Véhicules traceurs (capteurs embarqués)

Télécharger le fichier pdf d’un mémoire de fin d’études

Collecte des adresses MAC (Media Access Control)

De plus en plus de véhicules et de personnes sont équipés d’appareils électroniques disposant du Bluetooth et du wi-fi. En installant des détecteurs le long d’un réseau, il est possible de collecter les adresses MAC des appareils. L’adresse MAC d’un appareil électronique (téléphone, GPS. . .) étant unique, le suivi de l’appareil est réalisé et le temps de parcours, l’origine et la destination de l’appareil sont calculés. Les limites de fonctionnement sont liées au taux de représentation des équipements à bord des véhicules. Plusieurs appareils peuvent être présents dans un même véhicule, et à l’inverse certains véhicules ne possèdent aucun appareil, ce qui rend diﬃcile le comptage des véhicules par exemple. Dans des zones urbaines, la discrimination entre les piétons et véhicules est parfois diﬃcile. Une ligne de transport en commun à proximité de l’antenne peut aussi avoir un impact sur la précision des mesures [13] faites à partir du Bluetooth. Les bornes wi-fi sont surtout présentes en milieu urbain et la précision de la localisation est inférieure à 50 m d’après [13].

Avantages et inconvénients

Les technologies telles que la collecte des adresses MAC et la radio-identification ne fournissent pas l’ensemble des données et seule une partie du trafic est analysée avec ces capteurs (véhicules équipés seulement). Mais ces technologies sont appelées à se développer. Ainsi, SCOOP@F est un projet de déploiement de systèmes de transport intelligents coopératifs. Ce projet vise à définir les normes de communication entre les véhicules et l’infrastructure pour l’échange d’information. Mais la mise en place et le taux de pénétration des équipements prendront du temps. Le lancement de l’expérimentation en grandeur nature commencera en 2016 avec environ 3000 véhicules et 2000 km de réseau instrumenté (d’après la fiche projet éditée en mai 2014 par la Direction générale des Infrastructures, des Transports et de la Mer).
La vidéo peut obtenir de bons résultats pour le suivi de véhicules et réaliser l’ensemble des mesures souhaitées, mais comme évoqué précédemment dans cette thèse, nous souhaitons que le suivi soit anonyme.
Le capteur acoustique passif a une précision moindre dans des situations de congestion. [14] relève 8 à 16 % d’erreur au niveau de la détection des véhicules. Le capteur acoustique actif est très sensible aux conditions météorologiques qui altèrent le fonctionnement et la précision des mesures.
Cheung et coauteurs [14] ont constaté, avec le capteur infrarouge passif, une faible précision des mesures avec 10 % d’erreur au niveau de la détection et de la vitesse des véhicules. Le capteur infrarouge actif a des diﬃcultés à détecter des véhicules très sombres, et la précision des mesures se dégrade par temps pluvieux, en cas de brouillard et par des projections d’eau lors d’une chaussée humide.
La détection des véhicules à faible vitesse (inférieure à 20 km h−1) devient diﬃcile pour la tech-nologie radar. Les diﬃcultés de détection sont aussi dues à une interdistance faible des véhicules. Le pourcentage d’erreur au niveau de la vitesse d’après [14] est estimé à 7,9 % pour la technologie radar.
D’après [13], une précision équivalente à l’ensemble des mesures fournies par la boucle inductive n’est atteinte par aucun des capteurs de trafic non intrusifs. Par contre, ils sont capables de donner de meilleurs résultats pour certaines mesures spécifiques.

Câble piézoélectrique

L’eﬀet piézoélectrique est la propriété de certains corps à se polariser sous l’eﬀet d’une contrainte mécanique. Plusieurs matériaux ayant cette propriété existent, les plus couramment utilisés d’après [13]
pour la réalisation de câbles piézoélectriques sont : la céramique, le quartz et les polymères. Ce capteur est enrobé de résine puis introduit dans la chaussée comme le montre la figure 2.9. Lorsqu’une pression est exercée sur le câble piézoélectrique par les pneus du véhicule, une tension électrique proportionnelle à la pression exercée est générée. Il mesure la charge d’un essieu et compte le nombre d’essieux. Il est alors possible de déterminer le débit de véhicules ainsi que la classification de ces véhicules. Il est alors possible de vérifier pour les poids lourds que leur charge à l’essieu est inférieure à la limite légale en vigueur. Mais ce type de capteur est sensible à l’hétérogénéité de l’uni de la chaussée, à sa déformation mécanique sous la charge, variant sous l’eﬀet de la température et des vibrations. L’installation des câbles piézoélectriques génère une interruption du trafic. D’après [13], les véhicules présentant de faible charge à l’essieu sont diﬃciles à détecter suivant le type de chaussée. Les véhicules dont l’interdistance est faible ainsi que ceux possédant des remorques peuvent perturber les mesures. D’après Isaksson [17], ces capteurs engendrent des coûts d’installation et de maintenance élevés.

Magnétomètre

Champ magnétique terrestre

Le champ magnétique terrestre dépend de la localisation. La figure 3.8 représente un schéma simplifié du champ magnétique terrestre. Bien que le champ magnétique terrestre soit en perpétuelle évolution, cette variation au cours du temps est très faible, de l’ordre de 5 à 15 % sur environ 150 ans [17]. Dans le cadre de la détection de véhicule cela ne pose donc pas de problème, la variation est en eﬀet négligeable lors du passage d’un véhicule.
Pour la détection de véhicules, le but n’est pas de mesurer le champ magnétique terrestre mais la variation de celui-ci. Ensuite, les diﬀérents paramètres liés au véhicule sont estimés. En eﬀet lorsqu’un véhicule traverse un champ magnétique, il perturbe ce champ et en provoque une variation. Tous les objets métalliques (figure 3.9a) perturbent le champ magnétique et peuvent être considérés comme des dipôles [14, 17]. Un véhicule est considéré comme un ensemble de dipôles qui perturbe le champ magnétique comme le montre la figure 3.9b.

Choix du magnétomètre

Actuellement, il existe plusieurs technologies pour mesurer l’intensité du champ magnétique ter-restre. La figure 3.10 montre les plages de mesures des principaux capteurs magnétiques. La plupart des systèmes développés sont basés sur les phénomènes électromagnétiques. Il est diﬃcile de comparer les capteurs magnétiques entre eux car chacun possède ses avantages et inconvénients. La technologie de capteur est aussi choisie en fonction de l’application visée. D’après Tumanski [22], quatre techno-logies sont prépondérantes actuellement : SQUID (Superconducting Quantum Interference Device), flux-gate, à eﬀet Hall et magnétorésistance. De nouvelles technologies (comme les magnétorésistance tunnel) se développent mais elles ne sont pas forcément disponibles au niveau des industriels. Sur les quatre technologies disponibles, l’amélioration des paramètres et la miniaturisation des composants sont toujours en cours de développement. Selon Tumanski [22], les diﬀérents paramètres à prendre en compte dans le choix du magnétomètre sont : la sensibilité, la linéarité, la portée, la bande de fréquence et les dimensions.
Les magnétomètres à SQUID sont parmi les plus sensibles pour la mesure des champs magné-tiques mais plusieurs obstacles à leur utilisation pour la détection de véhicules existent actuellement. Leur fonctionnement est basé sur les propriétés électromagnétiques lors du refroidissement de cer-tains matériaux en-dessous d’une température de transition supraconductrice. Selon l’article [22], ces magnétomètres nécessitent des températures très basses 9,3 K ou 120 K suivant la technique utilisée. Ceci n’est donc pas réalisable pour l’application souhaitée. De plus, les magnétomètres SQUID sont onéreux.
Les magnétomètres flux-gate sont performants et présentent de nombreux avantages. Ils ont une bonne sensibilité (10 mV nT−1) pour une résolution de 10 pT. Les problèmes de dérive du zéro sont simples à résoudre d’après [22]. L’inconvénient de ce capteur est son coût par rapport à un déploiement à grande échelle, il reste par conséquent un capteur dispendieux.
Les capteurs à eﬀet Hall sont faciles à réaliser, cela permet une miniaturisation et un faible coût du capteur. Ces capteurs sont linéaires sur une large plage de mesures. Cependant, ils ne sont pas très sensibles (au maximum 5 mV mT−1).
Le principe de base de la magnétorésistance est la variation de la résistivité d’un matériau ou d’une structure en fonction d’un champ magnétique externe. La trajectoire du courant est déviée par le champ magnétique, ce qui produit un allongement de la longueur du trajet du courant. Cet allongement est en fait une augmentation de la résistance eﬀective. Cette définition inclut diﬀé-rents mécanismes qui produisent cet eﬀet macroscopique. Mais actuellement d’après [22], seulement trois eﬀets principaux sont couramment utilisés : magnétorésistance anisotropes (AMR : Anisotropic MagnetoResistance), magnétorésistance géante (GMR : Giant MagnetoResistance), et jonction magnétique à eﬀet tunnel (TMR : Tunnel MagnetoResistance). La magnétorésistance anisotrope est un eﬀet typique des matériaux ferromagnétiques et a été découverte en 1857 par William Thomson. C’est à partir des années 1970–1980 que la technologie des capteurs à magnétorésistance a pu se développer. Ce capteur se compose d’une couche ferromagnétique très fine déposée sur une couche non ferromagnétique conductrice. Il peut détecter les champs statiques à courant continu, ainsi que la force et la direction du champ. Lors de la fabrication, la couche ferromagnétique est déposée sous un champ magnétique fort. Ce champ définit l’orientation du vecteur aimantation M appelé axe facile. Le vecteur M est parallèle à la longueur de la résistance. Lorsqu’un courant électrique traverse le matériau, les moments magnétiques de ses électrons s’alignent dans la direction de l’aimantation qui varie selon le champ magnétique appliqué. La résistance est maximale lorsque le courant circule parallèlement à M, elle est minimale lorsque les deux directions sont perpendiculaires. L’angle θ entre le courant et l’aimantation est modifié par le champ magnétique extérieur, ce qui entraîne une mo-dification de la résistivité. La magnétorésistance s’exprime en fonction des résistivités longitudinale et latérale. Les propriétés physiques de la couche mince provoquent un changement de sa résistance en présence d’un champ magnétique. La variation relative de la résistance est faible ne dépassant pas 2 % d’après Tumanski [22]. Le capteur AMR est un bon moyen de mesurer à la fois les positions linéaire et angulaire et le déplacement dans le champ magnétique terrestre.
Les capteurs GMR découverts dans les années 1980 utilisent un autre eﬀet. Les matériaux métal-liques constitués d’un empilement de couches ferromagnétiques et non magnétiques ont leur résistance électrique qui diminue fortement en fonction de l’intensité du champ magnétique. La transition de l’état antiparallèle initial de l’aimantation à l’état parallèle s’accompagne par un changement de résis-tance. Ce modèle a été remplacé par des magnétomètres à vanne de spin. Dans les capteurs à vanne de spin, l’aimantation antiparallèle est obtenue artificiellement par dépôt d’une couche supplémen-taire de matériau antiferromagnétique. De cette façon, un film ferromagnétique (spin) est magnétisé d’une autre manière que la seconde couche dite libre. Les capteurs TMR sont similaires avec une diﬀérence près, à la place du conducteur, il est utilisé une fine couche isolante. En changeant l’em-pilement des couches et en s’assurant de la possibilité de changement des orientations relatives de l’aimantation, une amélioration des paramètres des capteurs est possible. Ainsi la variation relative de la magnétorésistance augmente.
Le magnétomètre AMR a été retenu dans ce manuscrit. Ce magnétomètre présente un encombre-ment réduit. Les capteurs AMR peuvent paraître dépassés par les nouveaux capteurs GMR et TMR mais ils ont, d’après [22] encore des avantages intéressants : ils sont simples à préparer et donc peu onéreux et ils ont une meilleure sensibilité que les capteurs GMR. Leurs principaux inconvénients sont les suivants : une faible variation relative de la résistance, ne dépassant pas 2 % ; la possibilité de démagnétisation par un champ magnétique élevé ; la sensibilité à la température de la chaussée qui doit être prise en compte.
La pose de ce capteur nécessite un carottage. Pour le capteur choisi, la transmission des données est réalisée par une liaison sans fil vers un émetteur récepteur (figure 3.13). L’optimisation de la consommation électrique du capteur est un point important pour sa durée de vie. Comme pour la boucle inductive, l’association de plusieurs magnétomètres permet d’obtenir des mesures telles que la vitesse, la classe du véhicule. . . Dans la majorité des études, les capteurs sont positionnés et intégrés sur les diﬀérentes voies. Suivant l’application visée (simple comptage de véhicules, détermination de la vitesse, réidentification des véhicules. . .), un ou plusieurs capteurs sont disposés sur la voie. Les capteurs magnétomètres les plus récents pour le trafic comportent trois axes. Les trois axes définissent un référentiel (x,y,z) orienté comme le montre la figure 3.14.
La circulation des véhicules sur la figure 3.14 se fait selon l’axe des x. L’axe y est perpendiculaire au sens de circulation de la voie, cet axe permet l’estimation de la position latérale du véhicule par rapport au capteur. L’axe z est dirigé vers le ciel. L’origine du repère est le centre du capteur. Les signaux issus du magnétomètres seront notés sx, sy et sz pour les axes x, y et z, respectivement. L’un des inconvénients de ce type de capteur est la sensibilité des magnétomètres anisotropes à la température. La figure 3.15 extraite de [14] montre l’évolution de la mesure magnétique pour un capteur placé à l’extérieur pendant 24 heures sur les trois axes. Dans cette situation, le capteur est placé de telle sorte qu’aucun véhicule ne puisse perturber la mesure. Les mesures ont commencé à 17 heures et se sont terminées le lendemain à 17 heures. Pour l’axe z, la mesure augmente dans un premier temps due à une température décroissante (passage du jour à la nuit) ensuite la mesure décroît avec l’augmentation de la température (durant la journée). L’axe y a un comportement inverse. Pour les trois axes, un pic est observé, correspondant d’après les auteurs à une soudaine exposition au soleil. Cette expérimentation montre l’eﬀet de la température sur la mesure du champ magnétique terrestre par des magnétomètres AMR. La valeur sur l’axe x a varié entre 1852 et 1857, celle de l’axe y entre 2075 et 2086, et celle de l’axe z entre 2220 et 2240.
Pour éliminer l’eﬀet de la température, Mesa et coauteurs dans [23] proposent une relation entre la variation de la température et la variation de la mesure du champ magnétique. Les courbes de la figure 3.16 représentent la variation du champ magnétique pour des températures comprises entre 8 et 18 degrés Celsius pour la première, 35 et 85 degrés Celsius pour la seconde. L’auteur a déduit une relation linéaire entre les deux paramètres à partir de plusieurs expérimentations. Ces variations de la mesure en fonction de la température devront être prises en compte lors du processus de suivi de véhicules.

Analyse par les pelotons de véhicules

Les méthodes sur l’analyse des pelotons de véhicules ont surtout été développées par Coifman et coauteurs [24–27]. Une séquence de longueur de véhicules donne selon les auteurs plus d’informations que les mesures individuelles des véhicules. Les véhicules origine et destination dont la longueur est approximativement la même sont associés ensemble. Les voitures ont souvent à peu près la même longueur, ce qui a pour conséquence d’associer plusieurs fois les véhicules. Des associations de véhicules se trouvent être des faux positifs.

La figure 4.4 illustre les associations réalisées. L’ordre d’arrivée à l’origine des véhicules est repré-senté en ordonnée, et celui de la destination en abscisse. La véritable association entre l’origine et la destination est réalisée manuellement à partir de vidéos. Cette référence est représentée par le trait noir sur la figure 4.4. Les ronds représentent l’ensemble des associations possibles par rapport à la lon-gueur du véhicule par la méthode proposée par Coifman et coauteurs [24]. En analysant les séquences de véhicules, les pelotons de véhicules sont réidentifiés. Mais les véhicules à l’intérieur du peloton ne sont pas forcément associés correctement. Ensuite, dans [28–30] Coifman et coauteurs ont amélioré cet algorithme en filtrant les longueurs erronées. La dernière amélioration apportée par Coifman et coauteurs est basée sur la répartition des longueurs de véhicules. Dans [31], ils ont constaté que les véhicules de 7 à 25 m ne représentent que 10 % des observations du trafic, ces véhicules sont donc plus faciles à réidentifier. L’algorithme proposé dans [31] cherche d’abord à réidentifier les véhicules longs pour améliorer les performances. Li dans [32] a aussi travaillé sur la réidentification à partir de pelo-tons de véhicules en utilisant quatre mesures statistiques diﬀérentes sur les séquences de la longueur des véhicules. Soit une séquence de n véhicules à l’origine représentée par lo = {lo,i} et à la destination par ld = {ld,i} avec i ∈ 1,2,…,n. Les mesures statistiques proposées par Li dans [32] sont les suivantes : une mesure relative RP S = n 2 × ld,i −lo,i ; une mesure par la moyenne AP S = n ld,i −lo,i ; le co- i=1ld,i +lo,ii=1 n n¯¯¯ ¯ i=1 (ld,i −ld )(lo,i −lo ) eﬃcient de corrélation C P S = avec lo et ld les valeurs moyennes de lo et √i=1(ld,i −ld )√i=1(lo,i −lo )ld,i de ld, respectivement ; une mesure par la division DP S = n . Ces diﬀérentes méthodes dévelop- i=1 lo,i pées ont l’avantage d’être utilisables par l’ensemble des capteurs mesurant la longueur individuelle des véhicules. Elles ont été développées et testées à partir des mesures de boucles inductives. Elles pourraient aussi être utilisées avec les magnétomètres. À noter que ces méthodes sont particuliè-rement adaptées pour des situations de congestion où la séquence des véhicules à l’intérieur d’un peloton évolue peu. Pour Li [32], une limite de cette approche est le taux de réidentification insuf-fisant dans le cas où la distance entre deux boucles inductives successives est supérieure à 2 km. La longueur des véhicules est en fait une des caractéristiques mesurées par le capteur, il serait intéres-sant d’utiliser d’autres informations mesurées par le capteur pour améliorer la réidentification. Il est logique que la longueur est suﬃsamment discriminatoire pour les véhicules longs étant donné qu’ils sont peu représentés en temps normal au sein du trafic. Pour discerner les autres véhicules entre eux, d’autres caractéristiques des véhicules devraient être plus saillantes. L’hypothèse est de considérer que la signature de chaque véhicule est unique.

Suivi individuel des véhicules

Dans ce manuscrit, nous reprenons l’hypothèse de considérer que chaque signature de véhicule est unique qu’elle soit obtenue à partir d’une boucle inductive (Ritchie et coauteurs [33], Tabib et coauteurs [34]) ou d’un magnétomètre (Cheung et coauteurs [14]). Chaque véhicule possède des carac-téristiques distinctes, c’est-à-dire que chaque véhicule possède sa propre signature. Le premier capteur d’un tronçon fournit les caractéristiques à l’origine des véhicules, et le capteur à l’autre extrémité du tronçon fournit les caractéristiques à la destination des véhicules. La notation vo représente les caractéristiques d’un véhicule origine et vd celles d’un véhicule destination. Les caractéristiques d’un véhicule sont considérées comme unique et les acquisitions sont noyées dans un bruit blanc gaussien centré no pour l’origine et nd pour la destination :

vo = v + no (4.1)

vd = v + nd (4.2)

À partir de cette hypothèse, le suivi de véhicules peut être décomposé en plusieurs étapes (figure 4.5).

Détection

Cette étape consiste non seulement à détecter le véhicule mais aussi à segmenter correctement la signature. Les non détections et les fausses détections vont perturber le suivi de véhicules. Ces fausses informations peuvent engendrer des erreurs dans le suivi de véhicules. La segmentation est importante car une mauvaise segmentation peut entraîner une perte d’information et par conséquent le suivi de véhicules sera plus diﬃcile.

Prétraitements

Après avoir eﬀectué la détection, les prétraitements visent à corriger les déformations du signal. Les causes de la déformation du signal sont multiples : la sensibilité diﬀérente de chaque capteur, la vitesse de passage du véhicule, un passage plus ou moins dans l’axe du capteur. . . Parmi les prétraitements, une sélection de paramètres peut être eﬀectuée pour limiter les données.

D’autres prétraitements cherchent une réduction spatiale et temporelle. La réduction spatiale vise à ne considérer que les véhicules issus d’origines physiquement possibles, c’est-à-dire dans le cas d’un feu rouge les véhicules venant de cet axe ne sont pas des candidats possibles pendant les périodes ou le feu est rouge. La réduction temporelle consiste à établir une fenêtre temporelle pour sélectionner les candidats possibles. La fenêtre temporelle est établie par une période de temps raisonnable et réalisable de sorte que le véhicule correct peut être inclus dans l’ensemble des véhicules candidats. Pour délimiter les bornes inférieure et supérieure de la fenêtre temporelle, les limitations de vitesse sur l’itinéraire ainsi que les conditions de trafic peuvent être prises en compte. La fenêtre temporelle sera de préférence dynamique et tiendra compte de l’évolution des conditions de trafic. Les techniques de réduction peuvent faire appel à des algorithmes de modélisation du trafic. Cette étape permet de réduire l’ensemble de véhicules candidats.

Les prétraitements sont une étape importante pour préparer les données qui vont servir à la réidentification.

Réidentification

La réidentification est la dernière étape du processus de suivi de véhicules. Les caractéristiques (la signature par exemple) d’un véhicule sont comparées par rapport aux caractéristiques des véhicules candidats. L’algorithme de réidentification permet ou non l’association des caractéristiques avec celles d’un des véhicules candidats. Les résultats obtenus par la réidentification donnent le suivi des véhicules entre leur origine et leur destination. Puis, les applications telles que l’estimation des matrices origine – destination et temps de parcours peuvent être eﬀectuées.

Ce manuscrit va s’intéresser aux étapes de détection, de prétraitement et de réidentification. Les prétraitements concernant la réduction spatiale et temporelle ne feront pas l’objet de propositions et ne serviront que pour certaines applications.

Évaluation et indicateurs

Introduction

Plusieurs expérimentations ont été menées afin de valider et évaluer les méthodes de suivi de véhicules proposées dans ce manuscrit. Lors des diﬀérentes expérimentations réalisées, plusieurs types de données sont acquises. Outre les données des capteurs étudiés, à savoir la boucle inductive et le magnétomètre, des vidéos sont réalisées. Les vidéos servent de référence pour confirmer ou non les réidentifications ainsi que pour vérifier les catégories des véhicules.

Boucle inductive

Les boucles inductives se divisent en deux catégories au cours des expérimentations : celles dé-livrant la signature et celles délivrant des données agrégées. Les boucles inductives délivrent les informations agrégées suivantes : la voie de circulation, l’heure de passage à la milliseconde, la vi-tesse (V) exprimée en kilomètre par heure, le temps intervéhiculaire (TI) exprimé en dixième de seconde, la longueur (L), exprimée en décimètre, le temps de présence exprimé en milliseconde et la distance intervéhiculaire exprimée en mètre.

Pour les boucles inductives relevant la signature, les informations recueillies en plus lors du passage d’un véhicule sont : le nombre de points de la signature, l’horaire de passage du véhicule, la catégorie, la signature, l’horaire dans le système heure minute seconde centième, ainsi que la date. Il est à noter que l’acquisition de la signature n’est pas eﬀectuée avec une fréquence d’échantillonnage constante. Cette fréquence d’échantillonnage varie faiblement autour de 500 Hz.

Magnétomètre

Comme pour les boucles inductives, deux types de magnétomètres ont été utilisés : les magné-tomètres de la société Sensys Network et les magnétomètres dits « signature » développés pour les besoins du projet MOCoPo par l’INRIA.

Les données acquises par les magnétomètres Sensys sont : le numéro de détection, la date et l’heure de passage à la seconde basée sur le référentiel GMT, la référence du capteur (point accès–voie), la vitesse (V) exprimée en miles par heure, la longueur (L) exprimée en pied, le temps intervéhicu-laire (TI) exprimé en seconde. Les informations de mesures sont délivrées dans le système métrique américain.

Les données acquises par les magnétomètres enregistrant la signature magnétique sont : l’heure exprimée en milliseconde qui est réinitialisée quotidiennement, l’amplitude des signaux selon les trois axes x, y, z exprimée en millivolt. Il est à noter que l’acquisition du signal s’eﬀectue à une fréquence d’échantillonnage constante de 128 Hz.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

1 Introduction
1.1 Contexte
1.2 Problématique
1.3 Objectif de la thèse
1.4 Plan du mémoire
2 Différentes technologies de capteurs
2.1 Véhicules traceurs (capteurs embarqués)
2.1.1 Système de positionnement et de datation par satellite
2.1.2 Données des téléphones mobiles
2.1.3 Avantages et inconvénients
2.2 Suivi de véhicules point à point
2.2.1 Capteurs non intrusifs
2.2.2 Capteurs intrusifs
2.3 Choix des capteurs
3 Capteurs magnétiques
3.1 Boucle inductive
3.2 Magnétomètre
3.2.1 Champ magnétique terrestre
3.2.2 Choix du magnétomètre
3.3 Conclusion
4 Principe du suivi anonyme de véhicules
4.1 Problématique du suivi de véhicules
4.2 Analyse par les pelotons de véhicules
4.3 Suivi individuel des véhicules
4.3.1 Détection
4.3.2 Prétraitements
4.3.3 Réidentification
4.4 Évaluation et indicateurs
4.4.1 Introduction
4.4.2 Méthode d’évaluation
4.5 Conclusion
5 Détection
5.1 Réalisation de la détection
5.2 Problèmes rencontrés
5.3 Proposition d’un algorithme de détection
5.4 Évaluation des méthodes de détection
5.4.1 Évaluation
5.4.2 Conclusion
5.5 Conclusion
6 Prétraitements
6.1 Différents prétraitements
6.1.1 Normalisation
6.1.2 Réduction du nombre de données
6.1.3 Déconvolution dans le cadre de la boucle inductive
6.2 Propositions de sélection de données
6.2.1 Informations recueillies & signatures
6.2.2 Étude réalisée
6.2.3 Population de VL
6.2.4 Population de PL
6.2.5 Population de VL–PL
6.2.6 Conclusion
6.3 Propositions d’algorithmes de déconvolution
6.3.1 Contexte
6.3.2 Définition du problème
6.3.3 Algorithmes utilisés
6.3.4 Estimation de la signature « réelle »
6.3.5 Conclusion
6.4 Conclusion
7 Réidentification
7.1 Présentation
7.1.1 Méthodes sans apprentissage
7.1.2 Méthodes avec apprentissage
7.2 Propositions de classifieurs
7.2.1 Distance de Canberra
7.2.2 Séparateur à vaste marge
7.3 Détermination d’un seuil et utilisation de plusieurs méthodes
7.3.1 Introduction
7.3.2 Étude sur une base idéale
7.3.3 Étude sur une base perturbée
7.3.4 Conclusion
7.4 Nouvelle méthode d’évaluation
7.4.1 Contexte
7.4.2 Classification et comparaisons
7.4.3 Réidentification et comparaisons
7.5 Conclusion
8 Expérimentations
8.1 Temps de parcours
8.1.1 Contexte
8.1.2 Présentation des sites
8.1.3 Processus
8.1.4 Temps de parcours individuels
8.1.5 Conclusion
8.2 Matrice Origine – Destination
8.2.1 Contexte
8.2.2 SAROT1
8.2.3 SAROT2
8.2.4 Conclusion
8.3 Projet MOCoPo
8.3.1 Contexte
8.3.2 Présentation du site et des capteurs
8.3.3 Acquisition
8.3.4 Base de données
8.3.5 Matrice origine – destination
8.3.6 Conclusion
8.4 Conclusion
9 Conclusion
9.1 Bilan
9.2 Perspectives