Ning Wang, vice-doyen du département Électronique Automobile et Intelligence Artificielle de l’École des études automobiles de l’Université Tongji

Les flottes de Robotaxis électriques suscitent l’attention des gouvernements, des opérateurs de transport et des passagers, comme une forme possible d’application commerciale de la conduite autonome, en particulier du fait de leur avantage unique pour la distanciation sociale pendant des périodes comme la pandémie de COVID-19. L’adoption à grande échelle des Robotaxis nécessite toutefois une infrastructure de charge complète pour éviter les problèmes de capacité de recharge malgré une faible utilisation au départ du réseau électrique alimentant les bornes EVCSs (Electric Vehicle Charging Stations) . On constate déjà des incohérences dans la répartition de ces bornes par rapport aux besoins des premiers acheteurs de véhicules électriques.
Dans ce contexte, l’étude a proposé une stratégie d’optimisation en plusieurs étapes consistant à dimensionner la flotte de robotaxis, simuler la demande de services de recharge et de construire un modèle d’offres de ces services permettant de proposer une solution en termes de capacité et de localisation des EVCS .
En première étape, un modèle de réseau de partage de véhicules a été développé pour déterminer la taille basé minimale de la flotte de Robotaxis nécessaire pour répondre ux besoins des usagers de façon satisfaisante, en utilisant l’algorithme Hopcroft-Karp de la théorie des graphes. Dans la deuxième étape, la répartition spatio-temporelle spécifique de la demande de recharge de la flotte a été obtenue par simulation de Monte-Carlo en tenant compte des caractéristiques de ces processus de recharge et des contraintes d’exploitation des Robotaxis. Dans la troisième étape, un modèle d’optimisation de la localisation et de la capacité a été établi avec l’objectif de minimiser les coûts globaux (algorithme d’optimisation par essaim de particules (IPSO) avec des Opérateurs Génétiques pour augmenter la diversité des besoins). Enfin, une étude de cas sur des demandes réelles d’usagers et les données géographiques de la ville de Chengdu a montré les avantages de algorithme proposé en termes de vitesse d’itération, d’effectivité de la convergence finale, sans augmentation significative du temps d’exécution.
Ning Wang

Mots clefs : Station de recharge pour véhicule électrique, optimisation de l’emplacement et de la capacité , simulation Monte Carlo, optimisation essaim de particules, Flottes de Robotaxis,, simulation Monte Carlo, essaim de particules