Industrie Mag - Le journal de l'industrie.

Avec les progrès de la technologie, on s’attend souvent à ce qu’elle serve à rendre la vie plus facile. On assiste actuellement à une forte poussée de l’automatisation des activités quotidiennes dans le but de gagner du temps, d’améliorer l’efficacité et d’accroître la sécurité. C’est particulièrement évident dans le secteur automobile où le cheminement vers les véhicules autonomes a vu des entreprises créer des voitures qui se conduisent toutes seules et envisager la réalité des routes sans conducteurs. Le Groupe de Recherche sur le mouvement du Centre de recherche automobile (WatCAR) de l’Université de Waterloo a fortement contribué aux recherches autour des véhicules autonomes en travaillant sur un projet relatif aux véhicules sans chauffeur, dirigé par les Professeurs Krzysztof Czarnecki et Steven Waslander.

Le projet, connu sous le nom d’Autonomoose, est un projet de véhicule autonome à commandes électriques (drive-by-wire) s’inscrivant dans WatCAR. Parmi ses objectifs, figurent l’amélioration de la conduite sans chauffeur dans des conditions météo extrêmes et l’esquive d’obstacles lors des manœuvres d’urgence. « Notre équipe compte de nombreux chercheurs travaillant sur les véhicules autonomes et nous souhaitions bénéficier d’une plate-forme véhicule concrète sur laquelle tester nos nouvelles théories de recherche et nos algorithmes », explique Krzysztof Czarnecki. « Nous œuvrons à l’avenir des transports automobiles en disposant désormais d’une plate-forme véhicule d’avant-garde sur laquelle tester les performance réelles de nos théories et de nos contrôleurs ».

Krzysztof Czarnecki et Steven Waslander contribuent depuis deux ans sur le projet dont ils supervisent la planification et les recherches sur la navigation. Ils ont récemment fait appel à John McPhee, titulaire d’un titre de recherche au Canada et Professeur en ingénierie et conception de systèmes de l’Université de Waterloo, pour améliorer le contrôleur de mouvement du véhicule et superviser la dynamique et les aspects de contrôle du projet. L’équipe de chercheurs a choisi une Lincoln MKZ Hybride 2015 comme plate-forme véhicule et a utilisé Maple et MapleSim de Maplesoft pour soutenir ses recherches. Elle a équipé la voiture de capteurs et actionneurs indispensables à la mise en œuvre d’un véhicule autonome. « La Lincoln MKZ est le véhicule privilégié par AutonomouStuff, la société qui a transformé la MKZ en véhicule drive-by-wire », confie John McPhee. « Nous avons pu ensuite ajouter nos propres capteurs (lidars, caméras, etc.) et systèmes de contrôle pour assurer l’autonomie totale du véhicule ».

Le véhicule est contrôlé en agissant sur la pédale d’accélérateur, la pédale de frein et le volant afin de suivre une trajectoire de référence assurée par une architecture décisionnelle de niveau supérieur. Il est nécessaire, pour concevoir des contrôleurs de trajectoire de véhicule robustes et efficaces, de modéliser la dynamique du véhicule réel. Les deux modèles devant être construits et identifiés sont ceux du groupe motopropulseur et des dynamiques longitudinales et transversales du véhicule. « Les modèles de véhicule extrêmement fidèles nous permettent de concevoir des contrôleurs à base de simulations en boucle (HIL) des performances du véhicule », explique John McPhee. « En outre, ils informent sur la conception des modèles faiblement fidèles que nous implémenterons dans les contrôleurs de suivi de trajectoire prédictive par modèle ».

L’équipe a choisi l’outil de modélisation et de simulation MapleSim de Maplesoft, pris en charge par l’outil de calcul symbolique Maple. MapleSim offre une plate-forme de simulation complète pour développer et tester les modèles de véhicule, prise en charge par Maple, dont la vitesse de calcul permet à l’équipe d’effectuer très vite les calculs nécessaires. L’équipe avait besoin de simulations rapides et de contrôleurs à base de modèles pour réaliser le contrôle en temps réel des mouvements du véhicule et tester les capteurs. Il lui fallait également un environnement de simulation puissant pour analyser les algorithmes de navigation. Grâce à MapleSim, l’équipe a créé des modèles MapleSim extrêmement fidèles de l’Autonomoose qui ont été validés au moyen d’essais sur quatre colonnes, sur dynamomètre roulant, sur la piste d’essais de Waterloo et les pistes d’atterrissage de l’aéroport de Waterloo. Le code de simulation optimisé a ensuite été exporté de MapleSim et utilisé pour simuler les mouvements du véhicule dans des environnements virtuels créés à l’aide d’Unreal Engine 4 et d’autres logiciels de réalité virtuelle.

Le modèle de groupe motopropulseur avait pour but d’obtenir une cartographie des entrées de contrôle (positions des pédales d’accélérateur et de frein) et des états du véhicule (vitesse de rotation des roues, vitesse du véhicule, etc.) jusqu’au couple appliqué aux roues. Le modèle extrêmement fidèle du groupe motopropulseur hybride de la Lincoln MKZ comprenait l’architecture du module de contrôle du groupe motopropulseur ainsi que la dynamique du système de transmission. Afin d’identifier un tel modèle, l’équipe a eu besoin de mesurer de nombreux signaux du bus CAN, dont notamment les couples requis, les couples observés ainsi que les vitesses des moteurs thermiques et électriques. Le protocole CAN est un standard de bus pour véhicule permettant aux microcontrôleurs et dispositifs de communiquer entre eux dans des applications sans ordinateur hôte.

« Le modèle de dynamique véhicule avait pour but de déterminer les réactions de la voiture aux sollicitations du volant ainsi qu’au couple transmis aux roues par la chaîne de traction. Le modèle de dynamique véhicule extrêmement fidèle de la Lincoln MKZ prenait en compte les forces d’inertie de lacet, roulis et tangage ainsi que la cinématique de suspension et les paramètres dynamiques. Bon nombre de ces paramètres peuvent être déterminés grâce aux mesures effectuées par notre propre équipement, mais la suspension semi-active de la Lincoln MKZ ajoute de la complexité du modèle », précise John McPhee.

Pour effectuer le contrôle en temps réel des mouvements du véhicule, l’équipe a utilisé les fonctionnalités de réduction de modèle de MapleSim de façon à créer des modèles orientés contrôle plus simples de l’Autonomoose, embarqués dans des contrôleurs prédictifs par modèle. Ces modèles prédisent essentiellement la réaction du véhicule aux sollicitations sur un horizon de temps donnée, qui sert à optimiser les sollicitations sur l’intervalle de temps suivant, comme l’explique John McPhee : « Le calcul symbolique a été utilisé pour obtenir des gradients, des lagrangiens et des hessiennes exacts qui accélèrent le taux de convergence de nos méthodes d’optimisation », confie-t-il. « Enfin, les commandes prédictives à base de modèles ont été testées sur le modèle à haute-fidélité pour s’assurer du fonctionnement sûr et optimal des contrôleurs sur le véhicule réel ».

L’équipe a effectué un excellent contrôle longitudinal et se consacre maintenant à la résolution des problèmes de contrôle transversal afin que le véhicule soit à même d’éviter en toute sécurité d’autres véhicules et des obstacles mobiles sur la chaussée tout en suivant son itinéraire désigné. « Cette situation nécessite une très bonne compréhension du véhicule et de la dynamique des pneumatiques, ce que nous avons pu réaliser grâce à notre modèle MapleSim et aux essais du véhicule », souligne John McPhee. « Lors des essais sur piste de notre contrôleur longitudinal, nous avons réussi à améliorer sensiblement la vitesse opérationnelle de l’Autonomoose. En fait, nous avons pu atteindre la limite permise par notre piste d’essai. C’est là une avancée majeure faite par notre équipe de recherche ».

L’équipe souhaitait également réaliser une estimation d’horizon mobile (MHE) des états et paramètres inconnus du véhicule, tels que les frottements au sol. Cette caractéristique fournit d’importantes informations aux contrôleurs, pour en améliorer les performances. « Il est impossible de contrôler un système de dynamique sans connaître ses états en cours et l’équipe a par conséquent utilisé un modèle associé à des mesures de façon à estimer les états inconnus », explique John McPhee. « La MHE est très complémentaire avec nos contrôleurs prédictifs par modèle et nous exploitons les mêmes fonctionnalités de calcul symbolique pour développer de nouveaux estimateurs d’horizon mobile ».

Une partie des idées et des données émanant du projet sont actuellement reprises dans d’autres projets de recherche d’apprentissage machine du groupe de John McPhee, comme par exemple le contrôle optimal des exosquelettes et les robots de rééducation consécutive à un AVC. A l’instar de l’Autonomoose, il s’agit de dispositifs d’assistance nécessitant des contrôleurs de hautes performances à base de modèles qui fonctionnent en temps réels grâce aux avantages liés aux outils comme MapleSim et Maple.

Les véhicules autonomes sont en bonne voie et les partenariats industrie-université ont la possibilité de jouer un rôle prépondérant dans leur développement grâce aux groupes de recherche universitaires comme WatCAR et aux entreprises technologiques comme Maplesoft. C’est, selon John McPhee, l’occasion unique d’associer les meilleures fonctionnalités d’apprentissage machine à la simulation et au contrôle à base de modèle. « En réalité, c’est exactement ce que nous avons fait avec notre contrôleur longitudinal de la Moose, qui fait appel à un mélange de réseaux neuronaux et de modèles physiques pour représenter le groupe motopropulseur du véhicule », explique-t-il. « La différenciation entre ces modèles et le calcul symbolique nous donne des contrôleurs basés sur les modèles qui sont quasi-optimaux et s’exécutent en temps réel. Leurs performances ont d’ores et déjà été mises en évidence sur la Moose. Les futures recherches sur l’intégration de l’apprentissage machine et des contrôles à base de modèles se traduiront par de nouvelles avancées dans les performances des véhicules autonomes ».

http://fr.maplesoft.com/

http://uwaterloo.ca/