Ce mémoire traite du problème de renouvellement d’une flotte de véhicules. Il présente le contexte, les motivations et les facteurs à considérer dans le processus de renouvellement. Des outils d’aide à la décision pour l’élaboration du plan de renouvellement, de la sélection de nouveaux véhicules et de la gestion de la maintenance de la flotte sont proposés. Le mémoire fait état également des coûts à prendre en considération et ce, sur tout cycle de vie de chaque véhicule. Le contenu de ce mémoire peut être exploité aussi bien par les gestionnaires de flottes de véhicules que par des chercheurs qui s’intéressent à l’analyse de cycle de vie de véhicules dans une perspective de développement durable. / This thesis deals with the issues related to the vehicles fleet renewal. It presents de context, motivations and factors to consider in the renewal process. Decisions-making tools to support the development of the renewal plan, the selection of new vehicles and fleet maintenance management are proposed. The thesis also refers to the cost to consider throughout the life cycle of each vehicle. The contents of this thesis should prove useful to both fleet managers and researches interested in costs analysis with regard to the life cycle of vehicles within a perspective of sustainable development.

Titre de l'écran-titre (visionné le 5 septembre 2023) / Ce mémoire porte sur la localisation d'un véhicule de transport collectif dans un milieu urbain. L'approche proposée se fait en 2 phases : une phase de construction de la carte globale du trajet d'intérêt et une phase de localisation. Lors de la phase de construction de la carte, la carte est construite à partir des données de localisation de vérité terrain et de keypoints Intrinsic Shape Signature extraits des nuages de points locaux obtenus à l'aide d'un LiDAR monté sur le véhicule. Les keypoints sont mis en registre avec la méthode du plus proche voisin pour construire la carte. Lors de la phase de localisation, les données récoltées sont les données d'odométrie et les nuages de points obtenus par un LiDAR. Pour localiser le véhicule, on exploite un filtre à particules. Dans un premier temps, les keypoints Intrinsic Shape Signature sont extraits du nuage de points. Ensuite, les particules sont déplacées selon les mesures d'odométrie. Ensuite, l'algorithme Iterative Closest Point avec une erreur point à point sur les keypoints est appliqué sur chaque particule pour raffiner la pose de celles-ci. Puis le poids de chaque particule est mis à jour avec un calcul d'erreur basé sur les plus proches voisins entre la carte et les keypoints du scan local. Finalement, la pose du véhicule est estimée par un moyenne pondérée des 10% des particules ayant les poids les plus élevés. La méthode proposée est validée expérimentalement sur 2 sessions du jeu de données North Campus Long-Term. Ce jeu de données est récolté sur le campus de l'Université du Michigan en 27 sessions étalées sur 15 mois. Les résultats obtenus démontrent une erreur de 0.106 m et de 0.229 m pour les sessions "2012-01-08" et "2012-08-04". / This thesis is about the localization of a collective transportation vehicle in an urban setting. The proposed approach is done in two stages: a mapping stage and a localization stage. During the mapping stage, the map is built from ground truth pose data and from Intrinsic Shape Signature keypoints extracted from a point cloud obtained with a LiDAR mounted on the vehicle. The keypoints are registered with the closest neighbors method to build the map. During the localization stage, the data used are odometry measure and point cloud obtained with a LiDAR. To locate the vehicle, we make use of a particle filter. First, we extract the keypoints from the local scan. Then, the particles are moved based on the odometry measurements. Then, the Iterative Closest Point algorithm with a point to point error on the keypoints is applied to each particle to refine its pose. The particle's weight is updated with an error based on the nearest neighbours between the map and the keypoints from local scan. Finally, the vehicle's pose is estimated by a weighted mean of the 10% of the particles with the greater weights. The proposed method is validated on 2 sessions from the dataset North Campus Long-Term. This dataset was taken on the campus of University of Michigan on 27 sessions over the course of 15 months. The results show an error of 0.106 m and of 0.229 m on the sessions "2012-01-08" and "2012-08-04".

Ce mémoire traite de la modélisation et la simulation dynamique d'un système d'arrimage utilisé dans le transport d'équipements hors normes. L'arrimage des charges dans ce type de transport s'effectue à l'aide de chaînes que l'opérateur du véhicule appose de manière à ancrer la charge directement sur la semi-remorque. Ce projet nécessite la modélisation d'un véhicule dans le but d'effectuer des man?uvres prédéterminées. Le véhicule doit effectuer ces man?uvres dans le but d'induire des accélérations critiques au chargement. Ce projet de recherche vise à étudier la performance du système d'arrimage en terme de tension induite dans les chaînes lors de man?uvres. En effet, il est important d'assurer la sécurité de l'arrimage de telle sorte que la force engendrée dans les chaînes ne dépasse pas la limite de charge nominale prescrite par les fabricants de composantes d'arrimage. De plus, la recherche permet d'étudier différentes configurations d'arrimage dans le but d'étudier l'impact de la disposition des chaînes sur la qualité de l'arrimage.

Les travaux présentés dans cette thèse concernant la modélisation et la commande des suspensions pour améliorer le comportement et les performances des véhicules, face aux diverses sollicitations (conducteurs,route,...). Après avoir présenté différents modèles simple, destinés à la commande de suspension d'un quart, d'un demi ou d'un véhicule complet, des critères permettant de quantifier les performances des suspensions sont donnés. Un bref état de l'art de la commande des suspensions et des méthodes de commandes utilisées dans ce travail sont aussi présentées. La contribution principale de ce travail concerne la commande d'un modèle d'un quart de véhicule à deux degrés de liberté. Deux méthodologies de commande génériques (placement de pôle, H-infini) et une spécifique aux suspensions (SKyhook) sont étudiées. La robustesse en stabilité et en performances (vis-à-vis de variations paramétriques) de ces trois systèmes de commande, est ensuite étudiée à l'aide de la mu-analyse. Ces trois commandes sont ensuite appliquées sur un modèle non-linéaire plus précis. Ce travail se termine par la synthèse d'une commande H-infini d'un modèle demi-véhicule de type essieu, puis, par l'application d'une loi de commande par retour d'état, permettant simultanémant le découplage ligne par ligne et le rejet des perturbations, sur un modèle complet de véhicule à 7 degrés de liberté.

Ce mémoire compare le pouvoir prédictif de 6 modèles de demande d’essence au Canada. Le modèle de tendance linéaire, le modèle à tendance quadratique, le modèle à tendance exponentielle, le modèle d’ajustement partiel ainsi que deux modèles basés sur l’approche Box-Jenkins ont été évalués. Le modèle d’ajustement partiel permet de montrer que la demande d’essence est inélastique par rapport au revenu ainsi qu’au prix. Toutefois, l’élasticité-revenu est plus forte que l’élasticité prix. Sur base de cette analyse, il est prévu qu’en 2020, au quatrième trimestre, la demande d’essence par habitant au Canada augmentera de moins d’un pourcent relativement au quatrième trimestre 2009.

Ce mémoire présente les concepts théoriques et pratiques qui permettront à un groupe de véhicules sans-pilote hétérogène d'estimer la position et l'orientation relative des véhicules voisins en temps réel. Le système de localisation relative leur permettra donc de se coordonner localement afin d'effectuer des missions d'équipe telles que le transport d'une charge et le vol en formation. La localisation relative est effectuée avec une matrice de capteurs ultrasoniques et un algorithme de différence de temps d'arrivée des signaux. Le système présenté peut être monté à bord de véhicules sans-pilote et ne requiert pas d'architecture externe.

Cette thèse explore la localisation et la poursuite de véhicules à partir d'une caméra. Pour réaliser cela, nous avons convenu d'utiliser les classificateurs en cascade pour localiser les véhicules et les filtres à particules pour la poursuite. Les classificateurs en cascade nous permet d'analyser toute l'image en un temps acceptable. Cette approche est expérimentée avec différentes caractéristiques ainsi qu'avec des données artificielles générées spécifiquement pour améliorer la performance de notre classificateur. Il convient de préciser qu'avec les filtres à particules, nous pouvons exploiter la continuité des vidéos. Pour cela, il convient d'utiliser les véhicules que nous avons déjà identifiés, pour localiser les véhicules présents dans les frames suivants. Nous avons proposé une technique pour adapter notre filtre à particules à la séquence vidéo sous analyse. Notre modèle est évalué sur trois séquences vidéo différentes. Les tests ont été répétés plusieurs fois en faisant varier différents paramètres et caractéristiques. / This thesis explores vehicle localization and tracking from a dashboard camera. To achieve that, we use cascading classifiers to find the vehicles within each frame and particle filters to track them across the video. Cascading classifiers allow us to analyze the whole image in a short amount of time while maintaining accuracy. We experiment this approach using different features as well as using artificially generated training data to boost the classifier's performance. With particle filters we are able to exploit the continuity in the video. To do that, we use the identified vehicles in previous frames to locate the ones in future frames. Since the conditions can vary from video to video, we propose a technique to adapt our particle filter to each video sequence. We present our results over three different video sequences testing our approach multiple times for different parameters and features.

Tableau d'honneur de la Faculté des études supérieures et postdoctorales, 2005-2006 / La conduite collaborative est un domaine lié aux systèmes de transport intelligents, qui utilise les communications pour guider de façon autonome des véhicules coopératifs sur une autoroute automatisée. Depuis les dernières années, différentes architectures de véhicules automatisés ont été proposées, mais la plupart d’entre elles n’ont pas, ou presque pas, attaqué le problème de communication inter véhicules. À l’intérieur de ce mémoire, nous nous attaquons au problème de la conduite collaborative en utilisant un peloton de voitures conduites par des agents logiciels plus ou moins autonomes, interagissant dans un même environnement multi-agents: une autoroute automatisée. Pour ce faire, nous proposons une architecture hiérarchique d’agents conducteurs de voitures, se basant sur trois couches (couche de guidance, couche de management et couche de contrôle du trafic). Cette architecture peut être utilisée pour développer un peloton centralisé, où un agent conducteur de tête coordonne les autres avec des règles strictes, et un peloton décentralisé, où le peloton est vu comme une équipe d’agents conducteurs ayant le même niveau d’autonomie et essayant de maintenir le peloton stable. / Collaborative driving is a growing domain of Intelligent Transportation Systems (ITS) that makes use of communications to autonomously guide cooperative vehicles on an Automated Highway System (AHS). For the past decade, different architectures of automated vehicles have been proposed, but most of them did not or barely addressed the inter-vehicle communication problem. In this thesis, we address the collaborative driving problem by using a platoon of cars driven by more or less autonomous software agents interacting in a Multiagent System (MAS) environment: the automated highway. To achieve this, we propose a hierarchical driving agent architecture based on three layers (guidance layer, management layer and traffic control layer). This architecture can be used to develop centralized platoons, where the driving agent of the head vehicle coordinates other driving agents by applying strict rules, and decentralized platoons, where the platoon is considered as a team of driving agents with a similar degree of autonomy, trying to maintain a stable platoon.

L’identification de systèmes est un sujet très utilisé à la fois dans le monde académique et industriel. Des nombreuses méthodes d’identification de systèmes invariants dans le temps existent dans la littérature et beaucoup d’algorithmes sont utilisés dans la modélisation pratique des systèmes. Ces outils offrent des résultats satisfaisants, mais ils ne sont pas capables de reproduire le caractère non linéaire présent dans les comportements des systèmes physiques. Ce besoin a conduit à l’apparition de la classe des systèmes linéaires à paramètres variants (LPV), capable de modéliser les aspects non linéaires des systèmes. Dans le cadre de cette thèse, différentes méthodes d’identification « classiques » ont été étudiées et modifiées pour prendre en compte le cas des modèles LPV.Dans un premier temps une étude sur les représentations et discrétisations des systèmes LPV a été réalisée. Ensuite, les méthodes à erreur de prédiction ont été étudiées et appliquées en vue d’identifier le comportement latéral d’un véhicule, en considérant la vitesse du véhicule comme paramètre variant. Les méthodes à erreur de prédiction ont été également appliquées afin de modéliser un convertisseur de puissance Buck, dont le comportement est sensible au changement de la résistance de charge, considérée comme paramètre variant. L’étude a été poursuivie avec la conception d’une loi de commande H_∞ de type LPV, appliquée au cas du convertisseur.Finalement, les méthodes des sous-espaces classiques ont été abordées et modifiées pour identifier les modèles LPV et appliquées au cas du comportement latéral d’un véhicule. / The identification system is a topic widely used both in the academic world and industry. Several methods of identification of time invariant systems exist in literature and many algorithms are used in practice for modeling real systems. These tools offer satisfactory results, but they are not able to reproduce the non-linearity occurring in the behavior of physical systems. The necessity of more has led to the occurrence of the class of linear systems parameter varying (LPV), able to model the nonlinear system aspects. In this thesis, different classical identification methods have been studied and their structures were modified, in order to take into account the LPV models. First, a study of representations and discretization of LPV models was performed. In the sequel, the prediction error methods have been studied and modified in order to take into account LPV models. This method was used to identify the lateral behavior of a vehicle, considering the speed of the vehicle as varying parameter. The prediction error method has also been applied to model a Buck converter, the behavior of which is sensitive to the changes of load resistance, the considered varying parameter. The study was continued with the design of a H_∞ LPV control law, applied to the converter. Finally, subspace methods were studied, modified for LPV models and applied to identify the lateral behavior of a vehicle.

Cette thèse présente une méthode de suivi et de classification conjoints en temps réel d'un nombre variable d'objets tels que des piétons et/ou des véhicules, sous conditions d'illumination variables au cours du temps. La méthode retenue entre dans le champ du suivi Multi-Objets par Filtre Particulaire, dont la clé de voûte est l'échantillonnage des particules. Nous examinons deux familles de filtres particulaires : les Filtres Particulaires Partitionnés, et les Filtres Particulaires par Chaîne de Markov (FP MCMC). Nous comparons ensuite leurs performances sur des données de synthèse. Les résultats obtenus montrent la supériorité du Filtre Particulaire MCMC. Un système de suivi et classification conjoints en temps réel d'un nombre variable d'ojets tels que des piétons et/ ou des véhicules, sous illumination variable, est ensuite présenté. La mesure est délivrée par une ou plusieurs caméras statiques. Nous avons délibérément choisi d'alimenter le filtre avec une observation pauvre, reposant uniquement sur une segmentation binaire avant-plan / arrière-plan basée sur un modèle de l'arrière-plan mis à jour en ligne à chaque image. Pour résister aux variations d'illumination, les ombres sont modélisées et le filtre est étendu afin de suivre conjointement le soleil et les objets. Les résultats de suivi et classification en temps réel sont présentés et discutés sur des séquences réelles et sur des séquences de synthèse, impliquant plusieurs catégories d'utilisateurs tels que des piétons, des voitures, des camionettes et des poids lourds.