Description du sujet de thèse

Motivation
Notre société est de plus en plus consciente de la contribution des modes de mobilité actuels à la crise climatique. C'est pourquoi des solutions innovantes de mobilité à faible émission de carbone sont encouragées par les décideurs et de plus en plus adoptées par les citoyens. On s'attend, par exemple, à ce que les véhicules électriques représentent 70 % des véhicules vendus d'ici à 2030. La Commission européenne, avec son plan Fit 55, envisage même d'interdire la vente de nouvelles voitures à essence et diesel dès 2035. Parallèlement, l'adoption des modes de micromobilité augmente considérablement. La micromobilité est un terme générique utilisé pour décrire la catégorie de transport utilisant des véhicules non conventionnels alimentés par des batteries et visant à réduire l'empreinte physique et environnementale nécessaire pour déplacer rapidement des personnes sur des distances relativement courtes. Avec la micromobilité, les modes de transport urbain se sont diversifiés très rapidement. Le défi pour les villes comprend l'organisation et l'aménagement de l'espace public et la promotion de la mobilité active à des fins de santé, étant donné la passivité de certains modes de micromobilité (les scooters électriques en particulier). La coexistence de ces modes dans les espaces partagés entraîne divers types de désagréments pour les autres usagers (personnes en fauteuil roulant, marchant avec un bébé dans une poussette, ou personnes âgées) et altère la perception de la sécurité, ce qui peut conduire les personnes vulnérables à être plus sédentaires. Au-delà de la perception, il est attesté que le nombre d'accidents dus aux e-scooters est en constante augmentation. Il est donc crucial de surveiller l'utilisation de ces modes de micromobilité en collectant des informations de manière dynamique et non intrusive, puis de formuler des recommandations pour des espaces partagés et une activité physique plus sûrs.
Travaux à réalier:
Trois tâches principales sont envisagées pour cette thèse :
a)- Modèle de mobilité à l'échelle de la ville : Cette tâche vise à développer un modèle de réseau dynamique pour la mobilité multimodale dans une ville. Pour cela, notre point de départ sera les travaux récents de l'équipe qui a développé un modèle de mobilité à grande échelle pour caractériser le mouvement quotidien des personnes dans un réseau urbain. Ce modèle est basé sur la modélisation de la mobilité des personnes entre leur lieu de résidence et 5 catégories de destinations (travail, écoles, etc.). Il génère un graphe avec des nœuds (origines et destinations) ainsi que leurs interconnexions à travers la matrice origine-destination qui caractérise : les directions, les poids et le profil temporel des connexions entre les nœuds. Le modèle simule le mouvement des personnes à un niveau agrégé (pas de distinction des individus, pas d'information sur les itinéraires reliant l'origine et la destination), Pratap et al. 2022. Il a été utilisé pour contrôler la propagation des épidémies tout en préservant la productivité du territoire, Niazi et al. 2021.
Pour le suivi de la mobilité multimodale, nous diviserons la ville en cellules. Chaque cellule définira un nœud des réseaux de mobilité. Chaque nœud aura plusieurs états représentant le nombre d'utilisateurs pour chaque mode de mobilité. La transition peut se faire d'un mode à l'autre. Par conséquent, il y aura une dynamique pour le mode de mobilité dans chaque nœud. Chaque nœud interagit avec ses voisins. Deux nœuds seront adjacents s'il existe au moins un mode à partir duquel les personnes peuvent passer d'un nœud à l'autre. Le graphe devrait être grand et dense avec des poids liés à la mobilité entre les nœuds. L'originalité de cette tâche réside dans la finesse de la description proposée et dans la distinction précise entre les modes de transport possibles, y compris les voitures, les transports publics et la micromobilité.
b)- Du discret au continu : nous développerons ici une contrepartie dynamique et continue au réseau urbain discret de la tâche précédente en utilisant des graphons (Ruiz et al, 2021) et/ou la continuation (Nikitin et al. 2021). Le réseau urbain de la tâche précédente est équipé d'une dynamique pour l'évolution des modes de mobilité. Nous nous attendons à ce que cette dynamique comporte des termes de diffusion et de transport : par conséquent, la dynamique appartient à une classe que nous sommes en mesure de traiter par des méthodes de continuation et de graphon (ou une combinaison des deux). Alors que l'interprétation géographique apparente est propice aux méthodes de continuation, les transports publics (tels que les tramways dans l'étude de cas de Grenoble) introduisent effectivement des connexions à longue distance et intègrent la parsimonie inhérente à la diffusion de la micromobilité.
c) - Estimation du réseau : L'objectif est de développer des techniques d'estimation d'état pour fournir une cartographie de l'utilisation des modes de transport. Le problème d'estimation consiste ici à : (i) estimer les poids de connexion (probabilités) dans le contexte de modèles de réseaux dynamiques ; (ii) estimer les états des nœuds ou des états agrégés afin de fournir une cartographie de la coexistence des modes de transport. Les poids de connexion seront traités comme des données fonctionnelles. Il s'agit donc d'estimer le tenseur des poids (ou probabilités de connexion ; tenseur signifie ici réseau multi-voies) à partir de mesures partielles fournies par des personnes utilisant des détecteurs de modes de mobilité (Taia-Alaoui et al. 2022) ou d'autres capteurs tels que des détecteurs de boucles pour véhicules et vélos (ces derniers sont disponibles dans la ville de Grenoble et notre équipe a acquis une expérience dans le traitement de données similaires en construisant les plates-formes GTL et GTL-Villle). Cette tâche inclura des méthodes pour la complétion dynamique de réseaux en utilisant l'approximation des graphes, qui seront nécessaires pour faire face à des observations partielles. Ces méthodes seront basées sur des méthodes connexes proposées pour le filtrage collaboratif, telles que (Shah et Lee, 2018). En outre, nous développerons des techniques pour détecter (malgré des données bruitées et éventuellement fragmentaires) les zones de conflit potentielles, où les problèmes de conflit et de sécurité découlent des taux élevés de pénétration des modes de micromobilité tels que l'e-scooter (Dozza et al. 2022).
References
Dozza, M., Violin, A., and Rasch, A. A data-driven framework for the safe integration of micro-mobility into the transport system: Comparing bicycles and e-scooters in field trials, Journal of Safety Research, Vol. 81, 2022, Pages 67-77.
Niazi, M.U.B., Canudas de Wit, C., Kibangou, A.Y., and Bliman, P.-A. (2021). “Optimal control of urban human mobility for epidemic mitigation”, 60th IEEE Conference on Decision and Control (CDC), Austin, TX USA.
Niazi, M.U.B, C. Canudas-de-Wit, C., and A. Kibangou. Average state estimation in large-scale clustered network systems. IEEE Transactions on Control of Network Systems, 7(4):1736–1745, 2020
Nikitin, D., Canudas-de-Wit, C., and Frasca, P. A continuation method for large-scale modeling and control: from ODEs to PDE, a round trip. IEEE Trans. on Automatic Control, 67 (10): 5118-5133, 2021
Pratap, U., Canudas-De-Wit, C., and Garin, F. (2022). “Where, When and How people move in large-scale urban networks: the Grenoble saga”, submitted to Transportation Research Part C: Emerging Technologies.
Ruiz, L., Chamon, L.F., and Ribeiro, A.. Graphon signal processing. IEEE Trans. on Signal Processing, 69:4961–4976, 2021
D. Shah and C. Lee. Reducing crowdsourcing to graphon estimation, statistically. In International Conference on Artificial Intelligence and Statistics, pages 1741–1750, 2018.
Sosoe, K. “Modeling of multimodal transportation systems of large networks”, PhD thesis. Univ. Paris Est, 2017.
Pasquale, C., Siri, E., Sacone, S., and SIri, S. (2021). “ A discrete-time model for large scale multimodal transport networks” 16th IFAC symposium on Control in Transportation Systems (CTS 2021), Lille, France
Taia Alaoui, F., Fourati,H., Kibangou, A., Robu, B., and Vuillerme, N. Urban transportation mode detection from inertial and barometric data in pedestrian mobility. IEEE Sensors Journal, 22(6):4772–4780, 2022.

Contexte de travail

Le Gipsa-lab est un laboratoire de recherche mixte du CNRS, Grenoble-INP -UGA et de l'Université de Grenoble Alpes. Il est conventionné avec l'Inria et l'Observatoire des Sciences de l'Univers de Grenoble. Il mène des recherches théoriques et appliquées sur l'AUTOMATIQUE, le SIGNAL, les IMAGES, la PAROLE, la COGNITION, la ROBOTIQUE et l'APPRENTISSAGE.
Pluridisciplinaire et à l'interface entre l'humain, les mondes physiques et numériques, nos recherchent se confrontent à des mesures, des données, des observations provenant des systèmes physiques, physiologiques, cognitifs. Elles portent sur la conception de méthodologies et d'algorithmes de traitement et d'extraction de l'information, de décisions, d'actions et de communications viables, performants et compatibles avec la réalité physique et humaine. Nos travaux s'appuient sur des théories mathématiques et informatiques pour le développement de modèles et d'algorithmes, validés par des implémentations matérielles et logicielles.
En s'appuyant sur ses plateformes et ses partenariats, Gipsa-lab garde un lien constant avec des applications dans des domaines très variés : la santé, l'environnement, l'énergie, la géophysique, les systèmes embarqués, la mécatronique, les procédés et systèmes industriels , les télécommunications, les réseaux, les transports et véhicules, la sécurité et la sûreté de fonctionnement, l'interaction homme-machine, l'ingénierie linguistique, la physiologie et la biomécanique…
De part la nature de ses recherches, Gipsa-lab est en relation directe et constante avec le milieu économique et la société.
Son potentiel d'enseignants-chercheurs et chercheurs est investi dans la formation au niveau des universités et écoles d'ingénieurs du site grenoblois (Université Grenoble Alpes).
Gipsa-lab développe ses recherches au travers de 16 équipes ou thèmes organisés en 4 pôles :
• Automatique et Diagnostic (PAD)
• Science des Données (PSD)
• Parole et Cognition (PPC)
• Géométries, Apprentissage, Information et Algorithmes (GAIA).
Le personnel accompagnant la recherche (38 ingénieurs et techniciens) est réparti dans les services communs répartis au sein de 2 pôles :
• Le Pôle Administratif et Financier
• Le Pôle Technique
Gipsa-lab compte environ 150 permanents dont 70 enseignants-chercheurs et 41 chercheurs. Il accueille également des chercheurs invités, des post-doctorants.
Gipsa-lab encadre près de 150 thèses dont environ 50 nouvelles chaque année. Toutes les thèses effectuées au laboratoire sont financées et encadrées par des enseignants-chercheurs et chercheurs dont 50 titulaires d'une HDR.
Enfin, une soixantaine de stagiaires de Master vient chaque printemps grossir les rangs du laboratoire.