Smart River : Towards Efficient Cooperative Autonomous Inland Navigation
Rivière intelligente : Vers une navigation fluviale efficace, autonome et coopérative
Résumé
In recent years, inland waterway transport has witnessed increasing attention from France and many European countries. However, this mode of transport lacks flexibility, has an aging infrastructure, and the current ships are not adapted to an increase in transport capacity ensuring the safety of vessels and goods as well as reliable and constant delivery times. Therefore, inland transport must go through an organizational and technical renovation specific to its particular environment in order to hope to compete with land transport.In this thesis, we propose developing a smart river ecosystem that focuses on three principal axes: (i) automatic inland infrastructure, (ii) autonomous inland ship, and (iii) promoting connected and cooperative navigation. The first axis focuses on efficiently automating the existing inland infrastructure using the Lock Automation Decision Making (Lock-ADM). The Lock-ADM algorithm works in three steps. First, it calculates the optimal number of locks to automate for a given investment cost. Then it measures the importance of the locks in the network according to several criteria. Finally, it selects the best locks to automate using a genetic algorithm. Lock-ADM allows the annual planning of the locks to be automated, starting with the most constraining ones for the current network. The second axis focuses on the development of an environment perception system for autonomous ships. It allows delimiting the navigable zones where a ship can navigate safely and thus avoid any obstacle on its way. To do so, we have built the first open-source dataset (labeled images) for the river domain: InlandAutoDetect. We have exhaustively labeled the different objects that make up the river navigation. Then, we compared the performances of nine deep learning algorithms in terms of detection accuracy and response time. We selected the Retinanet algorithm, which showed the best performance to delimit with high accuracy and in real-time a safe navigation zone for our autonomous ship. Finally, the third axis introduces C-IAShips, an architecture based on Blockchain and MEC (Mobile Edge Computing) technologies for cooperative autonomous ships. The proposed architecture guarantees low latency and efficient communication while protecting the confidentiality of the ships and the security of the exchanged data. The main advantage of cooperative ships is that they allow for a more powerful and efficient operation of the overall system. In particular, we have studied the feasibility of two cooperative applications: the first for scheduling the passage of ships at locks and the second for collision detection.
Ces dernières années, le transport fluvial a fait l'objet d'une attention croissante de la part des pouvoirs publics de France et de nombreux pays européens. Cependant, ce mode transport manque de flexibilité, dispose d'une infrastructure vieillissante et les bateaux actuels ne sont pas adaptés à une augmentation des capacités de transport assurant la sécurité des navires et des marchandises ainsi que des temps de livraisons fiables et constants. Par conséquent, le transport fluvial doit passer par une rénovation organisationnelle et technique propre à son environnement particulier afin d’espérer concurrencer le transport terrestre. Pour répondre à ces exigences, nous proposons dans cette thèse de développer un écosystème fluvial intelligent s'articulant autour de trois axes principaux : (i) automatiser l'infrastructure fluviale existante, (ii) intégrer le bateau autonome à cette infrastructure, et (iii) promouvoir une navigation connectée et coopérative. Le premier axe se concentre sur la modernisation des infrastructures en proposant une méthode efficace de prise de décision pour l'automatisation des écluses existantes (Lock-ADM). L'algorithme Lock-ADM fonctionne en trois étapes. Tout d'abord, il calcule le nombre optimal d'écluses à automatiser pour un coût d'investissement fixé. Il mesure ensuite l'importance des écluses dans le réseau selon plusieurs critères. Enfin, il sélectionne les meilleures écluses à automatiser grâce à un algorithme génétique. Lock-ADM permet ainsi la planification annuelle des écluses à automatiser, en commençant par les plus contraignantes pour le réseau actuel. Le deuxième axe s'intéresse au développement d'un système de perception de l'environnement pour bateaux autonomes. Il permet de délimiter les zones navigables où un bateau peut naviguer en toute sécurité et ainsi éviter tout obstacle sur sa route. Pour ce faire, nous avons construit le premier jeu de données (Images étiquetées) open-source et destiné au domaine fluvial: InlandAutoDetect. Nous avons étiqueté de manière exhaustive les différents objets constitutifs de la navigation fluvial. Ensuite, nous avons comparé les performances de neuf algorithmes d'apprentissage profond en termes de précision de détection et de temps de réponse vis-à-via de nos étiquettes. Nous avons ainsi retenu l’algorithme Retinanet qui a montré les meilleures performances pour délimiter avec précision et en temps réel une zone de navigation qui soit sûre pour notre bateau autonome. Enfin, le troisième axe introduit C-IAShips, une architecture basée sur les technologies de Blockchain et de MEC (Mobile Edge Computing) à destination des bateaux autonomes coopératifs. L'architecture proposée garantit une faible latence et une communication efficace tout en protégeant la confidentialité des bateaux et la sécurité des données échangées. L'avantage principal des bateaux coopératifs est qu'ils permettent d’assurer un fonctionnement plus puissant et efficace du système global. Nous avons étudié, en particulier, la faisabilité de deux applications coopératives : la première pour l'ordonnancement du passage des bateaux au niveau des écluses et la seconde pour la détection de collisions.
Domaines
Intelligence artificielle [cs.AI]| Origine | Version validée par le jury (STAR) |
|---|