Rapport Année : 2024

Rapport d’avancement AMCER n°12 : Applications de l’IA et de l’apprentissage automatique à la sécurité du transport ferroviaire. Une revue de littérature

Résumé

Outre les systèmes basés sur la connaissance (ou système expert), les techniques d'acquisition de connaissances, les méthodes de représentation et formalisation des connaissance, l'IA a mis en œuvre plusieurs autres méthodes et techniques comme l’apprentissage automatique (supervisé, semi-supervisé, non supervisé), l’apprentissage profond (ou apprentissage en profondeur) tels que les réseaux de neurones artificiels (ANN), les algorithmes génétiques (GA), la reconnaissance de formes (souvent associée au traitement d'images), les systèmes flous basés sur la théorie des ensembles flous proposée par L. Zadeh en 1965, le Big Data Analytics (BDA), le raisonnement par cas (Case-Based Reasoning : CBR), le traitement du langage naturel (NLP),l’Internet des objets (IoT), la Cybersécurité , etc. Cependant, le manque d'interopérabilité entre ces techniques d'IA « classiques » et leurs insuffisances pour capitaliser, partager et réutiliser les connaissances du domaine ont orienté la recherche vers le développement de nouvelles approches basées sur des ontologies et des graphes de connaissances en vue de mieux structurer, réutiliser et représenter de manière formelle et explicite les connaissances. Après avoir étudié successivement les applications d’IA et de ML dans les transports intelligents, les transports publics, l’infrastructure, l’accent sera mis sur le domaine de transport ferroviaire et en particulier la sécurité ferroviaire. Cette étude montre que les étapes d'acquisition, de récupération, d’analyse, de structuration, de formalisation, de modélisation, de traitement et d’interprétation des données produites par un système d’apprentissage posent un problème crucial dans le domaine de transport ferroviaire. En outre, avec des modèles d’apprentissage profonds complexes qualifiés souvent de « boîtes noires », on a du mal à comprendre comment et pourquoi les mécanismes de raisonnement internes du système d’IA ont un impact sur la solution et les prédictions envisagées. La nouvelle approche d'IA explicable (XAI) ou d'apprentissage automatique explicable (XML), peut apporter un élément de réponse à ce problème notamment lorsqu’on traite un problème décisif comme celui de la sécurité des transports ferroviaires. Ce rapport est organisé en plusieurs paragraphes. Le premier présente sommairement les travaux connexes sur les applications de l'IA et du ML dans plusieurs secteurs des transports : transports intelligents, transports publics, infrastructures et transport ferroviaire. Le deuxième paragraphe propose de compléter les travaux antérieurs en incluant d'autres travaux sur les ontologies et les graphes de connaissances qui sont essentiels pour mieux clarifier et intégrer les connaissances dans le domaine de la sécurité ferroviaire. Par ailleurs, pour clarifier certaines notions essentielles liées à la sécurité et à l'interopérabilité du système ferroviaire européen, il convient de recourir à la réglementation ferroviaire européenne en vigueur : la Directive 2012/34/UE (Développement), la Directive (UE) 2016/797 (Interopérabilité) et la Directive (UE) 2016/798 (Sécurité). L’objectif est de positionner les applications IA et ML par rapport aux principaux actes législatifs européens et ainsi d’aider les acteurs ferroviaires, notamment les exploitants ferroviaires et les autorités nationales de sécurité, à comprendre les apports et les limites des approches développées par l’IA. Ainsi, le troisième paragraphe rappelle les principales notions impliquées dans la législation et la réglementation relatives à la sécurité et à l'interopérabilité du système de transport ferroviaire européen. Il présente 1) les concepts de base liés à la sécurité ferroviaire conformément à la directive (UE) 2016/798 et 2) une décomposition du système de transport ferroviaire conformément aux deux directives : Directive 2012/34/UE et Directive (UE) 2016 /797. Cette étude conduit à une décomposition du système ferroviaire européen en éléments « structurels », éléments « fonctionnels », « équipements » et « constituants interopérabilité ». Le quatrième paragraphe propose une revue de la littérature sur les principaux travaux développés en IA et ML pour améliorer l’exploitation, la maintenance et l’analyse des accidents ferroviaires. Les applications étudiées seront classées conformément à la réglementation ferroviaire européenne, en distinguant les « éléments structurels » (infrastructures, énergie, matériel roulant, contrôle-commande et signalisation) et les « éléments fonctionnels » (exploitation et gestion du trafic, entretien/maintenance et applications télématiques au service des voyageurs et au service du fret). Cette littérature abondante en IA, l'ambiguïté du vocabulaire, l'absence de définitions de référence rigoureuses, les problèmes liés à la qualité des données d'entraînement, la difficulté de comprendre et d'interpréter les résultats de certains modèles d’apprentissage profond rendent la perception du domaine difficile et complexe. Pour apporter un élément de réponse à ces contraintes, le dernier paragraphe propose quelques pistes et orientations pour améliorer un processus d'apprentissage destiné à la sécurité ferroviaire. Cette étude porte sur une centaine d’articles répartis dans une quarantaine de revues et conférences dédiées au transport ferroviaire.

Fichier non déposé

Dates et versions

hal-04764031 , version 1 (03-11-2024)

Identifiants

  • HAL Id : hal-04764031 , version 1

Citer

Habib Hadj-Mabrouk. Rapport d’avancement AMCER n°12 : Applications de l’IA et de l’apprentissage automatique à la sécurité du transport ferroviaire. Une revue de littérature. VPR_12, Université Gustave Eiffel. 2024, 67p. ⟨hal-04764031⟩

Collections

216 Consultations
0 Téléchargements

Partager

  • More