
Cette section ne sera pas complète si on ne souligne pas le caractère anticipatif des consignes
données par l’approche. Cela est démontré par le problème lié aux changements des limitations
de vitesse tout au long du parcours. Dans les études antérieures, le problème de limitation de
vitesse n’a pas été traité. Pour conclure, on se propose d’étudier un trajet entre deux arrêts
distants de 4 km. Il s’agit d’un trajet très typique. La plus grande majorité du trajet est plane
avec des pentes peu significatives pour un véhicule léger (inférieures à 2%) et une partie d’environ
800 m comportant de très fortes pentes (environ 15%). Le trajet est divisé en différentes zones
avec des limitations de vitesse à 50, 70 et 90 km/h.
Comme les précédentes études, on calcule le profil qui correspond au problème en temps
minimal. La figure 4.17 présente les profils obtenus pour ce problème. On retrouve les mêmes

100 200

80 160

60 120

40 80
Vitesse (km/h)

20 40

Couple (Nm)
0 0
Couple (Nm)
−20 −40
Vitesse (km/h)
−40 Rapport de boîte −80
Pente (%)
−60 Vitesse limite (km/h) −120

−80 −160

−100 −200
0 500 1000 1500 2000 2500 3000 3500 4000
Distance (m)

Fig. 4.17: Profils optimaux sur un trajet de 4 km entre deux arrêts : cas en temps minimal (les
rapports de boîte sont multipliés par un facteur 5 et représentés avec l’échelle à gauche)

comportements que sur le trajet court. Il s’agit d’accélérer fortement pour atteindre la vitesse
limite le plus rapidement possible. On maintient cette vitesse le plus longtemps possible avant
de décélérer fortement pour rester dans la zone de limitation de vitesse inférieure. Si on regarde
le couple utilisé (courbe en pointillés), le maximum de capacité d’accélération et de freinage est
atteint pour accélérer et décélérer sans tenir compte de l’effet lié à la pente.
Il reste un point important à souligner concernant le rapport de boîte de vitesse. Le rapport
le plus élevé est utilisé pendant la phase de croisière et les rapports inférieurs sont utilisés pour
la phase d’accélération. On a souligné la limite de l’approche du modèle de boîte de vitesse avec
de fortes pentes. Ce défaut n’existe plus avec la nouvelle approche. Sur l’intervalle [2000 m ; 3000

91
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

m], le troisième rapport est utilisé pour grimper la très forte montée.
Passons maintenant aux jeux de coefficients qui nous aboutissent à un bon compromis entre
le temps de trajet et la consommation. Les profils optimaux sont présentés sur la figure 4.18.

100 200

80 160

60 120

40 80
Vitesse (km/h)

20 40

Couple (Nm)
0 0

−20 Vitesse (km/h) −40

Rapport
−40 Pente (%) −80
Vitesse limite (km/h)
−60 Couple moteur −120

−80 −160

−100 −200
0 500 1000 1500 2000 2500 3000 3500 4000
Distance (m)

Fig. 4.18: Profils optimaux sur un trajet de 4 km entre deux arrêts : Q1=0.5 Q2=1 Q3=0.2

Dans ce cas, la vitesse moyenne est moins importante. Le pourcentage d’utilisation du frein
moteur est beaucoup plus élevé. Ce qui a le double effet de réduire la consommation et augmenter
le temps de trajet (tableau 4.3).

Tab. 4.3: Compromis entre le temps du trajet et la consommation de carburant, étude sur un
trajet de 4 km
Coefficients Temps (s) Consommation (l/100km)
Q1=0.0, Q2=1 240 10
Q1=0.1, Q2=1 270 (+12%) 7.6 (-24%)

La différence entre les deux ensembles de profils est alors très remarquable en terme de
consommation. Une vitesse moyenne plus basse permet d’expliquer en partie cette différence. On
remarque aussi sur ce deuxième exemple le caractère anticipatif du profil. En connaissant par
avance les changements de limitation de vitesse, on peut les anticiper en décélérant progressive-
ment avec le frein moteur ou par un faible couple moteur.
On remarque que l’influence de la pente sur le profil n’est pas significative le long du trajet,
à l’exception de la zone entre 2000 m et 3000 m.
Sur cet intervalle, on a une succession de vallées et de collines avec de fortes pentes. On
trouve que les analyses précédentes sur un trajet court restent valides. On maintient la vitesse
constante dans la descente pendant 80 m (entre 2250 m et 2330 m). Ensuite, on profite d’une
pente plus grande pour augmenter la vitesse avant de grimper la montée. Le long de cette
montée, on relâche la pédale. La vitesse diminue progressivement jusqu’à la forte descente à 2460
m. Avec une inclinaison beaucoup plus conséquente, on ne maintient plus la vitesse comme dans

92
 4.1. Problème d’optimisation multi-objectifs

100 200

80 160

60 2250 2330 2380 120

40
2460 80
Vitesse (km/h)

20 40

Couple (Nm)
0 0

−20 Vitesse (km/h) −40

Rapport
−40 Pente (%) −80
Vitesse limite (km/h)
−60 Couple moteur −120

−80 −160

−100 −200
2000 2100 2200 2300 2400 2500 2600 2700 2800 2900 3000
Distance (m)

Fig. 4.19: Profils optimaux de la piste d’essais : Q1=0.5 Q2=1 Q3=0

la précédente descente mais on profite pour accélérer avant d’aborder la montée. Cela évite de
freiner et de perdre la force de gravité inutilement. Une fois la vitesse maximale atteinte, celle-ci
est maintenue pour franchir la montée. Ce comportement diffère de la dernière montée où on
avait ralenti, mais cela n’est pas forcément très surprenant dans la mesure où le fait de ralentir
sur une telle montée ne permet pas d’avoir une puissance suffisante pour la franchir. Cette partie
du trajet, riche en enseignements, montre encore une fois que les consignes d’éco-conduite ne
sont pas adaptées à toutes les situations, ce qui sera bien au contraire le cas d’un système d’aide
à la conduite bien conçu.

En étudiant un trajet plus conséquent, on prouve que l’étude effectuée sur un trajet simple est
tout à fait cohérente. La méthode utilisée est alors applicable pour donner des consignes précises
au conducteur à des fins d’économie en carburant. Le compromis entre la consommation, le temps
de trajet et le confort du passager est de nouveau remarqué. L’aspect sécurité se limite à la prise
en compte de la limitation de vitesse et à l’encouragement d’une conduite douce. Sur l’ensemble
des simulations, on remarque que la vitesse consigne ne dépasse jamais la vitesse légale. Par
ailleurs, il semble que le cas de faibles pentes n’aît pas d’influence sur les profils optimaux dans
le cas du véhicule léger. Ce qui ne sera pas le cas dans le contexte d’un véhicule de type poids
lourd présenté dans [LHD+ 10].

Il faut souligner que cette approche permet le calcul hors ligne des profils optimaux utilisés
dans un contexte très isolé sur des pistes d’essais. Si on sort de ce contexte, la prise en compte
des conditions de circulation et des différents événements possibles, est primordiale pour que le
système soit accepté par le conducteur. Pour cela, des améliorations semblent nécessaires pour
parfaire la construction du système. C’est ce que nous allons présenter dans la section suivante.

93
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

4.2 Approche pour un calcul en ligne

La méthode présentée précédemment est limitée car elle ne peut être appliquée que pour des
situations de conduite bien particulières, en environnement peu variable et connu (par exemple
le cas d’un bus sur "site propre"). Le fait de calculer des profils hors ligne ne permet pas d’avoir
un comportement souple en fonction des différents événements possibles, notamment les situa-
tions de conflits entre les consignes écologiques et sécuritaires. Une approche en ligne est alors
nécessaire. Elle rendra le système encore plus interactif et plus cohérent à l’usage. Pour cela, le
temps de calcul est le premier problème à résoudre. Il est abordé par le changement de méthode
de discrétisation, l’utilisation de l’horizon électronique glissant et la réduction de l’espace de
recherche. On commence cette section par une analyse du problème de temps de calcul avant de
détailler toutes ces techniques. On finira par présenter l’algorithme pour le calcul en ligne.

4.2.1 Analyse de la complexité de la programmation dynamique

La programmation dynamique est connue pour sa facilité de mise en œuvre mais aussi pour
son problème d’explosion de calcul que Bellman appelle "the curse of dimensionality". En effet, le
temps de calcul varie de façon exponentielle par rapport à la dimension de l’espace d’état. Dans
cette partie, on s’intéresse à ce phénomène à travers notre problème concret d’optimisation.
Prenons comme exemple de départ la résolution du problème simplifié dans le chapitre §3.
On a dans ce cas trois espaces discrétisés qui sont le temps, la distance et la vitesse. Les va-
riables de commande ne sont pas discrétisées mais directement calculées à partir de l’équation
du mouvement longitudinal du véhicule. Cela permet déjà de diminuer la dimension du problème.
Dans ce cas, le trajet est discrétisé en temps avec un pas de discrétisation ∆t. Chaque état
est défini par le couple (xt , vt ). Si on appelle Nx et Nv , respectivement le nombre de valeurs
discrétisées pour la distance x et la vitesse v, le nombre d’état correspond alors à Nx ∗ Nv . Le
problème discrétisé est illustré sur la figure 4.20.

Fig. 4.20: Discrétisation du problème en temps

On a un seul état initial X0 et un seul état final XT . Le nombre de valeurs discrètes du temps
est de T + 1.
L’algorithme PD peut être simplement énoncé de la façon suivante. Pour chaque état à
l’instant t ∈ {0, .., T }, on doit trouver un état à l’instant t − 1 dont le coût de la transition entre
les deux états est minimal. Calculons d’abord le nombre d’opérations nécessaire pour trouver les
transitions de coût minimal entre t − 1 et t. On suppose que le nombre d’opérations pour évaluer
le coût et vérifier les contraintes de la transition d’un état à l’instant t − 1 à un état à l’instant
t est ndo. Le nombre d’opérations pour chaque état à l’instant t − 1 est alors ndo ∗ Nx ∗ Nv . Et
comme à chaque instant t − 1, on a Nx ∗ Nv états, le nombre d’opérations entre deux instants
t − 1 et t est alors ndo ∗ (Nv ∗ Nx )2 .
Ensuite, aux instants t = 0 et t = T , on a un seul état pour chaque instant. Le nombre total

94
 4.2. Approche pour un calcul en ligne

d’opérations N dO pour la recherche du couple optimal est égal à :

N dO = (T − 3) ∗ (ndo ∗ (Nv ∗ Nx )2 ) + 2 ∗ Nv ∗ Nx (4.10)
Le nombre d’opérations dépend donc de la dimension de l’espace d’états (le nombre de va-
riables et le nombre de valeurs discrétisées). Calculons le temps de calcul nécessaire pour le
problème simplifié avec des pas de discrétisation présentés dans le tableau 4.4.

Tab. 4.4: Valeurs des différents paramètres de simulation

Variable Plage de valeurs Pas de Nombre de valeurs
discrétisation discrétisées
Temps (t (s)) [0, 60] ∆t = 1 T = 61
Vitesse (v (m/s)) [0, 25] ∆v = 1/3.6 Nv = 91
Distance (x (m)) [0, 800] ∆x = ∆t ∗ ∆v Nx = 2881

Prenons l’exemple de ndo = 10, le nombre total d’opérations N dO pour le problème est
de N dO = 3.9866 ∗ 1013 . Avec un processeur cadencé à 1 GHz (ce qui signifie que 1 milliards
d’opérations peuvent être faites en une seconde), il nous faut au moins 11h de calcul pour
déterminer les profils optimaux ! Il est alors inimaginable d’implémenter cet algorithme sur un
calculateur embarqué. Il faut réduire de façon très conséquente ce temps de calcul.
La première technique utilisée par de nombreux auteurs est le changement de méthode de
discrétisations.

4.2.2 Changement de méthode de discrétisation

Cette étape consiste à transformer le problème dépendant du temps en un problème dépen-
dant de la distance par la relation (4.1). Dans ce cas, chaque état est défini par le couple vitesse
et rapport de boîte. Le trajet est alors discrétisé en distance. La forme discrète du problème
présentée par la figure 4.20 est transformée comme le montre la figure 4.21.

Fig. 4.21: Discrétisation du problème en distance

Dans cette nouvelle formulation, le nombre d’état est fortement diminué car le rapport de
boîte ne prend que 5 valeurs possibles. Le nombre d’état à chaque pas de calcul est de Rb ∗ Nv .
En même temps, on peut augmenter le pas de discrétisation de la distance sans trop dégrader la
précision de calcul. On prend alors un pas de discrétisation de distance de ∆x = 10m. Le nombre
d’opérations pour calculer les profils optimaux est alors :

N dO = (Nx − 3) ∗ (ndo ∗ (Nv ∗ Rb)2 ) + 2 ∗ Nv ∗ Rb (4.11)

En utilisant les valeurs numériques, le temps de calcul pour un trajet de 800 m diminue de
plus de 11h à 160 ms ! La réduction du temps de calcul est effectivement très conséquente.

95
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

Il est alors évident que ce temps de calcul reste encore élevé pour un calculateur beaucoup
moins puissant ou si on fait le calcul sur un trajet beaucoup plus long. Vient alors l’idée de
résoudre le problème sur un trajet plus court et de répéter le calcul au fur et à mesure que le
véhicule avance. C’est ce que l’on appelle communément l’horizon électronique glissant.

4.2.3 Utilisation de l’horizon électronique

Le concept consiste à diviser le trajet en M étapes de calcul de pas ∆m. À chaque étape, on va
chercher le profil optimal sur un horizon S moins important, par résolution du problème optimal
sur cet horizon. On obtient alors à chaque étape de calcul un ensemble de profils optimaux qui
seront des consignes à donner au conducteur ou au système de contrôle dans le cas du système
actif. Le processus se répète jusqu’à la fin du trajet. Pour chaque nouvelle étape, on a de nouvelles
conditions initiales qui correspondent à la dynamique actualisée du véhicule. Cette stratégie est
résumée sur la figure 4.22.

Fig. 4.22: Stratégie d’optimisation

La question de discrétisation en temps ou en distance est à nouveau posée. Contrairement à

la résolution de la programmation dynamique, la discrétisation en temps est cette fois-ci choisie.
En effet, le calcul des profils optimaux n’est pas instantané. Il est alors nécessaire d’avoir un pas
de calcul supérieur au temps nécessaire pour la recherche du profil optimal. La discrétisation en
distance a un gros inconvénient, c’est qu’elle dépend de la vitesse. Le temps entre deux pas de
calcul est donc forcément très variable. Ceci peut engendrer le risque que les calculs ne soient
pas terminés avant le prochain pas de calcul. De plus, la mesure du temps écoulé par les horloges
électroniques dans les calculateurs est plus précise que la mesure de la distance parcourue par
des odomètres plus sensibles à l’environnement extérieur.
Par conséquent, pour déterminer la prochaine vitesse à donner au conducteur, une inter-
polation linéaire en temps est utilisée. Reprenons la figure 4.23 avec, comme modification, la
discrétisation en temps et un profil de vitesse optimale calculé sur l’horizon S. ∆t est le pas
de discrétisation en temps. ∆t1 et ∆t2 sont les temps moyens entre deux pas de calcul de la
programmation dynamique. Dans cet exemple, on a ∆t1 < ∆t < ∆t1 + ∆t2 . L’objectif de vitesse
(vitesse de consigne) est alors calculée par :
(∆t − ∆t1 ) − ∆t2
v = v∆x + ∗ (v∆x − v2∆x ) (4.12)
∆t2
Le rapport de boîte de consigne est celui associé au pas de discrétisation dont la vitesse est
la plus proche de la vitesse de consigne calculée par l’équation (4.12). Dans notre exemple, c’est
le rapport associé au pas de calcul 2∆x.
On peut remarquer que, contrairement à une approche prédictive, ce n’est pas forcément
la première commande qui sera appliquée. C’est pour cela que l’on ne souhaite pas utiliser
l’expression "approche prédictive" pour cette technique.

96
 4.2. Approche pour un calcul en ligne

Fig. 4.23: Méthode de calcul de la vitesse de consigne

En plus, le problème à résoudre n’a pas un seul état final, mais plusieurs.
Par ailleurs, l’avantage de l’utilisation d’un horizon électronique est qu’il permet de réduire le
temps de calcul de notre algorithme initial et de recalculer périodiquement les profils optimaux
afin de tenir compte des informations dynamiques, notamment les informations liées à la sécurité
que l’on va traiter dans le prochain paragraphe. L’utilisation de l’horizon électronique ouvre aussi
la possibilité de réduire encore l’espace de recherche.

4.2.4 Réduction de l’espace de recherche

L’équation (3.9) présente les contraintes liées à la vitesse. Il s’agit d’un intervalle borné défini
par une borne supérieure vub et une borne inférieure vlb . On remarque que ce sont ces contraintes
qui définissent la dimension de l’espace discrétisé de la vitesse et donc le nombre d’états. La
réduction de l’écart entre vub et vlb permet de réduire le temps de calcul. Cela est possible grâce
à l’utilisation de l’horizon électronique. En effet, au lieu d’utiliser un espace de taille fixe et
large tout au long du trajet, nous allons utiliser des espaces de tailles réduites à chaque étape
de calcul. On note vtub et vtlb les deux contraintes de vitesse pour définir cet espace à chaque
pas de calcul. Pour la borne supérieure, elle va être définie par la limitation de vitesse et par les
vitesses de sécurité discutées dans le chapitre suivant. La borne inférieure est définie quant à elle
en fonction de la vitesse du véhicule et en fonction de la situation de conduite (en croisière, en
phase d’accélération, à l’approche de l’objectif...). Il est par exemple inutile de tenir compte des
états où la vitesse est très basse alors que le véhicule circule sur une autoroute. Par conséquent,
pour chaque phase de conduite, on a des limites inférieures vtlb différentes. La figure 4.24 illustre
ce principe pour réduire l’espace de recherche.
Au début, comme on est en phase de démarrage, on n’a pas besoin de chercher des vitesses
proches de la vitesse maximale. Ensuite, la vitesse commence à augmenter, on peut ainsi aug-
menter la limite inférieure. Dans la phase de croisière, on va chercher la vitesse optimale dans
un intervalle proche des la vitesse actuelle.
Cette approche permet d’avoir la taille de l’espace de recherche variable et moins importante.
Mais elle crée aussi le problème de temps de calcul variable en fonction des phases où l’on se
situe. Si on souhaite fixer le temps de calcul, on peut ajuster l’horizon électronique.

97
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

Fig. 4.24: Stratégie de réduction de l’espace de recherche. La dimension de l’espace de recherche

varie en fonction de la phase où le véhicule se trouve. En phase d’accélération à partir d’une
vitesse basse, la dimension de l’espace de recherche est plus grande qu’en phase de croisière

4.2.5 Conclusion
Le temps de calcul important a été le principal inconvénient de la programmation dynamique.
Les différentes techniques présentées ci-dessous permettent de surmonter ce défaut. Une recherche
de consignes optimales en temps réel est néanmoins possible. Le fait d’utiliser un horizon glissant
change aussi la façon de résoudre le problème d’optimisation de consommation en carburant. On
résout donc un ensemble de sous-problèmes optimaux avec des conditions initiales et finales à
chaque fois différentes.
La question se pose sur le choix de l’horizon électronique. Comme les consignes sont calculées
périodiquement à intervalles de temps constants, il n’est pas nécessaire d’avoir un horizon de
calcul trop grand. L’objectif est d’avoir un horizon de calcul de petite dimension pour réduire le
temps de calcul mais suffisant pour que le caractère d’anticipation ait encore un sens. De plus,
les simulations pour le trajet de 4 km de la piste d’essai du LIVIC, avec les différents horizons
électroniques ne montrent pas des différences de résultats significatives. Le choix de l’horizon
électronique se fait seulement sur le compromis entre le temps de calcul et l’horizon pour avoir
une approche la plus globale possible. Ce choix a été fait à travers différentes simulations et tests
d’expérimentation.

4.3 Extension au problème de sécurité

Le système d’aide proposé jusqu’à maintenant permet de donner des consignes dont l’ob-
jectif est de réduire la consommation en carburant. Pour qu’un tel système soit accepté par le
conducteur, il doit fournir des consignes claires, précises et non contradictoires. En utilisant une
approche de calcul en ligne, on améliore la réaction du système face à une situation de conduite
réaliste mais cela demeure encore insuffisant. En effet, même s’il existe une corrélation entre une
conduite écologique et sécuritaire, des situations compromettant cette relation existent. Pour
cela, un système d’aide à la conduite écologique doit être capable de prendre en compte ces
situations, ce qui peut mettre en valeur d’ailleurs un tel système par rapport à une pratique
d’éco-conduite.
Dans les chapitres précédents, le problème de sécurité est limité au respect de la limitation
de vitesse. Cette prise en compte tend à prévenir le problème d’excès de vitesse que la plupart
des conducteurs ont tendance à pratiquer. Elle permet de diminuer le risque d’accidents liés à un

98
 4.3. Extension au problème de sécurité

dépassement de vitesse dans des zones limitées. Tout de même, cela représente une partie très
restreinte des problèmes d’insécurité routière. Dans le contexte d’une conduite sur route rurale,
on souhaite intégrer dans notre système deux aspects de ce problème : le problème de sécurité en
approche de virage et le problème de distance de sécurité entre véhicules. Avec cela, on souhaite
rendre le système à la fois écologique, car il permet de réduire la consommation et sécuritaire
car il préviendra le conducteur de certains risques d’insécurité sur un trajet donné. La section
qui suit permet de mettre en place le contexte qui sera abordé.

4.3.1 Définition du contexte de sécurité

Il existe actuellement des systèmes informatifs signalant au conducteur les risques liées à l’ap-
proche d’un virage et à une distance de sécurité inadaptée [BM79]. Dans le premier cas, on peut
citer l’exemple du système développé par Daimler-Chrysler [Her02], qui définit une vitesse limite
à partir de la courbure d’une portion de route. Dans un deuxième cas, de nombreux systèmes
d’alerte de risque de collision [ML05] avec le véhicule précédent existent déjà, notamment les
systèmes CWAB (Collision Warning with Auto Brake) et City Safe de Volvo. Avant de présenter
notre approche, nous faisons une revue de ces systèmes.

Vitesse à l’approche du virage

Au travers des données statistiques, [Gla04] a constaté qu’une large part de l’accidentologie est
due à des erreurs d’appréciation de la part du conducteur, de la difficulté en approche de virage.
Ces erreurs se traduisent souvent par une vitesse inadaptée, rendant le franchissement difficile
voir impossible. Dans un trajet sur route rurale, le nombre de virages peut s’avérer important.
Sans tenir compte de ce problème, le système d’éco-conduite peut fournir les consignes précises
pour réduire la consommation mais inadéquates en terme de sécurité. Le système devient donc
moins fiable et voire dangereux pour le conducteur. Tenir compte de cette contrainte devient une
démarche nécessaire dans la conception d’un système d’aide à la fois écologique et sûr.
Il ne s’agit pas de résoudre complètement ce problème dans le cadre de notre thèse. On
se contente de reprendre des travaux réalisés au LIVIC, notamment la thèse de [Gla04]. Les
notations suivantes sont utilisées par l’auteur pour décrire la géométrie de la route : θroute pour
la pente, φroute pour le dévers et ρroute pour la courbure.
Dans la littérature, la vitesse maximale à laquelle un véhicule peut aborder un virage est
donnée par :
r
gµ
V = (4.13)
ρroute
où g est l’accélération de la gravité et µ, l’adhérence maximale mobilisable en latéral. Elle est
en fonction des caractéristiques de l’interface pneumatiqe/chaussée et varie entre 0 et 1. Une
adhérence égale à 1 correspond au cas d’une route sèche avec de bons pneumatiques. Une valeur
comprise entre 0.5 et 0.6 correspond à une chaussée humide. En prenant en compte le dévers et
le comportement du conducteur, la NHTSA (National Highway Traffic Safety Administration)
recommande, pour l’élaboration et le développement d’un Système d’alerte en Virage (SAV) que
la vitesse maximale à l’approche d’un virage, Vc , est déterminée par l’équation suivante qui tient
compte du dévers de la route :
s
g φroute + µ
Vc = ( ) (4.14)
ρroute 1 − φroute µ

99
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

Ces modèles assez simples présentent, selon [Gla04], de sérieux défauts qui peuvent amener
à une sur-estimation de la vitesse maximale avec laquelle un véhicule peut aborder un virage.
Une nouvelle approche est alors proposée par l’auteur, fournissant une vitesse de consigne plus
précise. Le modèle tient compte à la fois de la géométrie de la route avec la pente, le dévers et
la courbure ; la succession possible des virages ; les effets de la dynamique longitudinale sur la
dynamique latérale et notamment le phénomène de transfert de charge en freinage, et surtout,
le comportement du conducteur au travers de deux coefficients adimensionnels, λlat et λlon . La
vitesse maximale sûre est donnée par les expressions suivantes :


 freinage

 ρroute V 2

 1 g + φroute 1 V dV
)2 + ( − θroute ))2


 1 = ( H V dV
(
 λlat µmax 1 + L ( g ds − θroute ) λlon µmax g ds
av
(4.15)

 accélération

 ρroute V 2

 1 g + φroute 1 V dV

 1=(
 H V dV
)2 + ( ( − θroute ))2
 λlat µmax 1 − L ( g ds − θroute ) λlon µmax g ds
ar

avec les conditions limites suivantes :



 θroute > 0 q

 V 2 = g ((1 − H θroute ) 1 − ( θroute )2 λlat µmax − φroute )

ρroute Lav λlon µmax
(4.16)

 θroute < 0 q


 V 2 = g ((1 + H
θ ) θroute
1 − ( λlon 2
ρroute Lar route µmax ) λlat µmax − φroute )

avec µmax une adhérence mobilisable maximale. Ces équations permettent de calculer un profil
de vitesse d’approche en virage en fonction des capacités du conducteur. On va donc considérer
ces consignes dans notre démarche pour donner des consignes économiques en carburant tout en
étant sûres.
On continuera ensuite par présenter le deuxième problème de sécurité que l’on souhaite traiter
avant de présenter comment on peut les intégrer dans un système d’économie de carburant.

Distance de sécurité
La figure présente quelques définitions liées au problème de la distance de sécurité entre vé-
hicules.

Fig. 4.25: Problème de la distance de sécurité entre véhicules

Le véhicule suivi s’appelle P V et le véhicule suiveur est appelé F V . Les variables γF V , γP V

sont les capacités de freinage de chaque véhicule. Elles dépendent de leurs différentes caractéris-
tiques. Les variables vF V et vP V sont leurs vitesses.
On appelle ∆D la distance entre deux véhicules et ∆Ds la distance de sécurité pour ne pas
entrer en collision en cas d’arrêt d’urgence et sera défini ultérieurement. SM = ∆D − ∆Ds est

100
 4.3. Extension au problème de sécurité

définie comme la marge de sécurité. Tant que cette marge reste positive, il n’y a pas de risque
de collision. Dans la littérature, on retrouve les définitions suivantes :
– La distance d’arrêt Dbrake d’un véhicule est la distance nécessaire à un véhicule pour
s’arrêter compte-tenu de sa vitesse. Cette distance est la somme de la distance de freinage,
distance nécessaire à un véhicule pour passer de sa vitesse courante à la vitesse nulle et de
la distance parcourue par un véhicule à vitesse constante pendant le temps de perception-
réaction τ du conducteur. Elle est calculée par l’expression

vF2 V
DarrtF V = vF V τ + (4.17)
2γF V

– La distance de freinage, Df reinage par rapport à un obstacle mobile, est la différence entre
la distance d’arrêt et la distance parcourue par le véhicule suivi à partir du moment où il
freine. Cette distance est égale à :

vF2 V v2
DbrakeF V = vF V τ + ( − PV ) (4.18)
2γF V 2γP V

– La distance à 2 secondes, D2s , est la distance qu’il faut laisser entre deux véhicules qui se
suivent, imposée par la loi française (Article R412-12, Modifié par le Décret n˚2003-293 du
31 mars 2003). Elle correspond à la distance parcourue par le véhicule suiveur à vitesse
constante pendant 2 secondes.
D2s = 2 × vF V (4.19)
Plusieurs scénarios peuvent être considérés. Si ∆D est plus grande que Darrt , le véhicule suiveur
peut éviter un obstacle lui-même esquivé par le véhicule suivi. Si ∆D est plus grande que la
distance de freinage Dbrake , la collision entre véhicules peut être évitée. Finalement, si la distance
∆D est plus grande que D2s , on respecte le code de la route français.
Dans notre étude, le critère utilisé est la distance de sécurité définie par le code de la route
français. Celui-ci s’écrit alors :
∆Ds = h × vF V + l (4.20)
où l est la distance résiduelle entre deux véhicules à la position d’arrêt et h = 2s est le temps
intervéhiculaire sécuritaire.
La notion de distance de sécurité étant maintenant définie, il nous semble important de
souligner notre objectif.
En effet, on ne cherche pas à maintenir une distance de sécurité entre deux véhicules, pro-
blème qui fait l’objet de plusieurs études [ML05], mais on cherche plutôt à éviter les situations
d’insécurité. Cela signifie que le but n’est pas de maintenir la marge de sécurité proche de zéro
mais plutôt d’éviter qu’elle soit négative. Cette différence mérite d’être soulignée. En effet, si le
véhicule suivi a un profil de vitesse optimal en terme d’économie de carburant, on peut obtenir
le même gain en maintenant une distance constante avec ce dernier, à condition que les deux
véhicules soient identiques. Dans le cas contraire, l’économie de carburant n’est plus assurée en
maintenant une marge de sécurité proche de zéro. Le profil optimal du véhicule suiveur pourrait
être obtenu en laissant une marge de sécurité importante. Par la suite, les résultats de simulations
vont confirmer cette hypothèse.
Avec le respect de la limitation de vitesse, notre problème de sécurité compte deux autres
éléments que sont la vitesse en approche de virage et la vitesse pour diminuer le risque de collision
entre véhicules. On répartit ces trois informations liées à la sécurité en deux catégories. La vitesse
limite et la vitesse en approche de virage sont considérées comme des informations statiques. Par

101
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

opposition, la distance de sécurité est une information dynamique. En effet, si les deux premières
sont déterministes puisqu’elles dépendent de l’infrastructure et du véhicule, la dernière ne l’est
pas car elle dépend de la vitesse des véhicules suivi et suiveur. Par conséquent, l’intégration de
ces informations dans le système ne se fera pas de la même manière.
Comme la limitation de vitesse, la vitesse à l’approche et en virage est considérée comme
un élément de notre base de données de l’infrastructure. Elle est alors considérée comme une
contrainte supplémentaire au problème d’optimisation. Une approche en ligne de cette consigne
de sécurité est par ailleurs tout à fait envisageable avec l’utilisation de l’horizon électronique
présentée précédemment. Mais dans le contexte de notre étude, nous allons rester sur la première
solution dont l’avantage fait qu’elle ne nécessite pas d’effort de calcul supplémentaire. La gestion
du problème de distance de sécurité est alors différente. Elle doit être traitée en ligne. Cela fait
l’objet du paragraphe suivant.

4.3.2 Choix de la stratégie

Pour avoir un système, dont les consignes données au conducteur pour réduire sa propre
consommation ne sont pas contradictoires aux consignes de sécurité, on peut choisir une structure
parallèle comme le montre la figure 4.26.

Fig. 4.26: Structure parallèle pour un système écologique et sécuritaire

Le principe de cette structure est simple. Les deux modules de sécurité et d’optimisation
calculent leurs consignes séparément. Un système de décision va prendre la consigne la plus
contraignante des deux modules pour la communiquer au conducteur. Le module de sécurité
peut quant à lui être composé d’un autre bloc dont feront partie le système d’alarme en distance
de sécurité et d’excès de vitesse en virage. L’avantage d’une telle structure est que l’on peut
résoudre les problèmes séparément et donc créer par la suite un système de décision qui permette
d’aboutir à un système cohérent. Une telle structure sera intéressante à tester pour connaître
son efficacité.
Dans notre étude, on souhaite adopter une approche différente qui consiste à résoudre le
problème d’économie de carburant et le problème de distance de sécurité simultanément. La pre-
mière motivation de cette approche est qu’elle permet d’éviter d’éventuelles oscillations sur les
consignes, mais la plus importante, à notre avis, est qu’elle permet d’avoir un système non seule-
ment sécuritaire mais surtout plus efficace. En effet, le fait de rechercher un profil optimal sans
tenir compte des conditions de trafic permet d’avoir une solution optimale en terme d’économie
de carburant. Mais si le consigne de vitesse est plus contraignante, le caractère écologique sera
perdu. Par contre, si on considère le contexte de sécurité, et si on cherche dans ce contexte la so-
lution optimale, on aura toujours un système économique, écologique et sécuritaire. En d’autres
termes, on aura toujours une solution, soit optimale, soit sous-optimale en fonction du contexte
de sécurité avec cette nouvelle approche. Notons que ceci n’était pas le cas avec la structure
présentée précédemment.
Partant de cette remarque, une structure en cascade est utilisée (figure 4.27). À partir des
informations propres aux véhicules (position, vitesse, accélération) ainsi que des informations

102
 4.3. Extension au problème de sécurité

Fig. 4.27: Structure en cascade

liées à la route, le niveau 1 définit comment le véhicule suiveur doit réagir pour éviter une
situation d’insécurité. Elle fournit un intervalle de vitesse dans lequel le module d’optimisation
va rechercher la vitesse qui réduit le plus la consommation dans ce contexte de sécurité. Sur un
horizon électronique adéquat, on peut supposer que la dynamique du véhicule précédente reste
constante, ce qui nous permet d’avoir un intervalle de vitesse constant sur l’horizon de calcul.
Cet intervalle est recalculé à chaque étape, cette hypothèse reste cohérente. Si la dynamique du
véhicule change, l’intervalle de vitesse va aussi changer. On optimise alors la consommation en
carburant dans un nouveau contexte de sécurité.
Comme on l’a souligné, il existe déjà des systèmes qui émettent des alertes concernant la
distance intervéhiculaire et d’autres qui permettent au véhicule suiveur de rester à distance
constante par rapport au véhicule suivi. Pour ce problème, on a choisi une approche différente. Au
lieu d’alerter le conducteur quand il est déjà dans une situation d’insécurité, on essaie d’évaluer
la situation limite en dehors de laquelle le véhicule suiveur pourrait entrer dans une situation
d’insécurité. Cette évaluation est basée sur le comportement du véhicule qui nous précède et
sur la situation actuelle. En raison de la nature incertaine des informations, notamment du
comportement du véhicule précédent, une approche par logique floue est préférée.

4.3.3 Contrôleur de logique floue

A chaque instant, on peut avoir trois actions longitudinales suivantes : accélérer, décélérer, et
rester à vitesse constante. On va utiliser ces trois comportements pour analyser quelques exemples
simples. On suppose dans un premier temps que le véhicule précédent est à vitesse constante.
– Première situation : marge de sécurité positive. Ce scénario signifie qu’on est dans
une situation de sécurité. Mais selon nos actions à cet instant, la situation peut changer.
Si on accélère fortement, le risque d’entrer, dans un avenir proche, dans une situation
d’insécurité est grand. Si on reste à vitesse constante ou décélérer, on ne prend aucun
risque.
– Deuxième situation : marge de sécurité proche de zéro. Ce scénario représente une
situation adéquate. Si on reste à vitesse constante ou si on décélère, on respecte la distance
de sécurité. Au contraire, si on accélère, la situation d’insécurité apparaît.
– Troisième situation : marge de sécurité négative. Ce scénario représente une situa-
tion d’insécurité. Si on décélère, on l’améliore et voire on sort de cette situation, mais si
on accélère, la situation s’aggrave.
Sur ces trois exemples, on peut voir la complexité du problème. En fonction de l’amplitude
de nos actions les différentes situations peuvent se présenter. On remarque aussi le caractère non
déterministe du comportement du véhicule précédent. Il rend aussi l’évaluation de la situation
plus complexe. Ces raisons nous a conduit à utiliser l’approche par la logique floue, qui nous
semble la plus adaptée à ce problème.

103
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

Objectif
L’objectif de cette brique est de fournir des informations de sécurité pour le module d’opti-
misation. En fonction de la marge de sécurité, de la réaction du véhicule suivi et de la vitesse
relative entre véhicules, un intervalle de vitesse dans la quelle la distance de sécurité assurée est
fourni. Cet intervalle est défini par [vF V + ∆vF+V ; vF V + ∆vF−V ]. ∆vF+V , ∆vF−V sont les variations
maximales de la vitesse pour lesquelles le véhicule peut atteindre sans entrer dans une situation
d’insécurité et vF V est la vitesse actuelle du véhicule. Comme on ne considère pas le véhicule de
derrière, la variation ∆vF−V sert uniquement à assurer la fluidité du trafic et réduire l’espace de
recherche. La variable ∆vF+V représente la réaction du véhicule suiveur à la réaction du véhicule
suivi.
Une fois cet intervalle défini, la comparaison avec les autres contraintes sur la vitesse (la
vitesse légale et la vitesse en approche de virage) permet de déterminer un intervalle de vitesses
sûres dans le quel, le module d’optimisation va chercher les profils optimaux en terme d’économie
de carburant. La figure 4.28 montre cette démarche.

Fig. 4.28: Détermination de l’intervalle de vitesse contrainte

Sur l’horizon électronique S, la limitation de vitesse et la vitesse en approche du virage pro-

viennent de la carte numérique de la route. À chaque distance, la consigne la plus contraignante
est sélectionnée.
Par la suite, on va présenter le module basé sur la logique floue pour déterminer l’intervalle
assurant le respect de la distance de sécurité.

Mise en place du contrôleur logique floue

Les rappels sur les notions de base de la logique floue sont donnés dans l’annexe. On s’intéresse
directement dans cette section à la conception du module contrôleur. La figure 4.3.3 présente la
structure du contrôleur logique floue.

104
 4.3. Extension au problème de sécurité

Fig. 4.29: La structure du contrôleur floue

Il comporte trois entrées et une sortie. Les entrées sont la vitesse relative entre véhicules, la
marge de sécurité, le comportement du véhicule précédent via le changement de sa vitesse. La
sortie est l’amplitude maximale de la variation de vitesse du véhicule suiveur.
La première étape consiste à définir l’univers de discours et les fonctions d’appartenance pour
ces variables.

Univers de discours et fonctions d’appartenance

En règle générale, l’univers de discours d’une variable couvre l’ensemble des valeurs prises par
cette variable. Il est défini par un ensemble d’expressions linguistiques. Pour chaque expression,
on lui associe une fonction d’appartenance. Le nombre de fonctions d’appartenance peut varier
selon l’application. De façon classique, 5 fonctions d’appartenance est un bon compromis. Pour
certaines variables, trois peuvent suffir. Ensuite, l’intervalle de valeurs pour chaque variable et
pour chaque fonction d’appartenance dépend de l’application. Dans notre cas, il est déterminé
après plusieurs tests et simulations. Regardons à présent chaque variable du module.
La vitesse relative entre véhicules est notée I1 = vP V − vF V . La variable floue associée pour
cette entrée s’appelle ∆v. Elle est définie par cinq fonctions d’appartenances, appelées BPR
pour "FV est Beaucoup Plus Rapide que PV", PR (pour "Plus Rapide"), MV (pour "Même
Vitesse"), PL (pour "Plus Lent") et BPL (pour "Beaucoup Plus Lent"). Sous forme algébrique,
elles s’écrivent ∆vi avec i=1,..5. L’ensemble de ces fonctions d’appartenance ainsi que les valeurs
les définissant sont présentées dans la figure 4.30.

Fig. 4.30: Fonctions d’appartenance associées à la variable ∆v

L’intervalle de valeurs en km/h pour cette variable est [−40; 40].

La différence entre la distance séparant les véhicules et la distance de sécurité (en m) est
I2 = ∆D − ∆DS. La variable de fuzzification associée s’appelle SM pour la marge de sécurité.
Cinq fonctions d’appartenance sont respectivement D (pour situation "Dangereux"), R (pour
situation de "Risque"), A (pour distance "Adéquate", L (pour une "Large" marge de sécurité)
et TL (pour "Très Large"). Elles s’écrivent encore SMi avec i=1,..,5. L’ensemble des fonctions

105
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

d’appartenance est présenté sur la figure 4.31

Fig. 4.31: Fonctions d’appartenance associées à la variable SM

On souhaite souligner la prise en compte des situations dans lesquelles on est déjà dans
une situation d’insécurité pour définir comment on peut l’améliorer. Elle est nuancée en distin-
guant entre la situation où on est vraiment à une distance très insuffisante et la situation où on
commence à peine à entrer dans ce type de situation.
Le changement de vitesse du véhicule suivi (en km/h) est la troisième entrée I3 . ∆vP V est la
variable floue associée. Elle est caractérisée par sept fonctions d’appartenance symétriques qui
représentent l’augmentation ou la diminution de cette vitesse. L’ensemble de ces fonctions est
présenté sur la figure 4.32.

Fig. 4.32: Fonctions d’appartenance associées à la variable ∆vP V

La sortie O1 est l’amplitude maximale de la variation de la vitesse du véhicule suiveur lui

garantissant le respect de la distance de sécurité. Elle est définie par cinq fonctions d’apparte-
nance nommées "Décélération", "Nul", "Petite accélération", "Moyenne Accélération","Grande
Accélération". Sous une forme plus compacte, elles s’écrivent ∆vF V i avec i=1,..,5.

Fig. 4.33: Fonctions d’appartenance associées à la variable de sortie

Une fois l’univers de discours et les fonctions d’appartenances définis, examinons maintenant
l’ensemble des règles qui alimente le moteur d’inférence.

106
 4.3. Extension au problème de sécurité

Base de règles

Avec les trois entrées et une seule sortie, la forme générale des règles d’inférence est :
"Si I1 = ∆vi et I2 = SMi et I3 = ∆vF V alors O1 = ∆vF V i "

Un exemple de ces règles en langage naturel est :

"Si le véhicule suivi est Plus Rapide que le véhicule suiveur et la marge de sécurité est grande
et le véhicule précédent est en phase d’accélération, alors on peut chercher la vitesse optimale
dans un intervalle plus large (O1 est "Très Large")."

La base de règles est alors constituée d’un nombre de règles assez élevé. On s’abstient ici de
toutes les détailler. On se contente de détailler quelques exemples. Sur le tableau 4.5, on présente
trois règles de la base.

Tab. 4.5: Exemples de règles d’inférence

Numéro de règle Si ∆v Et SM Et ∆vpv Alors∆vf v
1 D D
2 BPR A GD N
3 MV TL GA

La règle 1 correspond au cas où il y a un réel danger (la marge de sécurité est très négative)
et où il faut inciter le conducteur à ralentir, d’où le D de décélération pour la sortie.
La règle 2 correspond à un cas où la distance de sécurité est respectée. Le véhicule précédent
roule beaucoup plus vite que le notre mais il est en forte décélération. Ce qui explique que la
vitesse optimale sera recherchée autour de notre vitesse actuelle (la sortie est dite " nulle ").
La règle 3 montre un cas où les deux véhicules roulent à la même vitesse mais sont très distants
l’un de l’autre. Sans regarder la tendance du véhicule précédent, la marge de sécurité étant
importante, on se permet de rechercher la vitesse optimale dans un intervalle qui lui permettrait
d’être bien plus élevée que la vitesse actuelle (en restant dans la limite de la vitesse autorisée).
Il nous reste alors à définir les opérateurs utilisés pour la fuzzification, la défuzzification et le
système d’inférence.

Opérateurs flous

Pour notre application, les opérateurs les plus classiques sont utilisés. L’opération min-max
est utilisé pour les opérateurs ET et OU. La défuzzification par centre de gravité est utilisée pour
calculer la valeur numérique de la sortie floue.

Conclusion
On a présenté sur les paragraphes ci-dessus une approche par la logique floue pour résoudre
le problème lié à la distance de sécurité. Le contrôleur floue a été implanté grâce à une Toolbox
du logiciel Matlab. Cela nous a permis de faire des simulations pour ajuster les paramètres du
contrôleur. On s’accorde pour conclure que la mise en œuvre d’un contrôleur flou est relativement
facile mais que le réglage des paramètres reste une étape très délicate. Le module a été réglé pour

107
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

le contexte d’un véhicule léger. Pour d’autres contextes, il faut réajuster ces paramètres. Ainsi,
pour ce type de système, il n’existe pas une configuration optimale facilement adaptable. C’est
pour cela, qu’on s’est contenté d’avoir un module qui fournit des résultats cohérents sans trop
chercher à l’optimiser ou à étudier l’influence de ses différents paramètres (la forme et le nombre
des fonctions d’appartenances, les différents opérateurs,...).
Passons maintenant aux résultats de simulations de notre système avec l’intégration du mo-
dule que nous venons juste de présenter.

4.4 Validation de la stratégie développée : cas d’un système actif

4.4.1 Conception d’un système actif

Jusqu’à maintenant, nous avons présenté les différentes étapes utilisées pour concevoir la
stratégie de calcul des consignes optimales. On propose d’évaluer les consignes calculées par
des simulations. Comme on ne dispose pas de simulateurs, on étudie le cas d’un système actif
[LNM10d]. On rentre alors dans le cadre d’une conduite autonome pour le véhicule suiveur. Pour
cela, le modèle longitudinal du véhicule présenté dans le chapitre 2 est utilisé. En supposant
qu’une boîte de vitesse automatique est utilisée, on s’intéresse alors au problème du suivi de
vitesse optimale par l’automate. Une loi de passage simple est utilisée pour interpréter une
vitesse de consigne en un enfoncement pédale de consigne pour le moteur. La figure 4.34 présente
le schéma d’un système en boucle fermée. L’automate remplace donc le rôle du conducteur.

Fig. 4.34: Schéma complet d’un système actif

Sur ce schéma, on voit que le module d’optimisation fournit des consignes de vitesse optimale.
Le module contrôleur va essayer de commander le véhicule de façon à suivre ces consignes. Il
s’agit donc d’un cas d’étude simple. Pour contrôler le véhicule, deux méthodes de commandes
sont examinées. Premièrement, on a utilisé un correcteur PID classique. Les performances de
contrôleur sont encourageantes. Cependant, cette méthode n’est pas robuste et demande des
réglages à chaque modification des paramètres du module du véhicule. On s’intéresse alors à une
deuxième commande plus robuste. Il s’agit de la commande par modes glissants. Cette technique,
assez simple à mettre en oeuvre, a été déjà implantée avec succès dans un véhicule prototype
du LIVIC dans le cadre de thèse de Nouvelière [Nou02, NM07] et a démontré d’une meilleure
robustesse dans nos simulations. On présente dans la suite de ce paragraphe quelques résultats
de simulation avec ces deux lois de commande. Ce paragraphe présente une première réflexion
sur la construction d’un système actif mais le but principal est d’obtenir un véhicule capable de
suivre les consignes données pour qu’on puisse réaliser les simulations nécessaires à la validation
du concept proposé. On ne détaillera donc pas forcément les différents techniques utilisées. À
travers cette courte étude, on obtient un premier élément de réponse concernant le caractère de
faisabilité des consignes optimales.

108
 4.4. Validation de la stratégie développée : cas d’un système actif

PID
Les correcteurs PID sont les premiers recours envisagés quand on a à résoudre un problème
de commande en boucle fermée. Dans notre étude, il s’agit donc d’un correcteur PID classique
écrit sous la forme :
1 1 + aTd p
C = Kc (1 + p) √ (4.21)
Ti a(1 + Td p)
avec Kc le gain du correcteur, Ti la constante d’intégration et Td la constante de dérivation. Les
paramètres du correcteur sont réglés avec le modèle du véhicule Renault Laguna présenté dans
le chapitre 2 et dans les annexes. Les performances de ce correcteur sont présentées sur la figure
4.35 et sur le tableau 4.6. La figure 4.35 montre que la vitesse du véhicule contrôlé suit très
bien la vitesse de consigne. Les deux courbes sont presque superposées. Le tableau 4.6 représente
les erreurs de poursuite. On définit ǫv = vcommandé − vconsigne où vcommandé est la vitesse du
véhicule contrôlé et vconsigne la vitesse de consigne. Dans cet exemple, le correcteur donne des

80
Vitesse véhicule simulée
Vitesse consigne
70

60

50
Vitesse (km/h)

40

30

20

10

0
0 20 40 60 80 100 120 140 160 180 200
Temps (s)

Fig. 4.35: Résutlats avec le correcteur PID

Tab. 4.6: Performances du correcteur PID

mean(|ǫv |) max(|ǫv |)
ǫ max(vconsigne ) max(vconsigne )
ǫ(%) 0.84 9.0

résultats très encourageants. Cependant, comme on l’a souligné, l’inconvénient majeur de cette
approche est le manque de robustesse. À chaque changement de paramètres du véhicule, on doit
recommencer les réglages du correcteur. On souhaite donc avoir une commande plus robuste. On
propose étudier la commande par modes glissants.

Commande par modes glissants

Les éléments théoriques de cette commande sont donnés en annexe. On présente dans ce
paragraphe l’application de cette technique à notre cas d’étude. La commande par modes glissants
d’ordre 1 a été utilisée avec la formulation suivante de la commande :

u = uequ − k.sign(S) (4.22)

109
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

où S est la surface de glissement, uequ est la commande équivalente obtenue par la résolution de
l’équation
Ṡ = 0 (4.23)

et k est le gain à régler.

La première manière de choisir la surface de glissement est d’utiliser les vitesses. La fonction
de surface de glissement s’écrit S = x − xopt , où xopt est la position du véhicule correspondant à
la vitesse vopt fournie par le module d’optimisation. En choisissant cette stratégie, le contrôle est
juste la vitesse du véhicule. On sait qu’avec la commande d’ordre 1 du mode glissant, on risque
d’avoir le problème de réticence. Cela signifie qu’il existe des oscillations sur la commande de
vitesse en entrée. Cette oscillation va être amplifiée en dérivant la vitesse pour obtenir l’accélé-
ration du véhicule. Dans ce cas, on risque d’avoir des accélérations importantes et brutales, ce
qui rend inconfortable la conduite.
Pour résoudre ce problème, on a choisi comme entrée de commande l’accélération a avec la
surface de glissement qui s’écrit S = v − vopt . Le problème de réticence existe toujours mais
on aura une vitesse plus douce en intégrant l’accélération. Ce qui est plus confortable pour le
conducteur.
Finalement, la commande s’écrit :

a = aopt − k.sign(v − vopt ) (4.24)

Dans le cas de cette commande, il faut traduire une commande en accélération en un en-
foncement de la pédale d’accélérateur. Un système du premier ordre est alors utilisé pour cette
tâche.
Sur la figure 4.36, on présente la vitesse de consigne, qui est la vitesse optimale fournie par
le module d’optimisation, et la vitesse du véhicule contrôlé en simulation. Les deux courbes sont
superposées.

80
Vitesse véhicule simulée
Vitesse consigne
70

60

50
Vitesse (km/h)

40

30

20

10

0
0 20 40 60 80 100 120 140 160 180 200
Temps (s)

Fig. 4.36: Commande par mode glissant pour le système actif

On voit qu’on obtient un suivi de meilleure qualité en comparaison avec le cas du correcteur
PID. Le suivi de vitesse est bien réalisé par le contrôleur. Les erreurs du suivi avec cette commande
sont présentées dans le tableau 4.7.
On observe donc de meilleures performances dans le cas de la commande par modes glissants.
Elle est ensuite utilisée pour les simulations qui suivent.

110
 4.4. Validation de la stratégie développée : cas d’un système actif

Tab. 4.7: Performances de la commande par modes glissants

mean(|ǫv |) max(|ǫv |)
ǫ max(vconsigne ) max(vconsigne )
ǫ(%) 0.19 7.13

4.4.2 Résultats de simulation

Pour valider le concept d’un système écologique et sûr, le profil de vitesse obtenu lors de
la campagne de l’éco-conduite sur le circuit du projet ARCOS est utilisé. Il correspond à une
conduite économique d’un conducteur dont la différence entre deux passages sur le même circuit
est significative. Ce profil est considéré comme la vitesse du véhicule suivi. Le véhicule suiveur
est donc celui d’un véhicule autonome avec la loi de commande présentée dans le paragraphe
précédent. Le modèle du véhicule et la commande présentés précédemment sont utilisés pour
faire suivre le véhicule suiveur la trajectoire optimale définie par le module d’optimisation. Le
but de la simulation est de savoir si les consignes de sécurité sont respectées et si la trajectoire
donnée par le système développé permet de réduire la consommation.
On connaît la limitation de vitesse et la géométrie de la route (la pente, le dévers, la cour-
bure). Pour cette simulation, la vitesse à l’approche du virage est calculée simplement par le
modèle (4.13). Les états des deux véhicules au début de la simulation sont respectivement
xF L = 1250(m), vF L = 28(km/h),xP V = 1272(m),vP V = 32km/h. À cet instant, on a une
marge de sécurité de SM = 1.44m. Les deux profils de vitesse ainsi que les différentes informa-
tions de la route sont présentés sur la figure 4.37.

100

80

60

Véhicule suiveur (km/h)

Vitesse (km/h)

40 Véhicule suivi (km/h)

Altitude
Rapport véhicule suiveur
20 Limitation de vitesse (km/h)
Pente (%)

−20

−40
2000 3000 4000 5000 6000 7000
Distance (m)

Fig. 4.37: Profil optimal avec Q1=1, Q2=1, Q3=1

Sur ce parcours, on remarque que les montées et les descentes sont fréquentes. Mais leurs
inclinaisons ne sont pas fortes. On a une inclinaison maximale de 4 à 5% sur les sections de
1000 m à 2000 m et de 3000 m à 4000 m. On va analyser les deux profils sur les deux aspects

111
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

liés à la sécurité et à l’économie de carburant. Le problème de sécurité comprend le respect de

la limitation de vitesse, la vitesse maximale à l’approche du virage et la distance de sécurité.
L’économie de carburant est liée au comportement du véhicule en fonction de la géométrie de
la route. Nous allons voir que dans certains cas, ces deux aspects maintiennent un lien très étroit.

La limitation de vitesse

Le parcours simulé contient différentes limitations de vitesses. Elles sont toutes respectées par
le véhicule suiveur et dans la plupart du temps par le véhicule suivi. En effet, dans l’intervalle
entre 4200 m et 5200 m où la limitation de vitesse change de 70 km/h à 50 km/h, le véhicule
précédent a un dépassement de vitesse très importante et sur une longue distance. Ce qui peut
engendrer une situation d’insécurité. C’est la première amélioration que notre système peut ap-
porter au conducteur.

La distance de sécurité
Elle est gérée par le contrôleur de la logique floue. Deux petits rappels concernant l’approche
retenue :
– On ne cherche pas à maintenir une distance constante entre les véhicules.
– La marge de sécurité ne doit pas être dans la zone critique.
Pour mieux analyser le problème, on présente sur la figure 4.38 la marge de sécurité entre
deux véhicules.

160

140

120
Marge de sécurité (m)

100

80

60

40

20

0
2000 3000 4000 5000 6000 7000
Distance (m)

Fig. 4.38: Marge de sécurité avec Q1=1, Q2=1, Q3=1

Au début, la distance entre les deux véhicules est de 20 m. Avec une vitesse du véhicule
suiveur de 28km/h, la marge de sécurité est de 1.44 m. Ce qui signifie qu’on est dans une si-
tuation de sécurité. Cependant, une grande différence d’accélération entre deux véhicules peut
faire entrer le véhicule suiveur dans une situation d’insécurité. Ce qui explique le fait qu’il y ait
très peu de différence de vitesse entre les véhicules au début du parcours. Quand on commence
à aborder le descente à la distance 2100 m, on est toujours dans une situation de sécurité avec
la marge proche de zéro. Dès lors, pour réduire la consommation, le véhicule suiveur commence
à décélérer puis maintenir une vitesse constante moins élevée le long de la descente. Cela a pour

112
 4.5. Conclusion

conséquence qu’il est distancé par le véhicule précédent. On constate alors que la marge de sé-
curité augmente. Cette situation montre aussi que la vitesse du véhicule précédent n’est pas
forcément la vitesse optimale. Dans ce cas, le maintien d’une distance de sécurité constante n’est
pas forcément la meilleure solution pour consommer le moins. Par la suite, comme la marge de
sécurité est suffisante, le véhicule suiveur a pu suivre sa trajectoire optimale tout en respectant
la distance de sécurité. Cette contrainte est toujours respectée tout le long du trajet.

L’économie de carburant et le problème de sécurité

On constate que dans la zone où a lieu le changement de la limitation de vitesse, la marge de
sécurité devient très élevée ce qui est prévisible. Le véhicule suiveur respecte la limitation de
vitesse imposée, ce qui n’est pas le cas du véhicule précédent. On observe quand même sur les
données que la vitesse du véhicule qui précède reste basse, peut-être à cause d’un véhicule qui lui
précède. Le véhicule suiveur adopte quant à lui une vitesse plus élevée qui correspond à sa vitesse
optimale en terme d’économie de carburant. Quand la situation de sécurité ne le lui permet plus,
une nouvelle solution est trouvée pour répondre aux contraintes de sécurité tout en essayant de
minimiser la consommation. Dans tous les cas, on voit que le critère de sécurité est toujours
assuré et reste prioritaire.
On trouve qu’il existe des moments où la marge de sécurité est très élevée. Ce qui signifie que
les deux véhicules sont très éloignés l’un de l’autre. Donc leur temps de parcours sont différents.
Mais à la fin de la simulation, cette marge est proche de zéro. Dans ce cas, les temps de trajet
des deux véhicules sont sensiblement les mêmes. On a supposé que les véhicules ont les mêmes
caractéristiques. Le modèle de consommation est utilisé pour évaluer la consommation de ces
deux véhicules sur cette simulation. On a une légère baisse de consommation de l’ordre de 2.4%
du véhicule suiveur par rapport au véhicule suivi. Ce qui reste modeste mais acceptable dans le
contexte où les contraintes de sécurité sont respectées.
Notre conclusion est la suivante : "Accélérer et décélérer au bon moment et au bon
endroit peut permettre d’avoir une conduite plus sûre, plus économique avec le
même temps de trajet. Le système peut aider le conducteur à adopter ce type de
pratiques".
Il reste alors à la vérifier dans des situations réelles.

4.5 Conclusion
On a présenté dans ce chapitre les différentes étapes de conception d’un système d’aide à
la conduite sûr et efficace. On a commencé par résoudre un problème multi-objectifs qui nous
permet de mettre en évidence le compromis entre le temps de trajet, la consommation et le
confort des occupants. On a aussi montré les gains potentiels en économie de carburant d’une
conduite écologique.
La deuxième partie a présenté une approche de calcul en ligne. Pour cela, différentes tech-
niques sont utilisées pour réduire le temps de calcul de la programmation dynamique. Cette
approche permet de construire un système écologique plus interactif par rapport à la situation
de conduite. Ceci permet par la suite d’aborder les différents problèmes liés à la sécurité.
L’extension du problème de réduction de consommation de carburant à un problème écolo-
gique et sécuritaire permet de construire un système global. Les résultats de simulation montrent
qu’il existe toujours un potentiel de réduction de consommation de carburant. Mais ce gain dé-
pend fortement du contexte dans lequel se trouve le véhicule.
Par rapport aux concepts existants, le concept proposé dans ce mémoire, permet à la fois de

113
Chapitre 4. Vers un système d’aide à la conduite écologique et sécuritaire

réduire la consommation de carburant mais aussi d’améliorer la sécurité du conducteur. Selon

nous, ces deux aspects doivent être traités ensemble pour pouvoir construire un système d’aide
qui peut être adopté par les conducteurs. Les tests sur des conditions réelles de circulation est le
meilleur moyen de confirmer cette hypothèse.

114
 Chapitre 5

Expérimentation

Sommaire
5.1 Interface Homme-Machine (IHM) . . . . . . . . . . . . . . . . . . . . 116
5.1.1 Analyses des informations pertinentes . . . . . . . . . . . . . . . . . . . 116
5.1.2 Évolutions des versions de l’interface . . . . . . . . . . . . . . . . . . . . 118
5.1.3 Gestion de l’interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2 Mise en place de l’expérimentation . . . . . . . . . . . . . . . . . . . . 122
5.2.1 Équipements du véhicule . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.2.2 Présentation des pistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.2.3 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3 Campagnes d’évaluation du système . . . . . . . . . . . . . . . . . . . 130
5.3.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.2 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.3 Déroulement des tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.4 Résultats et analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.4.1 Scénario 1 : circulation libre . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.4.2 Scénario 2 : circulation contrainte par un véhicule précédent . . . . . . . 140
5.4.3 Scénario 2 : discussions sur la vitesse en virage et la distance inter-
véhiculaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

On a prouvé, à travers les simulations des chapitres précédents, le gain potentiel d’économie
de carburant d’un système d’aide à la conduite écologique et sécuritaire. Mais on ne connaît
pas encore son gain effectif, une fois implanté. En effet, le conducteur n’obtient l’économie de
carburant annoncée que s’il suit exactement les trajectoires optimales qui lui sont indiquées.
Ce gain demeure possible avec un véhicule automatisé mais ne devrait pas être le cas pour
un conducteur seul. Dans le même temps, les trajectoires optimales déterminées seront-elles
acceptées et faciles à suivre ? De plus, ces consignes améliorent-elles vraiment la conduite en
termes de confort, de sécurité et de consommation ? La phase d’expérimentation décrite dans ce
chapitre tente de répondre à ces questions.
On débute ce chapitre par le développement de l’interface entre le conducteur et le module
de calcul du système. Il est suivi par la présentation de la mise en place de l’expérimentation
avec la présentation des équipements et l’architecture du système embarqué sur un véhicule
d’essais. Deux campagnes de tests sont ensuite résumées. Finalement, on clôt le chapitre avec

115
Chapitre 5. Expérimentation

des discussions sur le gain de carburant induit par le système et son acceptabilité et quelques
conclusions.

5.1 Interface Homme-Machine (IHM)

Le dialogue entre le module de calcul et le conducteur est effectuée via une interface visuelle
sur un écran de type système usuel de navigation. La conception de cette interface se révèle
essentielle au bon déroulement des tests. Une interface bien conçue permet au conducteur de
suivre facilement les consignes et améliore l’efficacité du système global. Dans le même temps,
elle permet de confirmer ou d’infirmer le choix retenu pour la stratégie.
Dans le chapitre portant sur l’état de l’art, nous avons présenté trois systèmes d’aide à la
conduite avec leurs interfaces associées. Nous avons fait remarquer que les deux interfaces créées
par les constructeurs sont très réussies en terme d’ergonomie. Celle proposée par Vandervoort
est beaucoup plus intuitive en termes de graphiques et d’information fournies. Comme chaque
interface est plus ou moins liée à la stratégie utilisée, et que nous manquons d’informations sur
celles-ci, nous avons préféré opter pour le développement d’une nouvelle interface.
Dans le cadre de ce travail, nous n’avons pas l’ambition de créer l’interface la plus innovante
et la plus attrayante possible. On se concentre plutôt sur l’essentiel qui consiste à en créer une
qui mette en valeur notre méthodologie. Dans le même temps, elle doit rester simple, claire,
compréhensible par le conducteur et adaptée au matériel dont on dispose. Pour cela, la démarche
présentée sur la figure 5.1 est adoptée.

Fig. 5.1: Cycle de développement de l’IHM

Après avoir analysé les informations pertinentes que l’on souhaite fournir au conducteur, un
premier prototype est conçu. Il est ensuite évalué par les conducteurs qui sont des personnels du
LIVIC. Le recueil des informations nous permettent alors de continuer à améliorer les prototypes.
La version finale est celle qui répond au mieux aux attentes de la plupart des conducteurs.

5.1.1 Analyses des informations pertinentes

Les informations disponibles, à fournir au conducteur, proviennent de trois sources comme
montre la figure 5.2.
Les différents capteurs qui équipent les véhicules nous permettent d’obtenir les informations
sur la dynamique longitudinale (vitesse, accélération), sur la position en coordonnées GPS, sur
le régime moteur (à partir duquel, on déduit le rapport de boîte utilisé) et sur la distance qui
les sépare du véhicule qui précède. Du côté de l’infrastructure, la cartographie augmentée de la

116
 5.1. Interface Homme-Machine (IHM)

Fig. 5.2: Informations disponibles

route qui est utilisée de façon à connaître sa géométrie (pente, dévers, courbure) ; les limitations
de vitesses légales et finalement le profil de vitesse en approche de virage calculé par le système
SAVV du LIVIC. À partir des positions GPS des véhicules, on peut déterminer leur localisation
sur cette carte numérique. La troisième source est le module d’optimisation. À chaque instant,
le conducteur a alors une trajectoire optimale à suivre pour réduire la consommation et rester
en sécurité.
Il est inutile de transmettre toutes ces informations au conducteur. De plus, il n’est pas
non plus efficace de lui fournir des informations brutes. Dans le cadre des systèmes d’aide à la
conduite, et notamment des systèmes écologiques, des études ont montré qu’il est nécessaire de
fournir au conducteur le retour de l’influence de sa conduite sur la consommation et lui proposer
une alternative pour la réduire. On constate que les deux variables qui sont les plus faciles à
analyser par le conducteur sont la vitesse et le rapport de boîte. Ce sont donc les informations
que l’on va chercher à lui transmettre de façon la plus efficace.
Si le conducteur suit exactement les consignes données, il est alors assuré d’être en sécurité
dans le contexte étudié et moins énergivore. L’affichage de la vitesse et du rapport de boîte
est suffisant. Mais dans le cas où les consignes ne sont pas suivies, des situations d’insécurité
peuvent apparaître. Un avertissement du conducteur pour sa conduite à la fois non écologique
et dangereuse doit lui être adressé. Dans le contexte de notre étude, les informations de sécurité
qu’on peut adresser sont alors : le non respect de la limitation de vitesse, une distance intervé-
hiculaire insuffisante ou une vitesse excessive à l’approche et dans le virage. Avec la vitesse et le
rapport optimaux, ces informations constituent le premier niveau d’information, d’alerte et de
suggestion adressé au conducteur. On peut imaginer par la suite un deuxième niveau qui analyse
des enregistrements sur le parcours et donne des conseils à la fin du parcours. Ce dernier niveau
ne sera pas réalisé pour l’instant. Cela fera partie des perspectives.
Les informations nécessaires ainsi déterminées, on regarde à présent comment on peut les
transmettre au conducteur. Pour cela, on peut travailler sur le toucher, l’ouïe et la vue. Examinons
les avantages et les inconvénients de chaque canal de communication.
L’approche auditive permet au conducteur de percevoir rapidement l’information avec une
faible probabilité d’omission par rapport à une approche visuelle. On peut utiliser dans ce cas des
bips sonores et des messages vocaux. Son inconvénient majeur se situe au niveau du phénomène
d’intrusion qui peut parfois se révéler trop élevé, au risque que le conducteur désactive le système.

117
Chapitre 5. Expérimentation

Par conséquent, l’information donnée doit être ponctuelle pour ne pas trop le gêner.
L’approche tactile ou haptique est aussi utilisée par certains systèmes d’aide à la conduite.
La vibration du volant ou du siège du conducteur permet d’avoir une demande de réaction
rapide du conducteur. Dans notre cas, cette approche peut provoquer des confusions s’il n’y a
pas d’information supplémentaire. Il nous semble difficile pour le conducteur de distinguer parmi
"enfoncer le pédale" et "lever le pied" juste avec des vibrations sur la pédale par exemple. Sans
compter le fait que ces avertissements usuels sont déjà utilisés pour d’autres fonctions.
Finalement, l’approche visuelle nous semble la plus convenable. Elle permet de fournir des
informations plus riches et sa mise en œuvre est plus simple. Son plus grand inconvénient, il
faut le souligner, est qu’elle attire le regard du conducteur de façon intempestive et interférante.
Cela peut entraîner son inattention sur la conduite. Néanmoins, la prise en compte de certains
aspects de sécurité, notamment la distance de sécurité, nous laisse espérer diminuer le risque
d’accident lié à une perte de concentration provoquée par notre système. De plus, un affichage
tête haute peut résoudre en partie ce problème. C’est pour toutes ces raisons qu’un affichage
visuel est finalement retenu. Dans un premier temps, l’affichage se fera sur un écran de type GPS
déjà disponible sur notre véhicule d’essais.

5.1.2 Évolutions des versions de l’interface

Partant de ces analyses préliminaires, un premier prototype est alors réalisé. Il est conçu
avec l’utilisation de la bibliothèque Qt en C++. La description détaillée de cette réalisation est
donnée en Annexe A.5. On s’intéresse d’abord à la manière de fournir des consignes sur la vitesse
et le rapport de boîte. La première version de l’interface (figure 5.3) est alors très simple. La

Fig. 5.3: Première version de l’IHM

118
 5.1. Interface Homme-Machine (IHM)

première partie permet d’avoir un aperçu du comportement du conducteur à l’instant présent.

Il est constitué de trois arcs. Le plus à gauche signifie que la vitesse actuelle du véhicule est
en dessous de la vitesse optimale. Celui du milieu montre que le conducteur évolue à la bonne
vitesse. Le plus à droite indique que la vitesse actuelle est plus élevée que la vitesse optimale.
L’interface donne donc au conducteur un retour immédiat quant à son comportement. Pour
éviter des changements fréquents sur les états des arcs, un intervalle aux alentours de la vitesse
optimale est défini. Dans le même temps, le code couleur suivant est utilisé.

Fig. 5.4: Code des couleurs utilisé pour l’IHM (la différence de vitesse est en km/h)

Si la différence entre la vitesse optimale et la vitesse actuelle reste dans l’intervalle défini,
l’arc au milieu s’allume avec une couleur verte. Dans les deux autres cas, le rouge et le bleu sont
utilisés.
Ensuite, on propose au conducteur la vitesse à atteindre. Le compteur supérieur indique la
vitesse actuelle du véhicule et le compteur inférieur la vitesse optimale en termes d’économie de
carburant dans un contexte de sécurité.
À gauche de ces indicateurs apparaît le module de rapport de boîte. Si le carré central est
éclairé en vert, c’est que l’on est sur le bon rapport, si la flèche supérieure s’allume, on doit passer
le rapport supérieur et si la flèche inférieure s’allume, il faut rétrograder.
Après un petit sondage réalisé au sein du LIVIC, il semblerait que l’affichage dans le module
supérieur ne soit pas instinctif. Le fait que l’on éclaire alternativement la partie gauche puis
droite ne serait pas du goût de la plupart des gens. De plus, il y a confusion entre la vitesse
optimale et la vitesse du véhicule. Sans compter que la vitesse optimale n’est pas assez visuelle
pour être suivie correctement.
Après plusieurs prototypes, présentés dans l’annexe A.5, on arrive à une version qui semble
satisfaire la plupart des conducteurs interrogés. Si on utilise toujours le même principe pour le
rapport de boîte, un retour vers un simple compteur de vitesse semble apprécié par les conduc-
teurs.

Fig. 5.5: Version évoluée de l’IHM

Dans cette version, on retrouve la vitesse actuelle du véhicule qui est présentée par l’aiguille

119
Chapitre 5. Expérimentation

noire. Le contour du compteur de vitesse est utilisé pour fournir le retour sur la conduite actuelle
du conducteur. Le même code couleur est utilisé avec en plus un effet dégradé pour donner une
information plus quantitative. Le triangle blanc est alors la consigne à atteindre. Du côté du
rapport de boîte, le rapport actuel est affiché dans le petit carré. Avec cette version, on peut à la
fois donner au conducteur un retour immédiat sur la conduite et proposer la vitesse et le rapport
à atteindre. Cette version satisfait alors notre premier objectif.
Ensuite, les informations de sécurité nous semblent aussi nécessaires pour montrer au conduc-
teur que les consignes données sont fiables. Pour cela, on a ajouté le panneau de signalisation
reflétant une indication quant à la vitesse légale sur le compteur de vitesse. Celui-ci peut être
remplacé par le panneau de signalisation de vitesse limite en abord de virages si ce cas apparaît.
Un parcours de 150 m est alors reconstruit, en bas d’écran, avec au début du trajet le véhicule
suiveur. Le véhicule précédent est à la position qui correspond à la distance qui les sépare. Avec
l’affichage de la distance de sécurité par les deux traits parallèles, on fournit au conducteur une
information sur le contexte de sécurité dans lequel il se trouve. Dans le cas où le véhicule com-
mence à être trop près du véhicule précédent, un panneau d’alerte apparaît accompagné d’un
bip sonore. Cette version est présentée sur la figure 5.6.

Fig. 5.6: Version finale de l’IHM

Cette capture est réalisée sur un scénario où le problème de la distance de sécurité n’est pas
pris en compte. Sur la figure, on voit que les deux véhicules ne sont pas à la bonne distance
de sécurité. La consigne donnée demande au conducteur d’accélérer, ce qui n’est pas du tout
cohérent dans cette situation. Avec la prise en compte du problème de la distance de sécurité,
on évite ce type d’incohérence qui peut faire perdre la confiance du conducteur en des consignes
données.
On termine cette partie par la présentation d’un aperçu des changements d’état de l’interface
en fonction du comportement du conducteur et des consignes données sur la figure 5.7.
En partant de gauche à droite et de haut en bas, les situations suivantes se présentent. Dans le
premier cas, la vitesse du véhicule est inférieure à la vitesse conseillée précédemment. Le contour
du compteur est en bleu. La vitesse que devra atteindre le conducteur est proche de 50 km/h.
Le conducteur est sur le bon rapport et il n’a pas besoin de le changer. Dans un deuxième cas,
le conducteur a atteint la bonne vitesse avec le contour de vitesse en vert, mais il doit continuer
à l’augmenter jusqu’à 50 km/h pour l’instant suivant. Il reste toujours sur le bon rapport de
boîte. Les deux dernières situations sont celles où le conducteur commence à dépasser la vitesse

120
 5.1. Interface Homme-Machine (IHM)

Fig. 5.7: Exemples de fonctionnement de l’IHM

optimale. Le contour devient jaune dans un premier temps et rouge dans le dernier cas en fonction
de l’écart entre la vitesse conseillée et la vitesse du véhicule. Entre ces cas, il y a une demande
de changement de rapport de boîte.
Ces différents contextes présentent des situations normales de fonctionnement de l’interface.
Mais dans un cas de conduite réelle, différents événements qui ne sont pas pris en compte par le
module de calcul peuvent rendre les consignes affichées sur l’interface incohérentes. Il est alors
nécessaire de disposer d’une gestion de l’interface pour ces situations.

5.1.3 Gestion de l’interface

Dans nos méthodes de calcul des trajectoires optimales, on n’a pas tenu compte de tous les
événements possibles sur la route. Ce sont entre autres, les carrefours, les feux, des intersections,
les panneaux de signalisation,.... Pour certains cas, notamment le signal d’arrêt, l’intégration
de cet événement ne pose pas de problème particulier car il s’agit d’atteindre une vitesse nulle
après un certain temps. Mais pour les autres, notamment l’approche d’un feux, cela devient très
complexe et demande qu’une communication infrastructure-véhicule soit établie. Ceci n’est pas
prévu dans le cadre de notre étude. Pour éviter de donner des consignes contradictoires, on a
décidé de gérer ces situations via l’interface.
En effet, à une certaine distance de l’événement, la recherche des trajectoires optimales sera
arrêtée et l’interface sera désactivée. À ce moment, c’est le conducteur qui décide les actions
adéquates en fonction de la situation. Une fois cet événement franchi, les calculs reprennent
automatiquement et le conducteur peut profiter à nouveau des consignes via l’IHM sans avoir à
réactiver l’interface.
Pendant la désactivation de l’interface, un message expliquant la raison sera affiché sur l’écran
(figure 5.8).

121
Chapitre 5. Expérimentation

Fig. 5.8: Exemple de message lors de la désactivation de l’IHM

5.1.4 Conclusion
On a présenté dans cette section l’interface du système d’aide à la conduite développé. Elle
présente à la fois des informations pour réduire la consommation mais aussi pour améliorer la
sécurité. Ce qui représente la stratégie qu’on a mise en place. Suite à de nombreuses consultations
et tests sur véhicule, cette interface semble être appréciée par la plupart des conducteurs. Comme
on l’a souligné, on peut ajouter une deuxième couche qui permet d’avoir un résumé du parcours
effectué ainsi que du gain effectif réalisé. Cela fait partie des améliorations possibles du système.
Dans la suite de ce chapitre, la mise en place de l’expérimentation est présentée.

5.2 Mise en place de l’expérimentation

Cette section décrit la mise en place des tests du système d’assistance à la conduite. On
présente tout d’abord les équipements des véhicules. Ensuite, les circuits de tests avec leurs
caractéristiques sont détaillés.

5.2.1 Équipements du véhicule

Dans le cadre des tests, seuls deux véhicules sont utilisés. Le premier est une Renault Clio
Eco 2. Le deuxième est équipé d’un système wifi et d’un récepteur GPS. La figure 5.9 présente
les différents équipements qui y sont intégrés.
Sur chacun des véhicules, on dispose d’un ordinateur de bord sur lequel les différents pro-
cessus vont être exécutés. Dans le cas du véhicule suivi, l’ordinateur est utilisé pour recevoir et
transmettre sa position GPS, sa vitesse longitudinale, son accélération et sa distance parcourue
grâce aux mesures de l’odomètre du véhicule suiveur. Ce dernier utilise l’ordinateur de bord pour
gérer tous les processus d’acquisitions de données, de recherche de la position des véhicules sur la
carte numérique, de calcul des trajectoires optimales et de transmission des consignes au conduc-
teur via l’Interface Homme-Machine. Le transfert d’informations entre les deux véhicules se fait
par un canal de connexion Wifi. Chaque véhicule dispose d’un récepteur GPS. L’algorithme de
Mapmatching, implémenté sur l’ordinateur de bord du véhicule suiveur, détermine, à partir des
coordonnées GPS, la position de chaque véhicule sur la carte numérique.

122
 5.2. Mise en place de l’expérimentation

Fig. 5.9: Équipements des véhicules d’essais

Sur le véhicule suiveur, on dispose en plus d’une carte d’acquisition des données du Bus CAN.
Ces informations sont nombreuses. Parmi elles, on a la vitesse et l’accélération du véhicule, la
distance parcourue et le régime moteur. Le rapport de boîte engagé, quant à lui, est reconstruit
à partir de la vitesse et du régime moteur. Ensuite, on dispose d’un écran de type GPS, fixé au
tableau de bord. C’est sur cet écran que les consignes vont être données au conducteur via l’IHM
présentée précédemment. On dispose aussi d’un radar laser à l’avant du véhicule suiveur pour
la mesure de la distance inter-véhiculaire. A partir de cette mesure, on calcule la vitesse relative
entre véhicules.
On peut obtenir la distance entre les véhicules de trois façons : le radar, la position des
véhicules sur la carte numérique et les valeurs des odomètres implantés sur chaque véhicule.
Chacune des ces trois méthodes présentent des inconvénients importants. On a été contraint de
choisir la solution qui nous a semblée la plus acceptable.
La première méthode de mesure est le radar laser installé à l’avant du véhicule suiveur.
Le principe de mesure de ce type d’équipement est basé sur le temps séparant le départ de
l’impulsion laser de la source et son retour par réflexion sur l’objet visé. Connaissant la vitesse
de la lumière, la distance entre la source laser et l’objet est facilement déterminée. Dans notre
application, l’objet cible est bien évidemment le véhicule précédent. Sur une route plane et droite,
la précision de cette mesure est largement suffisante pour notre étude. Néanmoins, la précision de
la mesure se dégrade, et voire devient aberrante si ces conditions ne sont pas respectées. Quelques
exemples sont donnés sur la figure 5.10 pour clarifier cet inconvénient.
Sur la figure 5.10a, on présente le cas où les deux véhicules sont dans un virage. Dans ce
contexte, la valeur donnée par le radar est fausse. De même, sur la figure 5.10b, cette mesure
devient aberrante dans le cas d’un dénivelé. Dans un cas, on a une distance beaucoup plus grande
que ce qu’elle représente réellement. Dans d’autres, on a une distance beaucoup plus petite que la
distance réelle entre véhicules. Étant données les caractéristiques du trajet (comportant plusieurs
virages et de fortes pentes), cette solution n’est pas forcément utilisable.
La deuxième solution consiste à utiliser les postions des véhicules sur la carte numérique de la
route. À priori, cette solution permet d’éviter les erreurs de mesure rencontrées avec l’utilisation
du radar laser. Le principe consiste à déterminer les abscisses curvilignes des véhicules sur la

123
Chapitre 5. Expérimentation

Fig. 5.10: Imprécision des mesures du radar laser dans certaines situations. (a) : Problème lié
au virage (b) : Problème lié à la pente

carte numérique à partir de leurs coordonnées GPS. Connaissant la résolution de la carte, la

distance intervéhiculaire est alors facilement déterminée. Cependant, cette solution présente trois
problèmes. Le premier concerne la résolution de la carte. Plus la résolution de la carte est grande,
plus les mesures sont précises. Le deuxième est la précision des positions du véhicule. Sans parler
de la précision liée à l’algorithme du mapmatching, cette solution nécessite une localisation
centimétrique des véhicules. Cette condition peut être satisfaite sur les circuits d’essais mais pas
sur le trajet ARCOS qui sera présenté plus loin. Quoi qu’il en soit, le problème le plus critique
concerne la période de rafraîchissement des récepteurs GPS. En effet, la période des récepteurs
GPS est de 1 seconde. Ce qui signifie que l’on peut potentiellement avoir un décalage temporel
légèrement inférieur à 1 seconde entre les deux véhicules. Ce qui peut induire une erreur sur la
distance inter-véhiculaire de 20 m si les véhicules sont à 20 m/s.
La dernière solution consiste à utiliser les odomètres de chacun des véhicules. Ils mesurent la
distance parcourue de chaque véhicule. La distance calculée entre les véhicules est basée sur la
différence entre les distances parcourues et la distance inter-véhiculaire initiale. La précision et la
période de rafraîchissement des odomètres sont suffisantes pour notre application. Le plus grand
problème réside dans leur couplage pour mesurer la distance inter-véhiculaire. En effet, en faisant
la différence des distances parcourues, on obtient seulement la distance réelle inter-véhiculaire si
les deux véhicules ont suivi exactement la même trajectoire. Ce qui n’est pas forcément évident.
Par conséquent, les erreurs de mesures se cumulent et deviennent significatives sur un long trajet
d’une dizaine de kilomètres.
Ces limitations techniques sont les principaux obstacles pour que le système complet puisse
être évalué dans une situation de circulation réelle ou sur un circuit de test avec plusieurs tours.
Finalement, nous avons décidé de réaliser la campagne de tests sur un trajet d’une dizaine de kilo-
mètres correspondant à deux tours des circuits d’essais. La mesure de la distance intervéhiculaire
s’est faite avec la dernière solution. Ces tests seront présentés par la suite.

5.2.2 Présentation des pistes

Dans le cadre de la phase expérimentale, deux trajets ont été choisis pour les tests d’évaluation
du système. Il s’agit des pistes d’essais situées à Versailles Satory, proches des locaux du LIVIC
et d’un trajet totalisant une vingtaine de kilomètres dans les Yvelines, utilisé précédemment
par le LIVIC dans des campagnes de tests en grandeur nature. Par conséquent, on dispose des
cartographies précises de ces deux trajets.

124
 5.2. Mise en place de l’expérimentation

Circuit Routière-Val d’Or

Les pistes d’essais sur lesquelles, de nombreux algorithmes embarqués du LIVIC sont testés
se situent à proximité de ses bureaux et ateliers. Elles comprennent essentiellement 4 zones :
– Une piste de vitesse de 2 km
– Une route de type nationale, "la Routière", en anneau de 3,4 km
– Une route départementale qui forme un circuit à flanc de coline, "le Val d’Or"
– Une zone plane rectangulaire de 120x70 mètres, la "zone d’évolution"
Une vue d’ensemble des pistes est présentée sur la figure 5.11.

Fig. 5.11: Vue d’ensemble des pistes à Satory

En vue de l’évaluation du système, le trajet combinant le circuit "Val d’Or" et la "Routière"

est utilisé, totalisant une distance de 5.5 km. La carte numérique de ce trajet est construite grâce
aux passages du véhicule instrumenté d’analyse des itinéraires (VANI), développé et géré par
le laboratoire CETE à Lyon [CCD10]. La résolution de la carte est de 5m. Pour chaque point
de mesure du trajet, on dispose des coordonnées GPS en 3D, la pente, le dévers et le rayon de
courbure. Pour concevoir le scénario de test, on a défini les différentes zones de limitation de
vitesse tout au long du trajet. Elles sont présentées sur la figure 5.12.
À la sortie du circuit Val d’Or, on a défini un panneau "Cédez passage" par mesure de sécurité
et aussi pour vérifier la gestion de l’IHM comme présentée précédemment en paragraphe 5.1.3.
Ce trajet présente à la fois une typologie de route départementale avec des rayons de courbures
allant de 30 m à 600 m et un parcours avec de fortes pentes et des virages à faibles courbures.
Sur l’ensemble du trajet, la pente est faible (inférieure à 2%), à l’exception de la section entre
2500 m et 3000 m où les pentes sont très importantes, allant jusqu’à 15%. Ce qui le rend très
intéressant à étudier.

Circuit Arcos

Le nom du circuit est emprunté au projet français ARCOS (Action de Recherche sur la
COnduite Sécurisée), qui a fait partie des travaux de recherche conduits par le LIVIC dans le
cadre du PREDIT II (Programme de Recherche et d’Innovation dans les Transports Terrestres).
Ce trajet est de type inter-urbain, plutôt rural. D’autres expériences qui y ont été déjà réalisées,
notamment une expérience sur l’éco-conduite, nous permettent d’avoir une base de données
riche pour les analyses. Cette bonne connaissance du trajet est aussi un atout considérable pour

125
Chapitre 5. Expérimentation

Fig. 5.12: Circuit Routière-Val d’Or

faciliter la mise en œuvre de l’expérience future. L’ensemble du trajet est présenté sur la figure
5.13.
Ce trajet totalise une distance de 18km. Il présente des situations de conduites très variées.
Les limitations de vitesses varient entre 30 km/h et 90 km/h. Une grande partie de la route
se situe dans la campagne avec des descentes et des montées significatives. La partie en ville
présente des situations d’arrêts assez fréquents. La transition entre ces deux parties présentent
des virages serrés.
Le passage du véhicule VANI au cours du mois d’août 2010, nous a permis d’actualiser les
informations de l’infrastructure du circuit. La carte numérique a pu être reconstruite avec une
plus grande précision. La résolution de la carte est désormais de 1 m. Elle contient donc pour
chaque point de mesure les coordonnées GPS, la pente, le dévers, l’adhérence de la route, le rayon
de courbure, et la limitation de vitesse.
Cependant, seulement quelques tests de fonctionnement du système ont pu y être réalisés.
Ce point sera détaillé plus loin.

5.2.3 Implantation
Au cours de la démarche de développement du système, les phases de conception et de
validation du concept ont été réalisées dans l’environnement Matlab/Simulink. La boîte à outil
Logique Floue de Matlab a été utilisée pour concevoir et réaliser le contrôleur de logique floue
gérant le problème lié à la distance entre véhicules. Pour la phase de tests sur véhicule prototype,
la transformation de l’ensemble des fonctions en code C/C++ a été nécessaire. Examinons tout
d’abord l’architecture logicielle retenue pour le système.

Architecture logicielle

Notre stratégie consiste à résoudre, de façon périodique, un problème d’économie de car-

burant et d’amélioration de la sécurité défini par les différents paramètres liés au véhicule, à

126
 5.2. Mise en place de l’expérimentation

Fig. 5.13: Circuit ARCOS

l’infrastructure et aux conditions de trafic. À chaque période, la résolution de ce problème est

réalisée suivant les quatre étapes présentées sur la figure 5.14.
Il s’agit alors d’acquérir les données, de définir le contexte du problème d’optimisation, de le
résoudre et finalement d’envoyer des consignes au conducteur via l’IHM.
La phase d’acquisition consiste à obtenir des informations du véhicule suiveur via le bus CAN,
des informations du véhicule suivi via la communication wifi et leurs positions GPS respectives
grâce à des récepteurs GPS. Cette phase d’acquisition a été réalisée précédemment par l’équipe
expérimentale du LIVIC. La phase de pré-traitement des données consiste à définir le contexte
où se situe le véhicule suiveur. Dans le cadre de cette étude, ce contexte est défini par la vitesse
du véhicule, le rapport actuellement utilisé par le conducteur, les informations de l’infrastructure
sur l’horizon électronique prédéfini et la réaction que doit avoir le véhicule suiveur pour assurer

127
Chapitre 5. Expérimentation

Fig. 5.14: Étapes de traitement du système EDAS

sa sécurité en terme de distance de sécurité dite de deux secondes. Pour cela, les informations
de l’étape précédente sont traitées grâce à quatre composants présentés sur la figure 5.14. Une
fois ce contexte défini, on procède à la recherche de la trajectoire optimale par le module de
calcul à l’étape suivante. Cette troisième étape est réalisée en deux phases. Tout d’abord, la
programmation dynamique est utilisée pour résoudre le problème de contrôle optimal. Ensuite,
un processus de post-traitement est utilisé pour calculer les consignes à donner au conducteur.
Il s’agit de transformer des consignes en distance en des consignes en temps. Finalement, les
consignes calculées sont envoyées au conducteur via l’interface graphique.
La première étape d’acquisition avait été réalisée sous forme de composants réutilisables. Il
est alors plus simple pour nous de développer le système sur cette même plate-forme utilisée au
LIVIC, s’appelant RTMaps.

Logiciel RTMaps

Il s’agit d’une solution logicielle de la société Intempora (http ://www.intempora.com/).

Cette solution logicielle offre une plate-forme de développement et d’intégration des systèmes

128
 5.2. Mise en place de l’expérimentation

embarqués. Son interface graphique permet une mise en place rapide des capteurs, actionneurs
et algorithmes. L’environnement de développement permet quant à lui, de réaliser des différents
types de composants. Cette solution a été choisie car elle nous a permis de nous concentrer uni-
quement sur le développement de nos algorithmes. Les composants liés à l’acquisition des données
(GPS, Bus CAN, Communication Wifi,...), donc à la première étape, sont déjà disponibles au
LIVIC. Cela nous a permis de gagner un temps très important. Le schéma d’implémentation de
notre système sous RTMaps est alors présenté sur la figure 5.15.

Fig. 5.15: Implantation du système sous RTMaps, sur le véhicule suiveur : interface graphique
de RTMaps

Sur ce schéma, on distingue les quatre groupes de composants définis précédemment. Ce

diagramme est celui utilisé pour l’ensemble des tests du système d’aide à la conduite écologique.
La partie IHM est réalisée avec la librairie Qt et la communication entre le système et l’interface
est assurée par le module "EnvoieIHM". Dans notre cas, il s’agit d’un partage d’information via
le concept de la mémoire partagée.

Logiciel FISPRO

Pour implémenter notre contrôleur par logique floue, le logiciel FISPRO [GCL02] a été utilisé.
Il s’agit d’une solution logicielle Open Source proposée par les chercheurs de l’INRIA. La mise en
œuvre du contrôleur par logique floue sous RTMaps se focalise sur l’adaptation des codes sources
du logiciel à notre application.
Le système est implanté sur l’ordinateur de bord du véhicule suiveur. L’ensemble des tests
sur les circuits d’essais nous a permis d’ajuster les différents paramètres et d’avoir une première
validation fonctionnelle du système. On présente maintenant les résultats obtenus lors des séries
de tests du système avec la participation des différents conducteurs.

129
Chapitre 5. Expérimentation

5.3 Campagnes d’évaluation du système

5.3.1 Objectifs
Le système étudié en particulier dans le cadre de cette thèse est un système suggestif. L’ef-
ficacité du système dépend de façon significative de la réaction du conducteur. L’objectif de ces
séries de tests est alors d’évaluer le système avec différents conducteurs et de recueillir leurs
premières impressions pour l’amélioration future des systèmes d’aide à la conduite écologique.
Deux niveaux de fonctionnement du système sont distingués. Le premier niveau concerne
davantage son aspect écologique. Pour cela, les tests sont réalisés en circulation libre. Le second
niveau ajoute les conditions de trafic via la distance de sécurité. Un deuxième véhicule est alors
utilisé pour "simuler" cette condition de test plus proche de celle du roulage réel.
L’évaluation sera axée principalement sur les trois critères que sont l’environnement (gain
potentiel de carburant), la mobilité (temps de trajet) et la sécurité (amélioration de la sécurité).
Ensuite, on propose une première analyse des réactions des conducteurs après l’utilisation du
système. En conclusion, on verra comment la sécurité peut influencer la réduction de la consom-
mation ?

5.3.2 Organisation
Il ne s’agit pas de séries de tests conséquents d’un système abouti et prêt à être installé sur
la flotte actuelle des véhicules mais plutôt d’une validation préliminaire d’un premier prototype
de système visant la réduction de la consommation de carburant tout en améliorant la sécurité
du conducteur.
Pour cela, la campagne est organisée avec la participation de 8 conducteurs volontaires,
répartis sur deux phases de test. Dans un premier temps, deux conducteurs sont mobilisés
pour conduire le véhicule prototype sur les pistes dans un scénario de libre circulation (pas
de contrainte liée au trafic). Les six autres conducteurs sont mobilisés pour conduire ce même
véhicule sur le même trajet mais avec un véhicule qui les précède.
Le fait de répartir les tests en deux scénarios reste dans la logique de notre développement.
En effet, on souhaite d’abord valider le fonctionnement lié à l’économie de carburant. Ensuite, on
valide le système complet avec les fonctionnalités liées aux différents problèmes de sécurité. Dans
la première série de tests, seule la limitation à la vitesse légale est considérée comme contrainte
de sécurité. Dans la deuxième série, le problème de sécurité est constitué, à nouveau, du point
de vue de la limitation de vitesse mais aussi de la vitesse en approche de virage et de la distance
inter-véhiculaire.
Un trajet de tests comprend deux passages sur le circuit "Routière-Val d’Or". Chaque conduc-
teur doit réaliser deux trajets. Les deux premiers passages sont effectués sans le système d’aide.
Il a été demandé aux conducteurs de faire des efforts pour réduire leur consommation de carbu-
rant. En d’autres termes, on leur demande de conduire avec leur style d’éco-conduite. Pendant
les deux derniers passages, le conducteur conduit avec les consignes du système via l’IHM déve-
loppée précédemment. L’objectif est de savoir si le système peut apporter des gains de carburant
par rapport à l’utilisation de consignes simples d’éco-conduite. On remarque que la plupart des
conducteurs ont déjà participé à l’expérience d’éco-conduite réalisée par le LIVIC. Ils ont donc
des pré-requis de ce style de conduite et l’ont déjà pratiqué au moins une fois. Seul un conducteur
n’a pas participé à l’expérience mais a assuré connaître cette pratique.
Les huit conducteurs peuvent être aussi divisés en deux catégories selon la connaissance du
trajet. D’une côté, nous avons des conducteurs qui connaissent très bien les pistes et qui ont
déjà effectué à plusieurs reprises le trajet considéré. Il s’agit de nos ingénieurs et nos techniciens

130
 5.3. Campagnes d’évaluation du système

de l’équipe d’expérimentation. Ce contexte ressemble à celui des automobilistes qui effectuent

quotidiennement leur trajet domicile-travail et connaissent parfaitement le trajet. De l’autre
côté, nous avons des conducteurs qui connaissent une partie du trajet sans forcément réaliser
fréquemment des tours de piste. La figure 5.16 montre la répartition des conducteurs selon les
catégories.

8 8

7 7

6 6
Nombre de conducteurs

Nombre de conducteurs
5 5

4 4

3 3

2 2

1 1

0 0
Bonne connaissance du trajet Connaissance moyenne du trajet Participant de l’expérience éco−conduite Non−participant de l’expérience éco−conduite

(a) (b)

Fig. 5.16: Nombre de conducteurs par catégorie (a) : Nombre de conducteurs en fonction de
la connaissance du trajet (b) : Nombre de conducteurs ayant participé à une autre expérience
d’éco-conduite au LIVIC

Cette division nous fournit des informations supplémentaires pour l’analyse des résultats. En
effet, la connaissance des pistes peut permettre au conducteur de mieux anticiper dans le cas
de conduite sans consigne du système mais aussi de pouvoir se concentrer plus sur les consignes
données par l’interface. Cela peut améliorer son économie de carburant. De même, la participation
à l’expérience d’éco-conduite permet aux conducteurs d’acquérir des connaissances sur cette
pratique. La comparaison est alors plus fiable.
Le dernier point sur l’organisation concerne la connaissance du système par les conducteurs.
En effet, la plupart des conducteurs découvrent le système le jour de leur passage sur les circuits
de tests. Aucun apprentissage préalable n’a été demandé aux conducteurs.

5.3.3 Déroulement des tests

Les deux séries des tests ont été réalisées le 11 octobre 2010 et le 23 novembre 2010. Comme
les conducteurs connaissent assez bien les circuits d’essai, il nous semble que l’ordre des passages
avec le système et sans le système d’aide n’est pas important. Il a été décidé que les conducteurs
réaliseraient les deux premiers passages sans le système et termineraient leur participation à
l’expérience avec une conduite guidée par le système. De même, les consignes d’éco-conduite ne
sont pas rappelées au conducteur. On souhaite comparer l’efficacité du système avec leur conduite
écologique qu’ils pourraient pratiquer quotidiennement.
Pour leurs premiers passages, il a été demandé aux conducteurs de faire des efforts pour
réduire leur consommation tout en respectant la limitation de vitesse. Pour leurs deux derniers
passages, il fallait qu’ils suivaient le plus fidèlement possible les consignes du système sans pour
autant nuire à leur sécurité. L’interface du système a été présentée à chaque conducteur avant leur
dernier passage. Les consignes données via l’interface leur sont à priori claires et compréhensibles.

131
Chapitre 5. Expérimentation

En observant les réactions des conducteurs lors de ces essais, on ne remarque pas de difficulté
particulière des conducteurs pour comprendre la signification des différentes consignes données.
Sur la figure 5.17, on présente des exemples de consignes données aux conducteurs durant les
tests.
Sur la figure 5.17e, quand le véhicule suiveur est trop près du véhicule suivi, le panneau
d’alerte apparaît. En même temps, le système demande au conducteur de réduire sa vitesse. Ce
qui semble alors cohérent, contrairement à la situation présentée sur la figure 5.6.
Pour le scénario lié à une circulation contrainte par un véhicule précédent, la procédure
suivante est utilisée. Au départ, la distance entre deux véhicules est de 20 m. La seule consigne
donnée au conducteur du véhicule suivi est de respecter la limitation de vitesse le long du trajet.
Il a été précisé au conducteur du véhicule suiveur qu’il ne s’agissait pas de garder la même
distance entre les véhicules mais de suivre le mieux possible les consignes lors de ses derniers
passages et de pratiquer un style de conduite écologique pendant les premiers passages.
De façon générale, on remarque que les conducteurs ont respecté les consignes imposées.
Les essais se sont bien déroulés dans l’ensemble sauf que les limitations techniques soulignées
précédemment ont perturbé certains conducteurs. En effet, vers la fin du trajet, les erreurs
cumulées par les odomètres provoquent une incohérence entre la distance inter-véhiculaire perçue
par le système et celle perçue par les conducteurs. Grâce au marquage de la route, les conducteurs
peuvent évaluer grossièrement leur distance avec le véhicule suivi. Quand la différence entre ces
deux perceptions devient importante, les conducteurs sont perturbés, se sont posés des questions
et perdent la concentration sur le suivi des consignes. Pour deux conducteurs, cette imprécision
de mesure a provoqué le ralentissement du véhicule vers la fin du trajet de façon anormale. Pour
éviter ce type de situation sur tous les autres conducteurs, on a demandé au conducteur du
véhicule suivi de distancer le véhicule suiveur vers la fin du trajet. Dans ce cas, on revient donc
à la situation d’une conduite en libre circulation vers la fin.
Cette limitation technique présente deux points à souligner. Les conducteurs peuvent s’in-
terroger sur la fiabilité du système et donc avoir une mauvaise appréciation du système. Il est
évident que ce point doit être corrigé avant des campagnes de tests plus conséquentes. Par contre,
du point de vue du système, cette situation nous a permis de confirmer la cohérence des consignes
données. Le système ne demande pas d’accélérer s’il voit que le véhicule précédent lui est trop
près. À cause de ces erreurs de mesure, le trajet de test ne comporte plus que deux tours du
circuit "Routiere-Val d’Or".
Avec les problèmes techniques identifiés, un nombre limité de participants, les deux séries
de tests ne visent pas à donner des confirmations définitives sur l’efficacité du système. Il est
souhaitable de considérer les résultats qui suivent comme des premiers éléments de réponse aux
questions liées au développement des systèmes d’aide à la conduite. La suite de ce chapitre
présente ces éléments.

5.4 Résultats et analyses

Vu le nombre limité des données, il nous a semblé plus approprié d’utiliser une approche
d’analyse descriptive pour montrer la différence entre une conduite écologique avec des consignes
simples et une conduite écologique avec les suggestions de notre système.
Comme on l’a souligné, deux séries de tests ont été distinguées dans le but de valider deux
différents niveaux de complexité du système.
La première série de tests n’implique qu’un seul véhicule qui est en circulation libre le long
du trajet. Dans ce cas, il suit des profils de vitesse et rapport de boîte de référence. Ce niveau

132
 5.4. Résultats et analyses

(a) (b)

(c) (d)

(e) (f)

Fig. 5.17: Différents états de fonctionnement de l’IHM pendant le test (a) : La conduite est en
adéquation avec les consignes (b) : La vitesse est en dessous de la vitesse conseillée et passer au
rapport supérieur est conseillé (c) : La vitesse en adéquate, le rapport supérieur est demandé
(d) : La vitesse est trop élevée, le rapport supérieur est conseillé (e) : Le véhicule est trop proche
du véhicule de devant (f) : Désactivation de l’interface à l’approche d’un événement.

de fonctionnement peut être considéré comme un système d’aide à la conduite écologique avec
une architecture en parallèle dans une situation de roulage réelle. Le système conçu cherche les

133
Chapitre 5. Expérimentation

consignes optimales en terme d’économie de carburant en fonction des paramètres du véhicule,

de la pente de la route et de la limitation de vitesse. Le conducteur joue à la fois le rôle du
système de sécurité et du système de décision. En considérant l’environnement aux alentours, il
décide lui même de suivre ou de rejeter les consignes données.
La deuxième série de tests permet d’évaluer le concept d’un système d’aide à la conduite
écologique et sécuritaire que l’on souhaite mettre en place. En plus de la limitation de vitesse, la
vitesse maximale en virage est prise en compte. Un deuxième véhicule intervient pour "simuler"
une situation de conduite en trafic. Cette situation peut être considérée comme plus proche
d’une condition de roulage plus réaliste sur un trajet inter-urbain. L’évaluation de ce niveau
de fonctionnement du système nous permet d’avoir une idée plus précise du fonctionnement du
système et de ses gains potentiels (économie de carburant et amélioration de la sécurité) pour
un déploiement dans des conditions de circulation réelles.
Tout d’abord, il nous semble nécessaire de définir les indicateurs utilisés pour les analyses.
Si la réduction de la consommation de carburant et la variation du temps de trajet peuvent être
quantifiées, les aspects de sécurité ne le sont pas tout. Dans notre cas, seuls les dépassements des
vitesses nous semblent évidents à être quantifiés. L’indicateur représentatif de ces dépassements
est le pourcentage de temps en excès de vitesse légale le long du parcours. Un dépassement de
vitesse est relevé si la vitesse du véhicule est supérieure de 3 km/h à la vitesse légale imposée.
Le pourcentage de dépassement de vitesse est le pourcentage du temps en excès de vitesse par
rapport au temps du trajet. Il peut être formulé par l’expression :
P
T empsEnExcesV itesse
%DepassementV itesse = ∗ 100. (5.1)
T empsT rajet

La quantification des autres aspects concernant le respect de la vitesse maximale en virage,

de la distance de sécurité est plus délicate.
On considère alors dans un premier temps les différentes variables quantifiables de chaque
trajet, que sont : le temps de trajet en s, la distance parcourue en m, la consommation en ml,
la consommation moyenne en l/100km et le pourcentage de dépassements de vitesse.
La variation du temps de trajet et le gain en carburant entre deux trajets du même conducteur
sont donnés en pourcentage. Ils sont calculés de la même façon que la consommation. Ainsi

ConsoSansIHM − ConsoAvecIHM
Gain = ∗ 100 (5.2)
ConsoSansIHM

Examinons maintenant ces différents indicateurs sur les deux séries de tests présentées pré-
cédemment.

5.4.1 Scénario 1 : circulation libre

Le premier scénario est celui du véhicule en circulation libre. L’objectif de cette série de tests
est de connaître le gain potentiel en consommation de carburant dans le cas où peu de contraintes
sont imposées. On rappelle que chaque conducteur a réalisé deux trajets. Le trajet "sans IHM"
signifie que le conducteur ne reçoit aucune consigne de la part du système. Il conduit de façon à
réduire le plus sa consommation en carburant en pratiquant ses habitudes d’éco-conduite tout en
respectant la limitation de vitesse. Le trajet "avec IHM" signifie que le conducteur essaie de suivre
le mieux possible les consignes fournies par le système via l’interface présentée précédemment.

134
 5.4. Résultats et analyses

Consommation

L’objectif principal de ce système est de favoriser la réduction de la consommation réelle de

carburant des conducteurs. Nous allons examiner s’il est atteint. Pour cela, deux indicateurs sont
à l’étude : la quantité de carburant consommée en ml et la consommation moyenne en l/100km.
En principe, comme les conducteurs effectuent le même trajet avec la même distance à parcourir,
le gain (s’il y en a un) sera le même aussi bien qu’en terme de quantité de carburant consommée
qu’en terme de consommation moyenne. Mais en réalité, il existe certaines imprécisions sur la
distance parcourue entre les conducteurs et entre les trajets d’un même conducteur. En effet,
tous les conducteurs ne se sont pas arrêtés exactement au même point d’arrivée au centimètre
près. De plus, il suffit que les conducteurs abordent de façon différente un virage pour que les
distances parcourues sur ce même trajet ne soient plus les mêmes. Par conséquent, on n’obtient
pas tout à fait le même gain pour ces deux quantités. On préfère alors les présenter toutes les
deux.
Sur le tableau 5.1, on présente les différents paramètres des quatre trajets réalisés par les
deux premiers conducteurs dans le cas d’une libre circulation sur le circuit "Routière-Val d’Or".

Tab. 5.1: Résultats du scénario en circulation libre

Conducteur Temps Distance Consommation Consommation

de trajet (s) parcourue (m) cumulée (l) moyenne (l/100km)
B sans IHM 651 10 624 0.6263 5.8944
B avec IHM 710 (+8.31%) 10 633 0.6151 (-1.79%) 5.7851 (-1.85%)
M sans IHM 630 10 667 0.7160 6.724
M avec IHM 691 (+8.83%) 10 674 0.6465 (-9.71%) 6.0566 (-9.93%)

Sur ce tableau, on note l’initial du prénom du conducteur, le type de trajet effectué (avec ou
sans IHM), le temps de parcours, la consommation cumulée et la consommation moyenne aux
100 km.
Si on regarde la consommation cumulée et la consommation moyenne en l/100km, le gain
d’économie de carburant du système est évident. Dans les deux cas, on obtient toujours un gain
de carburant grâce au système. Il se situe aux alentours de 1.8% pour le premier conducteur et
de 9% dans le cas du deuxième conducteur. On observe aussi une légère différence entre les gains
en consommation cumulée et en consommation moyenne. Cela est dû à la différence de distances
parcourues.
L’amplitude du gain obtenu est différente selon le conducteur. Le trajet de test ressemble
davantage à un trajet mixte du cycle NEDC (figure 1.3). Dans ce contexte, la consommation
conventionnelle d’un véhicule Clio Eco2 TCE 100 est de 5.5 l/100km. Cela signifie que plus
la consommation du conducteur lors des premiers passages est proche de cette consommation
conventionnelle, moins le gain d’économie de carburant est important. Ceci est le cas du premier
conducteur. Si on peut obtenir le même gain avec des règles simples, l’utilisation d’un système
d’aide à la conduite écologique n’est certainement pas justifiée pour le premier conducteur. Cepen-
dant, le gain obtenu par le deuxième conducteur reste significatif. Si on suppose que la conduite
du premier conducteur est toujours très écologique, est ce que notre système devient totalement
inintéressant pour ces automobilistes ? Examinons alors d’autres améliorations apportées par le
système.

135
Chapitre 5. Expérimentation

Dépassement de la vitesse
Comme nous l’avons remarqué, pour convaincre le premier conducteur d’utiliser le système
proposé, l’argument de l’économie de carburant n’est pas suffisant. Le système doit apporter
d’autres opportunités aux conducteurs. Dans le cadre de notre étude, cet apport est l’amélioration
de sa sécurité.
Le tableau 5.2 présente les pourcentages des dépassements de vitesse des deux conducteurs
de la première série de mesure.

Tab. 5.2: Scénario 1 : Pourcentage de temps en dépassement de la vitesse légale

Conducteur Dépassement de vitesse légale (%)
sans IHM avec IHM Gain (%)
B 18.3 3.38 -79.23
M 21.3 7.11 -66.62

On voit que le pourcentage des dépassements de la vitesse diminue fortement avec l’utilisation
du système. Les gains obtenus sont respectivement 79.23% et 66.62% pour les deux conducteurs.
Ces gains montrent que le système apporte une amélioration certaine de la sécurité du conducteur
en termes de diminution des excès de vitesse. Il faut souligner qu’en France, la vitesse reste
toujours la première cause de mortalité sur les routes (un accident sur deux), devant l’alcool.
Dans la moitié des cas, il s’agit d’une vitesse excessive (au-delà des limitations). Différentes
études menées en France et à l’étranger confirment la nécessité de respecter ces limitations.
L’adoption du "50 en ville" en est un exemple. Cette limitation a été imposée en France en 1990.
Les deux années suivantes, on observe une baisse de 14.2% des accidents corporels et de 15.4%
des accidents mortels (source : http ://www.securite-routiere.gouv.fr). Ces différentes remarques
montrent la nécessité de prendre en compte les limitations de vitesse dans la conception même
des consignes d’économie de carburant. Outre l’amélioration de la sécurité, le système pourrait
permettre au conducteur de réduire le risque d’avoir des sanctions financières qui vont de 90e
à 375e pour un excès de vitesse inférieur à 20 km/h dans les zones de limitation de vitesse
inférieure ou égale à 50 km/h. Le système permet ici une économie financière.
Contrairement à l’économie de carburant qui est plus ou moins significative en fonction du
conducteur, la diminution des excès de vitesse est très importante pour les deux conducteurs.
Ce qui peut devenir alors un deuxième argument pour convaincre le premier conducteur, par
exemple.
La différence significative des pourcentages des dépassements de la vitesse explique aussi en
partie la différence du temps de trajet entre la conduite sans système et la conduite avec système
que l’on va analyser par la suite.

Temps de trajet
En effet, sur le tableau 5.1, on remarque l’augmentation du temps de trajet avec l’utilisation
du système. Cette augmentation est d’environ 8% pour les deux conducteurs. La question qui se
pose est : cette différence est-elle acceptable ? Un temps de trajet plus long correspond souvent
à une vitesse moyenne moins élevée. Dans ce cas, le risque d’accident lié à la vitesse pourrait
diminuer. Cependant, on peut se poser la question quant à la fluidité du trafic et l’économie en
carburant globale du réseau tout entier. On peut imaginer qu’avec une circulation moins fluide,
le risque de bouchon est plus élevé. La consommation devient alors beaucoup plus importante.

136
 5.4. Résultats et analyses

Ces questions sortent évidemment du cadre de notre travail. À l’échelle du véhicule, la réponse
à la première question posée dépend forcément du conducteur et de son objectif de conduite.
On a souligné précédemment que cette différence est fortement liée aux dépassements de la
vitesse. On propose alors d’étudier cette cause plus en détail avec les profils de vitesse des deux
conducteurs.

Effets des comportements des conducteurs

Dans le cas d’une circulation libre, on obtient toujours les mêmes profils de vitesse et de
rapport de boîte de consigne en fonction de la distance. Ces profils sont donc des profils de
référence pour le véhicule donné sur le même trajet. Ils sont présentés sur la figure 5.18.

90

80

70

60
Vitesse (km/h)

50

40 Limitation de vitesse
Vitesse de consigne
30 Rapport de consigne

20
X= 3584.4781 X= 5576.6679
10 Y= 4 Y= 5

0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Distance (m)

Fig. 5.18: Profils optimaux dans le cas de libre circulation

Dans la suite de ce mémoire, on s’intéresse plutôt à des consignes de vitesse que des consignes
de rapport de boîte. En effet, la figure 5.18 montre que le système conseille le plus souvent les
rapports supérieurs sauf dans le cas de la montée où le troisième rapport est demandé. Ce qui
nous semble logique dans la mesure où le trajet est assez plat dans l’ensemble. Les rapports
inférieurs qui fournissent plus de puissance et de couple dans les cas des montées ou descentes ne
semblent pas nécessaires. La meilleure stratégie pour moins consommer sur ce type de trajet est
d’utiliser des rapports élevés. C’est celle-ci qui est obtenue avec les calculs optimaux. Ensuite, les
différentes études précédentes [BBS07] montrent que les rapports n’ont une influence significative
sur la consommation qu’en ville avec des arrêts fréquents, ce qui n’est pas le cas de notre étude.
Il nous semble alors préférable de plus nous concentrer sur les profils de vitesse.
Les profils de référence sont obtenus avec la technique de calcul en ligne développée dans
le chapitre 4. On voit clairement que la vitesse optimale est très inférieure à la limitation de

137
Chapitre 5. Expérimentation

vitesse. La raison provient du choix des valeurs de pondération des critères de la fonction coût.
Le fait de maximiser le confort du passager, de favoriser l’utilisation du frein moteur pour réduire
la consommation, revient donc à choisir un profil de vitesse le plus constant possible avec des
décélérations réalisées uniquement avec le frein moteur. L’utilisation du frein moteur explique la
raison pour laquelle on ne cherche pas à augmenter la vitesse jusqu’aux limitations supérieures
à 50 km/h. Ce point va être précisé dans la suite de ce paragraphe.
Analysons à présent les différents comportements des conducteurs lors de ces tests. Ils sont
présentés sur la figure 5.19.

Fig. 5.19: Différents profils de vitesse des deux conducteurs

On s’aperçoit que le long du trajet, les conducteurs n’ont pas pu suivre exactement la consigne
de vitesse donnée par le système. Par contre, la tendance générale est plus ou moins respectée.
En effet, cela est tout à fait normal pour ce type de système. Il y a d’un côté le temps de réaction
du conducteur et de l’autre côté, le fait qu’il ne puisse pas se concentrer tout le temps sur les
consignes affichées sur l’IHM.
Les différences de vitesse les plus significatives entre les deux trajets se trouvent dans les zones
de limitation de vitesse à 90 km/h. On se propose d’étudier cette différence en se focalisant sur
la zone située entre 5500 m et 8000 m. Cet intervalle est constitué des zones de limitation de
vitesses différentes. On a une zone de 90 km/h suivie par des changements entre les zones à 50
km/h et à 70 km/h. Le comportement habituel des conducteurs dans la zone à 90 km/h est
d’approcher le plus près possible cette limitation de vitesse. Quand une zone de limitation de
vitesse inférieure s’approche, ils essaient de diminuer leur vitesse en utilisant le frein moteur. Cela
est en relation avec la quatrième consigne d’éco-conduite qui consiste à maximiser l’utilisation
du frein moteur. Cependant, comme leurs vitesses sont élevées au moment où ils commencent à

138
 5.4. Résultats et analyses

laisser la voiture en prise, elles ne peuvent pas atteindre la vitesse limite au temps voulu. Cela fait
que les conducteurs ne peuvent pas respecter les consignes de limitation à 50 km/h. Cette zone
passée, les conducteurs voient arriver une zone de limitation de vitesse supérieure, ils reprennent
alors les mêmes habitudes et rencontrent les mêmes problèmes de dépassement de vitesse. Cette
infraction au code de la route est diminuée avec l’utilisation du système. En effet, pour éviter
ce problème de dépassement de vitesse sur des zones de limitation inférieure, le système calcule
alors une vitesse plus convenable pour une décélération par le frein moteur. Ce qui fait que la
vitesse conseillée dans la zone à 90 km/h est très inférieure à cette limitation sur le trajet étudié.
Sur cet exemple, on voit la limite et la difficulté des pratiques de l’éco-conduite. En voulant
suivre les consignes d’éco-conduite, les conducteurs se retrouvent en infraction du code de la
route. On confirme qu’une conduite écologique ne correspond pas toujours obligatoirement à
une conduite sécuritaire. Une des difficultés de la pratique d’éco-conduite se trouve dans la
détermination du moment et de la bonne condition de déclenchement de l’utilisation du frein
moteur. Cela est tout à fait normal car le conducteur ne dispose que d’un horizon de perception
limité. Regardons à présent les comportements des conducteurs en cas d’utilisation du système
d’aide. On voit que la vitesse pratiquée est moins élevée et les dépassements de vitesse sont moins
importants. Pour comprendre les changements liés à l’utilisation du système d’aide, on propose
d’analyser par exemple le cas du conducteur B.

90

80

70

60

50
Limitation de vitesse (km/h)
Vitesse B avec IHM (km/h)
40
Vitesse B sans IHM (km/h)
Couple moteur B avec IHM (Nm)
30 Couple moteur B sans IHM (Nm)
Utilisation du frein − avec IHM
20 Utilisation du frein − sans IHM

10

−10
5500 6000 6500 7000 7500 8000
Distance (m)

Fig. 5.20: Profils de vitesse et de couple moteur du conducteur B

Sur la figure 5.20, on présente les profils de vitesse et de couple moteur du conducteur B sur
l’intervalle entre 5500 m et 8000 m. La valeur de couple négative correspond à une utilisation du
frein moteur. L’utilisation du frein est aussi indiquée sur cette figure. Un niveau "0" correspond
à l’absence du frein. Un niveau "1" (correspond à la valeur 5 sur la figure) indique l’utilisation
de la pédale de frein.
On remarque sur cette figure que pour le premier changement de zone de limitation de
vitesse, le conducteur commence le frein moteur au même moment dans les deux trajets. Cepen-
dant, comme les vitesses initiales ne sont pas les mêmes, les résultats de la stratégie utilisant
le frein moteur sont très différents. Il est possible qu’en terme d’économie de carburant, on ob-

139
Chapitre 5. Expérimentation

tienne le même gain. Mais ce qui n’est forcément pas le cas en terme de sécurité. Ce premier
exemple montre que les consignes d’éco-conduite ne s’appliquent pas tout le temps. Pour pouvoir
l’appliquer, il faut être dans les conditions qui le permettent. C’est ainsi l’intérêt d’un système
d’assistance à la conduite écologique. En effet, comme le système ainsi conçu, a un champ de
vision plus grand, les consignes données permettent au conducteur une meilleure anticipation
et surtout d’avoir une approche plus globale qui consiste à préparer les conditions nécessaires
pour pouvoir appliquer les consignes d’économie en carburant au bon moment. Si on calcule le
pourcentage du temps en frein moteur, on n’observe pas un grand écart entre les deux trajets.
Il est respectivement de 30% pendant les deux premiers passages et de 26% pendant les deux
derniers passages dans le cas du conducteur B. Cela signifie que le frein moteur peut avoir une
influence sur la consommation mais n’est pas forcément un élément dominant.
Dans ce premier scénario, on voit que le système peut apporter un gain de consommation et
une amélioration de la sécurité. Dans cette analyse, on a souvent fait référence à des pratiques
d’éco-conduite. L’objectif n’est pas de défavoriser cette pratique mais cela permet de mieux com-
prendre ses limites pour aider les conducteurs à en prendre conscience. On propose maintenant
d’étudier le scénario le plus réaliste avec le cas d’un véhicule qui précède notre véhicule prototype.

5.4.2 Scénario 2 : circulation contrainte par un véhicule précédent

Ce scénario représente des situations de conduite plus proches des conditions de roulage
réelles. Cela est réalisé par l’introduction d’un deuxième véhicule qui nous permet d’ajouter
une nouvelle contrainte dynamique qu’est la distance intervéhiculaire. À chaque instant, trois
situations concernant le problème de sécurité peuvent être envisagées. Si la DIV est très grande,
on peut considérer qu’il s’agit d’une situation libre de circulation pour le véhicule suiveur. Si
cette distance est proche de la distance à 2 secondes, le véhicule suiveur doit faire attention pour
ne pas entrer dans une situation d’insécurité. Finalement, si les deux véhicules sont trop proches
l’un de l’autre, le véhicule suiveur se trouve dans une situation d’insécurité en terme de distance
imposée par la loi. En fonction de ces situations, les consignes données ne doivent pas être les
mêmes. Le système d’aide à la conduite écologique conçu doit être capable de réagir correctement
dans ces situations. C’est le cas du système proposé dont on souhaite démontrer cette capacité
dans ce deuxième scénario.
Cette deuxième série de tests est réalisée avec la participation de six conducteurs. Chaque
conducteur a parcouru quatre fois le circuit "Routière-ValdOr" avec un véhicule qui le précède.
Avec un véhicule suivi, on introduit plus de situations variées dans les études. Les trois situations
décrites à-dessous sont représentées sur la figure 5.21.
On regarde par exemple différentes situations à la distance 2000 m. À cette distance, la vitesse
du conducteur A est de 44 km/h et la distance avec le véhicule précédent est de 22 m. La distance
de sécurité qu’il doit laisser devant lui est d’environ 29 m. Dans ce cas, le conducteur est dans
une situation d’insécurité par rapport à notre définition. Pour le conducteur C, sa vitesse est de
43 km/h et la distance avec le véhicule précédent est de 29 m. La distance de sécurité devrait
être 29 m. Dans ce cas, il est à la bonne distance avec le véhicule précédent. Mais la marge
de sécurité est très faible. Le dernier exemple concerne le conducteur F. Dans ce cas, avec une
vitesse de 43.7 km/h et une distance de 60 m, il est très distancé par le véhicule précédent. Cette
figure montre que chaque conducteur est confronté à une situation de conduite différente. On
n’obtiendra pas de consignes de référence comme pour le premier scénario. Les consignes données
à chaque conducteur s’adaptent à sa situation réelle de conduite, ce qui est plus logique et plus
proche de l’utilisation d’un tel système dans un trajet quotidien. C’est aussi ce qui différencie
notre système de ceux qui existent actuellement.

140
 5.4. Résultats et analyses

150
A Distance intervéhiculaire (m)
A Vitesse (km/h)
C Distance intervéhiculaire (m)
C Vitesse (km/h)
D Distance intervéhiculaire (m)
D Vitesse (km/h)
F Distance intervéhiculaire (m)
100 F Vitesse (km/h)
G Distance intervéhiculaire (m)
G Vitesse (km/h)
S Distance intervéhiculaire (km/h)
S Vitesse (km/h)

50

0
500 1000 1500 2000 2500 3000

Fig. 5.21: Vitesses du véhicule suiveur de différents conducteurs (en trait solide) et distance
inter-véhiculaire (en pointillés)

Regardons tout d’abord les différents gains apportés par le système dans ce deuxième scénario.

Consommation de carburant

Le tableau présente les résultats des six conducteurs participant à la deuxième série de tests.
De la même façon que précédemment, on a dans le tableau 5.3 l’initiale des prénoms des conduc-
teurs, le temps de trajet, la distance parcourue, la consommation cumulée et la consommation
moyenne.
On constate que tous les conducteurs obtiennent une économie de carburant avec l’utilisation
du système d’aide. Ce gain varie, comme dans le premier scénario, en fonction du conducteur.
Il varie entre 1.3% à 9.1% en consommation moyenne et entre 1.6% et 12.9% en consommation
cumulée. Ces gains commencent à être significatifs pour certains conducteurs. En plus, dans la
conduite sans système d’aide, les conducteurs ont déjà fait des efforts pour consommer le moins
possible. Si on suppose que ces efforts sont efficaces, le gain de réduction de consommation grâce
au système pour chaque conducteur devrait être encore plus élevé par rapport à leur conduite
normale.
La moyenne de la consommation moyenne de tous les conducteurs confondus sans IHM est
de 6.61 l/100km. Elle est de 6.12 l/100km avec l’utilisation de l’IHM. Le système apporte alors
un gain d’économie de carburant de 7.55% en moyenne. Encore une fois, le gain relatif à la
consommation de carburant est à nouveau confirmé sur cette deuxième série de tests plus proche
des conditions de roulage réelles.
Si on considère les conducteurs en fonction des catégories sur la figure 5.16, on ne voit pas
encore très clairement l’influence de la connaissance du trajet sur la consommation de carburant.
Cela contredit ce que l’on pensait au début. Ce point donc doit être revu durant les prochains
essais.

141
Chapitre 5. Expérimentation

Tab. 5.3: Résultats du scénario avec un véhicule devant

Conducteur Temps Distance Consommation Consommation

de trajet (s) parcourue (m) cumulée (l) en(l/100km)
C sans IHM 678.92 10 693.7 0.6410 5.9946
C avec IHM 715.60 (+5.4%) 10 669.0 0.6307 (-1.6%) 5.9117 (-1.36%)
D sans IHM 683.13 10 708.5 0.7314 6.8297
D avec IHM 707.04 (+3.5%) 10 710.6 0.7007 (-4.19%) 6.5423 (-4.2%)
S sans IHM 662.24 10 666.8 0.7910 7.4152
S avec IHM 686.78 (+3.7%) 10 675.3 0.6914 (-12.6%) 6.4760 (-9.1%)
F sans IHM 712.97 10 688.8 0.7672 7.1770
F avec IHM 768.33 (+7.7%) 10 689.0 0.6706 (-12.59%) 6.2734 (-12.59%)
G sans IHM 642.43 10 679.2 0.6674 6.2490
G avec IHM 730.81 (+13.76%) 10 700.0 0.6186 (-7.3%) 5.7809 (-7.35%)
A sans IHM 684.78 10 693.4 0.6459 6.0404
A avec IHM 781.58 (+14.13%) 10 709.4 0.6182 (-4.2%) 5.77287 (-4.6%)

Dépassements de vitesse

Comme dans le premier scénario, le système permet de diminuer le pourcentage des dépas-
sements de vitesse des conducteurs. Ce gain qui reste variable selon le conducteur est présenté
dans le tableau 5.4.

Tab. 5.4: Pourcentage des dépassements de la vitesse légale

Conducteur Dépassement de vitesse légale (%)
sans IHM avec IHM Gain
C 13.71 9.24 -32.6%
D 5.67 4.17 -26.4%
S 9.34 9.3 -0.42%
F 6.33 2.35 -62.8%
G 18.87 5.02 -73.39%
A 9.35 3.76 -59.78%

Les trois derniers conducteurs admettent des différences de pourcentage en dépassements de

vitesse entre deux passages plus significatives que les autres. Par contre, cela ne correspond pas
toujours à des dépassements plus fréquents de leur part. On prend l’exemple des conducteurs S
et F. On a un écart de gain très important entre deux conducteurs. Celui qui améliore le plus sa
sécurité avec le système (conducteur F) est aussi celui qui conduit plus prudemment pendant les
deux premiers passages.
Encore une fois, on retrouve le lien entre la différence du pourcentage de dépassement de
vitesse et la différence du temps de trajet entre deux passages.

142
 5.4. Résultats et analyses

Temps de trajet

Sur l’ensemble des deux scénarios, on remarque que la différence du pourcentage des dépas-
sements de vitesse a une influence significative sur la variation du temps de trajet entre deux
passages. La figure 5.22 représente ces deux paramètres.

20
Différence du temps de trajet (%)

15

10

0
0 2 4 6 8 10 12 14
Différence de % des dépassements de vitesse (%)

Fig. 5.22: Relation entre la différence du pourcentage des dépassements de la vitesse et la diffé-
rence du temps de trajet

Il ne s’agit pas forcément d’une relation proportionnelle. Mais on remarque qu’une différence
importante du pourcentage des dépassements de vitesse correspond bien à une augmentation du
temps de trajet. On peut donc confirmer une des raisons de l’augmentation du temps de trajet
en cas d’utilisation du système d’aide écologique.
Dans ce deuxième scénario, l’écart des temps de trajet peuvent venir de la variation de la
situation de conduite. La vitesse du véhicule suiveur est forcément contrainte par la vitesse du
véhicule suivi. Plus l’écart de vitesse du véhicule suivi entre deux passages est important, plus
la différence sur le temps de trajet s’accentue. Dans le cas des deux derniers conducteurs, on
voit que la distinction est très conséquente par rapport à l’ensemble des autres conducteurs. En
effet, dans le cas de ces deux conducteurs, les erreurs de mesures présentées précédemment sont
très significatives vers la fin du trajet. De ce fait, le système voit que le véhicule précédent est
très proche du véhicule suiveur et oblige le conducteur à ralentir. Ce qui augmente le temps des
premiers passages et donc agrandit l’écart entre deux trajets de ces conducteurs.
À partir de l’ensemble des analyses faites, on confirme l’efficacité du système d’aide à la
conduite écologique en termes d’économie de carburant et de diminution des excès de vitesse
dans le cas d’une circulation libre et dans le cas d’une conduite contrainte par un véhicule précé-
dent. Ces gains varient en fonction des conducteurs. En moyenne, on obtient un gain en carburant
aux alentours de 7.5% en comparaison avec le style d’éco-conduite pratiqué par les conducteurs.
On peut tout à fait déduire que le gain peut être plus important si les conducteurs n’ont pas
fait des efforts pour réduire leurs consommations sur le premier trajet. Cependant, on remarque
que le temps de trajet augmente en cas d’utilisation du système, mais cette augmentation reste
raisonnable pour la plupart des conducteurs. Surtout, on connaît la raison de cette augmenta-
tion. Dans ces premières analyses, on se concentre sur une étude quantitative des indicateurs
représentatifs de la sécurité, du temps de trajet et de la consommation. On présente par la suite
une étude qualitative sur les autres concepts du système testé.
En effet, le concept que l’on propose dans le cadre de cette thèse tient compte aussi du trafic

143
Chapitre 5. Expérimentation

et du problème de vitesse maximale en approche de virage. Jusqu’à maintenant, ces deux aspects
n’ont pas encore été analysés. Comme on l’a souligné, il ne s’agit pas de paramètres aisément
quantifiables et statiques comme les autres informations. Une autre approche qualitative est alors
nécessaire.

5.4.3 Scénario 2 : discussions sur la vitesse en virage et la distance inter-

véhiculaire
Sur les deux scénarios présentés, le deuxième représente le cas où le système intéragit avec les
conditions de conduite. Dans cette section, on va se concentrer sur les deux paramètres : respect
de la vitesse maximale en abord de virage et respect de la distance de sécurité entre véhicules.

Vitesse maximale en virage

Le problème de la vitesse à l’approche du virage est délicat à traiter. En effet, la vitesse

maximale en virage dépend forcément du conducteur. La capacité à aborder un virage est mo-
délisée par des accélérations latérale et longitudinale données. Elles varient entre 0.3 et 0.5 g et
permettent de caractériser et de différencier un conducteur par rapport à un autre. Nous uti-
liserons, ici, le système d’alerte en vitesse en approche de virage (SAVV), développé au LIVIC
[Gla04]. Ce système permet le calcul de la vitesse maximale en entrée de virage, en fonction des
attributs de la route. Pour déterminer les coefficients adéquats associés à chaque conducteur,
une démarche d’apprentissage à priori est forcément nécessaire. Cette démarche n’est pas encore
implantée par les auteurs [Gla04] et dépassent le cadre de notre thèse. En plus, pour éviter le pro-
blème de sur-estimation de la vitesse maximale, il faut, aussi, bien connaître les caractéristiques
de l’infrastructure notamment la courbure, la pente, le dévers et l’adhérence. Les trois premiers
paramètres sont connus mais le quatrième n’est pas forcément très précis car il dépend de nom-
breux facteurs : contact pneumatiques/chaussée, état de la chaussée, météo...Pour nos tests sur
piste, un profil moyen de vitesse maximale en virage est alors utilisé pour tous les conducteurs.
Ce profil est présenté sur la figure 5.23.

110

100

90

80

70
Vitesse (km/h)

60

50

40

30 Vitesse limite
Vitesse SAVV
20

10

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Distance (m)

Fig. 5.23: Vitesse maximale en virage définie avec des accélérations latérales et longitudinales
moyennes

144
 5.4. Résultats et analyses

On remarque d’abord que les vitesses maximales en virage sont la plupart du temps supé-
rieures à la limitation de vitesse définie, exceptés les intervalles aux alentours de 1500 m et entre
4500 m et 5000 m. Pour étudier le problème de vitesse à l’approche du virage, nous avons retenu
le deuxième intervalle. L’ensemble des vitesses des conducteurs sur ce deuxième intervalle est
présenté sur la figure 5.24.

Fig. 5.24: Ensemble de profils de vitesse. Les vitesses d’un même conducteur sont de mêmes
couleurs. En traits plein sont les vitesses enregistrées avec le système et en pointillés celles sans
le système.

Il s’agit donc d’une succession de virages vers la fin du circuit "Routière". On remarque que
la vitesse maximale en virage est mieux respectée dans la zone à vitesse élevée que dans la zone
inférieure à 50 km/h. En général, la vitesse en virage sans le système SAVV est plus élevée
que celle avec le système. Cela est dû en partie aux contraintes possibles du problème de la
distance intervéhiculaire. Pour considérer seulement le problème de la vitesse en virage, on prend
l’exemple du conducteur D. Les différents profils de vitesse de ce conducteur sont présentés sur
la figure 5.25.

120
Limitation de vitesse
Vitesse SAVV
D− Vitesse consigne
100
D− Vitesse avec IHM
D − Vitesse sans IHM
D− Vitesse maximale interdistance
80
Vitesse (km/h)

60

40

20

0
4500 4600 4700 4800 4900 5000 5100 5200 5300
Distance (m)

Fig. 5.25: Respect de la vitesse maximale en virage - cas du conducteur D

Sur celle-ci, on présente la vitesse légale, la vitesse maximale en virage donnée par le système
SAVV, les vitesses du conducteur sur les deux passages, la vitesse de consigne donnée par le

145
Chapitre 5. Expérimentation

système et la vitesse maximale inter-distance. La vitesse dite "maximale inter-distance" est la

vitesse que le conducteur ne doit pas dépasser pour respecter la distance à deux secondes. Elle
est déduite à partir de la distance inter-véhiculaire mesurée. Sur cette figure, on constate que
cette vitesse est pour la plupart du temps supérieure à la vitesse légale et à la vitesse maximale
en virage. Cela signifie que les consignes de vitesse ont été calculées avec très peu d’influence
provenant du problème de sécurité inter-véhiculaire.
Sur cette figure, on remarque que la vitesse de consigne garantit le respect des vitesses limites.
Le fait de la suivre permet de diminuer à priori les risques liés à l’excès de vitesse en virage.
Contrairement à la vitesse limite légale que tous les conducteurs doivent respecter pour ne
pas être en infraction au code de la route, la même vitesse en virage peut représenter des niveaux
de risque différents, dépendant du conducteur. Cette vitesse est présentée sur la figure 5.23. Le
pourcentage des dépassements de cette vitesse n’est pas représentatif du risque qu’encourt un
conducteur donné. C’est pour cette raison que l’on souhaite seulement montrer sa prise en compte
dans les calculs de consignes optimales. La conclusion sur la diminution possible des risques en
virage avec l’utilisation de notre système d’aide à l’éco-conduite serait plus évidente une fois que
la vitesse limite en virage aura été mieux adaptée à l’habitude de conduite de chaque conducteur.

Respect de la distance de sécurité

Les résultats du cas d’un système actif simulé montrent que le système conçu est capable
d’assurer la distance de sécurité à deux secondes tout en minimisant la consommation. Dans le
cas d’un système informatif, notre objectif s’arrête à la prise en compte de ce critère pour être
capable de donner des consignes cohérentes en fonction de la situation de conduite. On essaie
donc d’éviter la situation où les consignes du système vont à l’encontre du problème de sécurité.
Si on n’est pas dans une situation de sécurité, on conseille au conducteur de commencer à adapter
sa vitesse avec cette situation. On guide le conducteur pour revenir vers une situation de sécurité
au fur et à mesure et non pas pour lui permettre d’atteindre à tout prix une distance correcte
dès la première alerte. Dans ce paragraphe, on souhaite rester sur une analyse du fonctionnement
du système sans se prononcer sur les gains ou sur les améliorations de la sécurité par le système.
On essaie de montrer la cohérence des consignes données.
Pour cela, on présente par la suite deux exemples de deux conducteurs différents. À travers
ces exemples, on souhaite expliquer à nouveau le fonctionnement du système et son objectif.
Commençons par le premier tour du conducteur S. L’ensemble des profils de vitesse liés à ce
conducteur est présenté sur la figure 5.26.
La courbe en noir représente la vitesse maximale que le véhicule suiveur ne doit pas dépasser
pour respecter la distance de deux secondes. La vitesse du véhicule précédent est aussi présentée.
On remarque que le système ne permet pas de toujours éviter d’être dans une situation d’insé-
curité. Il existe de nombreux intervalles dans lesquels la vitesse de consigne est supérieure à la
vitesse maximale déduite de la distance intervéhiculaire. Cela confirme bien que le système infor-
matif n’assure pas de respecter scrupuleusement la distance à deux secondes. Ainsi, le respect de
la distance intervéhiculaire dépend forcément du conducteur. La zone de désactivation de l’IHM
est aussi présentée sur cette figure. Pour mieux cerner le problème, on se focalise sur l’intervalle
[1600 m ; 2600 m]. Il est présenté sur la figure 5.27.
On ajoute sur cette figure le profil correspondant à la vitesse de consigne, additionnée de 3
km/h. Ce qui correspond à la tolérance pour que le conducteur reste dans la zone de conduite
optimale. Sur l’intervalle [1800 m ; 2000 m], la vitesse du véhicule est supérieure à la vitesse de
consigne et sort de l’enveloppe des trois km/h autour du profil optimal, ce qui accentue encore
plus le non respect de la distance à deux secondes. Cependant, on remarque que le conducteur

146
 5.4. Résultats et analyses

120
Limitation vitesse
Vitesse SAVV
Vitesse consigne
100 S− Vitesse
Vitesse maximale déduite de l’inter−distance
Vitesse véhicule précédent

80
Vitesse (km/)

60

40

20 Désactivation IHM

0
1500 2000 2500 3000 3500 4000 4500
Distance (m)

Fig. 5.26: Profils de vitesse sur le parcours du conducteur S

120
Limitation vitesse
Vitesse SAVV
100 Vitesse consigne
S− Vitesse
80 Vitesse maximale déduite de l’inter−distance
Vitesse véhicule précédent
Vitesse consigne + 3 km/h
60

40

20

0
1600 1700 1800 1900 2000 2100 2200 2300 2400 2500 2600
Distance (m)

Fig. 5.27: Profils de vitesse du conducteur S

suit bien la tendance de la consigne de vitesse qui consiste à décélérer pour distancer le véhicule
suivi. Le système ne fournit donc pas de consigne contradictoire à la situation de conduite. Ce
qui ne serait pas le cas si on ne tenait pas compte du problème de sécurité lié à la distance inter-
véhiculaire. La consigne "décélérer" est donnée jusqu’à ce que l’on retrouve la bonne distance
à deux secondes. On remarque aussi qu’il s’agit donc d’une décélération progressive et non pas
d’une forte variation de vitesse. À travers cet exemple, on montre que la prise en compte du trafic
est nécessaire pour construire un système plus sûr. Même si la distance à deux secondes n’est
toujours pas respectée, le système permet au conducteur de prendre conscience du risque qui se
présente via des alertes apparues sur l’interface et diminue le risque de collision avec le véhicule
précédent par des consignes qui vont dans le sens de l’amélioration de sa situation en terme de
sécurité. L’objectif d’un système informatif est alors atteint. Pour terminer ce paragraphe, on
présente sur la figure 5.28 un autre exemple correspondant au conducteur C.

147
Chapitre 5. Expérimentation

120
Vitesse SAVV
Vitesse consigne
100 Vitesse maximale déduite de l’inter−distance
Limitation vitesse
Vitesse véhicule précédent
80 C− Vitesse
Vitesse (km/h)

60

40

20

0
1400 1600 1800 2000 2200 2400 2600 2800
Distance (m)

Fig. 5.28: Profils de vitesse du parcours du conducteur C

On retrouve les mêmes réponses du système pour des situations similaires. Ce qui prouve une
certaine fiabilité et réactivité du système à des situations différentes.

5.4.4 Conclusion
Les analyses précédentes ont montré le gain potentiel d’économie en carburant et d’améliora-
tion de la sécurité offerts par le système. On constate une réduction importante des dépassements
de vitesse, des consignes plus cohérentes qui vont dans le sens de l’amélioration de la sécurité en
terme de distance à deux secondes et une économie en carburant non négligeable pour certains
conducteurs. On remarque qu’il existe toujours un compromis entre ces différents éléments.
On voit que dans le cas des limitations de vitesses inférieures ou égales à 50 km/h, la vitesse
optimale est égale à ces limitations. Ce qui n’est pas le cas sur les zones de limitations plus
élevées. La figure 5.29 peut nous apporter un élément de réponse. Cette figure est souvent reprise
dans la littérature. Elle représente la consommation en carburant d’un véhicule en fonction d’une
vitesse constante. Il s’agit d’une consommation moyenne sous forme exponentielle. Elle montre
que la consommation minimale se situe sur l’intervalle de vitesse variant entre 60 km/h et 90
km/h. Dans le cas où les contraintes liées au trajet ne permettent pas d’atteindre cette zone, la
consigne consiste à atteindre les valeurs limites pour s’approcher de la zone de vitesse optimale.
Quand les conducteurs appliquent leur style de conduite écologique, ils ont tendance à augmenter
la vitesse du véhicule jusqu’à cette zone. Mais cette vitesse n’est pas forcément adaptée au trajet
étudié. Ce qui fait qu’en essayant de réduire la consommation, les conducteurs augmentent les
risques d’excès de vitesse. Dans cette situation, le contexte de sécurité entrave l’économie de
carburant.
Dans l’étude avec les simulations, on a montré que la bonne gestion de la vitesse en fonction
de la pente était une source d’économie de carburant importante. Cependant, sur le trajet de
test, cette influence ne peut pas être prouvée. Cela est dû au fait que le trajet est assez plan
sur l’ensemble à l’exception d’une partie de forte pente sur la piste de Val d’Or. Ce qui ne nous
permet pas de mettre en évidence tout l’intérêt d’un système d’aide écologique avec la prise en
compte des caractéristiques de l’infrastructure. Sur la partie du trajet avec de fortes pentes, la
recherche du profil économique est limitée par le problème de sécurité. On aurait pu imaginer

148
 5.4. Résultats et analyses

Fig. 5.29: Consommation moyenne en fonction de la vitesse de croisière d’un véhicule léger

que sur cette pente, on pouvait laisser le véhicule atteindre une vitesse plus élevée en descente
pour aborder plus facilement la montée. Mais cela comporte des risques d’insécurité évidents.
Dans ce type de situation, il vaut mieux privilégier l’aspect sécuritaire plutôt que l’économie de
carburant.
Finalement, à travers les tests sur les pistes, il nous semble que l’économie de carburant ne
provient pas forcément de la seule gestion efficace des montées et des descentes ou d’une stratégie
de changement de rapport de boîte efficace. Elle provient plutôt d’une stratégie d’anticipation
qui permet une meilleure gestion des accélérations et des décélérations. En effet, si les stratégies
de sélection de rapport de boîte est plus efficace en ville [ADE09b], la gestion des montées et
des descentes dans le cas d’un véhicule léger n’est efficace que si les pentes sur le trajet sont
significatives (supérieures à 4% d’après les simulations). Cela montre que des tests sur le trajet
"ARCOS" qui comporte ces deux caractéristiques sont alors très intéressants pour étudier de
nouveau l’efficacité de notre système.

Qu’en est-il de l’acceptabilité des conducteurs ?

Il est difficile de tirer une conclusion objective, étant donné le nombre limité de participants et
de tests et surtout quand des améliorations techniques doivent être encore réalisées. Cependant,
certaines réactions positives et négatives sont intéressantes à noter.
Au niveau de l’interface Homme Machine, la plupart des conducteurs ont apprécié la clarté
des informations données. Les conducteurs n’ont pas de difficultés particulières pour comprendre
et appréhender cette interface. Cependant, la fréquence de rafraîchissement de l’affichage reste,
pour certains conducteurs, un premier point à revoir. En effet, certains conducteurs trouvent que
la période d’affichage de 1 seconde est un peu trop courte. Dans le cadre des tests sur piste, cette
période reste encore acceptable mais dans le cas d’une conduite sur route ouverte, elle devient
peut-être difficile à suivre.
En général, le suivi des consignes ne pose pas beaucoup de problème pour les conducteurs.
Avec un système informatif, on n’attend pas du conducteur qu’il suive exactement les consignes
données. On voit que la tendance est plus ou moins respectée. Pour certaines situations, le suivi

149
Chapitre 5. Expérimentation

devient plus difficile si on demande au conducteur de changer le rapport et la vitesse en même

temps. Cela est encore plus compliqué si on est dans un virage. Cependant, il est difficile de
remédier à cela si on n’introduit pas d’autres critères représentatifs du comportement humain
dans les stratégies de calcul.
Ces premiers tests montrent des signes encourageants concernant l’acceptabilité du système
par les conducteurs. Des améliorations et d’autres tests sont nécessaires pour mieux répondre à
cela. Il faut noter que les réactions des conducteurs ont eu lieu lors de leur premier contact avec
le système. Il est fortement possible que ces réactions varient dans un sens comme dans un autre
avec un plus grand temps d’utilisation, mais ces résultats préliminaires demeurent prometteurs.

150
 Conclusion

Du fait d’une prise de conscience des conducteurs automobiles concernant le problème de

réchauffement climatique, diverses alternatives sont proposées pour rendre leurs déplacements
plus sympathiques à l’environnement.
Ce mémoire a passé en revue, dans un premier temps, les principales mesures pour tenter
de diminuer la pollution atmosphérique due aux activités du domaine de transport routier et
particulièrement du secteur automobile. Par la suite, on s’est intéressé plus particulièrement au
développement des systèmes d’assistance au conducteur à la conduite écologique par son potentiel
important d’économie en carburant. Les différentes solutions présentées sont assez complémen-
taires et pourront faire partie d’un système complet intégré dans un véhicule. Dans le cadre de
cette thèse, on propose une nouvelle approche qui consiste à concevoir un système permettant
à la fois de réduire la consommation, d’améliorer la sécurité et le confort du passager. Il s’agit
d’une approche globale qui prend en considération les caractéristiques du véhicule, de l’infra-
structure et du trafic. Le principe fondamental consiste à transformer le problème de réduction
de consommation en carburant et d’amélioration du confort et de la sécurité en un problème
d’optimisation sous contraintes. Pour atteindre cet objectif, différentes étapes ont été définies et
réalisées.
Nous avons commencé par développer des modèles de la dynamique longitudinale et de la
consommation en carburant du véhicule. Cette étape a été nécessaire pour prédire les mouvements
du véhicule et évaluer la consommation qui leur est associée. Ces modèles relativement simples
sont représentatifs des deux aspects du véhicule étudié. La cohérence du modèle longitudinal
a été prouvée par comparaison entre les résultats simulés et les mesures réelles. Le modèle de
consommation en carburant a été validé avec les données expérimentales des deux véhicules.
Dans le cas du véhicule Renault Clio Eco2, l’erreur maximale reste élevée, aux alentours de 12%,
mais l’erreur moyenne reste assez faible et le pourcentage des erreurs inférieures à 7% est de 99%.
Ce modèle est alors tout à fait acceptable pour notre application.
La suite du travail a consisté à formuler le problème de minimisation de la consommation en
carburant. Un problème de contrôle optimal hybride, non linéaire a été formulé. Une revue des
méthodes d’optimisation a montré leurs inconvénients et avantages par rapport au cadre de notre
application. Par comparaison avec la programmation Quadratique Successive dans le cas d’un
exemple simple, la programmation dynamique a été choisie pour sa facilité de mise en œuvre,
de tenir compte des différentes contraintes du problème et surtout pour l’optimalité globale des
solutions obtenues.
Le problème initialement posé a été donc résolu avec la programmation dynamique sous
forme d’un problème multi-objectif. On a introduit dans la fonction coût du problème, le temps
de trajet, la consommation en carburant et le confort du passager. Leur interaction a été étudiée.
Cette étude a montré qu’il existait des compromis à faire entre une conduite douce, écologique
et le temps de trajet. On a pu aussi montrer que la façon d’aborder des pentes et des côtes a une
influence certaine sur la consommation. L’utilisation d’un système d’aide peut s’avérer bénéfique

151
Conclusion

en économie de carburant.
Cette approche a permis donc d’obtenir des consignes qui seront les références pour un vé-
hicule donné et sur un trajet donné. Elles sont utilisables en cas de libre circulation ou sur site
propre. Il a été alors nécessaire d’avoir une solution plus adaptée à une situation de conduite
normale en milieu urbain. Pour cela, une approche de calcul en ligne a été développée. La ré-
duction du temps de calcul a été obtenue avec le changement de méthode de discrétisation (en
distance), le regroupement des couples moteur et de freinage en une seule variable, l’utilisation
d’un horizon électronique moins étendu et la réduction de l’espace de recherche en fonction de
la situation où se situe le véhicule. L’ensemble de ces solutions a permis de réduire le temps de
calcul de façon très conséquente et de rendre réalisable les calculs en ligne de consignes.
Pour adapter le système à une situation de conduite plus réaliste, l’introduction d’autres
problèmes de sécurité a été nécessaire. La vitesse maximale en virage a été calculée par les
méthodes développées par d’autres chercheurs du LIVIC et a été considérée comme une contrainte
supplémentaire du problème d’optimisation. Le problème de la distance de sécurité a été traité
par une approche basée sur la logique floue. La contrainte associée à ce problème a été recalculée
à chaque période de calcul du système et définit par ailleurs, le contexte de sécurité en circulation
du véhicule à chaque instant.
Les premiers résultats de simulations avec un système actif valident les concepts développés
et ont montré le potentiel offert par le système, en termes de réduction de consommation en
carburant et d’amélioration de la sécurité du passager. Des tests sur véhicule prototype d’un tel
système auraient été intéressants mais n’ont pas pu être réalisés dans le temps imparti. Par la
suite, une interface Homme -Machine spécifique a été développée pour tester le système en mode
informatif ou suggestif. Le premier prototype opérationnel est installé sur le véhicule prototype
du LIVIC. Les résultats de l’utilisation du système obtenus avec huit conducteurs sur les pistes
d’essais sont encourageants. Par comparaison avec leur conduite écologique, une économie de
carburant en moyenne de 7.5% a été obtenue avec l’utilisation du système. Ce gain varie entre
1.36% à 12.9% en fonction du conducteur et en fonction de la situation de conduite. De plus,
des améliorations en terme de sécurité sont observées. Le système fournit des consignes plus
cohérentes et adaptées à la condition du trafic. Cela permet de réduire le risque de collision avec
le véhicule précédent. Les excès de vitesse ont aussi diminué avec l’utilisation du système. Cette
diminution est de 50% en moyenne et peut atteindre jusqu’à 80% pour certains conducteurs.
On a aussi relevé de nouveau le compromis entre la réduction de consommation et la sécurité.
Le contexte de sécurité n’est pas toujours favorable pour une réduction de consommation de
carburant.
Finalement, l’objectif de réaliser d’un système d’aide à la conduite écologique et sécuritaire
est atteint. Une première étude a été réalisée avec les données issues des tests avec des différents
conducteurs. Cependant, de nombreuses questions restent encore posées. Elles font l’objet des
perspectives de cette thèse.

Perspectives
Dans le cadre de cette thèse, deux séries de tests d’évaluation ont été réalisées. Elles ont
eu pour but de valider le fonctionnement du système et d’acquérir les réactions de différents
conducteurs face un système informatif. Les résultats obtenus sont encourageants. Cependant,
il reste encore des améliorations et des études à réaliser avant de confirmer l’efficacité d’un tel
système.
Le premier point consiste à améliorer des mesures de la distance inter-véhiculaire. Même si le
premier niveau de fonctionnement du système a été validé par des tests sur le circuit ARCOS, il

152
est préférable d’avoir des mesures de distance entre véhicules plus précises pour valider le concept
présenté. Pour cela, la fusion des données issues du radar laser et des caméras pourra être une
solution.
De même, il est évident que les deux séries de mesures ne sont pas encore suffisamment consé-
quentes pour avoir des analyses plus complètes et des confirmations sur l’efficacité du système.
Des tests en conditions réelle sur le circuit ARCOS, dont une base de données d’éco-conduite
est déjà disponible, sont donc très intéressants. Dans ce cas, il est alors souhaitable d’avoir les
mêmes conducteurs ayant déjà participé à l’expérience précédente.
Le troisième point en perspective est notamment l’implémentation d’un système actif. En ef-
fet, l’inconvénient majeur du prototype actuel est qu’il peut focaliser la concentration du conduc-
teur sur l’interface et non pas sur la circulation. Ce problème est commun pour tous les systèmes
informatifs. Un affichage tête haute peut diminuer ce risque mais s’avère très coûteux. L’avantage
d’un système actif est qu’on peut avoir des informations plus précises sur l’efficacité des consignes
calculées avec la stratégie proposée sans être dépendants des conducteurs.
Finalement, il sera intéressant d’intégrer ce système sur d’autres types de véhicules notam-
ment sur les poids lourds. À notre avis, un tel système peut apporter davantage de bénéfices sur
un véhicule lourd qu’un véhicule léger. Ce transfert est en cours de réalisation avec la participa-
tion du LIVIC dans des projets sur ce thème.

153
Conclusion

154
 Bibliographie

[AB83] R. Akcelik and C. Bayley. Some results on fuel consumption models. appeared
in progress in fuel consumption modelling for urban traffic managment. Research
Report ARR No. 124, Australian Road Research Board, pages 51–56, 1983.
[ADE09a] ADEME. Consommation conventionnelle de carburant et émissions de gaz car-
bonique des véhicules particuliers en france. Technical report, ADEME (Agence
de l’Environnement et de la Maîtrise de l’Énergie), 2009.
[ADE09b] ADEME. Développement d’un système embarqué d’aide à l’écoconduite pour les
véhicules du futur projet gerico (gestion de l’Énergie par interface conducteur).
L’ADEME et le PREDIT 3 (N˚6383), 2009.
[Age] IEA (International Energy Agency). World energy outlook 2009, oecd/iea, paris.
[Age09] IEA (International Energy Agency). How the energy sector can deliver on a cli-
mate agreement in copenhagen. Special early excerpt of the Work Energy Outlook
2009 for the Bangkok for the UNFCCC meeting, octobre 2009.
[Age10] IEA (International Energy Agency). Co2 emissions from fuel combustion 2010 -
highlights. Edition 2010, 2010.
[Ahn98] K. Ahn. Microscopic fuel consumption and emission modeling. Master’s thesis,
the Virginia Polytechnic Institute and State University, 1998.
[Akc81] R. Akcelik. Fuel efficiency and other objectives in traffic system management.
Trafic Engineering Control, 22 :54–65, 1981.
[Akc89] R. Akcelik. Efficiency and drag in the power-based model of fuel consumption,
transportation research. Transportation Research, 23B :376–385, 1989.
[All96] J.M. Alliot. Techniques d’optimisation stochastique appliquées aux problèmes du
contrôle aérien, Thèse d’habilitation. PhD thesis, Université de Toulouse Paul
Sabatier, 1996.
[AR93] F. An and M. Ross. Model of fuel economy with applications to driving cycles
and traffic management. Transportation Research Record 1516, Washington, D.C,
1993.
[ARA+ 02] K. Ahn, H. Rakha, M. ASCE, A. Trani, and M. Van Aerde. Estimating vehicle
fuel consumption and emissions based on instantaneous speed and acceleration
levels. Journal of Transportation Engineering, 128 :182–190, 3 2002.
[aW02] A. E. af Wahlberg. Fuel efficient driving training - state of the art and quantifi-
cation of effects. Technical report, Ecodrive.org, www.ecodrive.org, 2002.
[BAB] D.P. Bowyer, R. Akcelik, and D.C. Biggs. Guide to fuel consumption analyses for
urban traffic management. special report no. 32. australian road research board,
nunawading.

155
Bibliographie

[Bak95] M. Baker. Fuel consumption and emission models for evaluating traffic control and
route guidance strategies. Master’s thesis, Queen’s University, Kingston, Ontario,
Canada, 1995.
[BB97] N. Barnier and P. Brisset. Optimisation par hybridation d’un csp avec un algo-
rithme génétique. In JFPLC’97, 1997.
[BB06] J. Barbé and G.A. Boy. On-board system design to optimise energy management.
In Proc. Int. Conf. European Annual Conference on Human Decision-Making and
Manual Control, Valenciennes, France, September 2006.
[BB09] M. Barth and K. Boriboonsomsin. Energy and emissions impacts of a freeway-
based dynamic eco-driving system. Transportation Research Part D, 14 :400–410,
2009.
[BBD+ 09] B. Beusen, S. Broekx, T. Denys, C. Beckxand B. Degraeuwe, M. Gijsbers,
K. Scheepersand L. Govaerts, R. Torfs, and L. Int Panis. Using on-board logging
devices to study the longer-term impact of an eco-driving course. Transportation
Research Part D : Transport and Environment, 14, issue 7 :514–520, 2009.
[BBS07] J. Barbé, G.A. Boy, and M. Sans. Gerico : A human centered eco-driving system.
In Proc. Int. Conf. 10th IFAC/IFIP/IFORS/IEA Symposium on Analysis, De-
sign, and Evaluation of Human-Machine Systems, Seoul, Korea, September 2007.
[Bäc95] T. Bäck. Evolutionary Algorithms in Theory and Practice. 1995.
[Bel57] R. Bellman. Dynamic Programming. Princeton University Press, Princeton, NJ,
1957.
[Ben89] C.R. Bennett. The new zealand vehicle operating cost model. RRU Bulletin 82,
Transit New Zealand, Wellington, 1989.
[Ber01] M. Bergounioux. Optimisation et contrôle des systèmes linéaires. Dunod, 2001.
[Bes81] C.J. Bester. Fuel Consumption of Highway Traffic. PhD thesis, University of
Pretoria, 1981.
[BI01] A. Bose and P. Ioannou. Analysis of traffic flow with mixed manual and intelligent
cruise control vehicles : Theory and experiments. California path research report,
University of Southern California, 2001.
[Big87] D.C. Biggs. Estimating fuel consumption of light to heavy vehicles. ARRB In-
ternal Report AIR 454-1, Australian Road Research Board, Nunawading, 1987.
[Big88] D.C. Biggs. Arfcom - models for estimating light to heavy vehicle fuel consump-
tion. research report arr 152, australian road research board, nunawading. Tech-
nical report, 1988.
[BM79] M. Brackstone and M. McDonald. Car-following : a historical review. Human
Factors, 21(4) :389–398, 1979.
[Bor00] Pierre Borne. Commande et optimisation des processus. 2000.
[Car05] O. Carsten. Prosper results : Benefits and costs. Technical report, Presentation
at the PROSPER Seminar on 23 November 2005 in Brussels., 2005.
[CCD10] V. Cerezo, F. Couche, and G. Dupré. Software alertinfa : a new tool for safety
studies. 89th Transportation Research Board (TRB), Washington, USA, January
2010.
[CCF09] CCFA. L’industrie automobile française : Analyse et statistiques. Technical re-
port, CCFA (Comité des Constructeurs Français d’Automobiles ), 2009.

156
[CCN+ 02] A. Cappiello, I. Chabiniand, E.K. Nam, A. Lue, and M. Abou Zeid. A statistical
model of vehicle emissions and fuel consumption. Manuscript received March
15, 2002. This work was supported in part by Ford Motor Company through the
Ford-MIT Alliance., 2002.
[CEHW76] M.F. Chang, L. Evans, R. Herman, and P. Wasielewski. Gasolin consumption
in urban traffic. Transportation Research Record 599, Transportation Research
Board, pages 25–30, 1976.
[CEHW79] M.F. Chang, L. Evans, R. Herman, and P. Wasielewski. Gasolin consumption in
urban traffic. Transportation Research Record 599, Washington D.C., 1979.
[Cen94] P.D. Cenek. Rolling resistance characteristics of new zealand roads. Transit New
Zealand Research Report PR3-001, Wellington, 1994.
[Cer85] V. Cerny. Thermodynamical approach to the traveling salesman problem : an
efficient simulation algorithm. Journal of Optimization Theory and Applications,
no 45, 41-51, 1985.
[CFA+ 06] C.Seren, F.Bommier, A.Bucharles, L.Verdier, and D.Alazard. Optimisation par
algorithmes génétiques de protocoles expérimentaux pour la dynamique du vol.
Congrès du CIFA - IEEE, Bordeaux, France, 2006.
[CGH96] I. Charon, A. Germa, and O. Hudry. Méthodes d’optimisation combinatoire. In
Collection Pédagogique de Télécommunication. Edition MASSON, 1996.
[CH81] M.F. Chang and R. Herman. Trip time versus stop time and fuel consumption
characteristics in cities. Transportation Science, 15(3) :183–209, 1981.
[CH87] A.D. Chesher and R. Harrison. Vehicle operating costs : Evidence from developing
countries. world bank publications, johns hopkins press. 1987.
[Che99] R. Chelouah. Adaptation aux problèmes à variables continues de plusieurs méta-
heuristiques d’optimisation combinatoire : la méthode tabou, les algorithmes gé-
nétiques et les méthodes hybrides. Application en contrôle non destructif. PhD
thesis, Université de Cergy-Pontoise, 1999.
[CIE07] http ://www.cieca.be/ CIECA, editor. Projet interne de la CIECA concernant
l’intégration de l’éco-conduite dans la formation et l’examen des conducteurs de
catégorie B. 2007.
[CM00] O. Carsten and M.Fowkes. External vehicle speed control,executive summary of
project results. Technical report, Institute for Transport Studies, University of
Leeds, 2000.
[Cul98] J.C. Culioli. Introduction à l’optimisation. 1998.
[Del02] S. Delprat. Evaluation des stratégies de commandes pour véhicules hybrides par-
rallèles. PhD thesis, Université de Valenciennes et du Hainaut-Cambresis, 2002.
[DG97] M. Dorigo and L.M. Gambardella. Ant colony system : a cooperative learning
approach to the traveling salesman problem. IEEE transactions on Evolutionary
Computation, 1997.
[Din00] Y. Ding. Quantifying the impact of trafic-related and driver-related factors on
vehicle fuel consumption and emissions. Master’s thesis, Virginia Polytechnic
Institute and State University, May 2000.

157
Bibliographie

[dledS] SOeS (Service de l’Observation et des Statistiques). Consommation de car-

burants des voitures particulières en france 1988-2005. Technical report, Mi-
nistère de l’écologie, de l’énergie, du développement durable et de la Mer,
http ://www.statistiques.equipement.gouv.fr.
[Duy09] Pierre Duysinx. Cours : Performances et comportement des véhicules. 2009.
[EBL05] E.Trélat, B.Bonnard, and L.Faubourg. Mécanique céleste et contrôle des véhicules
spatiaux. Springer, 2005.
[EH78] L. Evans and R. Herman. Automobile fuel economy on fixed urban driving sche-
dules. Transportation Science, 12(2) :137–152, 1978.
[EHL76] L. Evans, R. Herman, and T. Lam. Multivariate analysis of traffic factors related
to fuel consumption in urban driving. Transportation Science, 10(2) :205–215,
1976.
[Ehr] J. Ehrlich. Towards isa deployment in europe : State of the art, main obstacles
and initiatives to go forward. Road Safety Conference 2009.
[ELBF06] E. Ericsson, H. Larsson, and K. Brundell-Freij. Optimizing route choice for lowest
fuel consumption. potential effects of a new driver support tool. Transportation
Research Part C, 14 :369–383, 2006.
[Ene] Energeco. http ://www.energeco.org/.
[ESLR06] J. Ehrlich, F. Saad, S. Lassarre, and S. Romon. Assessment of l̈avias̈peed adap-
tation systems : experimental design and initial results on system use and speed
behaviour. In Proceedings of 13th ITS World Congress, 2006.
[Fle91] R. Fletcher. Pratical methods of optimization. Willey-Interscience, 1991.
[GCL02] Serge Guillaume, Brigitte Charnomordic, and Jean-Luc Lablée. Fispro : An open
source portable software for fuzzy inference systems, 2002.
[Gil92] T.D. Gillespie. Fundamentals of Vehicle Dynamics. Society of Automotive Engi-
neers (SAE), 1992.
[Gla04] S. Glaser. Modélisation et Analyse d’un véhicule en trajectoires limites Application
au développement de systèmes d’aide à la conduite. PhD thesis, Université d’Evry-
Val-D’Essonne, 2004.
[Glo86] F. Glover. Future paths for integer programming and links to artificial intelligence.
Computers and Operations Research, Vol. 13, no 5, 533-549, 1986.
[GMS98] P.E. Gill, W. Murray, and M.A. Saunders. User’s Guide for NPSOL 5.0 : A
Fortran Package for Nonlinear Programming. Systems Optimization Laboratory,
Stanford University, California, 1998.
[GMS06] P.E. Gill, W. Murray, and M.A. Saunders. User’s Guide for SNOPT version
7.0 : Software for Large-Scale Nonlinear Programming. Systems Optimization
Laboratory, Stanford University, California, 2006.
[Gol89] D.E. Goldberg. Genetic Algorithms in Search, Optimization, and Machine Lear-
ning. 1989.
[Gre03] I.D. Greenwood. A New Approach To Estimate Congestion Impacts For Highway
Evaluation - Effects On Fuel Consumption And Vehicle Emissions. PhD thesis,
The University of Auckland, 2003.

158
[Gre10] Greenpeace. La voiture électrique sauvera-t-elle le climat ? potentiel et pièges
éventuels de la mise sur le marché des voitures électriques. Technical report,
http ://www.greenpeace.org, 2010.
[Han86] P. Hansen. The steepest ascent mildest descent heuristic for combinatorial pro-
gramming. Communication at the Congress on Numerical Methods in Combina-
torial Programming, Capri, Italy, 1986.
[Hel05] E. Hellstrom. Explicit use of road topography for model predictive cruise control
in heavy trucks. Master’s thesis, Linkopings universitet, 2005.
[Hel10] E. Hellstrom. Look-ahead Control of Heavy Vehicles. PhD thesis, Linkoping
University, Institute of Technology, Sweden, 2010.
[Her02] R.G. Herrtwich. Digital roadmaps reveal the telematic horizon. ITS America
News, 12(8) :15–17, 2002.
[HFN05] E. Hellstrom, A. Froberg, and L. Nielsen. A real-time fuel-optimal cruise controller
for heavy trucks using road topography information. number 2006-01-0008 In :
SAE World Congress. Detroit, 2005.
[Hol92] J. Holland. Genetic algorithms, scientific american, july, pp. 66-72. tr. fr. : Les
algorithmes génétiques, pour la science, 179, 44-50. 1992.
[Hoo83] J.N. Hooker. Optimal control of automobiles for fuel economy. Transportation
Science., 17, No. 2, 1983.
[Hoo88] J.N. Hooker. Optimal driving for single-vehicle fuel economy. Transpn. Res.-A,
22A, No. 3 :183–201, 1988.
[IEA08a] IEA. Key word energy statistics. Technical report, IEA (International Energy
Agency), 2008.
[IEA08b] IEA. Reviewu of international policies for vehicle fuel efficiency, iae information
paper, in support of the g8 plan of action. Technical report, IEA (International
Energy Agency), 2008.
[JAV+ 99] R. Joumard, M. André, R. Vidon, P. Tassel, and C. Pruvost. Influence du cycle
de conduite sur les émissions unitaires de polluants des voitures particulières.
Technical Report 9902, LTE, 1999.
[JFE99] H. Johansson, J. Färnlund, and C. Engström. Impact of ecodriving on emissions
and fuel consumption, a pre-study. Technical report, Swedish National Road
Administration, 1999.
[JK78] A.D. St John and D.R. Kobett. Grade effects on traffic flow stability and capacity.
nhcrp report 185. Transportation Research Board, Washington, D.C., 1978.
[J.S04] J.Scordia. Approche systématique de loptimisation du dimensionnement et l’éla-
boration de lois de gestion d’energie de véhicule hybrides. PhD thesis, Université
Henré Poincaré-Nancy1, 2004.
[KGV83] S. Kirkpatrick, C.D. Gellat, and M.P. Vecchi. Optimization by simulated annea-
ling. Science, Vol. 220, no 4598, 671-680, 1983.
[KN00] U. Kiencke and L. Nielsen. Automotive Control Systems. Springer, 2000.
[Koz90] J. Koza. Genetic Programming : A paradigm for genetically breeding populations
of computer programs to solve problems. PhD thesis, Stanford University, 1990.
[Lam85] T.N. Lam. Estimating fuel consumption from engine size. Journal of Transpor-
tation Engineering, 111 :No.5, July 1985.

159
Bibliographie

[LBM+ 08] L.Nouveliere, M. Braci, L. Menhour, H. T. Luu, and S. Mammar. Infrastructure

based fuel consumption optimization of a vehicle, 9th international symposium
on advanced vehicle control avec08, japan, kobé. 2008.
[LBML08] L.Nouveliere, M. Braci, L. Menhour, and H. T. Luu. Fuel consumption optimiza-
tion for a city bus. UKACC Control 2008, England, Manchester, 2008.
[LCG+ 08] O. Carstenand F. Lai, K. Chorlton, P. Goodman, D. Carslaw, and S. Hess. Speed
limit adherence and its effect on road safety and climate change. Technical report,
University of Leeds, 2008.
[LHD+ 10] L.Nouvelière, H.T.Luu, F.R. Duval, B. Jacob, and S.Mammar. Eco-driving as-
sistance system for low fuel consumption of a heavy vehicle : advisor system.
HVTT11 International Heavy Vehicle Symposium 2010, Melbourne, Australia,
2010.
[LhHPH10] Luo Li-hua, Liu Hong, Li Ping, and Wang Hui. Model predictive control for
adaptive cruise control with multi-objectives : comfort, fuel-economy, safety and
car-following. Journal of Zhejiang University. Science A, 11(3) :191–201, 2010.
[LNM09] H. T. Luu, L. Nouveliere, and S. Mammar. Modélisation de la consommation en
carburant d’un véhicule léger à partir de données expérimentales. JD-JN-MACS,
France, 2009.
[LNM10a] H. T. Luu, L. Nouveliere, and S. Mammar. Dynamic programming for fuel
consumption optimization on light vehicle. IFAC ACC 2010, Munich, Germany,
2010.
[LNM10b] H. T. Luu, L. Nouveliere, and S. Mammar. Ecological and safe driving assistance
system : Design and strategy. IEEE Intelligent Vehicles Symposiums 2010, San
Diego, USA, 2010.
[LNM10c] H. T. Luu, L. Nouveliere, and S. Mammar. Toward a safer ecological driver
assistant system. 17th ITS World Congres 2010, Busan, Korea, 2010.
[LNM10d] H. T. Luu, L. Nouveliere, and S. Mammar. Vehicle speed control for a safety-
economical-ecological compromise : development of a driver assistance system.
10th International Symposium on Advanced Vehicle Control 2010, Loughborough,
UK, 2010.
[Mat06] The Mathworks. Optimization Toolbox User’s Guide, version, matlab manual
edition, 2006.
[MG93] V.V Monastyrsky and I.M. Golownykh. Rapid computations of optimal control
for vehicles. Transportation Research, 27B(3) :219–227, 1993.
[Min01] Ministry of Transport. Field experiment intelligent speed adaptation. Technical
report, ISA Tilburg. Final Report. Rotterdam, [In Dutch]., 2001.
[ML05] J. Mar and H.T. Lin. A car-following collision prevention control device based
on the cascaded fuzzy inference system. Fuzzy sets and systems, 150(3) :457–473,
2005.
[MRR+ 53] N. Metropolis, A.W Rosenbluth, M.N Rosenbluth, A.H Teller, and E. Teller.
Equation of state calculations by fast computing machines. J. of Chem. Phys.,
Vol. 21, No. 6, pp. 1087-1092, 1953.
[MS83] B.A. Murtagh and M.A. Saunders. MINOS 5.5 User’s Guide. Systems Optimi-
zation Laboratory, Stanford University, California, 1983.

160
[NM07] L. Nouvelière and S. Mammar. Experimental vehicle longitudinal control using a
second order sliding modes technique. Control Engineering Practice, 15(8) :9436–
954, 2007.
[Nou02] L. Nouvelière. Commandes Robustes Appliquées au Contrôle Assisté d’un Véhicule
à Basse Vitesse. PhD thesis, Université de Versailles-Saint-Quentin-en-Yvelines,
2002.
[NRC95] NRC. Expanding metropolitan highways : Implications for air quality and energy
use. National Academy Press,Washington, D.C., 1995.
[OEE98] OEE. Driver behaviour affecting fuel consumption. Technical report, OEE (Office
de l’Efficacité de l’Énergie), 1998.
[P.03] Boucharel P. Conception de loi de commande optimales pour l’amélioration de
l’efficacité globale d’une chaîne de traction automobile. PhD thesis, Institut Na-
tional polytechnique de Toulouse, 2003.
[Pic99] B. Piccoli. Necessary conditions for hybrid optimization. Proceedings of the 38th
IEEE Conference on Decision and Control, Phoenix, Arizona USA, 1 :410–415,
1999.
[PKTC85] K. Post, J.H. Kent, J. Tomlin, and N. Carruthers. Fuel consumption and emission
modeling by power demand and a comparison with other models. Transport
Research A, 18A(No.3) :Pergamon Press Ltd, 1985.
[Pon10] P. Ponticel. Focused on fuel economy. SAE, 2010.
[PR05] F. Bonnans P. Rouchon. Commande et optimisation de systèmes dynamiques.
2005.
[PTP+ 81] K. Post, J. Tomlin, D. Pitt, N. Carruthers, A. Maunder, J.H. Kent, and R.W.
Bilger. Fuel economy and emissions research annual report. Charles Kolling
Research Laboratory Technical Note : ER36, University of Sydney, 1981.
[RA83] A.J Richardson and R. Akcelik. Fuel consumption and data needs for the design
and evaluation of urban traffic systems. Research Report ARR No. 124, Australian
Road Research Board, pages 51–56, 1983.
[RAAT99] H. Rakha, M. Van Aerde, K. Ahn, and A.A. Trani. Requirements for evaluating
the environnemental impacts of intelligent transportation systems using speed
and acceleration data. In Presented at the Transport Research Board 78th Annual
Meeting, 1999.
[Rec94] I. Rechenberg. Evolution strategy. In J. Zurada, R. Marks, and C. Robinson,
editors, Computational Intelligence - Imitating Life, pages 147-159. IEEE Press,
1994., 1994.
[Ree95] C.R. Reeves. Modern heuristic techniques for combinatorial problems. Advanced
Topics in Computer Science, Chapter 4, McGraw - Hill, 1995.
[Ros04] F. Rossi. Découvrez les algorithmes évolutionnaires. GNU/Linux Magazine
France, (57) :42–51, Janvier 2004.
[RSM+ 06] M. Rafael, M. Sanchez, V. Mucino, J. Cervantes, and A. Lozano. Impact of
driving styles on exhaust emissions and fuel economy from a heavy-duty truck :
laboratory tests. Int.J. of Heavy Vehicle Systems, 13(1-2), 2006.

161
Bibliographie

[RTY+ 06] M. A. Regan, T. J. Triggs, K. L. Young, N. Tomasevic, E. Mitsopoulos, E. Ste-

phan, and C. Tingvall. On-road evaluation of intelligent speed adaptation, fol-
lowing distance warning and seatbelt reminder systems : Final results of the tac
safecar project. Technical report, Monash University, 2006.
[SC98] P. Siarry and R. Chelouah. Les métaheuristiques d’optimisation combinatoire :
une démarche empirique, mais efficace, aussi pour l’optimisation globale. April
1998.
[SDrT+ 05] J. Scordia, M. Desbois-renaudin, R. Trigui, B. Jeanneret, F. Badin, and C. Plasse.
Global optimisation of energy management laws in hybrid vehicles using dynamic
programming. International journal of vehicle design, 39 no4 :349–367, 2005.
[SL77] A.B. Schwarzkop and R.B. Leipnik. Control of highway vehicles for minimum fuel
consumption aver varying terrain. Transpn. Res., 11 :279–186, 1977.
[S.L06] S.Lee. Sequential quadratic programming based global path re-planner for a mo-
bile manipulator. International Journal of Control, Automation, and Systems,
2006.
[SPA10a] G. Saint-Pierre and C. Andrieu. Caractérisation de l’éco-conduite et construction
d’un indicateur dynamique pour véhicules thermiques. Conférence sécurité rou-
tière Prévention des Risques et Aides à la Conduite PRAC 2010,Paris, France,
2010.
[SPA10b] G. Saint-Pierre and C. Andrieu. Caractérisation de l’éco-conduite et construction
d’un indicateur dynamique pour véhicules thermiques. Conférence sécurité rou-
tière Prévention des Risques et Aides à la Conduite PRAC 2010,Paris, France,
2010.
[SPE08] G. Saint-Pierre and J. Ehrlich. Impact of intelligent speed adaptation systems
on fuel consumption and driver behaviour. In Proceedings of 15th ITS World
Congress, 2008.
[Sus99] H.J. Sussmann. A maximum principle for hybrid optimal control problems. Pro-
ceedings of the 38th IEEE Conference on Decision and Control, Phoenix, Arizona
USA, 1 :425–430, 1999.
[Tec08] GreenRoad Technologies. Is safe driving more economical ? driver safety and fuel
consumption. Technical report, http ://www.greenroad.com/, 2008.
[Tré03] E. Trélat. Contrôle optimal : théorie et applications. Vuibert, 2003.
[vdVDvM01] M. van der Voort, M.S. Dougherty, and M. van Maarseveen. A prototype fuel-
efficiency support tool. Transportation Research Part C : Emerging Technologies,
9 :279–296, 2001.
[VE03] A. Vahidi and A. Eskandarian. Research advances in intelligent collision avoidance
and adaptive cruise control. IEEE Transaction Intelligent Transportation Systems,
4(3) :143–153, 2003.
[Ver06] R.J. Vermeulen. The effects of a range of measures to reduce the tail pipe emis-
sions and/or the fuel consumption of modern passenger cars on petrol and diesel.
Technical report, TNO science and industry, 2006.
[VMR80] R.A. Vincent, A.I. Mitchell, and D.I. Robertson. User guide to transyst version
8. transport and road research lab report no. lr888. 1980.

162
[vMvdVvD02] M.F.A.M. van Maarseveen, M.C. van der Voort, and C.J.G. van Driel. Qualitative
survey on fuel economy devices. CE&M research report 2002R-005 / VVR-004
ISSN 1568-4652, 2002.
[WCR+ 84] C.E. Wallace, K.G. Courage, D.P. Reaves, G.W. Schoene, and G.W. Euler.
TRANSY-7F User’s Manual. US Dept. of Transportation, Office of Traffic Ope-
rations, 1984.
[WEC08] WEC. Energy efficiency policies around the world : Review and evaluation. Tech-
nical report, WEC (World Energy Council), 2008.
[WHP+ 87] T. Watanatada, C.G. Harral, W.D.O. Paterson, A.M. Dhareshwar, A. Bhandari,
and K. Tsunokawa. The highway design and maintenance standards model, vo-
lume 1 - description, the world bank, john hopkins university press. 1987.
[Wik] Wikipedia. New european driving cycle.
[WMM80] H.C. Watson, E.E. Milkins, and G.A. Marshal. A simplified method for quanti-
fying fuel consumption of vehicles in urban traffic. SAE-Australia, 40(1) :6–13,
1980.

163
Bibliographie

164
 Annexe A

Annexe

A.1 Paramètres des véhicules

Les véhicules utilisés pour les simulations et pour la phase d’expérimentation disposent des
caractéristiques différentes. Cette annexe donne des valeurs numériques utilisées pour chaque
véhicule.
Premièrement, on a le tableau A.1 des différents paramètres du véhicule. Certaines valeurs
sont issues des données du constructeurs, d’autres sont des données mesurées ou approximées
à partir

Renault Renault Unité Signification

Laguna Clio Eco2
M 1100 1269 kg Masse du véhicule
r 0.3062 0.297 m Rayon du pneu
Iet 0.150 0.2630 kg.m2 Inertie du moteur
Id 0.115 0.115 kg.m2 Inertie de transmission
Iw 0.760 2.8 kg.m2 Inertie de roue
SCx 0.6138 0.725 Aérodynamique
ρ 1.205 1.205 kg/m3 Masse volumique air
CR 0.020 0.020 Resistance au roulement
Nf 3.867 4.092 rapport pont
Nt 1 3.73 3.7272 rapport boîte
2 2.048 2.0476
3 1.3929 1.3929
4 1.097 1.0294
5 0.892 0.8205
ηtf 1 0.85 0.85 Rendement de transmission
2 0.9 0.9
3 0.93 0.93
4 0.95 0.95
5 0.97 0.97
Te max 170 (à 3750) 145 (à 3000) Nm Couple max (à tr/min)
P max 63 (à 3750) 74 Kw Puissance max (à tr/min)

Tab. A.1: Valeurs numériques des paramètres du véhicule

165
Annexe A. Annexe

Ensuite, on a les équation d’approximations des couples moteurs maximaux du véhicule

Renault Laguna (équation A.1) et Renault Clio Eco 2 (équation A.2).

120 si 0 < ωe ≤ 750
T eu b = −6 2 (A.1)
93.8018 + 0.0389 ∗ ωe − 5.5246 ∗ 10 ∗ ωe si 750 < ωe ≤ 6300


 0.0625ωe + 27.5 si 0 < ωe ≤ 1500
T eu b = 140 si 1500 < ωe ≤ 4500 (A.2)

−0.0167ωe + 215.2 si 4500 < ωe < 6300

A.2 Données du projet LAVIA

Ces données ont été enregistrées sur différents trajets avec plusieurs conducteurs. Elles com-
prennent que des données liées au véhicule comme la consommation, la vitesse, l’accélération, le
couple moteur, le régime moteur, l’enfoncement du pédale avec un pas de 0.5 s. On ne dispose
donc pas de donné lié au trajet comme les coordonnées GPS et la pente de la route. Un exemple
de trajet enregistré avec différents paramètres est donné sur la A.1.

6
Rapport boîte
IFC (ml/(s))

2
4
1

0 2
0 500 1000 1500 0 500 1000 1500
Acceleration (m/s2)

200
Régime moteur (tr/mn) Couple (Nm)

1
0 100
−1
0
0 500 1000 1500 0 500 1000 1500
Vitesse (Km/h)

200 4000

100 2000

0 0
0 500 1000 1500 0 500 1000 1500

Fig. A.1: Exemple de trajet enregistré dans le cadre du projet LAVIA

Le tableau suivant présente les cinq paramètres qui nous intéressent dans la première phase
de développement :

FC la consommation instantanée de carburant ml/s

ωe le régime moteur tr/mn
Te le couple moteur Nm
v la vitesse km/h
a l’accélération m/s2

Tab. A.2: Les paramètres enregistrés

166
 A.3. Données du véhicule Renault Clio Eco2

Le rapport de boîte utilisé n’est pas un paramètre enregistré mais qui peut être reconstruit à
partir de la vitesse linéaire et le régime moteur. En effet, pour chaque rapport de boîte engagé,
le rapport entre la vitesse du véhicule et le régime moteur est un constant. La figure A.2 illustre
ce constat.

0.04

0.035

0.03

Vitesse (Km/h)/régime (Nm)

0.025

0.02

Rapport 5
0.015
Rapport 4
Rapport 3
0.01 Rapport 2
Rapport 1
Point mort
0.005

0
0 100 200 300 400 500 600 700
Numero echantillon

Fig. A.2: Détermination du rapport engagé à partir du rapport entre la vitesse longitudinale et
le régime moteur

Au moment des transitions, le rapport entre la vitesse du véhicule et le régime moteur n’est
plus constant. Il peut prendre des valeurs très différentes.
En utilisant la technique de classification par moyen médiane, on peut donc retrouver ce
constant pour chaque rapport de boîte. Pour retrouver ensuite chaque rapport total de multipli-
cation, les relations suivantes sont utilisées.

v = rωw ωe ωe (rad/s) 3.6 ∗ 60 ωe (tr/min)
⇒ Nf Nt = =r =r (A.3)
ωe = Nt Nf ωw ωw v(m/s) 2π v(km/h)
Ces rapports sont présentés dans le tableau des valeurs numériques des paramètres du véhi-
cule.
On peut donc ajouter au tableau A.2 le rapport de démultiplication.
Ensuite, deux étapes pré-traitements de ces données pour les tests et la modélisation ont été
faites. La première consiste à choisir, parmi les trajets enregistrés, celui ou ceux qui représentent
au mieux les différentes situations de circulation. Cela permet d’assurer que les modèles ne
fonctionnent pas seulement dans des cas particuliers. La deuxième étape consiste à construire
d’un côté des jeux de données pour la modélisation et de l’autre des jeux de données pour la
validation. Sur un trajet choisi, on utilise par exemple sur 1000 mesures, les 300 premières pour
faire la modélisation et le reste pour la validation.

A.3 Données du véhicule Renault Clio Eco2

A.3.1 Donnée du bus CAN
Le bus CAN est une application d’une approche très utilisée dans l’automobile qui consiste
à échanger les informations entre de nombreuses sources sur le même fil. Cela permet de réduire
de façon très conséquente la quantité de câbles dans les véhicules. Certaines données disponibles
sur le bus CAN pour notre application sont données sur le tableau A.3.
D’autres informations sur l’état d’utilisation des équipements sont aussi fournies comme le
pédale de frein (1 pour utilisé et 0 pour non utilisé), les feux de position, les feux de croisement,....

167
Annexe A. Annexe

Nom de la Variable Unité Remarques

Temps µs 2 colonnes
Régime moteur tr/min
Vitesse km.h 2 colonnes
Distance parcourue m
Vitesse rotation roue avant droite tr/min
Vitesse rotation roue avant gauche tr/min
Vitesse rotation roue arrière droite tr/min
Vitesse rotation roue arrière gauche tr/min
Accélération longitudinale m/s2
Accélération latérale m/s2
Vitesse de lacet deg /s
Angle du volant deg
Vitesse angulaire du volant deg /s
Couple moteur Nm
Vitesse de lacet deg /s2
Pédale d’accélérateur 16 relâchée 253 kickDown
Niveau carburant réservoir l
Consommation cumulée en modulo

Tab. A.3: Exemples des données acquises du bus CAN du Renault Clio Eco2

La consommation issue du bus CAN est donné en modulo et pour unité mm3 . La première
démarche consiste à reconstruire cette consommation. Sur la figure A.3, on présente la consom-
mation cumulée issue du bus CAN et celle reconstruite.
4
x 10
6
Consommation issue du bus CAN
Consommation reconstruite (en mm3)
5

0
0 50 100 150 200 250

Fig. A.3: Reconstruction de la consommation cumulée issue du bus CAN

A.3.2 Consommation mesurée avec le débitmètre

On dispose dans le cadre de nos travaux de recherche un débitmètre de type DFL 1x-5bar
de la société CORRSYS DATRON. L’intervalle de mesure de ce débitmètre est entre 0.5 et 150
l/h avec une précision de +/-0.5%. Il est adapté à la fois au véhicule léger et au poids lourd.
Il est équipé aussi d’un circuit permettant de mesurer la quantité de carburant de retour au
réservoir. Cela permet d’augmenter la précision du système. La figure A.4 montre l’installation

168
 A.3. Données du véhicule Renault Clio Eco2

de cet équipement sur le véhicule Clio Eco2.

Fig. A.4: Installation du débitmètre dans le véhicule Renault Clio Eco2

Ce débitmètre fournit à la sortie la consommation cumulée en fonction du temps. Pour

l’étalonnage du débitmètre, le réservoir du véhicule est rempli. On compare les résultats données
par le débitmètre et le volume de carburant rempli. Cela nous a permis de vérifier grossièrement
la précision de cet équipement. Cette manipulation a été réalisée à l’occasion d’un déplacement
effectué entre Paris et Lille avec le Clio Eco2. On propose à présent comparer la consommation
mesurée par le débitmètre et recueillie du bus CAN.
Sur la figure A.5, on présente la consommation cumulée issue du bus CAN et mesurée par le
débitmètre.

1.8

1.6

1.4
Consommation cumulée (litre)

1.2
Consommation Débitmètre
Consommation bus CAN
1

0.8

0.6

0.4

0.2

0
0 200 400 600 800 1000 1200 1400
Temps (s)

Fig. A.5: Consommation cumulée mesurée par le débitmètre et issue du bus CAN d’un trajet
d’essai

On voit que la tendance des deux courbes se ressemblent fortement mais qu’il y a un décalage
temporaire entre eux. Les mesures du débitmètre sont en retard par rapport aux mesures données
par le bus CAN. Dans le cas d’une fréquence d’échantillonnage de 250 ms, ce retard est de l’ordre

169
Annexe A. Annexe

de 6 secondes. La figure A.6 montre à nouveau les deux mesures du débitmètre et du bus CAN
et les mesures du bus CAN décalé de 6 secondes.

0.95 Consommation bus CAN

Consommation débitmètre

Consommation cumulée (litre)

Consommation bus CAN décalée de 6 secondes
0.9

0.85

0.8

0.75

0.7
600 610 620 630 640 650 660 670 680 690 700
Temps (s)

Fig. A.6: Consommation cumulée d’un trajet d’essai - problème de décalage temporaire entre
les données du bus CAN et du débitmètre

Cet ordre de grandeur est retrouvé dans les différentes autres mesures. On voit que les mesures
de la consommation de carburant se convergent entre le débitmètre et le bus CAN. Il est alors
plus pratique d’utiliser la consommation donnée par le bus CAN par la suite pour éviter tout
problème de synchronisation entre la mesure du débitmètre et des autres paramètres du bus
CAN (vitesse, régime moteur,...). Par ailleurs, sur l’ensemble des études réalisées, le débitmètre
est utiliser pour valider en quelque sorte les mesures de consommation données par le bus CAN.

A.4 Méthodes des moindres carrés

Si θ(t) représente le vecteur des mesures sur le système physique à différents instants t =
ˆ t), les mesures prédites aux mêmes instants t par le modèle et dépendant donc
0, ..T − 1, et θ(β,
du vecteur des N paramètres du modèle β = (β0 , ..., βN −1 )t , alors les valeurs des paramètres
sont celles qui minimisent :
T
X −1
Q(β) = [θ(t) − θ̂(β, t)]2
t=0
Pour ajuster les paramètres du modèle, plusieurs stratégies sont possibles. Dans notre cas, on
applique la minimisation du critère simultanément sur l’ensemble des données. On parle alors
de "méthodes globales" de minimisation. Le modèle peut s’écrire simplement θ̂ = x ∗ β avec
x = (x0 , ..., xN −1 ) les variables du modèle. Le critère s’écrit alors :
T
X −1
Q(β) = [θ(t) − x(t) ∗ β]2
t=0

La solution du problème est donc β = (Xt X)−1 Xt Θ avec X, une matrice (T, N ) et Θ une matrice
(N × 1).

A.5 Développement de l’IHM : évolution des versions

Cet annexe présente les différentes versions de l’IHM pour montrer les différentes réflexions sur
la construction de l’IHM. Ces différentes versions sont réalisées dans le cadre du stage d’ingénieur
de Vincent Hoarau, que j’ai suivi.

170
 A.5. Développement de l’IHM : évolution des versions

Sur la base d’une première version simple présentée sur la figure 5.3, on a voulu ajouté
d’une nouvelle information pour que les conducteurs puissent mieux anticiper les changements
de vitesses. Pour cela, une bande horizontale est construite pour représenter la route sur les 300
m à venir. Elle permet d’afficher le profil de vitesse optimale sur l’horizon électronique définie. Le
même code de couleur est utilisé pour indiquer l’état futur de sa conduite si le conducteur reste
sur la même vitesse actuelle. L’idée est de dire que si le conducteur voit une grande zone verte,
cela signifie qu’il peut rester sur la vitesse actuelle dans les instants qui suivent. Si cette zone
est bleue, le conducteur doit commencer à accélérer car il devra aussi le faire dans les instants
futurs. Le même raisonnement est utilisé pour la rouge. L’interface correspond à cette version
est présentée sur la figure A.7.

Fig. A.7: Version de l’IHM avec reconstruction d’un horizon de prédiction

Cette idée de consigne d’anticipation est abandonnée dans les tests finaux car elle est per-
turbante pour certains conducteurs. L’ajout de cette information rendre l’interface un peu trop
chargée.
On a donc créé un module relativement simple permettant d’anticiper sur la vitesse optimale.
Cependant cette seconde version souffre aussi de quelques défauts. Après un petit sondage réalisé
au sein du LIVIC, il semblerait que l’affichage dans le module supérieur ne soit pas instinctif.
Le fait que l’on éclaire alternativement la partie gauche puis droite ne serait pas au gout de la
plupart des gens. De plus, il y a confusion entre la vitesse optimale et la vitesse du véhicule.
Sans compter que la vitesse optimale n’est pas assez visuelle pour être suivie correctement. Une
nouvelle interface est proposée sur la figure A.8
D’abord, on peut souligner le fait qu’il n’y a plus qu’une vitesse d’afficher : la vitesse opti-
male. En effet, pour éviter toute confusion, la vitesse réelle a été supprimée, car jugée superflue
(l’information étant redondante puisque l’on l’a sur le compteur de vitesse). De plus, on re-
marque la disparition des 3 zones, remplacées par une unique, centrale, afin de capter le regard
du conducteur dès le premier coup d’oeil. Elle présente l’avantage d’une simplicité et d’une prise
en main facile. L’affichage de la route a également été modifié afin de le rendre plus compré-
hensible. Cependant, on reproche un manque de progressivité à cette version. Le conducteur
ne peut pas, d’un simple coup d’oeil, savoir si il est encore loin de la vitesse optimale. Il doit

171
Annexe A. Annexe

Fig. A.8: Évolution de l’IHM

pour cela regarder son compteur de vitesse et la comparer avec la vitesse optimale affichée. Afin
d’éviter ce désagrément, une première solution a été de modifier la taille de l’ovale de couleur en
fonction de la différence de vitesse. Celui-ci devenait de plus en plus gros lorsque cette dernière
grandissait. Après sondage, l’idée a été abandonnée car l’utilisation n’était pas assez instinctive.
Certaines personnes comprenaient que l’augmentation de la surface de l’ovale signifiait qu’on
devait accélérer et non freiner. Nous en arrivons donc à la quatrième version de l’IHM.

Fig. A.9: Version avec une répartition des zones

Cette quatrième version est doté d’une aiguille mesurant la différence la vitesse du véhicule
et la vitesse optimale, permettant ainsi au conducteur d’avoir la progressivité désirée. Visuelle et
simple d’utilisation, elle a convaincu la plupart des sondés. Les autres lui reprochaient son côté
enfantin, dû, sans doute, au panel de couleur utilisé. Les icônes renforcent cet immaturité. On
conservera donc pour la version finale l’idée de l’aiguille mais on l’associera a des couleurs plus
sobres. De plus, à l’unanimité, il faudra retirer l’affichage du module d’anticipation. Celui-ci est
difficile à comprendre et finalement peu utile dans l’utilisation de l’interface.
Finalement, à plusieurs d’autres essais, on arrive à la version présentée sur la figure 5.6.

172
 A.6. Compléments théoriques sur la commande par mode glissant

A.6 Compléments théoriques sur la commande par mode glissant

On détaillera ici la commande par modes glissants d’ordre 1.

A.6.1 Définitions
 
X1
On définit X =  ...  ∈ Ω où Ω représente un sous ensemble de ℜn et X est l’état du
X2
système. On étudie un système non linéaire défini par :

Ẋ = f (X, t, u) (A.4)

Avec u : ℜn 7→ ℜ l’entrée du système et f un champ de vecteurs suffisamment différentiable.

On définit aussi la fonction de glissement s : Ω+ 7→ ℜ suffisamment différentiable et telle que
δs
soit non nulle sur Ω.
δX
Une surface de glissement est un sous ensemble de Ω de dimension n-1 définie par : S = {X ∈
Ω : s(X, t) = 0} Cette surface coupe l’espace en deux sous espace :

s− = X ∈ Ω : s(X, t) < 0 et s+ = X ∈ Ω : s(X, t) > 0 (A.5)

Nous définissons deux champs de vecteurs f + et f − tels que :


Ẋ = f + (X, t, u) siX ∈ s+
(A.6)
Ẋ = f − (X, t, u) siX ∈ s−

f + et f − sont les champs de trajectoires du système. On dit que la surface de glissement S est
attractive lorsque l’état X du système, qu’il appartienne à s+ ou s− est attiré par cette surface
en suivant les équations A.6. Une fois que X ∈ S, on dit que l’état glisse sur la surface. Il existe
alors un mode de glissement.

Fig. A.10: Illustration de l’attraction

A.6.2 Existence d’un mode de glissement

Une condition d’existence d’un mode glissant est une phase d’attractivité locale de la surface.
Pour cela, les vecteurs vitesses f (X, t, u) doivent pointer vers la surface de glissement. Dans la
pratique, les trajectoires ne restent pas exactement sur la surface (il s’agirait alors d’un mode de
glissement idéal) ; c’est pourquoi on définit Dg le domaine de glissement qui est la partie de la

173
Annexe A. Annexe

surface de glissement dans laquelle les trajectoires vont rester. On définit donc u de manière à ce
que f (X, t, u) pointe vers la surface de glissement pour tout X de Ω et qu’à partir d’un certain
état les trajectoires restent dans Dg . La commande est établie de la sorte :

u+ (X, t) si X ∈ s+
u(X, t) = (A.7)
u− (X, t) si X ∈ s−

Avec u+ et u− continues et non égales. Le théorème d’Utkin nous fournit une condition suffisante
à l’existence d’un mode de glissement :

Théorème A.6.1 Pour que Dg soit un domaine de glissement pour le système formé par A.4
et A.7, il suffit que pour tout X ∈ Dg , il existe une fonction de Lyapunov V (X, s, t) définie et
continûment différentiable vis-à-vis de tous ses arguments sur un ensemble η contenant l’origine
et vérifiant :

V (X, s, t) > 0 si S 6= 0
1. V (X, s, t) est définie positive par rapport à s :
V (X, s, t) = 0 sinon
2. Pour tout R ∈ ℜ+∗ , pour tout X ∈ Dg et pour tout t, V vérifie :
limR→0 ( sup V (X, s, t)
||s=R||

3. La dérivée totale de V le long des trajectoires du système est définie négative pour toute
s(X, t) non nulle.
4. Sur ||s|| = R et en dehors des points de discontinuités, pour (R1 , R2 ) ∈ ℜ+∗2 avec R1 < R2 :
dV
v = − sup , V > 0, v >0
||s=R|| dt R∈[R1 ,R2 ]

On utilise le plus fréquemment :

s2
V (X, s, t) =
2
s4
V (X, s, t) =
4
V (X, s, t) = |s|

s2
Ainsi, par exemple, pour V (X, s, t) = , la condition d’existence d’un mode glissant (appelé
2
condition de glissement) est :
ṡs < 0 (A.8)

Cependant cette condition n’assure qu’une convergence asymptotique vers s = 0. Nous la

remplaçons donc le plus souvent par :

ṡs ≤ −η|s|avec η > 0 (A.9)

La condition A.9 assure une convergence en un temps fini borné :

|s(X, 0|
tf ini ≤ (A.10)
η

174
 A.6. Compléments théoriques sur la commande par mode glissant

A.6.3 Avantage et inconvénient des modes glissants d’ordre 1

Le principal avantage d’une telle commande réside dans sa robustesse. Effectivement, nous
admettrons que les modes glissants d’ordre 1 sont robustes vis-à-vis de certaines perturbations
internes et externes du système. C’est-à-dire que ces perturbations n’empêchent pas la conver-
gence vers le domaine de glissement et qu’une fois à l’intérieur de celui-ci, la réponse du système
y reste même sous perturbations. De plus, cette commande est relativement simple à mettre
en oeuvre. Cependant, elle souffre d’un inconvénient majeur : le chattering ou phénomène de
réticence.

Fig. A.11: Illustration du phénomène de réticence

Cette oscillation à haute fréquence autour de la surface de glissement est dû au fait qu’il
n’existe pas d’actionneur capable de faire commuter la commande entre u+ et u- avec une
fréquence infinie. Ainsi la réponse oscille entre les "bords" du domaine Dg . Cela peut tout
d’abord entraîner une usure prématurée des actionneurs, une utilisation d’énergie importante
et une excitation des modes à hautes fréquences non pris en compte dans la modélisation du
système.

Fig. A.12: Allure de sign(s) et de sat(s)

On peut contrer le phénomène en utilisant une fonction approchée de sign(s) (figure A.12)
(fonction saturation ou sigmoïde par exemple) mais cette solution entraîne une modification des
performances et de la robustesse du correcteur. Il faut donc faire un compromis entre robustesse,
performance et réticence en jouant sur le paramètre ? de la fonction utilisée pour approcher sign.

175