Contributions à l’architecture d’une ville intelligente : amélioration de la gestion du trafic routier, de la détection des panneaux de signalisation et des feux tricolores.

Résumé

Cette thèse concerne l’amélioration de la fluidité du trafic et la gestion des situations d’urgence sur les routes urbaines en utilisant des techniques avancées telles que les réseaux véhiculaires ad hoc (VANET), le Deep Learning, la théorie des graphes et l’Internet des Objets (IoT). Le principal objectif est de résoudre le problème de congestion routière et de faciliter le déplacement des véhicules d’urgence tout en assurant une surveillance intelligente de l’état des infrastructures routières. Dans un contexte d’urbanisation croissante, la gestion efficace du trafic routier représente un défi majeur pour les villes intelligentes. Les congestions routières récurrentes, les difficultés rencontrées par les véhicules d’urgence pour traverser rapidement les zones urbaines, ainsi que la dégradation progressive des infrastructures routières engendrent des problématiques critiques tant en termes de mobilité que de sécurité publique. Comment peut-on alors optimiser la fluidité du trafic urbain, faciliter le passage des véhicules d’urgence et surveiller l’état des chaussées en minimisant les infrastructures additionnelles, tout en s’appuyant sur les technologies émergentes comme les réseaux véhiculaires ad hoc, l’intelligence artificielle et l’Internet des Objets ? Pour répondre à cette problématique, cette recherche poursuit plusieurs objectifs complémentaires : proposer une approche de détection de la saturation routière basée sur la surveillance des flux de trafic ; proposer une approche intelligente de gestion prioritaire des véhicules d’urgence en modifiant dynamiquement les feux de circulation ; proposer une méthode hybride de détection des feux de signalisation combinant la transformée de Hough, RANSAC et YOLOv8 ; proposer une approche de détection automatisée des nids-de-poule utilisant une approche multi-méthodologique fusionnant les techniques classiques de vision par ordinateur et les réseaux de neurones profonds pour atteindre une bonne précision de la détection ; intégrer également la reconnaissance des panneaux de signalisation pour renforcer la perception globale de l’environnement routier ; enfin, évaluer les performances réseau en termes de latence et de taux de livraison dans des scénarios VANET simulés avec RSU. Dans un premier temps, nous présentons les généralités sur les approches combinées de traitement d’image, de théorie des graphes et de communication véhiculaire. Ensuite, nous proposons une méthodologie d’optimisation du trafic urbain pour les véhicules d’urgence à l’aide de l’intelligence artificielle et de l’IoT, ainsi qu’un système de détection de la saturation du trafic fondé sur la communication inter-véhicules et les infrastructures RSU. À travers la modélisation des intersections urbaines par la théorie des graphes et la priorisation dynamique des véhicules d’urgence, nous optimisons les itinéraires en temps réel. Parallèlement, une méthode de détection visuelle est introduite, combinant la transformée de Hough, RANSAC et YOLOv8 pour la reconnaissance précise des feux tricolores et des panneaux de signalisation. Une méthode de détection des nids-de-poule est également développé, intégrant l’analyse par ondelettes, les techniques RANSAC pour la modélisation de surface, et le post-traitement haute précision des détections YOLOv8 avec Test Time Augmentation (TTA) et analyse multi-échelle, permettant une maintenance prédictive des infrastructures routières. Les résultats de cette recherche montrent une amélioration dans la gestion du trafic, réduisant non seulement les embouteillages mais aussi le temps de réponse des véhicules d’urgence, tout en permettant une surveillance automatisée de l’état des chaussées avec une bonne précision. Cette approche intégrée pourrait contribuer à sauver des vies en optimisant les interventions d’urgence et en prévenant les accidents liés à la dégradation routière. Cette étude ouvre la voie à un réseau routier urbain intelligent et réactif, répondant aux besoins de sécurité, d’efficacité et de maintenance prédictive des infrastructures de Smart City.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 4

Téléchargements : 0