Thse Nadeen SALAMEH Litis Version Dfinitive

Institut National des Sciences Appliquées de Rouen
Laboratoire d’Informatique, du Traitement de l’Information et des Systèmes
Thèse de doctorat
Discipline : Informatique
présentée et soutenue le 4 Novembre 2011 par
Nadeen SALAMEH
Pour obtenir le titre de
DOCTEUR DE L’INSA DE ROUEN
Conception d’un système d’alerte embarqué

basé sur les communications entre véhicules
soutenue devant le jury composé de :
M. Jean LE BIHAN (Rapporteur) Professeur, RESO, ENIB de Brest

M. Iyad DAYOUB (Rapporteur) Maître de Conférences HDR, IEMN, U.Valenciennes
M. Fawzi NASHASHIBI (Examinateur) HDR, Responsable du groupe IMARA, INRIA
M. Frédéric GUINAND (Examinateur) Professeur, LITIS, U. Le Havre
M. Abdelaziz BENSRHAIR (Directeur) Professeur, LITIS, INSA de Rouen
M. Stéphane MOUSSET (Encadrant) Maître de Conférences, LITIS, U. de Rouen

A ma patrie bien-aimée, La SYRIE
A mes parents
A…

Remerciements
Cette thèse a été effectuée au sein de l'équipe STI du laboratoire LITIS à l'INSA de Rouen.
Le travail de ma thèse pendant quatre ans m'a conduit d'une part d'apercevoir les aspects positifs
de recherche scientifique et d'approfondir ma connaissance au domaine de communications entre
véhicules. D'autre part, elle m'a permet de vivre le travail en équipe et de m'intégrer dans une
société accueillante et très riche en histoire et culture. En fin, cette thèse n'était pas seulement une
expérience scientifique très riche mais aussi une grande expérience humaine pour moi.
La présente thèse n'aurait pas été possible sans le bienveillant soutien de certaines personnes qui
ont contribué au bon déroulement de cette thèse. Et je ne suis pas non plus capable de dire dans les
mots qui conviennent, le rôle qu'elles ont pu jouer à mes côtés pour en arriver là. Cependant, je
voudrais les prier d'accueillir ici tous mes sentiments de gratitude qui viennent du fond de mon
cœur, en acceptant mes remerciements.
Je tiens à remercier particulièrement Monsieur Stéphane CANU, directeur du Litis, de m'avoir

accueilli dans ce laboratoire.
Je voudrais exprimer ma gratitude à Monsieur Jean LEBIHAN, Professeur à l'Ecole Nationale

d'Ingénieurs de Brest (ENIB) et à Monsieur Iyad DAYOUP, Maître de Conférences et HDR au
laboratoire IEMN à l'université de Valenciennes, pour le temps précieux qu'ils m'ont consacré en
acceptant d'être membres de comité de l'évaluation de ma thèse ainsi que leurs conseils pour
l'avancement de ce travail. Je les remercie spécialement pour l'honneur qu’ils m'ont fait d'avoir
acceptés la lourde tâche de rapporteurs. J'adresse également mes sincères remerciements à
Monsieur Fawzi NASHASHIBI, Directeur du Centre de recherche de la robotique- Paris Tech
Mines pour le temps qu'il m'a accordé en acceptant d'être examinateur de ma thèse. Je suis
reconnaissant à Monsieur Frédéric Guinand pour l'honneur d'être examinateur de ma thèse et aussi
l'honneur qu'il me fait en acceptant de présider le jury de cette soutenance de thèse.
Je tiens à remercier particulièrement Monsieur le professeur Abdelaziz BENSRHAIR, qui m'a

accueillie au sein de son équipe de recherche STI au laboratoire LITIS. Il m'a confié ce travail en
tant que directeur de thèse. Je le remercie pour la confiance qu’il m'a accordée, sa gentillesse, son
soutien, ses généreux secours au cours de certains de mes moments difficiles ont été d'une très
grande qualité, ses conseils sur le déroulement de ma thèse et sa grande disponibilité tout au long
de ces travaux. Qu'il trouve ici l'expression de mes sincères remerciements.
Mes plus chaleureux remerciements s'adressent à Monsieur Stéphane MOUSSET, Maître des
conférences à l'université de Rouen et encadrant de cette thèse. Pour son aide précieuse, ses
conseils avisés, son soutien constant, sa patience, son écoute, sa connaissance scientifique et
technique, sa confiance et les nombreux encouragements qu’il m'a apportés dans la réalisation de
ce travail en me guidant pour que je puisse arriver à la fin de mon chemin de la recherche. Je le

remercie également pour le temps qu'il a consacré à corriger mon manuscrit de thèse. Qu’il trouve
ici l'expression de ma profonde reconnaissance.
A Monsieur Jean François BRULARD, technicien du LITIS pour ses services rendus, son aide
technique apportée tout au long de mes études. Je remercie également SandraHAGUE et Brigitte
DIARA pour leurs services et leur accueil sympathique.
A l'Université d’Albaath en Syrie:
Pour m'avoir accordé la bourse qui m'a permis de continuer mes études supérieures en France et
principalement à Monsieur Abdel-Karim AL-SALEM et Monsieur Baseem OMRAN, Professeurs à
l’Université d'AL-BAATH pour leurs conseils et leurs idées pendant mes études.
A tous mes professeurs en Syrie et en France.
A l'ensemble des étudiants, anciens et actuels, du LITIS:
Dans le désordre, à Firas, Sourour, Georges, Bassam, Amnir, Yaqian, Waleed, Carlo, Sami, Yadu,
Alina, Jimmy, Benjamin, Rémi, Florian, Xilan, Abou, et bien d'autres encore. En souvenir des
moments inoubliables partagés ensemble, de leur accueil aimable, de leur confiance, de leur soutien
moral, leur amitié et des moments partagés qui ont rendu l'ambiance du travail agréable. Qu'ils
trouvent ici mes salutations les meilleures.
Je ne pourrais jamais oublier mes meilleurs amis en Syrie et en France qui ont partagé avec moi
des moments difficiles et m'ont aidé à surmonter l'adversité, ils m’ont également permis
d'accomplir la mission la plus importante de ma vie avec succès par leurs compétences et leur
disponibilité. Je mentionne plus principalement Ali, Saoussen, Majd, Darine et Ramia. Merci de
m’avoir toujours écouté à cœur ouvert. Merci pour le soutien l’aide et l'amitié que vous m'avez
apportés durant ces années.
Et bien évidemment, je ne voudrais pas terminer sans une pensée toute particulière pour mes
parents Mohammad et Afaf qui ont porté ensemble toute la responsabilité pour assurer notre
autonomie dans la vie, tout leur soutien et leur appui inconditionnel. Ma petite sœur Kinanah que
j’aime beaucoup, mes deux frères Alaa et Allam qui sont toujours disponibles pour tout soutien.
Merci à toute ma famille d’avoir toujours été fière de moi. Enfin Merci à tous ceux qui m’ont
apporté un jour, support et soutien et dont j’ai oublié de mentionner dans ces lignes.
Table des matières
1 Introduction 5
1.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Importation des positions de véhicules dans le simulateur de réseau sans
fil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Interaction entre le simulateur ns-2 et le logiciel de prototypage avancé
en temps réel RTMaps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Organisation de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Etat de l’art 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Les systèmes avancés d’aide à la conduite . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1 Les systèmes ADAS autonomes . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2 Les systèmes ADAS coopératifs . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.3 Le système d’alerte et de prévention du risque . . . . . . . . . . . . . . . 24
2.3 Système de communications inter-véhicules . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Le modèle OSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.3 Les technologies de communications pour les réseaux véhiculaires existantes 27
2.3.4 Architecture de réseaux VANETs . . . . . . . . . . . . . . . . . . . . . . 33
2.3.5 Les grands projets sur les véhicules communicants . . . . . . . . . . . . . 36
2.3.6 Expérimentation de communication entre véhicules . . . . . . . . . . . . 39
2.3.7 Les protocoles de routage . . . . . . . . . . . . . . . . . . . . . . . . . . 40
ii Table des matières
2.3.8 Applications de réseaux VANETs . . . . . . . . . . . . . . . . . . . . . . 44

2.3.9 Les simulateurs de réseaux Ad-hoc sans fil . . . . . . . . . . . . . . . . . 45
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Coopération entre deux systèmes logiciels 49

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Présentation de notre approche coopérative . . . . . . . . . . . . . . . . . . . . . 50
3.2.1 Présentation de RTMaps . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.2 Le système de communication . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.3 Présentation de l’outil de simulation ns-2 . . . . . . . . . . . . . . . . . . 54
3.2.4 Approche coopérative entre deux systèmes logiciels . . . . . . . . . . . . 64
3.3 Le module de communication V2V sous ns-2 . . . . . . . . . . . . . . . . . . . . 66
3.3.1 Les caractérisations des couches sous ns-2 . . . . . . . . . . . . . . . . . 66
3.3.2 Les caractéristiques d’une simulation V2V sous ns-2 . . . . . . . . . . . . 68
3.3.3 Simulation des protocoles de routage . . . . . . . . . . . . . . . . . . . . 69
3.3.4 Intégration du modèle de propagation . . . . . . . . . . . . . . . . . . . . 70
3.4 Modèle Benchmark dans les systèmes ADAS . . . . . . . . . . . . . . . . . . . . 71
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4 Mise en œuvre et résultats 73

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.1 Contexte et objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Expérimentations sur la Plate-forme LaRA . . . . . . . . . . . . . . . . . . . . 74
4.2.1 Le prototype LaRA (C3) . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2 Acquisition des données réelles . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2.3 Les contraintes expérimentales . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3 Scénarios de communication entre véhicules . . . . . . . . . . . . . . . . . . . . 87
4.4 Analyse des simulations V2V sous ns-2 . . . . . . . . . . . . . . . . . . . . . . . 90
4.4.1 Evaluation des protocoles de routage avec des données réelles . . . . . . . 91
4.5 Mise en œuvre et évaluation d’un système d’alerte coopératif . . . . . . . . . . . 94
4.5.1 Evaluation du système d’alerte . . . . . . . . . . . . . . . . . . . . . . . 96
Table des matières iii
4.5.2 Le module d’alerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

4.5.3 Dégradation des scénarios de communication . . . . . . . . . . . . . . . . 102
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5 Conclusion et perspectives 107

5.1 Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2 Bilan des travaux réalisés et des résultats obtenus . . . . . . . . . . . . . . . . . 107
5.3 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6 Annexe 111
6.1 Les paramètres de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.1.1 Les paramètres statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.1.2 La moyenne théorique d’une distribution des erreurs de position horizontale112
6.1.3 L’écart-type théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Bibliographie 115
Table des figures
1.1 Diagramme fonctionnel des systèmes ADAS . . . . . . . . . . . . . . . . . . . . 7

1.2 Organigramme général de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Calcul de position à l’aide de la méthode de trilatération . . . . . . . . . . . . . 15

2.2 Le système de détection de véhicules . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Les caractéristiques du système de vision . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Le modèle sténopé de la caméra . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Platooning de quatre véhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 La génération d’alerte au véhicule communicant . . . . . . . . . . . . . . . . . . 25
2.7 Le modèle de référence ISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8 Les différents standards des réseaux sans fil . . . . . . . . . . . . . . . . . . . . . 27
2.9 Les couches du modèle 802.11 (IEEE) . . . . . . . . . . . . . . . . . . . . . . . . 30
2.10 Exemple d’un réseau Ad-Hoc . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.11 Services dans les réseaux VANETs . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.12 Scénario de communication entre cinq véhicules . . . . . . . . . . . . . . . . . . 34
2.13 Architecture de réseaux VANETs [Guo 2009] . . . . . . . . . . . . . . . . . . . 35
2.14 Classification des protocoles de routage pour MANETs [Jerbi 2008a] . . . . . . . 41
2.15 Classification des protocoles de routage pour VANETs [Guo 2009] . . . . . . . . 43
2.16 Risque de collision scénario dans VANET [Huang 2009] . . . . . . . . . . . . . . 45
3.1 La modélisation de notre approche avec trois couches . . . . . . . . . . . . . . . 49

3.2 Architecture de communication dans le nouvel ensemble de prototypage . . . . . 51
3.3 Diagramme de RTMaps utilisé dans notre étude . . . . . . . . . . . . . . . . . . 52
3.4 Diagramme des processus de simulation sous ns-2 . . . . . . . . . . . . . . . . . 55
vi Table des figures
3.5 Structure d’un nœud mobile dans ns-2 . . . . . . . . . . . . . . . . . . . . . . . 57

3.6 Modèle de réflexion sur le sol [Jerbi 2008a] . . . . . . . . . . . . . . . . . . . . . 59
3.7 Architecture de la coopération entre deux systèmes logiciels (RTMaps-ns-2) . . . 65
3.8 Modélisation d’un scénario V2V sous ns-2 . . . . . . . . . . . . . . . . . . . . . 66
3.9 Diagramme des étapes d’une simulation sous ns-2 . . . . . . . . . . . . . . . . . 67
3.10 Puissance reçue en fonction de la distance entre les véhicules . . . . . . . . . . . 70
3.11 Modèle benchmark dans les systèmes ADAS avec toutes les étapes qui sont ef-
fectuées pour transférer les données entre deux logiciels. . . . . . . . . . . . . . . 71
4.1 Le prototype LaRA avec ses différents capteurs embarqués . . . . . . . . . . . . 75

4.2 La flotte de véhicules LaRA composée de quatre C3 . . . . . . . . . . . . . . . . 76
4.3 Le format de trame Communiqué entre les véhicules LaRA . . . . . . . . . . . . 77
4.4 Diagramme d’acquisition d’enregistrement de données . . . . . . . . . . . . . . . 78
4.5 Courbe de dispersion dy = f (dx) mesurée pour le GPS utilisé . . . . . . . . . . 80
4.6 Bases de temps de l’enregistrement des données reçues dans les véhicules LaRA 82
4.7 Exemple de fichier enregistré sous RTMaps avant-traitement . . . . . . . . . . . 84
4.8 Fichier enregistré avec les données sélectionnées issues de nos expérimentations . 85
4.9 Exemple de traces de simulation GPSR dans ns-2 . . . . . . . . . . . . . . . . . 87
4.10 Scénarios de communications entre véhicules : (a) Platooning (b) Insertion d’un
véhicule (c) Croisement de deux véhicules (d) Dépassement d’un véhicule . . . . 88
4.11 La trajectoire de véhicules visualisée avec le logiciel Google Earth (campus de
Paris- Rocquencourt) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.12 La trajectoire de véhicules aller-retour visualisée avec le logiciel Google Earth
(campus de Paris-Rocquencourt) . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.13 Evolution du rapport PDR en fonction du temps . . . . . . . . . . . . . . . . . . 92
4.14 Délai de bout en bout en fonction de l’interval de temps d’envoyer le paquet . . 93
4.15 La fonction du risque [Ammoun 2009] . . . . . . . . . . . . . . . . . . . . . . . . 96
4.16 La détection de collision est effectuée par l’analyse des cercles autour de chaque
véhicule [Ammoun 2007a] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.17 Distance, TTC entre véhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.18 Signal d’alerte entre véhicules dans le scénario d’Insertion d’un véhicule . . . . . 100
Table des figures vii
4.19 Taux de livraison de paquets en fontion du nombre de véhicules . . . . . . . . . 104

4.20 Délai de livraison de bout en bout en fonction du nombre de véhicules . . . . . . 105
6.1 Terrain d’expérimentation sur la carte . . . . . . . . . . . . . . . . . . . . . . . 113

6.2 Photographie d’un récepteur BU-353 de GlobalStat . . . . . . . . . . . . . . . . 113
6.3 Carte WiFi D-Link dans les véhicules LaRA . . . . . . . . . . . . . . . . . . . . 114
6.4 The DGPS Trimble AG 131 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Liste des tableaux
2.1 Différents capteurs disponibles dans le véhicule . . . . . . . . . . . . . . . . . . 13

2.2 Options disponibles pour la configuration des nœuds . . . . . . . . . . . . . . . 42
3.1 Liste des principaux composants disponibles sous ns-2 . . . . . . . . . . . . . . 56

3.2 Quelques valeurs typiques de l’exposant perte de trajet β . . . . . . . . . . . . . 60
3.3 Quelques valeurs typiques de l’écart d’ombrage σdB (dB) . . . . . . . . . . . . . . 60
3.4 Structure d’une ligne du fichier trace . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5 Les paramètres du modèle de propagation dans les simulations des VANETs sans
fil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1 Paramètres statistiques calculés à partir des mesures réelles (GPS) . . . . . . . . 81

4.2 Exemple de données GPS traitées et validées pour ns-2 . . . . . . . . . . . . . . 86
4.3 Résultats de simulations sous ns-2 . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.4 Paramètres d’évaluation du système d’alerte prototypé . . . . . . . . . . . . . . 98
4.5 Le pourcentage des pré-collisions en utilisant le protocole de routage dans le
scénario d’intersection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.6 ERef dans le scénario d’insertion du véhicule . . . . . . . . . . . . . . . . . . . . 101
4.7 Résultats de simulations en changeant le nombre de véhicules communicants . . 103
4.8 ERef en changeant le nombre de véhicules communicants . . . . . . . . . . . . . 104
6.1 Avantages et inconvénients des protocoles de routage . . . . . . . . . . . . . . . 111

6.2 Caractéristiques du récepteur BU-353 de GlobalSat . . . . . . . . . . . . . . . . 113
Résumé
Récemment, dans la recherche automobile et dans le domaine des transports intelligents,
plusieurs projets intéressants ont été menés afin de diminuer le nombre d’accidents. Lors du
développement de ces projets, de nouveaux systèmes d’aide à la conduite ont été proposés,
comme les systèmes de prévention de collision, d’aide à la vision de nuit et à la navigation.
Ces études ont permis de proposer de nouvelles perspectives telles que les systèmes d’aide à la
conduite coopératifs, en utilisant la communication entre les véhicules ou entre les véhicules et
l’infrastructure basée sur les réseaux VANETs. Pour évaluer l’impact de systèmes ADAS sur
l’amélioration de la sécurité routière et la réaction du conducteur, il est indispensable d’utiliser
des outils flexibles et efficaces. Des métriques intéressantes sont ainsi proposées dans le but
de tester la performance de ces systèmes. La plateforme LaRA qui est équipée de plusieurs
capteurs et d’un système d’acquisition en temps réel nous a fourni une base de données réelles
de position et de vitesse. Ces données sont traitées et analysées afin de calculer les métriques de
performances tels que : la distance entre véhicules et le temps à collision. Nous avons proposé
dans cette thèse une nouvelle méthodologie de développement pour le prototypage de systèmes
ADAS. Cette méthodologie dédiée aux systèmes ADAS coopératifs, combine les données de plu-
sieurs modules tels que : le module de vision, le module de communication V2V et le module de
géo-localisation GPS. Un des problèmes majeurs des systèmes ADAS communicants concerne
la qualité et la robustesse de la communication. Elle est fonction d’un grand nombre de para-
mètres qu’il faut modéliser pour pouvoir évaluer la fiabilité du système d’aide à la conduite.
Nous proposons ainsi, un système de prototypage basé sur le principe de la réalité augmentée,
dans lequel nous pouvons rejouer des données réelles et modifier des paramètres de l’environne-
ment de communication. Nous avons mis en œuvre notre méthodologie avec la réalisation d’un
système d’alerte coopératif entre les véhicules. Les données du système de géolocalisation GPS
et les protocoles de routage ont été des éléments primordiaux pour la simulation du modèle
V2V sous le simulateur ns-2. L’étape de la simulation du protocole avec les données réelles a été
suivie par l’intégration des résultats de simulations dans le nouveau prototype développé sous
RTMaps. La mise en œuvre du système d’alerte a permis d’estimer le nombre de pré-collisions
détectées dans les deux situations réelle et simulée. L’écart entre ces deux dernières a été étudié
et analysé pour plusieurs scénarios qui correspondent aux différentes situations routières.
Mots clès : Systèmes avancés d’aide à la conduite, Communications entre véhicules,
Simulations Ns-2, Prévention des collisions, Système d’alerte, Protocoles de routage.
Abstract
During the last recent years, ADAS systems such as collision warning, tracking, night vision
and navigation systems have been developed. The development of these systems has witnessed
a growing importance, as they are expected to help improving both road safety and traffic
efficiency. Moreover, they have an ability to enhance the communication between the road in-
frastructure and the vehicle or between vehicles for safer and efficient transportation services
such as : embedded advance collision, collision avoidance and automatic control. In addition,
given the rapidly increasing interest in wireless communications, cooperative ADAS define a
new framework of autonomous inter vehicular communication which operates on the assump-
tion that such vehicles consist of a multitude of coordinated advanced sensory technologies.
Sensors acquire real-time data about road conditions to help the driver respond effectively by
sending appropriate messages between vehicles. In addition, these data help to assess the per-
formance of ADAS in the context of improving driver behavior. It is necessary to set some main
metrics such as inter-vehicle distance, driver reaction time and time to collision. The messages
are transmitted to drivers using vehicular Ad-hoc networks (VANETs) which are a specific type
of Mobile Ad-hoc Networks hold the promise to contribute to safe and more efficient roadways.
In this thesis we proposed a new methodology of development to prototype ADAS. This me-
thodology dedicated to cooperative ADAS drove us to implement a new simulated framework
of prototyping system. This framework combines the data from three models : Geo-localization
GPS, vision and V2V communication towards an application of anti-collision warning system.
A major problem in communicating ADAS systems is the quality and robustness of the com-
munication. It depends on a large number of parameters that must be modeled to assess the
reliability of these systems. We developed a new prototyping system based on the principle of
augmenting the reality in which we can replay actual data and change settings of communica-
tion environment. The GPS data and routing protocols were crucial elements for V2V model
simulation into ns-2 simulator. We have performed real tests on the experimental prototyping
platform LaRA. Multiple results are presented to show up the constancy of the method and the
performance efficiency of real-time multi sensors in an integrated framework for collision avoi-
dance applications. Results of this research have shown that IVCs simulations system provides
enhanced data for the verification of features of new ADAS. The results of routing protocols
simulation with real-time location data are integrated in the new developed prototype. The im-
plementation of the system warning was used to estimate the number of pre-collisions detected
in both real and simulated situations. The difference between these two situations was studied
and analyzed for several scenarios corresponding to different road situations.
Keywords :
Advanced Driver Assistance Systems, Communications between vehicles, ns-2 simulations,
Collision avoidance, Collision warning, Routing protocols.
Chapitre 1

Chapitre 1
Introduction
1.1 Introduction générale
Depuis une dizaine d’année, l’industrie automobile est en pleine transformation et les véhi-
cules ne sont plus considérés comme des systèmes thermomécaniques contrôlés avec quelques
composants électroniques. Les véhicules d’aujourd’hui sont des systèmes complexes dont les
fonctions les plus importantes sont contrôlées par des réseaux d’ordinateurs. Plusieurs facteurs
ont contribué à ce virage de l’industrie automobile tels que : l’augmentation des coûts d’es-
sence et de la pollution des véhicules, les menaces de sécurité potentielles, la haute densité
d’automobiles.
Pour ces raisons, les Systèmes de Transport Intelligents (STI) ont constitué un domaine des
nouvelles technologies de l’information et de la communication appliquées aux transports telles
que : la communication sans fil, la localisation GPS, la détection d’obstacles et de piétons. Ils
visent à améliorer la sécurité routière et l’efficacité du trafic en réduisant le nombre d’accidents
sur les routes. Depuis quelques années, les systèmes avancés autonomes d’aide à la conduite
ADAS (Advanced Driver Assistance Systems) sont apparus sur les véhicules comme les sys-
tèmes ABS (Automatic Breaking System) et ESP (Electronic Stability Program) pour l’aide
au freinage. Ces systèmes ADAS autonomes peuvent être considérés comme des dispositifs de
sécurité actifs intégrant quatre fonctions primordiales qui précèdent l’accident : la perception,
l’analyse d’environnement proche et lointain, la décision et l’action. Ils interagissent non seule-
ment avec l’environnement et le véhicule mais aussi avec le conducteur à travers des interfaces
6 Chapitre 1. Introduction
passives et actives. Pour améliorer le fonctionnement et la robustesse de ces systèmes ADAS

autonomes, des systèmes coopératifs on été élaborés à travers des réseaux VANETs (Vehicu-
lar Ad-hoc NETworks). Ces deux systèmes autonomes et coopératifs sont représentés par la
figure 1.1. Afin d’exécuter les fonctionnalités des ADAS, les véhicules doivent être équipés d’un
ensemble de capteurs synchronisés et connectés via les réseaux VANETs. La mise en œuvre
de ces systèmes est délicate du fait qu’ils nécessitent une compatibilité, une synchronisation et
une calibration des capteurs, ainsi que l’utilisation de systèmes temps réel et de simulateurs de
réseaux ad-hoc très proches de la réalité.
1.2 Contributions
L’objectif principal de notre recherche est de concevoir un système d’alerte embarqué basé
sur les communications entre véhicules. Plus particulièrement, cette étude traite une classe
différente d’application de communications à courte portée qui est largement utilisée dans les
communications de type V2V. Pour réaliser ceci, nous étudions d’abord les systèmes d’aide à
la conduite ADAS et nous mettons en œuvre par la suite le prototypage de ces systèmes à
l’aide des simulations sous ns-2. Notre stratégie consiste à étudier le couplage en temps différés
entre le système de communication entre véhicules sous "ns-2" et le système de prototypage
avancé ADAS en temps réel sous RTMaps. L’intégration des données réelles et simulées dans
les deux systèmes sera détaillée en mettant l’accent sur différents aspects de l’environnement
de communication entre véhicules. La méthode d’intégration appliquée permettant de réaliser
une coopération entre deux logiciels est composée de deux parties :
1.2.1 Importation des positions de véhicules dans le simulateur de

réseau sans fil
Vu que le simulateur de réseaux sans fil n’est pas capable de représenter un trafic réel de
réseaux de véhicules, il est nécessaire d’avoir un modèle de mobilité précis qui représente le
mouvement de ces véhicules. Ce modèle de mobilité est obtenu à travers des fichiers de traces
GPS enregistrés sous RTMaps. Nous proposons d’utiliser les positions réelles des véhicules,
appelées traces, extraites d’un véritable scénario. Les fichiers de positions GPS nécessitent une
1.2. Contributions 7
Figure 1.1 – Diagramme fonctionnel des systèmes ADAS
phase de traitement pour sortir des traces compatibles et utilisables par le simulateur ns-2. Les
simulations rejouent alors le mouvement exact des véhicules. Le résultat sous ns-2 indique que
les véhicules simulés suivent le même chemin observé en réalité.
1.2.2 Interaction entre le simulateur ns-2 et le logiciel de prototypage

avancé en temps réel RTMaps
Après l’importation des positions de véhicules dans ns-2, il est important d’évoquer l’appli-
cation d’alerte pour l’aide à la conduite, en utilisant les communications sans fil. L’objectif de
cette étude consiste à proposer une méthode coopérative pour alerter le conducteur et éviter la
collision. Cette méthode permet aux deux logiciels ns-2 et RTMaps d’échanger entre eux leurs
différentes données. Les résultats de simulations sous ns-2 sont définis par des fichiers de traces
de communications et les temps de transfert associés à chaque paquet. Ces fichiers seront aussi
traités afin d’extraire des informations nécessaires pour le rejeu des données avec RTMaps.
Nous avons d’une part implementé un composant qui permet l’échange d’informations entre les
simulations ns-2 et RTMaps de telle manière que le simulateur fournisse des traces de communi-
cations avec les temps, les positions, les vitesses des véhicules et les transferts associés. D’autre
part, nous avons développé un système d’alerte sous RTMaps utilisant les communications V2V
simulées afin de calculer à quel moment nous devons alerter les conducteurs. Nous avons évalué
les paramètres de distance et le temps à collision dans ce système d’alerte coopératif. L’idée
est d’envoyer le signal d’alerte lorsque les véhicules sont trop proches (i.e. la distance entre les
deux véhicules est inférieur au seuil déterminé). Nous avons comparé les résultats obtenus avec
la situation réelle enregistrée lors des essais qui nous servent de référence. Nous avons testé ce
système sous plusieurs scénarios correspondent aux différentes situations routières.
1.3 Organisation de la thèse

Cette thèse présente d’une part la communication entre véhicules incorporée dans les sys-
tèmes avancés d’aide à la conduite. D’autre part, elle s’intéresse à la conception d’une Plate-
forme coopérative entre deux systèmes logiciels. Cette Plate-forme fournit des informations
intéressantes pour une application d’alerte embarquée.
Après avoir introduit le contexte et les contributions de notre travail, nous présentons dans
un organigramme illustré ci-dessous les différentes étapes suivies lors de cette étude. Le manus-
crit de cette thèse est structuré principalement en quatre chapitres. La suite de ce manuscrit
s’organise de la façon suivante :
Le second chapitre est consacré à dresser un panorama de l’état de l’art sur les systèmes
de transport intelligents en s’articulant alors autour des deux principaux acteurs : les systèmes
avancées d’aide à la conduite et les systèmes de communication entre véhicules. Les systèmes
ADAS sont constitués de deux catégories : les ADAS autonomes et les ADAS coopératifs qui
seront ensuite présentés. Nous détaillons chaque partie de ces systèmes (GPS, le système de
vision et le système d’alerte). Puis nous introduisons les différents systèmes communicants
surtout les systèmes de communication V2V et leurs applications. La norme WiFi utilisée dans
le système de communication sera présentée en expliquant ses caractéristiques essentielles. Nous
citons en plus un panorama de projets et de travaux de standardisation développés en Europe,
1.3. Organisation de la thèse 9
Figure 1.2 – Organigramme général de la thèse
dans le domaine des communications entre véhicules. Une partie des protocoles de routage
nécessaires pour les simulations seront abordés. Cet état de l’art nous permettra d’étudier les
caractéristiques importantes de réseaux véhiculaires et de comprendre les contraintes à prendre
en compte dans les simulations.
Nous présentons dans le troisième chapitre, une nouvelle approche coopérative pour les sys-
tèmes ADAS, dans laquelle nous intégrons les communications entre véhicules. Nous décrivons
les outils utilisés pour réaliser notre objectif. Nous présentons ensuite les modèles d’acquisition
de données sous RTMaps et les modèles de simulations utilisés sous ns-2. Nous analysons l’en-
vironnement de simulation conçu sous le simulateur de réseaux (ns-2). L’approche coopérative,
constituée d’un couplage entre deux systèmes logiciels, sera présentée ; de même, l’architecture
de coopération sera décrite.
Le quatrième chapitre sera consacré à décrire la plate-forme d’expérimentation LaRA avec
ses capteurs intelligents. Les résultats des expérimentations menées avec l’équipe IMARA de
l’INRIA Rocquencourt seront présentés puis analysés, synchronisés, traités et intégrés d’une
façon correcte dans le logiciel de réseau ns-2. Ensuite, plusieurs simulations de réseaux VANETs
sous ns-2 seront effectuées. Nous analyserons par simulation, d’une part l’effet des protocoles de
routage AODV, DSR, DSDV et GPSR sur notre réseau et sur notre système d’alerte. D’autre
part, l’effet du modèle de propagation du signal entre les véhicules sera également analysé.
Enfin, nous terminons ce manuscrit de thèse par une synthèse générale qui reprend l’ensemble
des contributions importantes de ce travail de recherche. De plus, un ensemble de perspectives
seront aussi identifiées et discutées.
Chapitre 2

Chapitre 2
Etat de l’art
2.1 Introduction
Les systèmes de transport intelligents (appelés STI, ou "Intelligent Transport Systems",

ITS) désignent des nouvelles technologies appliquées aux réseaux de transport pour améliorer
la conduite, la gestion et l’exploitation ainsi que pour apporter de nouveaux services aux uti-
lisateurs. Ils répondent aux problématiques de sécurité routière et de congestion du trafic. Ils
fournissent aussi une assistance évoluée prenant en compte l’environnement et les risques sur
les routes [Grégoire-Girard 2008]. Les systèmes de transport intelligents proposent des solutions
intéressantes pour :
– Réaliser une gestion du trafic à partir de données dynamiques pour diminuer les conges-
tions.
– Etablir un système de gestion de la circulation qui permet l’intervention rapide en cas
d’incidents.
– Réduire le temps de déplacement (Travel Time) sans modifier ni le chemin ni les moyens
utilisés.
A partir de ces solutions intéressantes décrites ci-dessus nous pouvons déduire les principaux
objectifs des systèmes de transport intelligents :
– L’amélioration de la sécurité routière.
– L’amélioration de l’efficacité énergétique des transports.
– Le développement durable ou la diminution de la pollution et la maîtrise de la mobilité.
12 Chapitre 2. Etat de l’art
– Le développement des services et des enjeux industriels et commerciaux.

Dans ce chapitre, nous allons mettre l’accent sur les systèmes avancés d’aide à la conduite
(ADAS ). Nous allons aborder les systèmes de localisation tels que le GPS et les systèmes de
vision. Ensuite, nous allons présenter des ADAS coopératifs y compris un système d’alerte
et d’analyse du risque d’accident. La troisième partie sera consacrée à décrire le système de
communication entre véhicules. Nous exposons quelques technologies de communications sans
fil et nous présenterons quelques projets et travaux de standardisation récents associés à ce type
de communication. Par la suite, nous aborderons les différents types de routage utilisés dans
ces systèmes ainsi que les applications de réseaux VANETs. Dans la quatrième partie, nous
présentons quelques simulateurs pertinents de réseaux Ad-hoc sans fil.
2.2 Les systèmes avancés d’aide à la conduite
2.2.1 Les systèmes ADAS autonomes
Parmi les systèmes les plus élaborés, nous trouvons les systèmes ADAS. Ces systèmes sont
conçus pour être intégrés dans les véhicules afin de renforcer la quantité et la qualité des infor-
mations transmises au conducteur [Guo 2009]. Les systèmes de transport intelligents perçoivent
l’environnement grâce à des capteurs extéroceptifs et proprioceptifs installés dans le véhicule
ou dans l’environnement. Ces capteurs fournissent de l’information ou agissent sur le contrôle
de véhicule pour aider le conducteur dans la tâche de conduite [Bishop 2005]. Le tableau 2.1
présente différents capteurs qui sont actuellement disponibles et nombreux dans les véhicules.
Bishop a défini les véhicules intelligents comme des systèmes capables de percevoir l’en-
vironnement routier et de fournir des informations afin de contrôler le véhicule et aider le
conducteur. Ils interviennent dans la conduite au niveau tactique comme par exemple sur
l’accélérateur, les freins ou sur la direction. Parmi les systèmes embarqués pour l’aide à la
navigation d’un véhicule dans des environnements urbains et périurbains, deux fonctions sont
envisagées : la première porte sur l’exploitation des informations fournies par des capteurs
installés sur le véhicule afin de percevoir l’environnement autour du véhicule (avant et ar-
rière). La deuxième a pour objectif de proposer un ensemble de services embarqués ou dis-
tants. Grâce à cette dernière fonction, le système d’aide à la navigation sera capable de four-
2.2. Les systèmes avancés d’aide à la conduite 13
nir des informations sur les itinéraires ainsi que des informations touristiques. Les systèmes
d’aide à la conduite fournissent aussi de nouvelles fonctionnalités intéressantes pour le trans-
port routier comme par exemple : le platooning, la détection d’obstacles, la gestion des dis-
tances, la planification des trajectoires et des trajets, la détection de la pluie pour l’acti-
vation automatique des essuie-glaces [Challita, G. Bensrhair, A. Rebut, J and Lelevé. J 2007]
[Challita, G. Bensrhair, A. Rebut, J and Lelevé, J 2006] et l’Alerte de Franchissement Involon-
taire de Ligne (AFIL). Dans ce contexte, la connaissance de la localisation et la vitesse des objets
mobiles représentent une information clé. Le système de positionnement GPS est un système
abordable, qui fournit le positionnement des véhicules en 3D [Lefée 2004]. En effet, les envi-
ronnements urbains sont caractérisés par des conditions complexes : des objets statiques ou en
déplacement, une perception mobile et des infrastructures variées.
Table 2.1 – Différents capteurs disponibles dans le véhicule

Types de capteurs Capteurs
Capteurs d’imagerie Modules de caméras, les caméras gamme 3D,
le visage du pilote et les trackers regard, cap-
teur de la route d’état de surface, Détecteurs
lasers, Détecteurs infrarouges (Caméra in-
frarouge)
Capteurs de distance Capteurs infrarouges, radar, capteur de col-
lision par l’avant, capteur de collision par
l’arrière, capteur de collision latérale et cap-
teurs anticollision.
Les cartes numériques Système de Positionnement Global (Cartes
GPS), Système d’Information Géographique
(SIG).
Les dispositifs de communication Communication sans fil et diffusion météo-
rologique locale.
Tachymètres Indicateur de vitesse, thermomètres, hor-
loges, la vitesse de la roue.
Capteurs mécaniques Capteurs mécaniques de l’état du moteur,
capteurs de pression des pneus, capteurs de
l’état des pneumatiques.
Autres capteurs Pollution, détection de la pluie, etc.
2.2.1.1 Le système de positionnement GPS
Définition et principe de fonctionnement du GPS Le système de localisation GPS ainsi

que le système GALILEO sont des systèmes de positionnement global qui fonctionnent sur le
même principe. Ils sont conçu pour fonctionner dans toutes les conditions météorologiques.
Ils permettent d’obtenir précisément la vitesse et la position tridimensionnelle d’un récepteur
[Hofmann-Wellenhof 1994] quelque soit sa localisation, de façon continue et instantanée. Le
système de localisation GPS est constitué de trois segments : le segment spatial, le segment de
contrôle et le segment utilisateur.
Le segment spatial du système de navigation GPS est constitué par la constellation des sa-
tellites NAVSTAR. Cette constellation contient 24 satellites opérationnels qui gravitent autour
de la terre avec une période orbitale de 12 heures. Les 24 satellites sont repartis sur 6 plans
orbitaux avec une inclinaison multiple de 55◦ par rapport à l’équateur terrestre [Kaplan 2006].
Chaque orbite abrite 4 satellites espacées de 60◦ et sont à une altitude de 20180 (Km) sur
laquelle chaque satellite effectue, approximativement, 2 rotations en 24 heurs. La disposition
spatiale des satellites est conçue de telle sorte qu’en chaque point de la terre, plus de 4 satellites
sont en vue. Au minimum quatre satellites sont nécessaires pour avoir un positionnement en
trois dimensions (en général longitude, latitude et altitude) et la vitesse d’un récepteur.
En ce qui concerne le segment de contrôle, il s’agit d’un réseau de 5 différentes stations de

poursuite de la composante de contrôle au sol qui ont pour principale fonction de suivre toutes
les secondes la trajectoire des satellites GPS. La station principale gère toutes les transmissions
ainsi que le calcul des éphémérides et les corrections des horloges satellite qui sont régulièrement
communiquées aux satellites, à leur tour, les transmettent aux utilisateurs. Le récepteur GPS
utilise l’ensemble de ces informations pour calculer et corriger sa position.
Le segment utilisateur est constitué de l’ensemble des récepteurs passifs civils et militaires.
En utilisant des informations transmises par les satellites en vue pour se positionner, le récepteur
est capable de calculer sa position, sa vitesse et le temps universel. Il faut, au minimum, 4
satellites en vue pour qu’un récepteur puisse recevoir quatre signaux nécessaires pour calculer
la position en 3D et le temps. Il faut noter que l’utilisation des signaux GPS est gratuite et
nous ne payons que les récepteurs qui sont de plus en plus petits et bon marché [Langley 2000].
Le calcul de la position, vitesse et temps du récepteur Le positionnement GPS est

basé sur le principe de la triangulation (voir figure 2.1) : un lieu géométrique est déterminé par
l’intersection de trois sphères dans l’espace. Dans le cas des systèmes GPS, chaque sphère est
déterminée par son centre qui a la position d’un satellite dans l’espace et son rayon donné par
la distance entre le récepteur et le satellite.
Figure 2.1 – Calcul de position à l’aide de la méthode de trilatération
La position de chaque satellite étant véhiculée par les messages de navigation et peut être
décodée par le récepteur GPS. La distance entre l’antenne du récepteur et le satellite est calculée
à partir du temps de vol du signal GPS. De cette manière et avec l’utilisation de trois satellites,
le récepteur GPS peut déterminer sa position horizontale. Cette méthode de calcul est basée
sur la résolution d’un système de trois équations à trois inconnues par rapport à trois satellites
de positions connues (i.e. l’équation 2.1). Par exemple, si on considère que la position inconnue
d’un récepteur est (x, y, z) et que les coordonnées des trois satellites sont (xi , yi , zi , i = 1, 2,
3), nous obtenons le système de trois équations à résoudre ci-dessous :
R1 = (x − x1 )2 + (y − y1 )2 + (z − z1 )2 (2.1)
R2 = (x − x2 )2 + (y − y2 )2 + (z − z2 )2 (2.2)
R3 = (x − x3 )2 + (y − y3 )2 + (z − z3 )2 (2.3)
Dans ce système, les distances Ri sont calculées par le temps de vol (Ti ) [Ri = c.Ti ] que
met le signal GPS pour faire le trajet entre le récepteur et les satellites. Si le temps Ti est me-
suré avec précision, la résolution de ce système suffit pour déterminer la position du récepteur.
Cependant, en réalité, le temps de vol est entaché d’erreur de synchronisation entre l’horloge
du récepteur et celle du satellite. Cette incertitude sur le temps est considérée comme une
quatrième inconnue, d’où la nécessite d’une quatrième équation (donc d’un quatrième satellite)
pour qu’un récepteur puisse déterminer sa position. C’est pour cette raison que le nombre mini-
mal de 4 satellites, est fixé pour le positionnement 2D. Si plus de quatre satellites sont observés,
la précision et la fiabilité du positionnement seront plus élevées. La position fait référence à
un système de coordonnées géocentriques. Les coordonnées tridimensionnelles obtenues sont
exprimées dans le système de coordonnées utilisé pour le calcul des positions des satellites. Ce
système de coordonnées est le WGS-84 [Malys 1994]. Il est à noter que les difficultés de locali-
sation proviennent de la perturbation ou de l’interruption causées par les obstacles (bâtiments,
rochers, tunnels, interférences électroniques, forêts, conditions météorologiques, ...).
Localisation dans les réseaux VANETs Les systèmes de positionnement (i.e. récepteur
GPS) constituent la principale solution pour localiser les nœuds (véhicules) dans les réseaux
VANETs. Il s’agit d’une solution raisonnable car les récepteurs GPS peuvent être facilement
installés dans les véhicules. Les récepteurs GPS ont une erreur de localisation de ±10 à 30[m]
[Hofmann-Wellenhof 1993], [Kaplan 1996].
Bien que cela soit un niveau raisonnable de précision pour la plupart des applications, il
reste insuffisant pour les applications critiques VANET. De plus, le fonctionnement du GPS
n’est pas toujours robuste [Kaplan 2006]. Il est fonction de l’environnement et de la visibilité
des satellites entrainant des problèmes dans le fonctionnement des réseaux VANETS. Plusieurs
travaux sur le positionnement ont été proposés pour améliorer l’estimation de la position en
utilisant des techniques de filtrage, comme par exemple le filtre de Kalman [Ammoun 2007b],
ou pour améliorer la disponibilité de l’estimation de la position en utilisant le filtre particulier
[Challita 2009b]. En outre, les véhicules peuvent être équipés d’une cartographie qui améliore
la connaissance de l’environnement. Cette cartographie donne des informations détaillées sur la
topologie, la cartographie de la route comme, par exemple, le nom des routes ou la vitesse limite.
Pour compenser le problème de l’indisponibilité du service GPS, il est possible de combiner ses
informations avec les informations géographiques. Sur ce principe, Abuhadrous a développé un
filtre non linéaire de Kalman basé sur la fusion de données permettant d’obtenir la localisation
précise d’un véhicule en mouvement [Abuhadrous 2005].
2.2.1.2 Le système de vision
Dans le contexte des systèmes d’aide à la conduite, la détection d’obstacle est considérée
comme une tâche essentielle à réaliser. Les systèmes de vision permettent de réaliser cette tche.
Cette activité de recherche mobilise un grand nombre de chercheurs. Pour implémenter un algo-
rithme de détection, il est nécessaire de collecter des données de perception de l’environnement
et évaluer les zones de risques. L’algorithme de détection varie selon le type d’obstacle existant.
Dans cette section, nous présentons un état de l’art des recherches effectuées dans le domaine
de détection d’obstacle. Ensuite nous allons présenter les systèmes de vision, monovision et
stéréovision, développés par notre équipe et utilisés pour la détection des véhicules.
Broggi et al. [Broggi 2008] ont présenté un système de vision qui permet de fusionner les
informations de trafic sur les intersections et de prévoir une distance de détection entre les
véhicules allant jusqu à 100 m. Ce système est composé de deux caméras monoculaires haute
résolution avec objectif grand angle (70 degrés). Il fournit un système du suivi de véhicules et
d’estimation de leurs vitesses, tout en respectant la direction du mouvement. Lorsque le véhicule
s’arrête à une intersection le système fonctionne à l’aide d’un mode de gestion spécial. Il est à
noter que ce système a été développé et testé sur le véhicule de l’équipe Oshkosh, TerraMaxTM,
qui est considéré comme l’un des (11) robots admis à l’événement final de l’urbain DARPA
challenge 2007. L’algorithme a montré un bon taux de détection pendant les sessions de test,
plus particulièrement avec les véhicules lointains. Certains points (faux positifs/faux négatifs)
sont présents, même avec l’introduction du système de suivi qui a considérablement réduit leur
nombre. En ce qui concerne le temps de calcul, l’ensemble du système prend moins de 100 (ms)
sur un PC type Intel Core Duo 2.0 GHZ (T2500) pour traiter à la fois les images droite et
gauche en mode multi-résolution. La principale difficulté de cette tâche a été la détection pour
les longues distances du fait de la taille apparente d’un véhicule éloigné et des vibrations élevées
affectant les caméras. Le système latéral a montré un grand potentiel lors du développement
et des essais TerraMaxTM : il était capable de détecter précisément des objets en mouvement
qui étaient à plus de 100 m.
Toutefois, certaines améliorations peuvent être appliquées au système de vision afin de
surmonter deux problèmes : la grande sensibilité des paramètres de calibration de la caméra lors
du calcul des positions et le fait qu’à l’heure actuelle le système ne pouvait pas distinguer entre
les véhicules et les piétons. Le premier problème peut être atténué en exploitant les informations
fournies par le système INS et en appliquant une correction en ligne sur les paramètres de
calibration afin de reconnaître les objets qui doivent être considérés et ceux qui doivent être
rejetés.
Pour détecter des obstacles et des véhicules dans un environnement routier, notre équipe a
choisi de segmenter des cartes éparses de profondeur par sélection de segments 3D. Les cartes
éparses de profondeur représentent les scènes routières réelles 3D et sont obtenues par mise en
correspondance de points de contour en utilisant une méthode de programmation dynamique.
Les points de contour sont extraits de façon auto-adaptative en utilisant un opérateur développé
au laboratoire appelé déclivité. Cet opérateur a été conçu par M. Miché, M. Debrie et M.
Bensrhair au sein de notre équipe en 1996 [Miché 1995]. La déclivité a montré sa fiabilité et sa
robustesse en situation de visibilité réduite. Cette approche a été réutilisée par I. Cabani pour
l’application de la détection d’obstacles en stéréovision couleur [Cabani 2006] et par Y. Li pour
l’application de détection de véhicules [Li 2008].
Dans [El Ansari 2008], Ansari a présenté une méthode rapide de mise en correspondance
stéréoscopique en temps réel pour la détection d’obstacles routiers dans des conditions de
brouillard. Le processus de mise en correspondance est réalisé en programmation dynamique,
ce qui revient à trouver un chemin optimal sur un plan des coordonnées 2D. Afin d’obtenir ce
chemin, une nouvelle fonction a été proposée. Cette fonction est obtenue à partir des valeurs de
la variance des intensités sur le côté droit des deux déclivités qui sont mise en correspondance.
Le processus de mise en correspondance est exécuté indépendamment sur chaque ligne d’image.
Certaines contraintes sont utilisées afin de réduire le nombre de faux appariements lors de la
mise en correspondance et d’accélérer ce processus. Il a exploité la relation entre les images sté-
réo successives. Par conséquent, la carte de disparité calculée pour une paire stéréo sera utilisée
afin de trouver la gamme de disparité pour la paire stéréo suivante. Cette gamme de disparité
est déduite pour chaque ligne à partir de la carte de disparité et de la V-disparité de la trame
précédente. L’approche proposée dans cet article a été testé sur des images de synthèse et des
images réelles. Les résultats montrent l’efficacité de cette méthode proposée, en particulier sous
des conditions de brouillard. Ces dernières années, dans le cadre de plusieurs collaborations
avec d’autres laboratoires, l’équipe STI a utilisé différents systèmes de vision pour la détection
des obstacles :
Détection par monovision Le système de monovision, embarqué dans les véhicules, est
utilisé principalement dans les travaux de G. Challita [Challita 2009a]. Dans le cadre de notre
thèse ce système a permis aussi de calculer la distance entre deux véhicules. L’objectif était de
localiser un véhicule en 3D dans le repère absolu comme illustré dans la figure 2.2.
Figure 2.2 – Le système de détection de véhicules
Le système de vision utilisé est basé sur une caméra monovision qui permet de détecter le
véhicule sur la route ainsi que la pluie [Challita, G. Bensrhair, A. Rebut, J and Lelevé. J 2007].
Ce système est formé d’un capteur de vision placé derrière le pare-brise centré à l’emplacement
habituel du rétroviseur intérieur et dirigé vers l’avant du véhicule. Il s’agit d’une caméra CCD
couleur de type Sony EV I − 401DR (PAL) 1/3 ayant une focale de 5.6 [mm]. Elle fournit
des images de taille 768x576 pixels. Cela donne une taille du pixel égale à 8.81µm. Des images
fournies seront interprétées avec une connaissance a priori des caractéristiques de l’obstacle per-
mettant d’extraire des primitives caractérisant le véhicule dans une scène telles que la symétrie,
la texture, les ombres portées, le flot optique, la couleur, etc. Ainsi, en prenant en considé-
ration l’hypothèse "route plane" et en ayant localisé le véhicule dans l’image, nous pouvons
calculer la distance inter-véhicules [Challita 2009a]. Selon le modèle sténopé, la distance entre
deux véhicules est donnée par l’équation 2.4 ci-dessous. Cette distance est aussi exprimée par
l’équation 2.6 en fonction du vecteur d’état par : ( x1 ,y1 ) : Coordonnées de véhicule 1, ( x2
,y2 ) : Coordonnées de véhicule 2. La figure 2.3 représente les caractéristiques du système de
vision et la figure 2.4 montre le modèle sténopé de la caméra utilisée.
Figure 2.3 – Les caractéristiques du système de vision
Figure 2.4 – Le modèle sténopé de la caméra
H · f 2 + p2 N2H − yh N2H − yp

Zp = (2.4)
f.p · (yp − yh )
H.(f 2 + p2 . N2H .( N2H − yh )) + f.p.yh .Zp

Yp = (2.5)
H 2 ( N2H − yh ) + f.p.Zp
Et aussi Zp :
p
Zp = (x2 − x1 )2 + (y2 − y1 )2 (2.6)
Où :
– Zp : La distance entre deux véhicules.
– H : L’hauteur de la caméra
– p : Pitch du capteur (taille de pixel) p = 8, 8µm
– NH : Nombre de lignes dans l’image
– yh : Ligne de l’horizon
– yp : Ligne correspondant à l’obstacle
– f : La focale de la caméra en (mm)
Détection par stéréovision Dans le cadre des systèmes d’aide à la conduite automobile,
Toulminet [Toulminet 2006] a présenté deux méthodes de détection d’obstacle et de détection
de véhicule en temps réel en calculant la distance au véhicule précédent à partir d’un système
de stéréovision embarqué. Afin de détecter les obstacles en temps réel dans un environnement
routier, elle a choisi de segmenter les cartes éparses de profondeur en utilisant des primitives de
type segments 3D. La méthode proposée est divisée en deux étapes : la première étape est un
algorithme fonctionnant en temps réel basé sur la stéréovision utilisée afin d’extraire d’une scène
routière des primitives de type segments 3D. Ces primitives permettent de retrouver les objets
verticaux dans la scène routière. Les segments 3-D verticaux sont ensuite utilisés comme un
point de départ pour la détection de véhicule ou d’obstacle. En utilisant un opérateur de symé-
trie, une approche de vision monoculaire qui permet de détecter le véhicule. La deuxième étape
de cette méthode est d’utiliser les informations 3-D extraites précédemment ; en conséquence,
un calcul précis de distance est effectué.
Toutefois, le traitement d’images a ses propres limites : la précision de la profondeur dépend
d’un calibrage précis du capteur de vision stéréoscopique. Ainsi, elle est inversement propor-
tionnelle à la distance. Les conditions de visibilité réduite comme le brouillard, la pluie ou la
neige limitent également la performance d’un système fondé seulement sur la vision.
La détection de véhicules par fusion de données Afin d’améliorer le système de détection

f technologies des véhicules sur la base de la vision stéréoscopique, une fusion avec un autre type
de capteur est nécessaire. L’utilisation d’un capteur actif, comme le radar ou lidar, peut être une
solution intéressante au regard des travaux déjà faits sur la fusion d’un système monoculaire et
de capteurs actifs [Steux 2002], [Andreone 2002]. [Discant 2008] ont étudié différents types de
capteurs de vision passifs comme les caméras infrarouge ou visible et les capteurs actifs comme
les radars, laser-scanner ou les capteurs à ultra-son. Ils proposent une solution pour un système
de détection d’obstacles basée sur la fusion des informations des différents capteurs. Pour être
efficace, les systèmes de détection d’obstacles doivent utiliser une combinaison de technologies
passive-active et en général la meilleure solution est obtenue avec un système de vision associé
à un capteur de distance comme le radar ou le télémètre laser.
2.2.2 Les systèmes ADAS coopératifs
Selon le niveau de communication, les stratégies d’automatisation du trafic sont classées

dans [Guo 2009] comme suit :
2.2.2.1 Les approches autonomes
Cette approche concerne des paramètres internes aux véhicules où il n’y a pas de commu-
nications entre véhicules. Dans les systèmes ADAS, cette approche classique dite autonome
consiste à doter le véhicule des capacités de perception pour lui permettre de connaître son
environnement sans interaction intelligente avec cet environnement [Ammoun 2007a]. Elle a ce-
pendant montré des limites liées à la portée et à la précision des capteurs utilisés [Demmel 2010].
Pour cette raison, les systèmes autonomes ne sont pas complètement parfaits et la pénétration
dans le monde de l’automobile demeure un vrai problème.
2.2.2.2 les approches coopératives
Le développement et l’évolution rapide dans le domaine des télécommunications sans fil

ont rendu possible l’intégration des réseaux VANETs dans les systèmes ADAS en introduisant
l’approche de la conduite coopérative [Saf 2006]. Cette approche définie une nouvelle génération
des systèmes ADAS [Ammoun 2010]. Le principe de base de cette approche consiste à échanger
les informations entre différents véhicules proches et aussi avec l’infrastructure. Son objectif est
d’avertir le conducteur de la présence d’un accident ou d’un obstacle sur la chaussée quelques
centaines de mètres plus loin. Ensuite, elle peut fournir une couverture étendue dans l’espace et
dans le temps de toutes les différentes situations dangereuses. La communication inter-véhicules
peut être perçue comme un nouveau capteur "générique" du véhicule en comparaison avec les
capteurs proprioceptifs. Selon cette approche, les réseaux véhiculaires peuvent être classés en
deux catégories V2I et V2V qui représentent le noyau des systèmes coopératifs vers réaliser
la sécurité routière [Toulminet 2008]. Par contre, ces systèmes risquent de souffrir de certaines
limitations liées à la portée, la précision des capteurs utilisés, la pénétration du marché et
l’extensibilité et surtout la fiabilité de la communication. Cette approche présente des avantages
à trois niveaux différents :
– La portée des communications est plus importante que celle des capteurs proprioceptifs.
– Le partage des informations est généralement plus précis, car il n’est pas altéré par la
détection et l’estimation des processus réalisés avec les capteurs proprioceptifs.
– La communication fournit une analyse relative de comportement des véhicules et ainsi
elle permet une estimation du risque.
La détection des véhicules dans un système de conduite coopérative est basée sur les échanges
des données entre véhicules. Dans cette étude, l’auteur a supposé que tous les véhicules sont vi-
sibles à travers la communication inter-véhicules. Elle a pour but d’estimer le risque de collision
entre les véhicules [Ammoun 2007a].
2.2.2.3 L’approche platooning
Un peloton de véhicules est l’une des approches coopératives étudiée dans l’industrie auto-
mobile. Dans cette approche, les véhicules forment des groupes communicants en échangeant
les informations détaillées à une fréquence élevée. Nous l’expliquons plus en détail dans le
chapitre 4. La figure 2.5 montre un platooning de quatre véhicules.
Figure 2.5 – Platooning de quatre véhicules
2.2.3 Le système d’alerte et de prévention du risque
Un système d’alerte communicant doit transmettre des messages d’avertissement en cas de

détection d’une situation critique comme par exemple une panne de véhicule, une forte den-
sité de trafic et des conditions dangereuses sur les routes [Salim 2007]. Les systèmes d’alerte
existants sont constitués de deux composantes, la détection et la reconnaissance de l’obstacle
[Ferlis 2001], [Stubbs 2003], [Funderburg 2004] et [Miller 2002]. Ils sont basés sur des techno-
logies des capteurs et des dispositifs informatiques installés dans les véhicules ainsi que sur
l’infrastructure routière. Dans un système d’alerte entre véhicules, différents types d’informa-
tion doivent être collectés afin d’aider le système et le conducteur à prendre des décisions
appropriées. Lorsque l’obstacle ou bien le risque de collision est détecté, le message d’alerte
doit être généré et envoyé au conducteur. La figure 2.6 montre les étapes d’une génération
d’alerte au véhicule communicant. Dans [Dogan 2005], l’auteur a étudié et évalué un système
d’alerte qui aide à prévenir les collisions aux intersections par le développement d’un simulateur
de communication entre les véhicules. Il a étudié la possibilité de réaliser plusieurs retransmis-
sions de paquets courts avec un faible taux de données pour améliorer le taux de réussite de ce
système.
[Avila 2005] ont présenté une architecture complète d’un simulateur pour les communica-
tions entre véhicules basée sur les systèmes d’alerte aux intersections appelé IWS. Celci-ci est
capable d’évaluer différents systèmes d’alerte et de protocoles de communication. Les résultats
des simulations montrent qu’IWS peut réduire, de façon significative, à la fois les collisions et
2.3. Système de communications inter-véhicules 25
Figure 2.6 – La génération d’alerte au véhicule communicant
la vitesse au moment de l’impact lorsque la collision est inévitable.
Dans [Ammoun 2007b], l’auteur a présenté un système anti-collision basé sur l’échange
d’informations GPS entre véhicules. L’inconvénient de son système est qu’un véhicule équipé
d’un GPS ne pourra pas communiquer avec un autre non équipé. Cela rend ce système inefficace
jusqu’à ce qu’un grand nombre de véhicules soient équipés. Dans [Senouci 2007], nous retrouvons
des systèmes similaires analysant les changements de voie avec angles morts. Ils peuvent donner
une alerte en prenant en compte les changements de voie et donner une alerte collision en cas
d’intersection. Nous pouvons remarquer que le système de communication entre véhicules est
essentiel pour effectuer une alerte et prévenir les collisions.
2.3 Système de communications inter-véhicules
2.3.1 Introduction
Les réseaux sans fils avec leurs multiples architectures représentent une solution vers des
systèmes de communication entre les véhicules et aussi entre les véhicules et les infrastructures.
Ces réseaux ont pour vocation d’améliorer la sécurité routière avec la prévention des collisions,
le freinage d’urgence, la signalisation des accidents et de fournir des services au conducteur pour
réduire les embouteillages, ou échanger des informations pratiques. Notant que, la découverte,
la connexion, la maintenance et la fermeture sont des facteurs essentiels pour réaliser une
communication bidirectionnelle entre deux véhicules.
2.3.2 Le modèle OSI
L’Organisation internationale de normalisation (ISO) a développé un projet de l’intercon-

nexion de systèmes ouverts (OSI) depuis 1977. Il est devenu un modèle largement accepté pour
la compréhension des réseaux de communication. Ce modèle OSI comporte sept couches comme
le montre la figure 2.7 :
Figure 2.7 – Le modèle de référence ISO
C’est indispensable de comprendre le fonctionnement de ce modèle pour comparer les im-

plémentations de réseaux de communication sur différents systèmes. Lorsque vous voulez com-
muniquer avec une autre personne, vous devez avoir deux choses principales en commun : un
langage de communication et un moyen de communication. Pour établir une communication
sur un réseau composé d’une variété de dispositifs, la langue et les moyens de communication
doivent être clairement définis. Le modèle OSI (le réseau et les modèles développés par d’autres
organisations) tente de définir des règles qui couvrent à la fois les généralités et les spécificités
des réseaux. Ainsi, il donne une possibilité de mieux comprendre les interactions complexes qui
se passent entre les différents dispositifs sur un réseau. Il a été initialement conçu pour répondre
aux besoins des réseaux filaires. Mais les réseaux sans fil ont des caractéristiques différentes des
réseaux filaires (mobilité, qualité du signal...). Malgré ces particularités, le passage au monde
sans fil a gardé le principe de conception en couche du modèle OSI.
2.3.3 Les technologies de communications pour les réseaux véhicu-

laires existantes
Dans la figure 2.8 nous présentons les différents standards des réseaux sans fil.
Figure 2.8 – Les différents standards des réseaux sans fil
Les technologies de communications sans fil sont en plein développement. Parmi les techno-
logies utilisées dans les communications inter-véhicules, nous pouvons citer les suivantes :
– Systèmes qui réutilisent des infrastructures existantes, systèmes cellulaires de 2G vers 3G
et d’autres évolutions (GSM, GPSR, 3GPP Long Term Evolution (LTE)).
– Réseaux locaux sans fil (WLAN ) qui sont principalement constitués des normes IEEE
802.11 (WiFi), IEEE 802.16 (WiMAX).

– Réseaux Ad-hoc.
– Réseaux de capteurs sans fil.
– InVANET.
Dans le cadre de notre travail, nous nous intéressons, plus particulièrement, à la norme
WiFi 802.11g qui est actuellement utilisée pour faire communiquer les véhicules sur la route, la
technologie de réseaux Ad-hoc et enfin la technologie des réseaux véhiculaires. Cette technologie
doit évoluer vers la 802.11p dédiée aux communications V2V.
2.3.3.1 WiFi et le protocole IEEE 802.11
Wi-Fi est un terme général pour un ensemble de normes techniques. L’IEEE (Institute of
Electrical and Electronics Engineers) est l’organisme qui définit ces normes techniques. IEEE
a approuvé la première norme Wi-Fi 802.11 en 1997. En effet, les réseaux WiFi permettent de
faire communiquer des équipements compatibles en se basant sur des normes ou des protocoles
communs qui se manifestent à travers des bornes d’accès publiques appelées HotSpots qui se
trouvent un peu partout : restaurants, aéroports, facultés, etc. Les normes IEEE 802.11x sont
utilisées avec les réseaux locaux sans fil. Les normes utilisées aujourd’hui sont :
– 802.11a : Elle offre une portée d’environ 100 pieds ((33) mètres) à l’intérieur des batiments
et un débit moyen de transmission égal à 25 Mbps.
– 802.11b : Elle est une amélioration par rapport au 802.11a en terme de portée de com-
munication. Elle couvre une portée maximum de 300 mètres, mais elle est beaucoup plus
lente. Le débit moyen de transmission de données est de 6, 5 Mbps.
– 802.11g : Cette norme est la plus utilisée. Elle a une portée de 33 mètres à l’intérieur des
batiments et un débit moyen de 11 Mbps.
– 802.11n : Elle est une norme expérimentale de portée égale à environ 160 pieds pour un
débit moyen de 200 Mbps. Cette norme n’est pas entièrement approuvée pour le moment
ce qui explique sa faible utilisation.
Ces dernières normes ont constitué, ces dernières années, des solutions de connexion offrant
une mobilité, une flexibilité et un faible coût de déploiement et d’utilisation. Par exemple,
beaucoup d’études utilisent les versions IEEE 802.11b ou IEEE 802.11g, car elles sont très
répandues et fabriquées à bas coût [Gast 2005]. Parmi les applications de ce protocole, nous
pouvons citer les réseaux inter-véhicules. Un tel réseau, à forte dynamique, met à l’épreuve les
performances de la norme IEEE 802.11.
La perception de l’environnement réalisée par un véhicule automobile est basée, actuelle-
ment, sur les moyens propres du véhicule, comme des caméras embarquées, des capteurs ultrason
ou ses capteurs proprioceptifs. Or, la nature complexe de la fonction de perception, peut engen-
drer des situations ambiguës où il est difficile de déterminer, avec certitude, l’élément détecté.
L’équipe d’Université de Technologie de Compiègne a étudié la performance d’IEEE 802.11
pour la communication dans un convoi de véhicules [Marlier 2007]. Ses résultats obtenus avec
des simulations sous ns-2, ont confirmé que la norme IEEE 802.11 peut être utilisée pour la
communication inter-véhicules avec un faible débit [Khaled 2005a]. Cette limitation du débit
est causée par la gestion de l’accès au canal et par les collisions. Dans cette étude, Khaled a
simulé des communications avec plusieurs véhicules, en prenant en considération la topologie
spécifique de ce type de réseaux. De plus, les résultats ont montré que l’ajout d’hypothèses heu-
ristiques appropriées pour la retransmission des paquets dans un convoi de véhicules pouvait
améliorer le taux de réception et le délai moyen de bout en bout. Elles permettent de prendre
en considération la forte mobilité et la dynamique du réseau. La figure 2.9 montre les couches
du modèle 802.11(IEEE).
Comme tous les standards IEEE 802, le standard 802.11 se concentre sur les deux premiers
niveaux, la couche physique et la couche liaison de données. Il s’attache à définir les couches
basses du modèle OSI pour une liaison sans fil utilisant des ondes électromagnétiques. A savoir
que la couche physique propose trois types de codages de l’information. En plus, la couche
liaison de données est constituée de deux sous-couches : une couche de contrôle de la liaison
logique (Logical Link Control, ou LLC) et une couche de contrôle d’accès au support (Media
Access Control, ou MAC).
Les limitations de la couche MAC dans un environnement de forte mobilité ont conduit à
étudier l’effet de la norme 802.11g sur les communications entre véhicules. En fait, cette norme
propose un débit plus important que celui de la norme 802.11b [Khaled 2007]. Un canal de com-
munication sans fil, appelé DSRC pour Dedicated Short-Range Communications, fonctionnent
dans la bande 5.9 GHz aux Etats-Unis ou la bande 5.8 GHz en Europe et au Japon, a été spé-
cifiquement conçu pour les communications véhiculaires. Le modèle IEEE 802.11 a été testé et
Figure 2.9 – Les couches du modèle 802.11 (IEEE)
développé sous ns-2 afin d’évaluer les technologies d’accès sans fil dans les réseaux véhiculaires
et la performance des applications véhiculaires. La première simulation utilisait la technique de
handover dans les réseaux véhiculaires et les résultats de simulation. La technique de handover
constitue une procédure de transfert des données d’une station de base à l’autre. Elle démontre
que la nouvelle norme IEEE 802.11-p est la solution idéale spécialisée pour les communications
DSRC en comparaison avec les autres standards 802.11 [Gukhool 2010].
En 2010, une implémentation de prototype du protocole IEEE 802.11p a été effectuée pour
échanger des données entre les véhicules et entre les véhicules et les infrastructures routières
[Carona 2010]. L’architecture de ce prototype est basée sur une architecture FPGA pour les
Fréquences Intermédiaires (FI) en utilisant la norme 802.11a comme base émetteurs-récepteurs
pour les interfaces RF. Cette mise en œuvre vise à fournir des solutions techniques pour les
systèmes de transports intelligents sur le terrain, notamment pour les services de gestion de
péage. Cette norme a été testée dans des conditions de conduites réalistes de types urbains
et périurbains. Les résultats préliminaires sont prometteurs, puisqu’ils sont conformés avec la
plupart des exigences de la norme 802.11p. En condition de visibilité directe, la communication
est possible à environ 400m avec des FER (Frame Error Rate) /BER (Bit Error Rate) faibles
et avec une puissance isotrope rayonnée équivalente notée EIRP de 22dBm. Cependant, même
à des distances plus courtes, la communication est affectée par des obstacles tels que les arbres
ou les batiments. Cet effet peut être surmonté, bien sûr, avec l’augmentation de la puissance
transmise.
Dans l’autre scénario testé (péage, tolling) les résultats ont été très satisfaisants, car les
tests se déroulaient sur des routes ouvertes. La ligne de visibilité directe a été généralement
disponible. Mais le contact a été parfois perdu en raison de la végétation ou d’autres véhicules.
Nous pouvons noter que cette configuration permet d’établir une communication à des distances
supérieures à 1000 (m) avec la même valeur de la puissance EIRP de 22 dBm.
2.3.3.2 Réseaux Ad-Hoc
L’utilisation d’appareils sans fil portatifs dans la vie quotidienne, tels que les ordinateurs
portables, téléphones mobiles et PDA, a conduit à créer une communication spontanée ou
nommée aussi ad-hoc sans fil. Les réseaux ad-hoc sont définis comme des réseaux informatiques
sans fil autonomes et non centralisés. Chaque entité communique directement avec tous les
nœuds qui se situent dans la portée de la couverture radio comme l’indique la figure 2.10. En
revanche, pour communiquer avec d’autres entités qui ne sont pas dans la zone de couverture, il
est nécessaire de faire passer ses données par d’autres nœuds qui se chargeront de les acheminer.
C’est le rôle du protocole de routage qui cherche à construire les routes entre les nœuds qui ont
besoin de communiquer entre eux.
Figure 2.10 – Exemple d’un réseau Ad-Hoc
Ainsi, le fonctionnement d’un réseau Ad-hoc est différent de celui d’un autre réseau comme
le réseau GSM ou les réseaux WiFi avec des points d’accès. Dans ces réseaux, une ou plusieurs
stations de base sont nécessaires à la plupart des communications entre les différents nœuds du
réseau, c’est le mode Infrastructure. Les réseaux Ad-hoc s’organisent eux-mêmes et chaque nœud
peut jouer différents rôles. L’utilisation la plus simple et la plus courante des réseaux Ad-hoc
correspond à une connexion sans fil entre deux ordinateurs. Les réseaux MANETs définissent
de nouveaux protocoles de routage basés sur la technologie IP pour les réseaux ad-hoc, mobiles
ou fixes. Ce type de réseaux permet de mettre en œuvre des nœuds de communication avec
une grande mobilité, une grande réactivité et un déploiement rapide. Il est interconnecté avec
différents types de réseaux reposant eux aussi sur une technologie IP et employant différents
protocoles de routage.
2.3.3.3 Réseaux véhiculaires (VANETs)
L’évolution récente des systèmes de communications sans fil a conduit à la création d’un
nouveau type de réseaux appelés VANET qui est une classe émergente de réseaux sans fil et
surtout une classe spéciale de réseaux MANETs. Ces réseaux combinent différents types de
communication, à savoir, les communications de véhicule à infrastructure télécom, les commu-
nications de véhicule à infrastructure routière et enfin les communications véhicule à véhicule.
La norme InVANET, ou Intelligent Vehicular Ad-Hoc Networking, peut être définie comme une
manière intelligente d’utiliser des véhicules du réseau. InVANET intègre de multiples techno-
logies de réseau ad-hoc comme la norme IEEE 802.11 b/g dite WiFi, la norme WiMAX IEEE
802.16 et les normes Bluetooth, IRA, ZigBee pour obtenir une communication facile, précise, ef-
ficace et simple entre les véhicules. Elle permet de définir les mesures de sécurité et le streaming
pour tout type de contenu dans les communications entre les véhicules.
L’objectif des réseaux véhiculaires est de réduire les délais en utilisant la communication
de véhicule à véhicule et d’augmenter la couverture du réseau de l’opérateur tout en réduisant
la charge du réseau. En conséquence, les véhicules communicants seront bientôt une réalité.
Au fait, ce type de communication est proche de l’environnement des réseaux ad-hoc mobiles
et par conséquent, des problématiques propres aux réseaux de véhicules doivent être analysées
de près. Ainsi, certaines solutions existantes pour les réseaux MANETs doivent être rectifiées,
révisées et bien adaptées aux réseaux VANETs [LABIOD 2006]. Afin d’analyser ces réseaux
(voir figure 2.11), il est important d’étudier leurs caractéristiques spécifiques et de comparer
tous les types d’architectures.
Les caractéristiques des VANETs La communication dans les réseaux VANETs répond à
certaines caractéristiques très contraignantes comme :
– Le changement dynamique de la topologie du réseau et des ressources.
– La complexité de la gestion de la mobilité des nœuds.
– Le partitionnement fréquent du réseau.
– Le diamètre du réseau petit et efficace.
Figure 2.11 – Services dans les réseaux VANETs

[Gabriel Alejandro Galaviz Mosqueda 2011]
– La redondance limitée dans le temps.

– La prévision de la position.
– La puissance relative des émissions qui doit être suffisante.
– Le délai et le débit très variables dépendant de plusieurs facteurs tels que le nombre
d’utilisateurs, les interférences, les multitrajets , etc.
2.3.4 Architecture de réseaux VANETs
Nous abordons dans cette section trois modèles essentiels pour concevoir une architecture
de réseaux de type VANETs.
2.3.4.1 Communications de véhicule à véhicule (V2V)
Dans cette approche, un réseau de véhicules va réaliser la communication entre les véhi-
cules. Le réseau entre les véhicules est réalisé en utilisant la technologie sans fil WiFi. Cette
architecture de communication peut être utilisée dans les scenarios de diffusion d’alerte (frei-
nage d’urgence, collision, ralentissement, etc...) ou pour la conduite coopérative. En général,
dans cette architecture de communication, une communication ad-hoc multi-sauts est plus ef-
ficace qu’une communication passant par un réseau d’opérateurs [Jerbi 2008b]. Les V2V vont
établir une architecture réseau VANET afin d’échanger les données des véhicules. Ces don-
nées sont leurs positions, leurs vitesses et leurs directions respectives, ils développent une sorte
de « sixième sens » qui leurs permet de rendre le trafic beaucoup plus fluide en évitant les
perturbations. La figure 2.12 présente un scenario de communication entre cinq véhicules.
Figure 2.12 – Scénario de communication entre cinq véhicules
2.3.4.2 Communications de véhicule à Infrastructure (V2I)
Un certain nombre d’applications pour les systèmes des transports intelligents impliquent
des communications véhicules-infrastructures d’où la tendance de relier les réseaux de véhicules
à l’internet afin de fournir une grande gamme de services, pour le passager, le constructeur
automobile ou l’exploitant d’infrastructure.
L’architecture V2I utilise des points d’infrastructure RSU1 (Road Side Units). L’architec-
ture V2I est une architecture dédiée à la remontée d’information depuis les véhicules vers
l’infrastructure RSU, en utilisant soit des points d’accès WiFi, soit des connexions 3G. Cette
architecture supporte IPv4 (Internet Protocol version 4) et IPv6 (Internet Protocol version
6) pour atteindre le serveur final d’Internet, selon les disponibilités du réseau d’infrastructure
trouvé. Cependant elle ne repose pas sur l’adresse IP pour les communications véhicule-véhicule
[Ducourthial 2009].
2.3.4.3 Communications hybrides
La combinaison des réseaux V2V avec les réseaux V2I permet d’accomplir une communica-
tion hybride très intéressante. Un cas particulier de l’architecture hybride est les réseaux VSN
(Vehicular Sensor Networks). En effet, les réseaux VSN sont définis comme une nouvelle archi-
tecture de réseaux de véhicules, qui a pour objectif de collecter et de diffuser en temps réel des
données relatives à l’environnement dans lequel des véhicules se trouvent plus particulièrement
en zones urbaines. Les voitures sont effectivement munies de plus en plus des capteurs comme
nous l’avons vu dans la section 2.2. Ces capteurs peuvent être utiles pour l’acquisition des infor-
mations concernant le trafic routier (embouteillages, ralentissements, vitesse moyenne du trafic,
etc...), ou encore des informations plus générales telles que les places du parking disponibles,
la consommation moyenne de gazoline, le taux de pollution, les dispositifs de surveillance. La
figure 2.13 montre l’architecture de réseaux VANETs.
Figure 2.13 – Architecture de réseaux VANETs [Guo 2009]
Les communications entre véhicules permettent d’améliorer la capacité de détection par l’in-
tégration des nouvelles technologies. Ces technologies sont nécessaires pour réduire le manque
de précision et d’efficacité du GPS, ainsique la pénétration du marché en équipant les véhicules
par des capteurs supplémentaires. Ces capteurs ne se fondent pas seulement sur la communi-
cation afin d’obtenir des informations sur l’environnement [Demmel 2010]. Par conséquent, les
systèmes ADAS assurent une bonne réception des informations valides et précises sur les dis-
tances de véhicules et aussi rendent possible l’échange des données mesurables par un système
autonome.
2.3.5 Les grands projets sur les véhicules communicants
Un grand nombre de projets internationaux entre le Japon, les Etats-Unis et l’Europe ont
utilisé la technologie de la communication entre véhicules afin de réaliser des services dédiés
aux systèmes de transports intelligents.
L’une des premières études sur les communications inter-véhicules a été lancée par la JSK
(Association of Electronic Technology for Automobile Traffic and Driving) au Japon dans le
début des années 1980 et le concept de la conduite coopérative fut introduit dans les années 90.
Ce concept était à l’origine destiné à des applications de suivi en peloton. Elles utilisaient des
communications à courtes portées. Dans le cadre du projet IVC (Inter vehicle communication),
de nouveaux systèmes coopératifs pour la conduite ont été développé au Japon dans les années
1990 et 2000 [Tillema 2006]. Plus tard, d’autres résultats associés au platooning ont été présenté
dans le projet PATH [Pat 1986] et le projet "Promote-Chauffeur" de l’UE.
2.3.5.1 Principaux projets européens
Plusieurs projets européens ont été menés sur le thème des communications véhicule à
véhicule et véhicule-infrastructure à courte portée, pour proposer de nouvelles architectures et
de nouveaux services.
FleetNet : FleeNet (nommé FleetNet - Internet on the Road) est un projet conduit et élaboré
par l’Allemagne pendant les années 2000-2003 [Festag 2004], dans le cadre d’un consortium de
six industries et de trois universités. L’objectif principal de ce projet fut de développer une
Plate-forme complète pour les VANET. Il a traité également les problématiques de routage et
d’accès au canal et il a également proposé de nouveaux services et applications, tels que l’accès
à Internet qui est l’application principale de ce projet.
CarTALK 2000 : 2001-2004 : CarTALK 2000 est un projet européen qui s’est focalisé sur les
systèmes d’aide à la conduite, basés sur la communication inter-véhicules [Morsink 2003]. Le but
principal de ce projet est de travailler sur la conduite coopérative et les réseaux autonomes. Les
travaux de CarTalk 2000 se sont basés, principalement, sur les couches basses et l’acheminement
des messages dans les VANET.
IVHW : L’objectif du projet IVHW (Inter-Vehicle Hazard Warning) est de développer un

concept commun de système d’alerte inter-véhicules, de mesurer son impact potentiel et d’iden-
tifier les conditions de mise en œuvre sur le marché. Le projet est conduit par un consortium
franco-allemand dans le cadre du programme DEUFRAKO1. C’est un projet de deux ans qui
a démarré en janvier 2001. IVHW a fait l’objet d’une démonstration en conditions réelles de
circulation lors du congrès E-Safety qui s’est tenu à Lyon en septembre 2002 et il en est de
même dans d’autres pays comme les Etats-Unis ou le Japon.
IVHW est un système permettant à un conducteur, circulant sur une route ou une autoroute
et se trouvant devant une situation dangereuse, d’alerter les véhicules voisins, bien avant qu’ils
n’arrivent sur la zone à risque. Typiquement, le système IVHW vise à étendre la portée des feux
de détresse, afin d’être plus efficace. Comme le système est « intelligent », seuls les conducteurs,
concernés par le danger, reçoivent le message d’alerte [Chevreuil 2002].
DRiVE (Dynamic Radio for IP Services in Vehicular Environments) : DRiVE

[DRi 1999] est un projet qui vise à travailler sur la convergence entre différentes technologies
cellulaires et de réseaux hauts débit (GSM, UMTS, DAB et DVB-T) afin de mettre en place le
substrat nécessaire au développement des services IP innovants à destination des véhicules.
DRIVE-IN (Distributed Routing and Infotainment through VEhicular Inter- Net-

working) : DRIVE-IN est un projet de recherche approuvé dans l’appel à propositions en
2008 pour ICTI (Information and Communication Technologies Institute) et de la Carnegie Mel-
lon Université- Programme Portugal (Carnegie Mellon | PORTUGAL). DRIVE-IN est inclus
dans le programme de recherche sur les nouveaux réseaux de nouvelle génération de fonction-
nement de la confiance et de la politique des télécommunications (NGN). Le but de DRIVE-IN
est d’étudier comment la communication de véhicule à véhicule peut améliorer l’expérience des
utilisateurs et l’efficacité globale du véhicule et optimiser l’utilisation de la route. Il traite à la

fois les fondations et les applications des communications inter-véhicules. En effet, les concepts,
les méthodes et les technologies sont développés dans les trois principaux axes de recherche :
1. Géo-protocoles optimisés VANET
2. Routage intelligent et coopératif
3. Les applications et les services VANET.
Ces axes de recherche vont fertiliser les activités horizontales en couvrant de simulations
réalistes à grande échelle et les expériences massives en temps réel dans le milieu urbain.
SAFESPOT : SAFESPOT [Saf 2006] (Cooperative vehicles et road infrastructure for road
safety), qui a été élaboré au même temps que CVIS [CVI 2006]. COOPERS (Routage auto-
mobile) [Toulminet 2008] est orienté essentiellement afin d’améliorer la sécurité routière et a
aussi pour but de prévenir les accidents en découvrant des situations routières potentiellement
dangereuses à l’avance. Ainsi, il propose de développer un ensemble d’assistance, fournissant
au conducteur une indication de sa marge de sécurité en lui signalant le danger suffisamment à
l’avance de l’approche d’une difficulté.
SeVeCom [Papadimitratos 2008] : La sécurité des communications dans les réseaux VA-
NET a été traitée dans le projet européen SeVeCom (Secure Vehicular Communication). Sa
problématique est de définir une architecture des VANET incluant la sécurité et l’anonymat de
la communication véhicule à véhicule et véhicule à infrastructure.
C2C-CC (Car to Car Communication Consortium) : Un consortium européen, nommé

C2C (Car2Car) [Baldessari.R 2007] pour étudier les communications V2V, a été créé en 2001
dans le but de proposer un standard pour les VANET au niveau du routage, de la sécurité
ou des basses couches du réseau. Dans le cadre de l’amélioration de la norme IEEE 802.11 un
groupe de travail a récemment défini un nouveau standard de communication pour les VANET,
nommé IEEE 802.11p (Wireless Access in Vehicular Environnement : WAVE). Cette norme
utilise le concept de multicanaux afin d’assurer les communications pour des applications de
sécurité et pour d’autres services [Jiang 2008]. La couche physique est composée de sept canaux
de 10 MHz chacun. La bande de fréquence est supérieure à 5 GHz. Les canaux sont divisés en
trois familles : les canaux de contrôle, les canaux de service et les canaux de sécurité. Notons
qu’un nœud ne peut pas les utiliser simultanément, mais il peut les alterner. La couche MAC de
WAVE [Eichler 2007] est gérée en utilisant des priorités d’accès identiques à celles de la norme
IEEE 802.11e ou du protocole HYPERLAN2.
2.3.6 Expérimentation de communication entre véhicules
Afin d’évaluer et de valider un système d’ingénierie, il est nécessaire de réaliser une bonne
modélisation et une conception fiable. Cela doit être suivi d’expérimentations pour prouver
que ce système fonctionne très bien et qu’il présente des résultats acceptables. Cette section
traite des différentes expérimentations qui ont été établies dans le domaine des réseaux entre
véhicules.
Dans [Rigas 2008], les auteurs ont développé une nouvelle Plate-forme coopérative pour la
conduite appelée (I-WAY) qui améliore d’une manière significative les perceptions de l’environ-
nement routier par les conducteurs. Les informations fiables et utiles obtenues sont fournies au
conducteur à partir d’un système de détection embarqué, de la route et des infrastructures ou
des voitures voisines. Le système d’analyse I-WAY est un système d’aide à la décision par la
fusion de différentes sources d’information afin de fournir au conducteur une stratégie optimale
d’alerte sur les dangers à venir. Le testbed qu’ils ont utilisé est considéré comme un aspect très
important dans le domaine des communications inter véhicules.
Yacine Khaled a présenté, dans son projet de recherche [Khaled 2007], la plate-forme Ca-
remba pour l’étude des Communications et Applications Réparties EMBArquées. Caremba était
développée pour les réseaux modulaires de véhicules autour d’un module noyau "Airplug" qui
contrôle la réception et l’émission des messages entre les nœuds, en utilisant une plate- forme
de simulation de l’environnement conçue dans un simulateur de réseaux (ns-2). La Plate-forme
"Airplug", développée au sein du laboratoire Heudiasyc à l’université de technologie de Com-
piègne UTC, permet de gérer facilement les communications inter-applications dans un module
ou via des communications WiFi. "Airplug-ns" a été implémenté comme un agent de routage,
où plusieurs autres modules communicants.
Cette configuration permet de tester la dynamique des réseaux de véhicules et aussi d’inté-
grer des solutions algorithmiques efficaces. Elle permet aussi de faire des tests sur les routes,
ou en laboratoire avec un émulateur Airplug-ns. Cette architecture a permis d’ajouter de nou-

velles applications de manière efficace et d’intégrer, avec succès, de nouveaux modèles dans le
système. Ces solutions ont été testées et validées par plusieurs simulations et scénarios sous
ns-2 ainsi que dans un environnement réel afin d’évaluer les comportements de ces Plate-formes
dans différentes situations.
Dans [Jerbi 2008a], les résultats d’une évaluation de la performance des systèmes de com-
munication multi-hop (V2V et V2I) basés sur la technologie IEEE 802.11b sont présentés. Les
auteurs ont également montré que la distance et la ligne de visibilité directe (LOS ) sont les
deux principaux facteurs qui affectent le réseau de communication dans les expériences. Les
résultats expérimentaux ont montré également que le réseau ad-hoc pourrait prolonger la por-
tée de transmission des infrastructures et améliorer le temps de connexion pour les voitures en
mouvement.
Dans [Hui 2005], les auteurs mesurent la qualité des liaisons entre des véhicules dans un
milieu autoroutier, dans des milieux urbains et ou interurbains. Les résultats des mesures in-
diquent que pour les réseaux qui utilisent la technologie WLAN, la zone interurbaine est la plus
favorable et les conditions dans les milieux urbains sont les plus hostiles pour la communication
inter-véhicules.
Dans [Singh 2002], les auteurs ont présenté des mesures expérimentales sur la communi-
cation véhicule à véhicule (V2V) avec plusieurs scénarios. Afin d’étudier les facteurs critiques
qui affectent les applications multimédia sur la norme IEEE 802.11 VANET, ils ont montré
qu’en plus du transfert des messages courts, le déploiement d’applications multimédia est réa-
lisable. Ils ont constaté que les performances du réseau sont nettement différentes en fonction
de l’environnement (ville, autoroute, etc), de la distance entre véhicules et de la vitesse des
véhicules.
2.3.7 Les protocoles de routage
Le routage est le processus de transmission des données entre deux nœuds considérés comme
source et destination d’information. Des messages multi-sauts sont envoyés dans un chemin
calculé entre la source et la destination selon le protocole de routage. Plus précisément, les
protocoles de routage sont chargés de déterminer la façon de relayer le paquet à sa destination,
la façon de calculer la route et aussi d’ajuster la trajectoire en cas d’échec et comment améliorer
la connectivité de données. Un bon protocole de routage est celui qui est capable de livrer un
paquet dans un temps très court et un minimum de bande passante.
Dans cette section, nous présentons les différents protocoles des couches de communication
et les travaux de simulation de réseaux analysant la fiabilité des communications entre les
véhicules. Le problème de routage réside principalement dans l’instabilité des chemins causée
par la forte mobilité des nœuds et les fragmentations fréquentes du réseau [Jerbi 2008a]. Nous
présentons les principaux protocoles de routage pour les réseaux MANETs et VANETs.
2.3.7.1 Protocoles de routage pour MANETs
Des travaux nombreux ont été effectués pour étudier les protocoles de routage dans les
réseaux MAENTs et les réseaux VANETs. Comme le montre la figure 2.14, nous avons différentes
catégories de protocoles de routage pour les réseaux ad-hoc. Chaque catégorie a sa spécificité :
Figure 2.14 – Classification des protocoles de routage pour MANETs [Jerbi 2008a]
Protocoles basés sur la topologie
1. Les protocoles proactifs comme DSDV (Destination Sequence Distance Vector ) et OLSR
(Optimized Link State Routing) [Clausen 2003]
2. Les protocoles réactifs qui utilisent les addresses IP pour localiser les nœuds comme
DSR (Dynamic Source Routing) [Johnson 2001] et AODV (Ad-hoc on Demand Distance
Vector ) [Chakeres 2005].
3. Protocoles de routage hybride (Hiérarchiques) comme ZRP (Zone Routing Protocol ).
Protocoles basées sur la position géographique Les protocoles de cette catégorie sont
basés sur la location d’informations tels les protocoles Géographiques comme GPSR (Greedy
Perimeter Stateless Routing) [Karp 2000]. Les avantages et les inconvénients de ces protocoles
sont présentés dans le tableau 6.2.
Table 2.2 – Options disponibles pour la configuration des nœuds

Protocoles Avantages Inconvénients
Proactifs Adaptés aux réseaux à Capacité d’échange du ré-
forte mobilité, Adaptés aux seau limitée, Consomma-
réseaux denses de taille tion d’énergie plus impor-
moyenne tante
Réactifs Trafic de contrôle faible, Temps de réaction long,
Adaptés aux grands ré- Problème en cas de forte
seaux, Consommation mobilité
d’énergie réduite
Hybrides Adaptables aux réseaux, Recherche des routes com-
Consommation d’énergie plexe Temps de réaction
réduite long, Ressources CPU et
mémoire
Géographiques La position des nœuds est Utilisation d’un GPS, Res-
connue, Limitation du tra- sources CPU et mémoire
fic
En effet, des résultats des simulations sous ns-2 ont montré que le protocole DSR est plus
performant que le protocole AODV, car dans ce dernier, il manque un mécanisme de détection de
voisinage dans lequel chaque nœud doit déterminer ses voisins symétriques directs [Guo 2009].
Par contre, DSR souffre d’un délai très élevé lorsque la topologie de réseau change d’une fa-
çon permanente à cause de la forte mobilité [Jaap 2005]. Chaque véhicule dans le réseau doit
avoir une table de voisinage pour garder la position géographique de ses voisins. De plus, le
protocole AODV augmente la surcharge de routage en fonction de la distance entre les nœuds.
En revanche, les protocoles de routage fondés sur les positions ont montré des performances
excellentes en termes de ratio de délai de bout en bout et de bonne livraison des paquets
[Guo 2009].
2.3.7.2 Protocoles de routage pour VANETs
La plupart des protocoles de routage de réseaux VANETs utilisent l’information de posi-

tion afin d’améliorer leurs performances d’une façon compatible avec leurs besoins, tels que le
changement de topologie dynamique et la fragmentation du réseau fréquente. Les techniques
de routage sont utilisées depuis longtemps dans les réseaux MANETs et la plupart de celles-
ci peuvent également être appliqué dans les VANETs. La figure 2.15 nous montre plusieurs
catégories de protocoles de routage pour les réseaux VANETs :
Figure 2.15 – Classification des protocoles de routage pour VANETs [Guo 2009]
Les informations de route de source sont valables pendant une période de temps limitée.
La performance de GPSR a été évaluée et comparée à celle de DSR dans des scenarios de
trafic routier [Füßler 2002]. Cette évaluation a montré que le protocole de routage basé sur
la position (GPSR) est plus approprié que le protocole basé sur la topologie (DSR) pour les
réseaux VANETs [Senouci 2007] a aussi indiqué que le routage basé sur la localisation (GPSR)
peut être très robuste dans le cas des réseaux à large échelle. Il représente un bon candidat pour
les communications entre véhicules. Dans le cadre des réseaux de véhicules, des solutions de
routages intéressantes sont proposées pour réaliser un couplage entre un algorithme de routage
basé sur la localisation et la cartographie des routes [Jerbi 2008a]. Le développement d’une
nouvelle approche de routage qui utilise les informations de position est motivé en raison de
la disponibilité des systèmes GPS et des cartes numériques dans tous les véhicules. Dans cette
approche, les nœuds sont caractérisés par leurs positions au lieu d’une adresse dans le réseau.
L’avantage de cette approche constitue de :
1. Aucune route ne doit être maintenue.
2. Les décisions du routage sont prises instantanément à l’aide d’une base de données de
localisation de source et destination (tous les nœuds connaissent les positions initiales de
tous les nœuds)
Ainsi, plusieurs protocoles de routage ont été proposés dans la littérature tels que GPSR
[Karp 2000] et GPCR [Lochert 2005].
2.3.8 Applications de réseaux VANETs
Les applications des réseaux VANETs pour les systèmes de transport intelligents sont clas-
sées en trois catégories comme suit :
A) Applications pour la sécurité routière Lorsque le nombre d’accidents sur ses routes
associé à un parc de véhicules est de plus en plus important et croissant, la sécurité routière est
devenue une priorité motivée dans la plupart des pays développés. Afin d’améliorer cette sécurité
des déplacements et réduire les accidents routiers, les communications entre véhicules offrent
la possibilité de prévenir les collisions et les travaux sur les routes, de détecter les obstacles et
les piétons (fixes ou mobiles) et de distribuer les informations météorologiques. La figure 2.16
montre deux scénarios du risque de collision dans VANETs.
B) Applications pour les systèmes d’aide à la conduite et les véhicules coopéra-

tifs Afin de faciliter la conduite autonome et d’apporter un support au conducteur dans des
situations particulières : aide aux dépassements de véhicules, prévention des sorties de voies en
ligne ou en virage, etc. En effet, les compagnies de transports utilisent les IVCs dans un but de
productivité pour réduire la consommation de carburant.
C) Applications de confort du conducteur et des passagers Les services de commu-

nication et d’informations des utilisateurs comme l’accès mobile à l’Internet, la messagerie, le
chat entre véhicules, les jeux en réseaux, etc. Nous allons citer quelques exemples d’applications
des systèmes de communications entre les véhicules :
Figure 2.16 – Risque de collision scénario dans VANET [Huang 2009]
1. Messages d’alerte en cas d’accident
2. Alerter en cas de bouchons, travaux,....
3. Hot spot sur les autoroutes
4. Platooning
5. La conduite collaborative
6. Communications de groupe
7. Gestion des espaces libres dans le parking
2.3.9 Les simulateurs de réseaux Ad-hoc sans fil
La simulation est une technique de modélisation du monde réel. Elle permet de représenter
le fonctionnement d’un système que l’on veut observer [Kaisser 2010]. La modélisation de ce
système consiste à classifier plusieurs variables intéressantes. L’état d’un système sera défini
comme l’ensemble des valeurs que prennent ces variables à un instant donné. Il existe une
multitude de simulateurs de réseaux, certains plus spécialisés, d’autres généralistes. Nous allons
expliquer quelques-uns dans la section suivante. Afin de répondre aux besoins des utilisateurs,
un certain nombre de simulateurs ont été développés afin de simuler les réseaux informatiques.
Les simulateurs les plus utilisés dans le domaine des réseaux ad-hoc sont OPNET, GloMoSim,
NCTUns et ns-2. Ce dernier simulateur est utilisé dans le cadre de la thèse et détaillé dans le
chapitre suivant.
2.3.9.1 OPNET [Desbrandes 1993]
C’est un simulateur à caractère commercial. Il contient des nombreux modèles. Il fournit

des outils optimisés pour créer et tester des modèles de réseaux. Il utilise la modélisation hiérar-
chique dans chaque couche pour aider les utilisateurs à effectuer des simulations à évènements
discrets de grande exactitude et à récupérer les métriques voulues. OPNET est facile à utiliser
et est relativement extensible.
2.3.9.2 GloMoSim [Zeng 1998]
GloMoSim est un simulateur performant basé sur un ensemble de modules et de biblio-

thèques. Chacune simule un aspect particulier des réseaux filaires ou sans fil sur une couche
particulière du modèle OSI. GloMoSim est développé en langage PARSEC (Parallel Simulation
Environnement for Complex Systems), qui permet la simulation parallèle des processus via les
messages et les entités indépendantes. GloMoSim est extensible vers d’autres modèles via le
langage PARSEC. QualNet [Simulator 2000] est un produit commercial dérivé de GloMoSim.
2.3.9.3 NCTUns [Wang 2007]
NCTUns est une Plate-forme de simulation intégrée pour la recherche dans les domaines
de trafic de véhicules, la communication et les réseaux. Cette Plate-forme a des capacités de
simulation, NCTUns peut être utilisé pour concevoir des protocoles pour les réseaux dédiés aux
systèmes de transport intelligents (STI). Afin de soutenir les études sur les systèmes de trans-
ports intelligents, de nouvelles évolutions sont proposées par [Wang 2008] pour ce simulateur.
2.4 Conclusion
Dans ce chapitre, nous avons présenté le système ADAS et le système de communication

entre véhicules. Nous avons mis en évidence le lien entre les systèmes ADAS et ce système
2.4. Conclusion 47
de communication afin de répondre aux applications souhaitées dans le système de transport

intelligent. Nous avons également étudié l’évolution technologique des systèmes d’alerte em-
barqués entre les véhicules. Les paramètres nécessaires à prendre en compte pour calculer la
distance de sécurité entre véhicules sont aussi étudiés pour obtenir de meilleures performances
de réaction. Au travers des références bibliographiques, les protocoles de routage développés
pour les réseaux MANETs et les réseaux VANETs ont été présentés. Une liste des simulateurs
les plus utilisés de réseaux sans fil a été abordée. La synthèse de ces travaux nous a permis de
mieux comprendre les réseaux véhiculaires et les systèmes ADAS coopératifs.
Chapitre 3
Chapitre 3
Coopération entre deux systèmes logiciels
3.1 Introduction
Dans ce chapitre, nous proposons un système d’alerte coopératif entre véhicules. Nous dé-
crivons étape par étape la structure de conception de ce système. Pour la réalisation, il faut
faire coopérer des modules d’acquisition de données, comme le module de vision, de GPS et de
communication. La structure de cette problématique est décrite par le schéma de la figure 3.1
qui reprend le modèle OSI pour faire une modélisation avec trois couches.
Figure 3.1 – La modélisation de notre approche avec trois couches
Dans la première partie, après la description de notre approche, nous décrivons les caracté-
50 Chapitre 3. Coopération entre deux systèmes logiciels
ristiques de notre système ADAS, composé d’un outil logiciel de prototypage avancé en temps
réel RTMaps et d’un système de communication entre véhicules. Dans la deuxième partie nous
présentons le simulateur de réseaux ns-2 avec la description des modèles de propagation et de
mobilité. La troisième partie est consacrée à la représentation de notre approche coopérative
entre les deux logiciels ns-2 et RTMaps. Enfin, nous présentons notre réalisation de module de
communications V2V.
3.2 Présentation de notre approche coopérative
Dans notre système, nous avons combiné dans un nouvel ensemble de prototypage, les don-
nées provenant de trois modules (module de communication, module de vision, module GPS).
Cette nouvelle combinaison représente l’originalité de notre travail. Elle permet d’analyser le
comportement d’un ADAS coopératif, en fonction de différents types de scénarios de commu-
nications. Le système ADAS choisi est un système d’alerte permettant d’éviter les collisions
entre les véhicules. La figure 3.2 présente l’architecture de communication de cet ensemble de
prototypage.
Cette approche a conduit à faire collaborer deux simulateurs :
– (RTMpas) qui réalise l’acquisition de données en temps réel.
– Le simulateur de réseau (ns-2) qui simule la transmission des paquets dans un réseau sans
fil en utilisant un protocole de routage.
3.2.1 Présentation de RTMaps
Le logiciel RTMaps, commercialisé par la société Intempora [Int 2000], est un outil spécialisé
dans les applications de fusion de données temps réel pour plusieurs capteurs embarqués. Son
principe utilise le concept de bases de données datées et synchronisées (BdDDS). Les principales
fonctions de RTMaps sont les suivantes :
– Connecter, enregistrer et comparer tous types de capteurs et d’actionneurs.
– Fusionner les différentes données en temps réel et prototyper efficacement.
– Conserver et partager les informations ou les données.
3.2. Présentation de notre approche coopérative 51
Figure 3.2 – Architecture de communication dans le nouvel ensemble de prototypage
Avec cet outil, nous pouvons réaliser l’acquisition et le traitement de toutes les données
à haut débit en temps réel. Les données de chaque capteur sont datées immédiatement lors
de leur acquisition et stockées ensuite dans des Bases de Données Datées Synchronisées BDDS
[Steux 2001]. Dans notre configuration, nous faisons l’acquisition de données issues d’un système
de localisation de type GPS et de données vision qui permettent de déterminer les distances
entre les véhicules. La figure 3.3 représente un diagramme de type RTMaps utilisé.
3.2.2 Le système de communication
Pour les applications visées, de type communication V2V, nous avons choisi d’utiliser un
système de communication basé sur le mode « ad-hoc ». Dans ce mode de communication,
les clients sont connectés les uns aux autres sans aucun point d’accès. En mode ad-hoc, les
machines sans fil clientes se connectent les unes aux autres afin de constituer un réseau point
à point communément nommé « Peer to Peer ». En d’autres termes, chaque machine dans ce
Figure 3.3 – Diagramme de RTMaps utilisé dans notre étude
réseau joue le rôle du client et du serveur en même temps. Les principales caractéristiques de
ce système sont les suivantes :
3.2.2.1 La qualité de service
La qualité de service (Quality of Service : QoS) d’un système de communication est ca-
ractérisée par la fiabilité de la communication, la portée, le débit, la vitesse relative entre les
véhicules et la latence des communications [Ammoun 2007a]. Plusieurs facteurs peuvent dégra-
der la qualité de la communication sans fil comme la distance entre les véhicules, la visibilité
directe, l’environnement de propagation, les multi-trajets, le niveau de bruit et la fréquence
utilisée.
3.2.2.2 Contrainte sur la distance entre les véhicules
La distance de communication représente la portée maximale que nous pouvons avoir entre
deux véhicules communicants. Cette portée ne dépend pas seulement des performances des
matériaux de communication mais aussi de l’environnement responsable des phénomènes de
propagations tels que : l’absorption, la diffraction, l’atténuation et la réflexion du signal trans-
mis. Pour les systèmes WiFi de type 802.11g, la valeur maximale de la distance entre deux
véhicules est de 300 mètres. La distance inter-véhicules est calculée à partir des données GPS
acquises par chaque véhicule et transmises par les communications V2V. La distance entre les
véhicules peut être approchée par les équations suivantes :
A = (latV1 − latV2 ).R (3.1)
B = (lonV1 − lonV2 ).R (3.2)

√
Zp = A2 + B 2 (3.3)
Où R est le diamètre de la terre, Zp est la distance entre les deux véhicules, Latvi est la
latitude du véhicule Vi , Lonvi est la longitude du véhicule Vi .
3.2.2.3 La latence de la communication
Le temps de latence est la durée du retard dans un système de communication. Il est défini
comme le délai temporel entre le moment où l’émetteur envoie le paquet et le moment où le
récepteur intègre le message envoyé. Dans les applications en temps réel, la latence doit être
faible pour que les informations transmisses puissent être traitées correctement.
3.2.2.4 Durée de connexion
Ce paramètre représente la durée de vie d’une communication entre deux véhicules. Si nous
avons les vecteurs [X1 , X2 ] et [V1 , V2 ] qui représentent, respectivement, la position et la vitesse
de deux véhicules (véhicule1 et véhicule2) à un instant ti , on peut estimer que la connexion est
active pour toute valeur de (t) qui vérifie l’inégalité associée à la portée radio notée r.
k (X1 + V1 .(t − t1 )) − (X2 + V2 .(t − t1 )) k≤ r (3.4)
avec X = X1 -X2 et V =V1 -V2

Nous obtenons :
k X + V.(t − ti ) k≤ r (3.5)
Si nous calculons les valeurs extrêmes de (t) vérifiant cette inégalité, nous obtenons deux
solutions (te ) et (ts ) se référant aux instants où les deux véhicules entrent et sortent de leurs
portées radio respectivement. La durée de la connexion estimée en considérant que les vitesses
sont constantes est alors tc =te - ts .
p
2.x1 x2 v1 v2 + v12 (r2 − x22 ) + v22 (r2 − x21 )
tc = 2 (3.6)
v12 + v22
Si la durée de connexion est trop courte, les échanges de données ne pourront pas être
effectués. Cette contrainte définit une vitesse relative maximale V .
3.2.3 Présentation de l’outil de simulation ns-2
"Ns-2" est un simulateur de réseaux informatiques à événements discrets. Il a été développé

lors d’un projet VINT de DARPA [Greis 2007]. Il est le simulateur le plus célèbre utilisé dans
le domaine de la simulation de réseaux. Le projet ns-2 a débuté en 1989 comme une variante du
simulateur de réseau nommé REAL et il a connu des nombreuses extensions via les contributions
de la communauté scientifique. Initialement, ce simulateur a été conçu pour les réseaux filaires,
puis il a été le premier simulateur supportant les réseaux ad-hoc. La simulation sous ns-2 peut
prendre en compte les modèles de propagation, de mobilité et les protocoles de routage.
Il utilise deux langages de programmation : OTCL et C++. OTCL (Oriented Tool Command
Language) est un langage de commande, il sert à contrôler les applications en offrant des
structures de programmation telles que les boucles, les procédures ou les notions de variables.
Le langage C++ est utilisé pour implémenter la plupart des protocoles réseaux et pour les
interfacer via OTCL. Pour modifier le comportement d’objets existants, il est donc nécessaire
de modifier le code C++. A cet ensemble, vient s’ajouter "NAM" qui est un outil permettant de
visualiser et d’analyser les éléments simulés. Ns-2 est un logiciel du domaine public, sous licence
GNU (General Public Licence). Il est disponible sur l’Internet et son utilisation est gratuite.
Il est à noter que ns-2 a été développé sous l’environnement Linux. La figure 3.4 représente le
diagramme des processus de simulation sous ns-2.
Figure 3.4 – Diagramme des processus de simulation sous ns-2
3.2.3.1 L’intérêt de l’utilisation de ns-2
En général, une simulation d’événements discrets a pour but de visualiser l’état d’un système
à n’importe quel instant. Le choix de ce simulateur pour notre étude s’est basé sur les critères
suivants :
– Bibliothèque de modèles : Typiquement il existe plusieurs protocoles implémentés dans
le simulateur. Si nous souhaitons utiliser un protocole déjà inclus dans la bibliothèque, il
n’est alors pas nécessaire de le développer.
– Fiabilité du simulateur et des protocoles simulés : Les modules (protocoles) sont proches
de la réalité, ils sont fiables, ils permettent donc de réaliser des simulations fidèles.
– Performances brutes : Elles se mesurent en temps d’exécution et en utilisation de la
mémoire. Si nous souhaitons simuler un réseau qui contient un grand nombre de nœuds,
le temps d’exécution et l’utilisation de la mémoire doivent être adaptés à la machine et
doivent rester raisonnables.
– Facilité d’extension : Il est facile d’ajouter de nouveaux modèles au simulateur, ce qui est
primordial pour faire évoluer les performances.
– Mesure de performances : Ce simulateur peut inclure la génération automatique de sta-
tistiques en fonction de différentes métriques.
Après avoir comparé les différents simulateurs, nous avons choisi ns-2 qui est le plus adapté
à nos besoins. Dans notre projet, ce logiciel nous permet de décrire et de simuler des scénarios,
en utilisant des scripts TCL, puis d’interpréter les résultats de simulation avec l’analyse des
fichiers traces.
3.2.3.2 Les classes du ns-2
Les classes de programmation pour ce logiciel sont les suivantes :
1. Application (générateur de trafic)
2. Agent (protocoles)
3. Node (nœud du réseau)
4. Link (lien entre les nœuds)
5. Monitor (Elaboration de statistique sur un lien particulier)
La figure 3.5 montre la structure d’un nœud mobile dans ns-2.
3.2.3.3 Composants de ns-2
Le tableau 3.1 récapitule la liste des principaux composants disponibles dans ns-2 pour les
différentes fonctions qu’il permet de simuler.
Table 3.1 – Liste des principaux composants disponibles sous ns-2

Application Web, FTP, Telnet, générateur de trafic (CBR,
..)
Transport TCP, UDP, RTP, SRM
Routage Statique, dynamique (vecteur distance) et
routage multipoint (DVMRP, PIM)
Gestion des files d’at- RED, Drop Tail, Token bucket
tente
Discipline de service CBQ, SFQ, DRR, Fair Queuing
Système de transmis- CSMA/CD, CSMA/CA, lien point à point
sion
3.2.3.4 Les modèles de propagation
Le système de communication entre véhicules rencontre différents environnements de pro-

pagation qui varient avec la densité du trafic et la géographie. Ces différents environnements
Figure 3.5 – Structure d’un nœud mobile dans ns-2
de communications peuvent être classés comme suit :

– Environnement urbain
– Environnement inter-urbain
– Environnement autoroutier
Les modèles de propagation de l’onde radio sont définis dans la couche physique du modèle
OSI. Ils permettent de prédire la puissance du signal reçu pour chaque paquet. Un seuil de
réception est défini au niveau des nœuds du réseau. Lorsqu’un paquet est reçu et que la puissance
du signal est inférieure au seuil, il sera marqué et traité comme abandonné (droped ) par la
couche MAC. L’atténuation (Fading) conduit à un phénomène de fluctuations rapides du signal
pendant une période de temps donnée. Jusqu à présent, il existe trois modèles de propagation
sous ns-2 qui tiennent compte de l’atténuation du signal en fonction de la distance. Ces trois
modèles sont le modèle de l’espace libre, le modèle de réflexion et le modèle de l’ombrage. Nous
allons présenter ces modèles en commençant par le plus simple, modèle de l’espace libre, pour
finir par le plus réaliste, modèle de l’ombrage.
Modèle de l’espace libre (Free-Space) : Ce modèle est utilisé pour prédire l’intensité
du signal lorsque l’émetteur et le récepteur ont un chemin clair, dégagé et direct (LOS ) entre
eux. H.T.Friis [Friis 1946] a présenté la formule suivante permettant de calculer la puissance
du signal reçu dans un espace libre à une distance "d" de l’émetteur.
Pt .Gt .Gr .λ2

Pr (d) = (3.7)
(4Π)2 .d2 .L
Où :
– Pt , Pr sont les puissances de signal émis et reçu respectivement (watt).
– Gt , Gr sans unité, représentent les gains des antennes d’émission et de réception.
– L : la perte du système (i.e. L=1 dans les simulations sous ns-2).
– λ : la longueur d’onde du signal radio.
Ce modèle représente essentiellement la portée de communication comme un cercle autour
de l’émetteur. Si le récepteur est à l’intérieur de ce cercle, il reçoit tous les paquets, sinon, il
perd tous les paquets.
Le modèle de réflexion sur le sol (Two-Ray ground reflection) : Ce modèle, plus

réaliste que le modèle précédent, traite le cas où l’on considère un sol réfléchissant le signal
entre l’émetteur et le récepteur, en plus de la voie directe LOS. Cette situation est illustrée par
la figure 3.6. Ce modèle est particulièrement utile et précis pour prédire la puissance reçue pour
les longues distances et lorsque l’émetteur est installé à une position relativement élevée au-
dessus du sol. Il est intéressant de noter que la puissance reçue est indépendante de la fréquence
pour les grandes distances. Avec ce modèle, la puissance calculée diminue plus rapidement en
fonction de la distance, par rapport au modèle Free-Space. La puissance reçue à une distance
"d" est prédite par l’équation suivante :
Pt .Gt .Gr .h2t .h2r

Pr (d) = (3.8)
d4 .L
Où ht , hr sont les hauteurs des antennes d’émission et de réception.
Figure 3.6 – Modèle de réflexion sur le sol [Jerbi 2008a]
Le modèle de log-normal Shadowing : Avec les modèles de l’espace libre et de réflexion

sur le sol, le calcul de la puissance reçue estimée est une fonction déterministe de la dis-
tance. Ces deux modèles représentent la portée de la communication comme un cercle idéal.
En réalité, la puissance reçue pour une valeur donnée de la distance est une variable aléatoire
évoluant autour d’une valeur moyenne. Ceci est dû aux effets des multitrajets qui provoquent
des affaiblissements. Le modèle le plus général et largement utilisé est noté « Shadowing mo-
del » [Rappaport 1996]. L’approche empirique pour calculer la puissance reçue est basée sur
des courbes expérimentales ou sur des expressions analytiques qui permettent de recréer un
ensemble de données mesurées pour des situations définies. Cette approche a l’avantage de
prendre en compte tous les phénomènes connus et inconnus dans la modélisation du canal de
propagation. Dans le modèle Log-normale Shadowing, la puissance décroît logarithmiquement
avec la distance. En tenant compte du fait que dans les environnements de propagation les en-
combrements sont différents, ce modèle intègre un paramètre aléatoire appelé Shadowing dans
le calcul de la puissance. Ce paramètre est défini comme gaussien à moyenne nulle avec un
écart-type de shadowing σdB (dB). Ce paramètre permet de prendre en compte le fait que les
puissances mesurées sont sensiblement différentes des valeurs moyennes calculées. Le calcul de
la puissance est effectué en deux étapes :
dans la première étape, nous calculons la puissance moyenne Pr (d) pour un trajet de lon-
gueur d dans un environnement perturbé. Pour cela, on utilise une puissance de référence Pr (d0 )
caractéristique de cet environnement, calculée à partir d’une distance de référence fixe d0 . Cette
puissance de référence est obtenue avec l’équation 3.7. Puis Pr (d) est calculée par rapport à la
puissance de référence avec l’équation suivante :
β
Pr (d0 ) d
= (3.9)
Pr (d) d0
L’atténuation de la puissance est représentée avec l’exposant β. Il est déterminé par des
mesures sur le terrain. Le tableau 3.2 donne quelques valeurs typiques de β.
Environnement β
Espace libre 2
Extérieur (outdoor)
Les zones urbaines 2.7 à 5
Ligne directe de communication 1.6 à 1.8
Dans les bâtiments
Obstruction 4à6
Table 3.2 – Quelques valeurs typiques de l’exposant perte de trajet β
Les valeurs élevées de β correspondent à un trajet avec un nombre d’obstacles important.

Donc l’atténuation de la valeur moyenne de la puissance reçue est plus rapide quand la distance
augmente. Cette atténuation est généralement mesurée en dB, donc, à partir de l’équation 3.9,
nous avons :
" #
Pr (d) d
= −10βlog (3.10)
Pr (d0 ) d0
dB
La deuxième étape fait intervenir un paramètre aléatoire dans le calcul de la puissance.

Ce paramètre est une variable aléatoire, gaussienne, de moyenne nulle, d’écart type σdB (dB)
détaillé dans le tableau 3.3 et exprimé en dB. σdB est aussi noté variation de l’ombrage. Il est
obtenu de façon empirique.
Environnement σdB (dB)

Extérieur 4 à 12
Bureau, hard partition 7
Bureau, soft partition 9.6
Usine, ligne directe 3à6
Usine, obstruction 6.8
Table 3.3 – Quelques valeurs typiques de l’écart d’ombrage σdB (dB)

Par conséquence, le modèle global de shadowing est représenté par l’équation 3.11 :
" #
Pr (d) d
= −10βlog + XdB (3.11)
Pr (d0 ) d0
dB
Où XdB est une variable gaussienne aléatoire de moyenne nulle et d’écart-type σdB (dB).
Ce modèle améliore le modèle de l’espace-libre (Free-Space) pour obtenir un modèle statistique
plus riche où les communications possibles ont une évolution probabiliste.
3.2.3.5 Modèles de mobilité sous ns-2
Le but est de représenter au mieux les caractéristiques des déplacements des véhicules pour
se rapprocher au mieux du monde réel. La cinématique ou mobilité des nœuds mobiles est l’un
des paramètres importants dans la simulation des réseaux VANETs. Le modèle de mobilité
reflète le comportement spatio-temporel de ces nœuds.
Plusieurs modèles ont été proposées sous ns-2. Ces modèles permettent de générer des fi-
chiers appelés traces décrivant la position des véhicules en fonction du temps. Random Way
Point (RWP ), Group Mobility, Freeway, Random Direction Model, Markovian Model et Man-
hattan model sont les modèles de mobilité les plus connus dans la littérature [Camp 2002]. Ces
modèles ne prennent pas en compte les interactions qui existent entre les véhicules et qui sont
fondamentales pour la communication V2V [Helbing 2001]. Des études plus détaillées des mo-
dèles de mobilité peuvent être trouvées dans [Bai 2003], [Härri 2005]. Le simulateur ns-2 définit
plusieurs modèles de mobilité ; nous mentionnons deux exemples :
Le modèle RWP génère un mouvement aléatoire des nœuds. Pour chaque nœud, la desti-
nation est définie de façon aléatoire et le déplacement est réalisé avec une vitesse constante
[Johnson 2001]. Il est apprécié pour sa simplicité. Cependant, il ne peut ni fixer de carac-
téristiques de mobilité spatiale pour les nœuds, ni définir de restrictions géographiques dans
le réseau mobile. En conséquence, il ne produit pas de modèles de mouvement réalistes. De
plus, ce modèle de mobilité ne conduit pas à des résultats précis lorsqu’il s’agit d’évaluer les
performances des protocoles et des applications pour un réseau WiFi Ad-Hoc [Singh 2002].
Dans le modèle de Trajectory Based Mobility, le mouvement est généré par un scénario
défini par l’utilisateur. La mobilité est alors définie par une destination précise et une vitesse
de déplacement constante.
Ces deux modèles mentionnés sont utilisés pour des environnements de type MANET. Ils ne
peuvent pas être utilisés pour les environnements de type VANET. Leur utilisation ne produit
pas de résultats précis puisqu’ils ne donnent pas de traces qui expriment correctement les
mouvements des véhicules [JOBIN 2010]. En effet, les déplacements et les vitesses de véhicules
sont délimités et prédéfinis par les routes et le comportement des conducteurs.
Pour obtenir des résultats de simulation plus précis, la communauté des chercheurs a travaillé
sur des modèles de mouvements plus réalistes. Ces modèles sont issus de combinaisons de don-
nées de plusieurs capteurs avec un niveau de détails suffisant
[Saha 2004] [Karnadi 2007]. En effet, des chercheurs ont montré que les résultats des analyses
des performances des protocoles MANET et VANET dépendent du choix du modèle de mobilité
[Naumov 2006].
Le modèle simple de Freeway et le modèle de Manhattan (ou grille) étaient les premiers
modèles issus de projets complexes. Ces modèles basés sur des cartographies routières ont été
développés afin de générer de véritables mouvements de véhicules permettant de simuler les
déplacements dans les villes.
3.2.3.6 Les sources du modèle de mobilité pour VANET
Les traces de mobilité des nœuds peuvent être obtenues de différentes manières. Ces traces
peuvent être obtenues soit avec un modèle mathématique, soit issues d’enregistrements de traces
réelles effectués avec un système GPS ou soit à partir d’un simulateur de trafic routier, macro-
scopique ou microscopique. Le simulateur macroscopique modélise et simule le déplacement de
chaque véhicule sur la route par rapport aux autres, estimant ainsi de façon régulière sa po-
sition, sa vitesse et son accélération. Le simulateur microscopique modélise le déplacement de
chaque atome dans un gaz, tandis qu’un simulateur macroscopique modélise le gaz en se basant
sur certaines propriétés tels que le volume, la pression, la température (base de la thermody-
namique) [Kaisser 2010]. Plusieurs études ont également montré qu’il est nécessaire d’utiliser
un modèle de mobilité réaliste avec un niveau de détails suffisant pour obtenir des résultats de
simulation précis du réseau VANET.
De nouveaux outils Open Source sont disponibles pour générer des traces de mobilité de
véhicules. Nous avons ainsi, MOVE (MObility model generator for VEhicular networks) qui est
un logiciel programmé en java et qui se base sur SUMO (Simulation for Urban MObility) pour
générer des simulations du trafic routier [Karnadi 2007]. C’est un outil assez complet, utilisant
l’extrapolation de vraies cartes issues de la base de données TIGER. De plus il permet de créer
une topologie de réseau de façon pseudo-aléatoire et manuelle. Toutefois, avec cet outil, aucune
micro-mobilité n’est considérée.
Il est donc important d’utiliser des modèles plus réalistes pour reconstruire les mouvements
des véhicules. Cela est possible avec les modèles dédiés aux simulations VANET comme STRAW
[Choffnes 2005], TraNS [Piorkowski 2008] et VanetMobiSim [Härri 2006].
L’outil CanuMobiSim [Stepanov 2010] est un outil dédié à la génération de traces des véhi-
cules dans des conditions variées. Il est basé sur l’extrapolation des topologies réelles à partir de
données géographiques (GDF). Les modèles de mobilité, utilisé pour générer les traces, peuvent
être considérés dans les simulateurs ns-2, GloMoSim ou QualNet [Simulator 2000]. Contraire-
ment à d’autres outils, l’outil CanuMobiSim utilise des propriétés de micro-mobilité. La mise en
œuvre de plusieurs modèles d’interaction entre les voitures peut être modélisée avec le modèle
de Fluid Traffic [Seskar 2002] ou le modèle de l’Intelligent Driver (IDM ) [Treiber 2000]. Enfin,
nous pouvons signaler une extension de CanuMobiSim, VanetMobiSim qui propose des modèles
de mouvements de véhicules automobiles, aussi réalistes au niveau macroscopique qu’au niveau
microscopique.
L’outil STRAW [Jarupan 2008] est un simulateur de trafic permettant de créer des traces
de mobilité et dédié au simulateur de réseau SWANS (Scalable Wireless Ad Hoc Network
Simulator). Ce simulateur permet d’extraire la topologie de la route à partir des cartes de la
base de données TIGER. STRAW contient aussi des implémentations pour plusieurs protocoles
de routage, de transport et d’accès aux médias. Ce modèle fournit des résultats de simulation
plus précis comparés à ceux obtenus à partir du modèle RWP car il utilise un modèle de mobilité
fondé sur la circulation réelle dans des villes américaines.
L’outil IMPORTANT [Bai 2003] et l’outil Bonn Motion [Waal 2003] [Aschenbruck 2010]
mettent en œuvre plusieurs modèles de mouvements aléatoires. Ils génèrent aussi des modèles
simples qui expriment les mouvements des véhicules. Ces outils sont insuffisants pour simuler
des mobilités réalistes de véhicules.
L’outil Groove Sim [Mangharam 2005] est un simulateur de la mobilité et de communication,
qui utilise aussi les fichiers de la base de données TIGER pour générer des topologies réalistes.
Groove Sim ne génère ni des modèles de véhicules de type micro-mobilité, ni des traces utilisables
par des simulateurs de réseaux. En fait, il a été élaboré pour tester un protocole de routage
spécifique.
Les modèles de mobilité et les simulateurs mentionnés précédemment donnent des traces
proches de la réalité, exploitables par les simulateurs, mais qui n’ont pas toutes les caractéris-
tiques des traces réelles, surtout au niveau de la micro-mobilité. Cela nous a conduit à choisir
RTMaps comme source des données réelles pour extraire les traces de mobilité des véhicules.
Pour déterminer la localisation d’un événement dans les réseaux de véhicules nous utilisons les
données du système GPS, supposant que chaque véhicule a un récepteur GPS qui donne la
position actuelle avec une précision de moins de 5 mètres. Si des véhicules ne sont pas équipés
du GPS, il est nécessaire de déterminer la localisation de ces véhicules par d’autres moyens.
Ainsi, les véhicules se déplaçant sur une route prédéfinie ont tendance à garder leur sens de
circulation. Cette information peut être utilisée dans la gestion de la mobilité pour les réseaux
véhiculaires.
3.2.4 Approche coopérative entre deux systèmes logiciels
L’utilisation des communications sans fil dans les applications pour les systèmes de transport
intelligents nécessite un simulateur de réseau très proche de la réalité. De plus, dans le domaine
des communications entre véhicules, il est indispensable de combiner un simulateur de réseau
avec un simulateur de trafic afin de tester l’efficacité de ce réseau. Cela nous a conduit à
combiner un simulateur de réseaux ns-2 avec un logiciel qui fournit des données réelles de
trafic « RTMaps ». Cette partie présente la coopération entre ces deux logiciels afin de tester
la faisabilité des applications. Cela nous permettra de choisir les paramètres nécessaires pour
des applications d’alerte de type anti-collision. Cette coopération est constituée d’un couplage
en temps différé entre RTMaps et ns-2 comme le montre la figure 3.7. Ce couplage est en
temps différé, car les processus ont un fonctionnement séquentiels, Ils ont besoin des résultats
de l’ensemble de la séquence pour fonctionner. Les deux programmes sont donc exécutés en
temps différé.
Nous présentons notre méthode de couplage des deux logiciels, le simulateur de réseau et le
système de prototypage, pour réaliser un système d’alerte coopératif. En utilisant RTMaps, les
traces de mobilité des véhicules sont enregistrées en temps réel puis extraites et enfin conver-
ties au format TCL. La section suivante détaille l’importation des fichiers TCL représentant le
mouvement des véhicules dans le simulateur ns-2. Dans notre étude, le module de mobilité est
externe, il est construit à partir de nos sources qui sont des traces réelles. Le couplage entre
RTMaps et ns-2 vise à combiner les performances des deux logiciels pour simuler le compor-
tement des véhicules selon un modèle de suivi de véhicule et pour simuler les communications
entre les véhicules en utilisant un réseau ad-hoc sans fil et un protocole de routage. Afin de
tester l’efficacité du système de communication, nous développons un ADAS qui sera testé sur
plusieurs types de scénarios.
Figure 3.7 – Architecture de la coopération entre deux systèmes logiciels (RTMaps-ns-2)

3.3 Le module de communication V2V sous ns-2

Pour effectuer la simulation d’un système de communication sans fil, il faut caractériser
les différentes couches utilisées et définir les protocoles implémentés pour chaque couche. Ceci
est très important afin de reproduire la performance du système réel. Avant de simuler un
réseau de véhicules avec des protocoles de routage, nous avons modélisé notre scenario de
communication entre véhicules comme le montre la figure 3.8. Chaque véhicule sera modélisé
par un nœud caractérisé par sa position (X, Y ) et par le vecteur de vitesse (Vx , Vy ). Il faut
noter que la distance et la vitesse entre les véhicules sont des paramètres de la simulation qu’il
faut déterminer.
Figure 3.8 – Modélisation d’un scénario V2V sous ns-2
3.3.1 Les caractérisations des couches sous ns-2
Pour notre projet de réalisation d’un système ADAS, nous avons simulé un réseau ad- hoc
sans fil entre les véhicules afin d’évaluer les performances des différents algorithmes de routage
en termes de taux de livraison de paquets, taux de surcharge du réseau et le délai de livraison
de bout en bout. Nous avons donc évalué les performances des algorithmes DSDV, DSR, AODV
3.3. Le module de communication V2V sous ns-2 67
et GPSR en utilisant le simulateur ns-2. A l’issue de chaque simulation nous comparons les dif-
férents protocoles en analysant les fichiers résultats représentant les communications effectuées.
Nous présentons dans cette section les différentes étapes à effectuer sous ns-2 illutrées par la
figure 3.9
Figure 3.9 – Diagramme des étapes d’une simulation sous ns-2
Une application sous ns-2, se déroule en deux phases :
1. Prétraitement : Générateur de trafic et topologie (setdest)
2. Post-traitement :
Analyse des fichiers résultats (traces) pour estimer la qualité de la communication simulée
en utilisant un langage de traitement de ligne texte, tels que : AWK, Perl ou Tcl. Nous
cherchons ensuite à extraire les informations relatives aux échanges des paquets entre les
nœuds.
Table 3.4 – Structure d’une ligne du fichier trace

Event Time From To Pkt Pkt Flags Fid Src Dst Seq Pkt
Node Node type Size addr addr num Id
Le format des fichiers résultats (traces) d’une simulation de réseau avec ns-2 pour des
réseaux mobiles ad-hoc est représenté dans le tableau 3.4. Le premier champ représente le type
d’événement, défini par une lettre. Il y a quatre types d’événement possible, soit réception (r),
soit transmission (s), soit retransmission (forwarded ) (f) et soit suppression (dropped ) (D). De
plus, la première lettre peut être (M) pour indiquer la position ou le mouvement du nœud à cet
instant. Le deuxième champ représente l’instant de l’événement. Le troisième champ désigne
le numéro du nœud source. Le quatrième champ désigne le numéro du nœud destination. Le
cinquième champ noté « Pkt type » indique le niveau ou le type du paquet cela peut être :
MAC (adresse), AGT (niveau transport), RTR (niveau routage du paquet), IFQ (pour indiquer
l’interférence de priorité dans la file d’attente, cela peut générer la suppression de paquet).
Ensuite, le champ représente la taille de paquet. Le champ « Flags » caractérise le numéro de
séquence du paquet. Le champ « Fid » est également utilisé lorsque la couleur de flux est précisée
pour l’affichage NAM. Les champs « Src Addr » et « Dst Addrs » représentent respectivement
les adresses de la source et de la destination du paquet qui transite entre les deux nœuds. Enfin
« Seq num » et « Pkt id » identifient le paquet.
3.3.2 Les caractéristiques d’une simulation V2V sous ns-2
Les simulations sont contrôlées avec des fichiers contenant des scripts au format TCL. Pour
définir une simulation, il faut initialiser différents champs, cela est effectué avec les étapes
suivantes :
– Création de l’événement avec sa base de temps.

– Activation de la zone de simulation (traçage)..
– Création des nœuds du réseau en définissant leurs positions initiales, ou des nœuds de
routage par leurs positions aussi.
– Définition des liens de communication entre les nœuds.
– Configuration du protocole de routage, soit AODV ou DSR ou GPSR.
– Définition des agents de transport, représentant les protocoles de niveau transport (TCP,
UDP) ; ces agents sont attachés aux nœuds et connectés les uns avec les autres. Cela
représente les échanges de données (connexion TCP, flux UDP).
– Création des agents de trafic (FTP, CBR). Ces applications génèrent le trafic de données
selon certaines lois utilisant les agents de transport.
– Transmission des données au niveau des applications.
– Calcul de nouvelles positions des nœuds (positions de destination).
– Création de convois de véhicules et des contraintes associées à la topologie.
– Définition de la durée de la simulation.
– Exécution du script TCL.
Le tableau 3.5 présente les paramètres de nos simulations de réseaux VANETs avec le modèle
de propagation "TwoRayGround ".
3.3. Le module de communication V2V sous ns-2 69
Table 3.5 – Les paramètres du modèle de propagation dans les simulations des VANETs sans
fil
Paramètre Valeur
Surface de simulation 200x800 m
Modèle de propagation Propagation/TwoRayGround
Modèle de queue d’interface Queue/DropTail/PriQueue
Antenna/omniAntenna X=0
Antenna/omniAntenna Y=0
Antenna/omniAntenna Z=1,51
Antenna/omniAntenna Gt =1.0
Antenna/omniAntenna Gr =1.0
Phy/WirelessPhy CPThresh (dB) 10.0
Phy/WirelessPhy CSThresh (Watt) 1.559e-11
Phy/WirelessPhy RXThresh (Watt) 3.652e-9
Phy/Wireless Hy frequency (MHz) 5.90 e+9
Phy/WirelessPhy RXThresh (Watt) 0.28183815
Pt
Paquet de données CBR
Taille de Paquet (byte) 64, 512, 1460
Temps de simulation (197, 337) s
Temps entre deux paquets (intervalle) (1, 2, 3, 4, 5) s
3.3.3 Simulation des protocoles de routage
Ns-2 supporte différents types de protocoles comme par exemple le protocole TCP, les
protocoles de routage et multicast pour les réseaux filaires ou sans fil. Nous avons simulé notre
réseau avec plusieurs types d’algorithmes de routage. Nous avons commencé par les algorithmes
de réseaux dédiés aux réseaux MANETs comme :
– L’algorithme DSDV
– L’algorithme AODV
– L’algorithme DSR
Par la suite, nous avons intégré le code source de l’algorithme GPSR sous la version ns-2.33
installée sous linux. Cet algorithme est mieux adapté aux réseaux VANETs. En plus, nous avons
évalué par simulation le fonctionnement du réseau et les performances des algorithmes DSDV,
AODV, DSR et GPSR avec des nœuds mobiles. Cette évaluation a été effectuée en utilisant
des traces réelles de véhicules (positions, vitesses).
3.3.4 Intégration du modèle de propagation
Plusieurs modèles analytiques et empiriques ont été proposés afin de modéliser le canal
de communication entre véhicules avec des conditions variées, des critères sur la vitesse des
véhicules et des critères sur le trafic. Nous trouvons ainsi des critères sur la distance entre
les véhicules en mouvement, sur le mouvement contraint sur les voies. Ces critères affectent les
performances du réseau. Ns-2 utilise normalement un modèle de propagation simple qui ne prend
pas en compte tous les obstacles de l’environnent et qui ne caractérise pas parfaitement le monde
réel où circulent les véhicules [Hafeez 2009]. Les modèles de propagation de base habituellement
simulés sous ns-2 tel que (TwoRayGround ) ne conviennent pas pour les simulations VANETs
[Martinez 2009]. La puissance du signal reçu dans ce modèle, explicitée par l’équation 3.8,
diminue de façon importante lorsque la distance entre les véhicules augmente, comme le montre
la figure 3.10.
200 Puissance reçue

Puissance reçue (mW)
150
100
50
-50
0 2 4 6 8 10 12 14 16 18 20 22 24
Distance entre véhicules (m)
Figure 3.10 – Puissance reçue en fonction de la distance entre les véhicules

3.4. Modèle Benchmark dans les systèmes ADAS 71
3.4 Modèle Benchmark dans les systèmes ADAS

Nous souhaitons, maintenant analyser les performances des différents protocoles et leurs
influences sur le fonctionnement des systèmes ADAS coopératifs. Pour cela nous définissons
une méthodologie d’évaluation notée "modèle benchmark" pour un système ADAS coopératif
créant une fonction d’alerte de type anti-collision. Nous proposons de simuler un réseau de
communication V2V en utilisant des données datées et traitées issues d’une scène routière
réelle. Ensuite, nous rejouons ces scénarios réels avec les caractéristiques modifiées du réseau de
communication V2V. Cela nous permet de tester notre ADAS qui a pour fonction de générer
un signal d’alerte de type prévention de collision. La structure de notre étude est présentée
dans la figure 3.11.
Figure 3.11 – Modèle benchmark dans les systèmes ADAS avec toutes les étapes qui sont
effectuées pour transférer les données entre deux logiciels.
3.5 Conclusion
Dans ce chapitre, nous avons présenté notre approche pour le prototypage de système ADAS
basée sur la coopération entre plusieurs systèmes. Nous avons détaillé les environnements ma-
tériels et les logiciels mis en œuvre. Les modèles de mobilité et les modèles de propagation
utilisés dans le simulateur ns-2 sont présentés et détaillés. Le déroulement de la simulation

sous ns-2 est décrit. Enfin nous avons présenté notre système de coopération sous RTMaps et
les contraintes rencontrées, puis le modèle benchmark pour les systèmes ADAS avec toutes les
étapes nécessaires qu’il faut effectuer pour réaliser un système d’alerte coopératif.
Chapitre 4

Chapitre 4
Mise en œuvre et résultats
4.1 Introduction
Nous présentons dans ce chapitre, la Plate-forme expérimentale de communications entre

les véhicules d’une part et l’environnement de simulations V2V réalisé par ns-2 d’autre part. La
première partie est dédiée à la description de la Plate-forme LaRA et de son fonctionnement. La
deuxième partie est consacrée aux différentes expérimentations effectuées sur cette Plate-forme
en décrivant les contraintes rencontrées lors de ces expérimentations. Dans la troisième partie,
nous analysons l’environnement de simulations V2V réalisé sous ns-2 pour évaluer les protocoles
de routage avec des données réelles représentant les mouvements des véhicules. La quatrième
et la cinquième parties mettent en œuvre, respectivement, la construction des scénarios de
communication dans un environnement urbains (le site de l’INRIA Rocquencourt) et le système
d’alerte coopératif. Nous évaluons par la suite ce système d’alerte dans plusieurs configurations
de communication avec les acquisitions de données issues de l’expérimentation.
4.1.1 Contexte et objectifs
Notre objectif est de réaliser un système de prototypage basé sur des données réelles en
utilisant la coopération entre le système RTMaps et le simulateur ns-2. Cela nous permettra de
concevoir un système d’alerte coopératif qui nous donne un indicateur de risque de collision.
Le fonctionnement du système d’alerte est implémenté sous RTMaps en utilisant des données
réelles issues des enregistrements et des données simulées calculées avec le simulateur de réseau
74 Chapitre 4. Mise en œuvre et résultats
ns-2 pour nos configurations. Pour évaluer le système d’alerte coopératif, nous avons comparé les
résultats obtenus avec la situation réelle enregistrée lors des essais et qui nous sert de référence.
Nous avons testé ce système avec plusieurs scénarios qui correspondent à différentes situations
routières.
4.2 Expérimentations sur la Plate-forme LaRA
4.2.1 Le prototype LaRA (C3)
Depuis la création du centre de robotique de l’Ecole des Mines de Paris en 1987, les sys-
tèmes de transports intelligents sont considérés comme un domaine de recherche pertinent
[Ammoun 2007a]. Ce centre a créé le consortium LaRA [LaR 2003] qui représente une Plate-
forme autonome dont l’objectif est de devenir un acteur coopératif. Ce consortium est basé sur
une Plate-forme constituée par un prototype de véhicules équipés.
4.2.1.1 Le prototype autonome intelligent
Le premier prototype d’un véhicule intelligent a été développé au centre de robotique à

l’École Nationale Supérieure des Mines de Paris (ENSMP) afin d’être utilisé pour la conception
des ADAS autonomes. La figure 4.1 montre un prototype LaRA avec ses différents capteurs
embarqués. Chaque LaRA intègre plusieurs capteurs tels qu’un capteur de position (le récep-
teur GPS), des capteurs de perception (quatre caméras vidéo avant et arrière, scanner laser
multicouches), un radar, une centrale inertielle (INS) et des capteurs proprioceptifs avec un
BusCAN qui fournissent ainsi des informations concernant la vitesse longitudinale, la vitesse
des roues arrières, l’éclairage des indicateurs, l’état des freins, l’angle de braquage, l’état de
vitesses, etc. Notons que le cœur de cette architecture embarquée dans le véhicule est la Plate-
forme logicielle RTMaps [Nashashibi 2000]. Cette Plate-forme logicielle nous fournit une tech-
nologie d’acquisition de données multi-capteurs en temps réel. Elle permet de prototyper et de
développer de véritables solutions de traitement de flux de données en temps réel ou en temps
différé en respectant les contraintes temporelles. Mais, ce prototype ne permet pas d’établir
une communication avec les autres prototypes, ce qui exige le développement d’un système
coopératif.
4.2. Expérimentations sur la Plate-forme LaRA 75
Figure 4.1 – Le prototype LaRA avec ses différents capteurs embarqués
4.2.1.2 Le prototype coopératif intelligent
Dans le but d’approfondir la recherche dans le domaine des ADAS coopératifs et d’améliorer
la sécurité routière, l’équipe IMARA a acquis en 2003 quatre nouveaux véhicules, Citroën C3,
représentés sur la figure 4.2. Les capteurs utilisés dans les applications coopératives comprennent
des récepteurs GPS, des capteurs de vision et des capteurs de communication. Toutes les données
sont contrôlées en temps réel par RTMaps qui constitue un cadre de prototypage multi-capteurs
avancé pour les applications d’automobiles en temps réel. Ce système coopératif contient :
– Un réseau d’acquisition de données
– Un système de vision
– Des systèmes de repérage de véhicules
– Un système de positionnement global (GPS)
Lors de nos expérimentations sur ces prototypes, le protocole pour les communications
inter-véhicules n’était pas encore disponible. Pour des raisons pratiques, le système de com-
Figure 4.2 – La flotte de véhicules LaRA composée de quatre C3
munication des prototypes LARA était basé sur des technologies existantes et fonctionnelles
[Ammoun 2007a]. En effet, dans les premières expérimentations, certains chercheurs avaient
tendance à utiliser des protocoles inappropriés tels que le protocole TCP/IP. Ce protocole est
compatible avec les cartes WiFi DLink DWL 2100 intégrées dans cette Plate-forme en utilisant
la norme IEEE 802.11g. La norme IEEE 802.11g était bien adoptée en raison de ses performances
théoriques, de sa facilité d’utilisation et de son interopérabilité interne [KHALED 2005b], mais
pose de gros problèmes pour les applications routières.
Plusieurs tests préliminaires sur les véhicules ont été effectués afin de pouvoir choisir les
points d’accès DLink qui utilisent la norme 802.11 g+. Les dispositifs sont contrôlés en temps
réel avec RTMaps par un "Sniffer" qui a été spécialement conçu à partir de la bibliothèque
LibPcap [Win ]. Ce "Sniffer" est un logiciel qui espionne la communication dans les différents
canaux de communication, en capturant et analysant les données brutes. Dans ce mode, l’ex-
péditeur utilisant le logiciel "Sniffer" compose ses propres paquets et les diffuse sur le canal.
L’utilisation de ce logiciel facilite la manipulation et le contrôle de la transmission de données

et la conception de nouvelles applications. Lorsqu’un véhicule veut communiquer sa position
GPS (ou un autre type de données), il construit sa trame de transmission. Le rôle de ce "Snif-
fer" est d’assurer une communication fiable, sans utiliser de protocole de communication. La
figure 4.3 représente le format de trame qui est utilisé pour la communication entre les véhicules
LaRA.
L’architecture du système de communication pour les véhicules LaRA a été conçue par S.
Ammoun qui a utilisé la norme WiFi 802.11g [Ammoun 2007a]. Le système de vision utilisé dans
la Plate-forme LaRA est basé sur une caméra monovision formée d’un capteur de vision placé
Figure 4.3 – Le format de trame Communiqué entre les véhicules LaRA
à l’avant du véhicule et centré derrière le pare-brise à l’emplacement habituel du rétroviseur

intérieur. Il s’agit d’une caméra CCD couleur Sony EVI-401DR (PAL) 1/3 ayant une focale
de 5.6 mm qui fournit des images de taille 768x576. Cela donne une taille du pixel égale à
8.81µm. Cette caméra permet de réaliser la détection d’obstacle sur la route et de calculer la
distance inter-véhicules. Le calcul est effectué en modélisant la caméra avec le modèle sténopé
et en faisant l’hypothèse que la route est plane [Challita 2009b]. Le système de géolocalisation,
utilisant le système GPS, permet d’accéder à des données géo-référencées. En effet, il existe
différents systèmes fréquemment utilisés :
1. Les coordonnées géographiques (longitude, latitude, hauteur ellipsoïdale) associées à un

ellipsoïde tel que le GRS 80 (utilisées par exemple dans le système du GPS).
2. Les coordonnées cartésiennes dans un repère local (par exemple un repère tangent à la
terre, ENU East North Up).
3. Les coordonnées cartésiennes dans un repère lié à une projection, comme la projection
conique sécante Lambert 93 utilisée dans le cadre de nos travaux.
4.2.2 Acquisition des données réelles
Nous avons dans la Plate-forme LaRA, un système embarqué fournissant des informations
temps-réel pour localiser les véhicules dans le milieu urbain. Lors de nos expériences, nous avons
utilisé des modules d’acquisition de données dans les trois voitures pour acquérir les données de
géolocalisation et les données vision. Cette application est définie par un diagramme contenant
des modules, connectés entre eux par des fils représentant les flux de données. Ces modules
sont les modules de capteurs, le module d’enregistrement, les modules de calcul en temps réel
et les modules d’affichage. La figure 4.4 montre un diagramme d’acquisition, d’enregistrement
de données dans le véhicule LaRA.
L’antenne GPS est connectée au PC en utilisant un port série. Nous retrouvons cet élément
dans le diagramme avec le module "SerialPort". Le module "GPSTrimble" permet de décoder la
Figure 4.4 – Diagramme d’acquisition d’enregistrement de données
trame GPS et d’en extraire les éléments pertinents. Ces éléments sont ensuite, soit envoyés vers
les autres véhicules pour alimenter les ADAS avec les modules "SocketSender", soit enregistrés
avec le module "RecFile".
4.2.3 Les contraintes expérimentales
Lors des nos expérimentations, les mesures étaient encadrées par deux types de contraintes :
1. Les contraintes expérimentales de la Plate-forme (LaRA).
2. Les contraintes associées aux traitements des données acquises.
4.2.3.1 Les contraintes expérimentales de la Plate-forme
Les contraintes expérimentales de la Plate-forme auxquelles nous avons été confrontées sont
liées à l’architecture matérielle des véhicules, y compris celles du système de vision et du système
de communication entre véhicules. Nous pouvons citer les contraintes suivantes :
1. La portée de la communication maximale entre les véhicules LaRA est de 350 mètres et
la vitesse maximale des véhicules pour établir la communication est de 120 km/h (sur les
autoroutes françaises).
2. Les véhicules qui sont séparés d’une distance de plus 60 mètres ne sont pas détectés par
le système de vision.
3. Il existe une latence dans tous les systèmes embarqués, comme le système de vision, le
système de communication ou le système de géolocalisation GPS.
4.2.3.2 Les contraintes associées au traitement de données acquises
Précision de GPS : La qualité des mesures du GPS dépend de deux paramètres : la latence
pour obtenir un résultat et l’erreur de mesure sur la position. Les erreurs se produisent en raison
des retards lors de la transmission du signal satellite et à cause de la précision des horloges
intégrées. Les erreurs dues au retard sont corrélées spatialement lorsque deux récepteurs sont
proches l’un de l’autre. L’erreur dans la mesure de position est représentée par l’écart entre la
position mesurée et la position réelle. Dans le cadre du projet FUI E’MOTIVE [Malek 2011],
nous avons effectué une série de mesures permettant de calibrer les GPS. L’erreur sur la position
horizontale est calculée par la formule suivante :
p
dh = dx2 + dy 2 (4.1)
où l’écart de position est donné par :
dx = X − X0 , dy = Y − Y0
Ensuite, les coordonnées planes sont traitées pour extraire des paramètres statistiques :
– hM EAN qui correspond à l’erreur moyenne.

– hRM S qui correspond à l’ecart quadratique moyen (Root Mean Squared error ).
– hCEP qui correspond à l’erreur circulaire probable (Circular Error Probable).
– hR95 qui correspond à l’erreur probable à 95%.
hCEP est l’erreur à 50% (rayon R50). C’est le rayon du cercle à l’intérieur duquel 50% des
erreurs sont localisées. Cette erreur a la même définition que la médiane des écarts. De la même
manière, hR95 est le rayon du cercle à l’intérieur duquel 95% des erreurs sont localisées.
La distribution des erreurs horizontales a été comparée avec une modélisation utilisant une
distribution de Rayleigh dont la densité de probabilité est donnée par :

2.x x 2
f (x) = exp − (4.2)
hRM S hRM S
Le récepteur utilisé est le BU − 353 de GlobalSat basé sur l’antenne "SiRF StarIII". Cette
antenne est très utilisée dans l’industrie automobile. L’écart de position est représenté sur la
figure 4.5 qui montre la courbe de dispersion.
Figure 4.5 – Courbe de dispersion dy = f (dx) mesurée pour le GPS utilisé
Les différents paramètres statistiques, suivant les directions horizontales, sont récapitulés
dans le tableau 4.1.
Toutes les mesures sont définies en mètre. L’écart moyen mesuré est de l’ordre de 1, 4 m.
Cette valeur ne peut être considérée comme négligeable. Nous allons devoir en tenir compte lors
XMEAN 559662,40 hMEAN 1,395 1,413

YMEAN 6922407,00 hRMS 1,594 (Mesuré)
ZMEAN 82,07 hCEP 1,263 1,323
hR95 2,847 2,790
Table 4.1 – Paramètres statistiques calculés à partir des mesures réelles (GPS)
des transformations des données GPS pour une utilisation dans le simulateur ns-2. Par contre,
nous pouvons noter la concordance entre les paramètres mesurés et théoriques obtenus par la
modélisation avec une distribution de Rayleigh.
Synchronisation des données GPS : Lors des tests, nous n’avons pas pu synchroniser
les horloges des enregistrements des trois véhicules LaRA. Nous avons donc été confrontés
au problème de non-synchronisation temporelle des mesures de géolocalisation GPS. Afin de
résoudre ce problème, une analyse et un pré-traitement sont nécessaires pour valider les données
de géolocalisation. Pour synchroniser les bases de temps, nous avons analysé les temps pour
un même évènement enregistré par les trois véhicules. Un événement peut être défini par la
position particulière d’un véhicule. Nous avons remarqué que la différence existante est dûe à :
– La désynchronisation des bases de temps,
– La latence dans la transmission de l’événement
– Les délais dans la réception
Nous avons estimé les temps de latences de la chaîne de traitement, ce qui nous a permis
d’estimer le décalage temporel des trois bases de temps. Ensuite, nous avons réenregistré nos
données en prenant en compte ce décalage temporel. Cela permet d’obtenir un seul flux de
données synchronisées. La figure 4.6 présente le problème de synchronisation entre trois bases
de données enregistrées. Les bases de temps sont exprimées par les équations suivantes :
T(Ai /B) = T(Ai /A) + ∆Tr(Ai /AB) − ∆BA (4.3)
T(Bi /A) = T(Bi /B) + ∆Tr(Bi /AB) − ∆BA (4.4)
Où :
– A, B, C sont les véhicules de l’essai.
Figure 4.6 – Bases de temps de l’enregistrement des données reçues dans les véhicules LaRA
– T(Bi /A) : Date de l’évènement (i) observé par le véhicule B, référencée dans la base de
temps du véhicule A après sa réception. Cette date est donnée avec une erreur à cause
des latences, des délais de transmission et du décalage entre les bases de temps.
– T(Ai /B) : Date de l’évènement (i) observé par le véhicule A, référencée dans la base de
temps du véhicule B après sa réception.
– ∆Tr(Ai /AB) : Le temps de la latence dans la transmission entre les véhicules A et B de
l’événement (i) observé par le véhicule A.
– ∆BA : La différence entre les deux bases de temps.
Pour estimer le décalage dans les bases de temps, nous posons les hypothèses suivantes :
– La datation d’un événement perçu par un véhicule est correcte dans sa base de temps.
– Les latences sont constantes, les délais sont variables.
– Les systèmes de communications sont symétriques,
Ainsi, on considère que les temps de transfert minimums sont équivalents entre les trois
véhicules et exprimés par l’équation suivante :

min TA/Bi − TB/Bi − min TB/Ai − TA/Ai
∆BA = (4.5)
2
Où T(N/Mi ) est la référence dans la base de temps du véhicule N liée à un événement (i) reçu
par le véhicule M. La durée ∆Tr(Mi /M N ) est le temps de transmission entre le véhicule M et le
véhicule N liée à l’événement perçu par le véhicule M. En traitant les fichiers des données de
géolocalisation GPS, nous avons un grand nombre d’évènements, ce qui nous permet d’obtenir
une bonne estimation de ∆BA .
Méthode d’intégration des données dans le simulateur ns-2 : Nous allons présenter
dans ce paragraphe la méthode d’extraction des positions des véhicules afin de les intégrer
dans le simulateur ns-2. Le fichier de données GPS initial contient la longitude, la latitude et
l’altitude d’un véhicule à chaque instant. Un exemple de ce type de fichiers est montré sur la
figure 4.7. La figure 4.8 montre un fichier enregistré avec les données sélectionnées pour nos
expérimentations. Les fichiers de positions contiennent entre 5 et 10 données acquises pendant
une seconde. Nous avons fait un sous-échantillonnage spatio-temporel associé aux contraintes
temporelle et spatiale des données (i.e. choisir une valeur sur dix mesures par seconde à condition
que le déplacement soit supérieur à l’écart-type de 1, 4 [m]). Les positions converties en données
cartésiennes sont intégrées dans le simulateur ns-2 afin de localiser les nœuds dans l’espace de
simulation prédéfini.
L’intégration des données dans le simulateur ns-2 peut se décomposer en plusieurs étapes :
1. Extraire ces positions réelles à partir des fichiers enregistrés lors de différentes expérimen-
tations avec la Plate-forme LaRA.
2. Convertir les positions GPS définies en degrés en données cartésiennes et tracer la trajec-
toire des véhicules par chaque scénario.
3. Sous-échantillonner les données cartésiennes pour pouvoir calculer correctement la vitesse.
4. Intégrer les positions et les vitesses des véhicules dans ns-2 en construisant un script de
simulation.
Figure 4.7 – Exemple de fichier enregistré sous RTMaps avant-traitement
Transformation et mise en forme des données Après avoir résolu le problème de syn-
chronisation entre les trois bases de données, nous avons transformé des données dans un format
compatible pour l’intégration dans des scripts de commande de simulateur ns-2. Pour plus de
détails concernant la réalisation des interfaces, nous présentons la relation entre les fichiers
de sortie de RTMaps au format (.REC) et les fichiers de sortie du simulateur ns-2 au format
(.TCL). Pour notre étude, nous disposons de 3 véhicules définis par un identifiant (id = 1,
2, 3). Pour chaque évènement, on associe l’instant d’acquisition et la position du véhicule (x,
y, z). Nous calculons le vecteur vitesse (Vx , Vy ) en utilisant les données GPS mises en forme.
Nous pouvons remarquer que les récepteurs GPS donnent les positions des véhicules en utilisant
un système européen actuel conservant les angles (ETRS-LCC). Il est important de noter que
le système d’information géographique utilisé dans notre étude est le système de coordonnées
cartésiennes qui définit les coordonnées en mètre. Pour transformer les positions géographiques
Figure 4.8 – Fichier enregistré avec les données sélectionnées issues de nos expérimentations
(WGS84, LLA) en coordonnées planes (système de projection Lambert93, xyz) par (X (Est),Y
(Nord), Z (Altitude)), nous avons utilisé le logiciel Circé 3.2. Circé est un logiciel mis en œuvre
par l’Institut géographique national français (IGN) pour effectuer des reprojections de listes de
points. Le tableau 4.2 donne un exemple de données GPS traitées et validées pour ns-2.
Nous présentons ensuite un exemple de fichier résultat, appelé fichier "trace" généré par
le simulateur ns-2. Dans ce fichier, les positions initiales, les coordonnées des destinations et
les vitesses doivent être définies pour les différents nœuds. La simulation d’un réseau sans fil
sous le simulateur ns-2 produit des événements notés dans un fichier résultats et une animation
graphique qui permet de vérifier la cohérence de la simulation. Le fichier résultat "trace" contient
toutes les informations sur les paquets de transmission, les paquets de retransmission, les pertes
de paquets, les paquets reçus, le temps de la réception et la taille des paquets. Un exemple de
fichier résultat "trace" d’une simulation d’un réseau sans fil contenant les événements du réseau
Table 4.2 – Exemple de données GPS traitées et validées pour ns-2

Temps de la mesure id Position x Position y Vitesse
(s) (m) (m) (m/s)
28,251 1 47,5155 556,019 4,70577144
63,5605 0 45,0025 551,967 2,55788855
74,4049 2 44,1765 559,071 2,06682818
101.1537 1 75.9135 439.229 5.78817923
101.2033 2 76.8415 434.188 7.17093465
101.2546 0 102.3955 325.922 7.88388193
119.5622 1 109.5315 304.899 5.4743328
119.5707 0 125.8915 197.992 11.4150541
119.6151 2 109.6815 300.454 9.86167392
est donné par la figure ci-dessous :

Les lignes commençant par M indiquent l’état initial de nœuds. Elles contiennent les infor-
mations suivantes :
– l’identifiant du nœud (id = 0, 1, 2)
– la position initiale du nœud dans un repère cartésien
– la position finale
– la vitesse du nœud à partir de cet instant en m/s
Les lignes commençant par r donnent des informations sur la réception des paquets. Les
lignes commençant par s donnent des informations sur l’émission des paquets. En effet, le fi-
chier résultat contient des informations telles que la date de l’événement, le nœud associé à
l’événement, le type de protocole associé aux paquets, la taille des paquets, la durée de vie
(Time-To-Live, TTL) des paquets et la paire émetteur-récepteur du paquet. Ces fichiers "résul-
tats" seront traités pour extraire des informations sur la date de réception et pour identifier les
paquets reçus en utilisant le langage AWK. AWK est un language de scripting sous unix spé-
cialisé dans la parsage de texte ou de résultat de commande comme les résultats de simulations
"traces".
4.3. Scénarios de communication entre véhicules 87
Figure 4.9 – Exemple de traces de simulation GPSR dans ns-2
4.3 Scénarios de communication entre véhicules
Afin d’étudier la performance du réseau sans fil et pour évaluer les données acquises dans
différentes situations, nous avons simulé les communications entre véhicules avec quatre scéna-
rios correspondant à des situations routières caractéristiques et décrits dans la figure 4.10. Ces
scénarios ont été enregistré lors de nos expérimentations effectuées à l’INRIA Rocquencourt.
Ils peuvent être explicités comme suit :
Figure 4.10 – Scénarios de communications entre véhicules : (a) Platooning (b) Insertion d’un
véhicule (c) Croisement de deux véhicules (d) Dépassement d’un véhicule
Platooning Une application des systèmes avancés d’aide à la conduite est le suivi de véhicules
ou le peloton. Ce dernier est une technique utilisée pour faire suivre un ou plusieurs véhicules
derrière un véhicule leader afin de former une flotte de véhicules. Cette application est utile
dans les situations où deux ou plusieurs véhicules roulent dans le même sens, à condition
d’assurer toujours une distance minimale entre les véhicules. Le traitement d’images et les
techniques de localisation GPS peuvent être utilisés dans cette application. Dans notre étude,
le premier scénario appelé platooning représente un scénario de convoi de trois véhicules, dont
leurs vitesses maximales sont respectivement : V0 = 36 km/h, V1 = 46 km/h et V2 = 36 km/h.
Ce scénario est simple mais il constitue une situation essentielle pour les communications entre
véhicules. L’application d’un tel scénario permet d’avoir un peloton de véhicules ayant une
inter-distance de 10 (m). Cette faible inter-distance permet de réduit les émissions de CO2, en
limitant l’influence de la résistance de l’air et respectant ainsi l’environnement. Le véhicule Lara
C3 rouge est le premier véhicule du peloton, suit ensuite la C3 verte et finalement la C3 noire.
La figure 4.11 représente la trajectoire des trois véhicules visualisée avec le logiciel « Google
Earth ».
4.3. Scénarios de communication entre véhicules 89
Figure 4.11 – La trajectoire de véhicules visualisée avec le logiciel Google Earth (campus de
Paris- Rocquencourt)
Insertion d’un véhicule Dans ce scénario, deux véhicules se suivent à une distance d’environ
10 m et à un instant donné le véhicule V3 s’intercale entre les véhicules V1 et V2 . Ceci nécessite
la décélération du véhicule V2 pour avoir un nouveau peloton de trois véhicules. Dans nos
expérimentations, il est à noter que les vitesses maximales pour ce scénario sont : V0 = 43
km/h, V1 = 45 km/h, V2 = 36 km/h.
Croisement de deux véhicules Le troisième scénario traite le croisement de deux véhicules

qui roulent en sens opposés (voir figure 4.10 (c)). Ce scénario se retrouve aussi lorsqu’une voiture
s’arrête à une intersection pour laisser passer un autre véhicule. Nous avons testé ce scénario à
une vitesse modérée de 24 km/h et à une vitesse maximale de 43 km/h. La figure 4.12 montre
la trajectoire des véhicules aller-retour visualisée avec le logiciel « Google Earth » (campus de
Paris-Rocquencourt).
Figure 4.12 – La trajectoire de véhicules aller-retour visualisée avec le logiciel Google Earth
(campus de Paris-Rocquencourt)
Dépassement d’un véhicule Ce dernier scénario correspond au dépassement d’un véhicule

immobile comme le montre la figure 4.10 (d). C’est une situation assez fréquente notamment
dans les intersections. La Citroën C3 verte dépasse, à un instant donné, la Citroën C3 noire.
Les vitesses maximales des véhicules sont : V0 =41 km/h, V1 = 47 km/h et en fin V2 = 42 km/h.
4.4 Analyse des simulations V2V sous ns-2
Afin d’évaluer les protocoles de routage, il est nécessaire d’obtenir les positions des véhicules
en mouvement. En outre, lorsque les positions réelles de véhicules sont disponibles, l’évaluation
de l’efficacité des protocoles de routage et l’analyse du comportement du réseau sont précises.
Puis, nous avons simulé dans le simulateur ns-2 un réseau ad-hoc dont les nœuds sont les
véhicules expérimentaux en utilisant les mouvements enregistrés des véhicules. L’architecture
du réseau simulé est similaire à celui utilisé par la Plate-forme LaRA communicante. Ensuite,
4.4. Analyse des simulations V2V sous ns-2 91
nous avons utilisé des protocoles de routage spécialisés pour les réseaux MANET qui sont
implémentés dans le simulateur ns-2 tels que : AODV, DSR, DSDV. Par ailleurs, nous avons
simulé un protocole géographique adapté aux réseaux VANETs (le protocole GPSR) afin de
comparer ces performances avec les protocoles classiques. Nous pouvons signaler que le module
de chaque protocole a été intégré sous la version ns-2.33 avec les modifications nécessaires.
4.4.1 Evaluation des protocoles de routage avec des données réelles
L’objectif de cette partie est de présenter la démarche et les scripts que nous avons mis
en place pour évaluer les différents algorithmes de routage en utilisant les positions réelles des
véhicules. Pour la simulation, les sources de trafic dans le réseau simulé sont de type CBR
(Constant Bit Rate), cela permet d’envoyer les paquets à des intervalles de temps réguliers.
La taille des paquets est de 512 octets et le protocole utilisé pour transférer ces paquets est
le protocole UDP (User Datagram Protocol ), en notant que tous les nœuds du réseau sont à
la fois des sources et des destinations. Grâce à la liaison radio IEEE802.11g, chaque véhicule
peut envoyer des paquets à un débit de 2 Mbit/s avec une portée maximale de 250 mètres.
Les métriques qui évaluent la performance sont décrites avec plusieurs paramètres que nous
retrouvons dans les fichiers résultats des simulations, notés aussi « fichiers traces ». Parmi les
métriques significatives, nous avons choisi le taux de livraison de paquets, le délai de livraison
de bout-en-bout et le taux de surcharge du réseau. Dans la suite, nous définissons chaque
paramètre.
4.4.1.1 Taux de livraison de paquets (PDR)
C’est le rapport entre les paquets livrés et les paquets engendrés par le générateur de trafic.
Ce rapport est appelé taux de livraison de paquets (Packet Delivery Ratio). Sur la figure 4.13,
nous avons tracé les valeurs des PDR en fonction du temps pour quatre protocoles. Nos résultats
de simulations montrent que les protocoles DSR et DSDV atteignent la plus grande valeur de
PDR qui est de 100% par rapport aux valeurs obtenues avec le protocole AODV. Par contre, le
protocole de routage GPSR est caractérisé par une valeur faible de PDR qui est d’environ de
65%. En effet, dans le routage géographique, les paquets de données sont transmis de la source
à la destination à l’aide des informations fournies par le GPS. Dans cette catégorie de routage,
il est connu que le taux de livraison des paquets est raisonable et le délai de bout en bout
est faible. Les résultats que nous avons eus sont justifiés par le fait que les nœuds inondent le
réseau en envoyant des paquets de signalement contenant la position et l’identifiant du nœud.
Cela provoque un plus grand nombre de collisions entre les paquets.
Figure 4.13 – Evolution du rapport PDR en fonction du temps
4.4.1.2 Taux de surcharge du réseau (NRL)
C’est le nombre de paquets de routage envoyé divisé par le nombre de paquets de données
transmis entre les nœuds. Ceci fournit une estimation de la bande passante du réseau consommée
pour transmettre des paquets de routage par rapport aux paquets de données utiles [Guo 2009].
Dans les simulations des protocoles en utilisant les données réelles, nous pouvons obtenir un
NRL de 0.43 pour GPSR, 0.03 pour DSR et AODV et enfin 0.08 pour DSDV. Nous observons
que le protocole GPSR montre une charge de réseau élevée par rapport aux autres protocoles en
raison des collisions plus fréquentes entre les paquets. Le taux de surcharge du réseau augmente
aussi avec la distance et dépend de la quantité de données livrées [Guo 2009].
4.4. Analyse des simulations V2V sous ns-2 93
4.4.1.3 Délai de livraison de bout en bout (AEED)
Le délai de livraison de bout en bout, appelé Average End-To-End Delay, représente la

latence qui sépare le moment de l’envoi d’un paquet par la couche transport du nœud source
et le moment de réception de ce paquet par la couche transport du nœud destination. Il inclut
le temps de latence pour la découverte des routes, le temps de passage dans les files d’attente
des nœuds intermédiaires et le temps de transmission d’un nœud vers un autre. Les délais sont
donc mesurés pour tous les paquets reçus pendant la durée de la simulation, puis une moyenne
est calculée. Lorsque ce délai est faible, l’échange des données de capteurs est plus rapide entre
les véhicules. Cette métrique représente donc l’efficacité du protocole en termes de temps de
réponse et de choix des chemins optimaux. Elle est aussi une contrainte très importante pour
les applications de type ADAS communicants.
Figure 4.14 – Délai de bout en bout en fonction de l’interval de temps d’envoyer le paquet
Les simulations sous le simulateur ns-2 montrent que le délai de bout en bout pour le
protocole GPSR est inférieur à celui des protocoles DSR et DSDV. La figure 4.14 montre
le délai de livraison de bout en bout en fonction de l’intervalle qui existe entre les envois de
paquets pour les quatre protocoles utilisés. Nous pouvons constater que le protocole AODV offre
le meilleur résultat en termes du délai de livraison de bout en bout. DSR souffre d’un délai
très élevé car les routes construites des sources aux destinations changent continuellement en
raison de la forte mobilité. Le tableau 4.3 récapitule pour chaque protocole simulé le nombre de
paquets envoyés, paquets reçus, paquets droppés et paquets de routage. Au travers des plusieurs
simulations, H. Guo [Guo 2009] a montré que la mobilité des nœuds et la taille du réseau
affectent les performances des algorithmes de routage réactifs plus particulièrement AODV et
d’une manière significative par rapport à l’algorithme GPSR. Nos résultats corroborent les
travaux de H. Guo car notre réseau n’est pas chargé (il n’y a que trois véhicules proches l’un
des autres).
Table 4.3 – Résultats de simulations sous ns-2
Scénario de croise- AODV DSDV DSR GPSR

ment
Paquets envoyés 525 529 513 513
Paquets reçus 518 529 513 315
Paquets droppés 6 0 0 0
Paquets de routage 18 45 14 143
4.5 Mise en œuvre et évaluation d’un système d’alerte co-

opératif
Dans cette section, nous nous sommes intéressés à l’étude des avantages de notre approche,
en proposant une application ADAS qui détermine des valeurs importantes pour l’estimation du
risque. Dans le but d’intégrer les résultats des simulations dans RTMaps, nous avons développé
un système d’alerte coopératif entre les véhicules. En effet, ce système intègre les données de
deux systèmes de simulations (le simulateur ns-2 et RTMaps) dans le cadre d’une nouvelle
Plate-forme de prototypage. Les informations extraites des fichiers résultats de la simulation
de réseau sont transférées avec le module "CVS importateur" vers RTMaps. Puis, nous avons
implémenté un composant pour fusionner les informations issues de la simulation de réseau
avec les enregistrements des données capteurs. Ce composant permet de rejouer les données
4.5. Mise en œuvre et évaluation d’un système d’alerte coopératif 95
des véhicules acquises sous RTMaps et avec des caractéristiques de réseaux calculées avec le
simulateur ns-2. Le couplage entre ns-2 et RTMaps a trois objectifs :
1. Intégrer les positions réelles des véhicules et tester les protocoles de routage avec nos scé-
narios dans le but d’améliorer la précision de la simulation des systèmes de communication
des véhicules.
2. Tester les performances des algorithmes de routage et leurs conséquences pour les systèmes
d’aide à la conduite de type ADAS communicants.
3. Créer de nouveaux scénarios pour analyser de nouvelles situations expérimentales.
Nous allons mettre en œuvre notre système de prototypage dans le cadre d’un ADAS com-
municant qui a pour but d’évaluer le risque de collision. Cet ADAS communicant peut être
analysé à travers les paramètres suivants :
Le temps à collision (TTC ) : Le temps à collision représente la période de temps avant

une collision probable. Cette période donne une marge de manœuvre nécessaire pour éviter la
collision ou déterminer son impact si la collision est inévitable. Ce paramètre est donné avec
l’équation suivante :
D(m)
T T C(s) = (4.6)
V (m/s)
Où D : Distance entre véhicules (m), V : Vitesse relative (m/s)

La distance inter-véhiculaire représente la distance qui existe entre deux véhicules qui se
suivent. La courbe de la figure 4.15 illustre la fonction classique du risque de collision qui est
formée de deux zones où le niveau de risque est constant :
1. Si le TTC est inférieur à 3 s : le risque est maximal et la collision est inévitable en cas
d’événement, comme par exemple un freinage brusque.
2. Si le TTC est supérieur à 5 s : ce temps donne la possibilité au conducteur d’anticiper le

risque et de réagir correctement. Dans ce cas, le risque est minimal.
Entre ces deux zones, il existe une partie où la variation du niveau de risque est linéaire en
fonction du TTC. Jusqu’à maintenant, le TTC est toujours le principal indicateur de risque.
Figure 4.15 – La fonction du risque [Ammoun 2009]
Time To Impact (TTI ) : Il est calculé comme la durée entre le temps actuel et
le moment du premier impact entre les véhicules si ces véhicules gardent toujours leurs vi-
tesses constantes. Ce paramètre est donné par l’équation 4.7 selon l’étude de S. Ammoun
[Ammoun 2007b].
√
−v + v 2 + 2.a.d
TTI = (4.7)
a
2
v
Avec : a − 2d
sia < 0
Où (a, v) sont respectivement l’accélération et la vitesse du véhicule définie en m/s.
Le nombre maximal de cercles TTC qui se superposent entre deux véhicules :

Ce nombre de cercles donne une idée sur le niveau de danger [Ammoun 2010]. La situation qui
implique un grand nombre de cercles se superposant est considérée comme la plus dangereuse
(voir figure 4.16).
4.5.1 Evaluation du système d’alerte
Pour évaluer un système d’alerte, nous considérons les deux types d’événements suivants :
Figure 4.16 – La détection de collision est effectuée par l’analyse des cercles autour de chaque
véhicule [Ammoun 2007a]
1. Collision : Cette situation se produit lorsque deux véhicules ont la même position à un
instant donné.
2. Pré-collision : Lorsque la distance inter-véhicules est inférieure à un seuil de sécurité

ou la valeur du TTC est inférieure à 3 secondes, ce qui est le cas dans notre étude. Le
nombre de pré-collisions peut être considéré comme un indice de comparaison pour étudier
la corrélation entre les données de référence enregistrées avec RTMaps et les situations
simulées avec le simulateur ns-2. Les données de référence permettent d’avoir la vérité
terrain et donc de déterminer le nombre exact de situations de pré-collision. Nous nous
intéressons à l’indice de pré-collision car nous ne disposons pas d’information concernant
une vraie collision.
Les valeurs de la distance entre véhicules et du temps à collision sont calculées en utilisant
des données GPS transmises et des données du réseau ad-hoc simulé. Nous avons donc implé-
menté un module d’alerte qui envoie un signal d’alerte aux conducteurs s’il existe un risque. La
figure 4.17(a) représente la distance et 4.17(b) représente le temps à collision entre véhicules. La
figure 4.18 représente le signal d’alerte dans le scénario d’insertion d’un véhicule. L’état « 1 »
du signal d’alerte, signifie la présence d’un danger et l’état « 0 » signifie le contraire.
Nous avons pour objectif de comparer la simulation avec la vérité terrain et d’analyser le
système de communication. Nous avons défini un indice, noté « Ecart par rapport à la Réference
ERef », qui représente le rapport entre la simulation et la référence réelle. Cet indice est exprimé
par l’équation suivante :
ERef = NBD /NRef (4.8)
Où :
NBD représente le Nombre de Bonnes Détections de risque.
NRef représente le Nombre de situations de risque issues de la Référence terrain.
Dans ce qui suit, nous évaluons les paramètres du système d’alerte dans les quatre scénarios
étudiés en utilisant le protocole AODV. Le tableau 4.4 récapitule les résultats de la simulation
pour le platooning, le dépassement d’un véhicule, l’insertion d’un véhicule dans le platooning
et le croisement de deux véhicules. Les valeurs données dans ce tableau représentent le nombre
de situations d’alerte dans deux situations différentes : vérité terrain et simulée. Nous avons
donc calculé l’erreur d’estimation notée dans ce tableau. Cette erreur est un rapport entre le
nombre de risque détecté en cas de vérité terrain et celui-ci détecté en cas de simulation.
Table 4.4 – Paramètres d’évaluation du système d’alerte prototypé
Scénario de communi- N (Risque)Ref N (Risque)Simulation Erreur

cation (AODV)
Platooning 949 1079 0,14
Dépassement 1035 210 0,8
Insertion 1513 679 0,68
Croisement 1013 393 0,61
La vitesse maximale des véhicules pour nos scénarios est d’environ 40 km/h. Cette vitesse
limite est fixée par la réglementation interne à l’INRIA. Nous pouvons remarquer que lorsque
180
Distance entre véhicules
160
140
Distance entre véhicules (m)
120
100
80
60
40
20
0 50 100 150 200 250 300 350
Temps (sec)
(a) Distance entre véhicules
20
19
Temps à collision
18
Seuil de danger
17 Seuil d'alerte
16
15
Temps à collision (sec)
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
0 50 100 150 200 250 300
Temps (sec)
(b) Temps à collision (TTC )
Figure 4.17 – Distance et temps à collision entre véhicules (Insertion d’un véhicule), (a) et (b)
1,0 Signal d'alerte
0,8
Signal d'alerte
0,6
0,4
0,2
0,0
0 50 100 150 200 250 300 350

Temps (sec)
Figure 4.18 – Signal d’alerte entre véhicules dans le scénario d’Insertion d’un véhicule
l’on rejoue les scènes routières avec des données réseaux simulées, il se produit de fausses alertes
de pré-collision. Ces fausses alertes proviennent d’une mauvaise estimation de l’inter-distance
entre les véhicules due à un décalage temporel issu de la transmission des données par le réseau
sans fil simulé. Il faut noter que le nombre de situations d’alerte est calculé par l’équation :
N (Risque)simulation = NBD + NM D (4.9)
où : NM D représente le Nombre de Mauvaises Détections de risque, N (Risque)Simulation

représente le nombre de situations de risque détectées en cas de simulation.
Nous pouvons observer qu’avec chaque protocole nous obtenons un pourcentage différent
des pré-collisions. Ceci signifie que la réaction et le fonctionnement des systèmes ADAS n’est
pas stable et il change selon le protocole utilisé et aussi selon la vitesse des véhicules. Comme
nous pouvons le voir avec l’obtention d’une valeur minimale (22, 74% ) du pourcentage de pré-
collision à une vitesse de (15 km/h) si le protocole GPSR a été utilisé. Par contre, on obtient
une valeure maximale de (53, 082% ) en cas d’utilisation du protocole DSR (voir tableau 4.5).
Table 4.5 – Le pourcentage des pré-collisions en utilisant le protocole de routage dans le

scénario d’intersection
Pourcentage de pré- Vitesse = 15 km/h Vitesse =30 km/h

collision
GPSR 22,74% 31,65%
AODV 36,08%8 56,70%
DSR 53,082 % 76,51%
DSDV 29,77% 40,88%
Comme nous l’avons vu précédement, le protocole GPSR permet d’avoir un délai de livraison
de bout en bout assez faible par rapport à DSR et DSDV. De plus GPSR utilise les informations
de positions pour optimiser le chemin des paquets. Ces deux caractéristiques expliquent le bon
résultat de ce protocole avec notre application.
4.5.2 Le module d’alerte
Les systèmes ADAS analysent les situations pour chaque véhicule en temps réel à l’aide des
capteurs de vision et de distance. Ils avertissent le conducteur et peuvent contrôler certaines
fonctions pour éviter l’accident [Marchau 2005], en fournissant des signaux sonores et visuels au
conducteur [Laughery 2006]. Certaines de ces fonctionnalités ont été développées dans le projet
ARCOS visant à améliorer la sécurité routière. Ce projet a permis de définir que le système de
détection devrait avoir un temps de réponse de 0, 1 (s) [J.M. Blosseville 2005]. Dans l’analyse
des résultats, nous avons pris en compte cette contrainte.
Table 4.6 – ERef dans le scénario d’insertion du véhicule

Scénario d’insertion du véhicule AODV DSR DSDV GPSR
Nombre de risques détectés (Référence 311 311 311 311
réelle)
Nombre de risques détectés (simulation) 291 193 23 39
Nombre de Bonnes Détections du risque 146 75 7 17
Nombre de Mauvaises Détections du risque 145 118 16 22
Nombre de Non-Détection du risque 165 236 304 294
Ecart par rapport à la référence 0,46 0,24 0,022 0,054
Avec l’intégration des données simulées, plus précisément, les données des paquets envoyés
et reçus dans RTMaps, nous avons évalué notre système d’alerte en calculant les valeurs de la
distance et du temps à collision. Comme le souligne les données récapitulées dans le tableau 4.6,
le nombre de risques détectés par simulation est très proche de celui obtenu sur la vérité terrain
en utilisant le protocole AODV. Cependant, ce protocole n’est pas idéal car il a généré (145)
mauvaises alertes. En comparant ce protocole avec les autres protocoles étudiés, nous trouvons
que son écart par rapport à la référence ERef est élevé. Ceci est justifié par le fait que ce
protocole avait un taux de livraison de paquets élevé et un délai de bout en bout assez faible.
Les protocoles DSDV et GPSR sont caractérisés par un écart ERef très faible mais leur
avantage est représenté par un nombre faible de mauvaises détections du risque. Mais avec
le protocole GPSR, le taux de livraison de paquets est faible générant ainsi des mauvaises
détections du risque qui peuvent influencer le bon fonctionnement des systèmes ADAS. Pour
le protocole DSR, le délai de bout en bout est très élevé cela justifie les mauvais résultats de
détection du risque.
Ces quatre protocoles ne sont pas adaptés pour des applications ADAS car ils présentent un
nombre NM D très élevé, en notant que ce nombre doit être quasi nul dans les situations idéales.
4.5.3 Dégradation des scénarios de communication
Il est communément admis que la simulation permet de développer des scénarios complexes
et difficiles à réaliser en pratique. A titre d’exemple, le simulateur ns-2 tient compte des pro-
blématiques critiques comme la propagation du signal dans un réseau de communication sans
fil. Par contre, ce type de réseaux ne peut pas être parfait à cause des perturbations crées
par l’environnement (obstacle, interférences, "shadowing"..) d’une part et de la limitation de la
portée de communication sans fil d’autre part. Ces perturbations, qui gênent la visibilité directe
entre les véhicules, deviennent moins prépondérantes avec la prise en compte des protocoles de
routage car ces derniers limitent la bande passante et augmentent le temps de latence.
En se basant sur les scénarios de tests effectués avec les trois véhicules de la Plate-forme
LaRA, nous avons réalisé des simulations de réseau sans fil ad-hoc en augmentant le nombre
de véhicules progressivement (6, 10 et 18), ceci afin de couvrir d’autres situations plus proches
de configurations urbaines. Ces configurations dégradent la communication dans notre réseau
et permettent donc de tester la performance de diverses solutions de routage. Pour réaliser ces
nouvelles configurations, nous avons créé des scénarios de communication avec des véhicules
immobiles sur le trajet des trois véhicules LaRA. Après avoir étudié l’effet de dégradation sur
le réseau des véhicules LaRA, nous avons intégré les résultats de la simulation du réseau de
communication dans notre système de prototypage. Dans tous les scénarios, les véhicules ont
été utilisés en même temps comme sources et comme destinations d’informations.
En rejouant les données simulées avec RTMaps, nous avons effectué une nouvelle évaluation
du système d’alerte en fonction de l’augmentation du nombre de véhicules immobiles. Le ta-
bleau 4.8 présente les paramètres utilisés pour l’évaluation après avoir intégré les résultats de
la simulation des communications dans notre application ADAS.
Table 4.7 – Résultats de simulations en changeant le nombre de véhicules communicants

Pramètres 3 véhicules 6 véhicules 10 véhicules 18 véhicules
Paquets en- 513 3776 7555 14817
voyés
Paquets reçus 315 1066 2359 3892
NRL 0, 43 0, 43 0, 3 0, 32
En utilisant le protocole de routage GPSR, nous avons remarqué que la valeur du taux de
livraison de paquets a diminué de 50% pour se stabliser légèrement autour de 26% environ (voir
figure 4.19). Nous constatons aussi que le "Normalized Routing Load " a subi une augmentation
significative comme indiqué sur le tableau 4.7, mais le délai de livraison de paquets a légèrement
augmenté (voir figure 4.20). Nous démontrons que cette augmentation est très faible. Cela
correspond bien au comportement du protocole GPSR ce qui confirme la robustesse de ce
protocole. Nous pouvons noter que chaque point correspondant à une situation particulière est
obtenu avec un seul essai et avec une incertitude importante sur le taux de livraison de paquets.
Pour résoudre ce problème, un certain nombre de simulations doit être effectué afin de préciser
ces résultats.
Nous remarquons que le nombre de risques détectés augmente avec le nombre de véhicules
communicants car les véhicules immobiles provoquent des mauvaises détections des risques et
ainsi des alertes (voir tableau 4.8).
En analysant les résultats du tableau 4.8, nous remarquons que nous avons une meilleure
détection du risque en augmentant le nombre de véhicules communicants. Malgré un taux de
0,85
0,80
0,75
0,70 GPSR
Taux de livraison de paquets
0,65
0,60
0,55
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
2 4 6 8 10 12 14 16 18 20
Nombre de véhicules
Figure 4.19 – Taux de livraison de paquets en fontion du nombre de véhicules
Table 4.8 – ERef en changeant le nombre de véhicules communicants

Nombre de risques détectés 6 véhicules 10 véhicules 18 véhicules
NRf 41 41 41
NBD 15 29 28
NM D 11 23 165
NN D 26 12 13
ERef 0,365 0,7 0,68
livraison de paquets faible, le nombre de risques détectés augmente. Ce résultat est cohérent
avec la réduction du taux de livraison de paquets présenté dans la figure 4.19 car nous avons
filtré les paquets envoyés et reçus entre les trois véhicules LaRA. L’ajout de véhicules immobiles
dans les scénarios augmente le nombre de paquets ce qui permet d’améliorer les résultats. Le
protocole GPSR est le meilleur parmi les quatre protocoles présentés pour les réseaux VANETs.
Toutefois il ne faut pas dépasser les réseaux de plus de « 10 » véhicules.
4.6. Conclusion 105
Délai de livraison de bout en bout (ms)

GPSR
7
4
2 4 6 8 10 12 14 16 18 20
Nombre de véhicules
Figure 4.20 – Délai de livraison de bout en bout en fonction du nombre de véhicules
4.6 Conclusion
Dans ce chapitre, nous avons principalement fourni une méthodologie détaillée de la concep-
tion d’un système d’alerte entre véhicules. Nous avons donc présenté la Plate-forme d’expéri-
mentation LaRA sur laquelle nous avons étudié différents scénarios d’acquisition de données
avec trois véhicules. Grâce à ces scénarios, nous avons pu acquérir les données en temps réel de
la position et de la vitesse pour chaque véhicule. Dans nos expérimentations, un réseau V2V a
été établi avec le logiciel Sniffer qui est programmé pour toujours assurer les communications
entre les véhicules LaRA. En utilisant le simulteur ns-2, nous avons simulé différents réseaux
V2V avec différents protocoles de routage. Enfin, la mise en œuvre d’un système d’alerte coopé-
ratif a permis d’évaluer la qualité de la communication en comparant le nombre de pré-collisions
détectées entre les deux situations, une de référence et une avec la communication ad-hoc sans
fil simulée avec protocole. L’écart entre ces deux dernières situations a été étudié et testé pour
les différents scénarios en utilisant les deux logiciels RTMaps et le simulateur ns-2. Cela nous
a permis d’analyser le comportement du système d’alerte coopératif en fonction des situations

pertinentes simulées.
Chapitre 5

Chapitre 5
Conclusion et perspectives
5.1 Conclusion générale
Malgré toutes les évolutions dans le domaine des systèmes de transport intelligents, il lui
manque beaucoup de progrès au niveau de la sécurité routière. Dans les systèmes d’aide à la
conduite avancés, les réseaux de véhicules VANETs permettent de réaliser une avancée tech-
nologique importante. Grâce à ces réseaux, des systèmes ADAS coopératifs ont été développés
pour réaliser des applications d’alerte entre véhicules. Dans cette conclusion, les travaux de
recherche menés sur les différentes problématiques de notre projet et les perspectives possibles
des travaux futurs sont résumés.
5.2 Bilan des travaux réalisés et des résultats obtenus
Dans le cadre de cette étude, nous nous sommes intéressés aux problématiques de commu-
nications liés aux systèmes d’aide à la conduite avancés ADAS. L’objectif principal consiste à
proposer un nouveau système d’aide à la conduite avancé, coopératif, basé sur les communica-
tions entre véhicules et adapté aux caractéristiques de réseaux de véhicules et à ses applications
d’alerte. Ceci permet de réaliser un système d’alerte qui peut envoyer un signal d’alerte et
estimer le nombre de situations du risque de collision.
Dans un premier temps, nous avons effectué un état de l’art sur les principaux concepts,
spécificités et challenges liés aux systèmes ADAS et aux réseaux de véhicules. Le système
108 Chapitre 5. Conclusion et perspectives
de communication entre véhicules a été détaillé en présentant les différentes architectures de

réseaux VANETs : V2V, V2I et hybrides. Nous avons pu apporter une vue d’ensemble des
algorithmes de routage existants et de ceux que nous avons ensuite intégrés dans les simulations.
Ceci nous a permis d’avoir un aperçu général sur l’état actuel des réseaux sans fil pour bien
comprendre le fonctionnement et les mécanismes des réseaux véhiculaires intégrés dans les
systèmes ADAS.
Dans ce contexte, notre recherche a abouti à la définition d’un système d’alerte coopératif.
L’originalité de notre méthode consiste à réaliser un nouveau prototype des systèmes ADAS
coopératifs basé sur les communications entre véhicules. Dans cette méthode nous avons com-
biné les données issues de plusieurs modules d’acquisition tels que : le module de vision, de
géolocalisation GPS et de communication V2V. Nous avons utilisé l’approche de coopération
entre deux systèmes logiciels (RTMaps et ns-2) afin de développer ce nouveau prototype et de
réaliser ensuite l’application d’alerte coopérative. Le système de vision utilisé représente un mo-
dèle sténopé pour calculer la distance intervéhiculaire. Le système de géolocalisation a réalisé
trois phases d’expérimentation nécessaires pour avoir une base de données utilisable. La pre-
mière phase est l’acquisition de données réelles reliées à la position et à la vitesse des véhicules
LaRAs. La deuxième phase est de rejouer les données pour enregistrer les données nécessaires
pour notre conception. La troisième phase est le traitement de données, la transformation de
coordonnées et enfin la mise en forme de données pour qu’elles soient compatibles à intégrer
dans ns-2. Le système de localisation GPS souffre de plusieurs problèmes comme l’absence du
signal et l’imprécision en milieu urbain dû au phénomène de masquage des satellites et de
multitrajets (immeubles, tunnels,...).
Nous avons développé le modèle de simulation nécessaire à notre propre application pour
l’intégrer ensuite au nouveau prototype implémenté dans RTMaps. Une étude de ce modèle de
simulation a été effectuée à l’aide des données réelles et des protocoles de routage avec le calcul
de plusieurs paramètres qui mesurent la performance des protocoles. Grâce à la simulation,
nous avons constaté que les protocoles AODV et GPSR sont caractérisés par une meilleure
performance. Par contre, les deux protocoles DSDV et GPSR donnent un nombre faible de
mauvaises détections du risque dans l’ensemble de systèmes d’alerte coopératifs. Le protocole
AODV donne une meilleure estimation de détection pour le nombre de risque de collision. Ceci
nous amène à considérer que les quatre protocoles étudiés présentent toujours de mauvaises
5.3. Perspectives 109
détections du risque, et ils ne seront alors pas efficacs pour les applications d’alerte entre
véhicules.
Une extension de ce modèle par une augmentation du nombre de véhicules communicants sur
le trajet de déplacement des trois véhicules expérimentaux LaRA a été proposée. L’étape de la
simulation du protocole avec les données réelles a été suivie par l’intégration des résultats dans le
nouveau prototype développé sous RTMaps. Ceci avait pour objectif de développer un système
d’alerte coopératif entre les véhicules et de montrer dans quelle mesure la simulation V2V
s’approche de l’expérimentation. Nous avons évalué ce système en étudiant plusieurs paramètres
importants tels que la distance entre véhicules et le temps à collision.
Enfin, la mise en place du système d’alerte a permis de tester le fonctionnement du système
de simulation et de connaître son approche de réalité. En effet, l’interaction de simulateur
dans le système de prototypage en temps réel peut estimer le nombre de bonnes et mauvaises
détections de risque en cas de simulation. Nous avons finalement montré les résultats obtenus
correspondant aux différentes acquisitions et différents scénarios que nous avons réalisés au
parking de l’INRIA Rocquencourt.
5.3 Perspectives
Dans l’état du travail présenté, nous pourrions approfondir cette étude et proposer quelques
perspectives afin de renforcer les résultats obtenus. Pour améliorer notre système d’alerte co-
opératif, certains points nécessitent d’être renforcés en commençant avec l’enrichissement de la
base de données du trafic utilisé dans le simulateur ns-2. De plus, il serait utile d’effectuer des
scénarios dans d’autres environnements que l’urbain (autoroute, ville). Nous avons réalisé la
collaboration entre ns-2 et RTMaps lorsque les deux logiciels fonctionnent en mode "procédure
séquentiel, en temps différés". Comme perspective efficace, nous proposons de développer un
bloc qui fait le traitement de données pour qu’elles soient prêtes à être intégrées dans ns-2 et
de programmer ensuite un composant qui effectuera l’interface entre ns-2 et RTMaps en temps
réel (c’est-à-dire pour que les deux logiciels fonctionnent en mode "Online").
En regardant les résultats dans la partie de simulations sous ns-2, plusieurs perspectives
seront proposées au niveau du modèle de communication. Un défi majeur dans la conception
des protocoles de routage pour les réseaux VANETs est d’améliorer la fiabilité des protocoles et
110 Chapitre 5. Conclusion et perspectives
de réduire le délai de livraison des paquets ainsi que le nombre de retransmission des paquets.
Une perspective peut-être intéressante est de simuler d’autres protocoles de routage développés
spécialement pour VANETs. Logiquement, ces protocoles doivent atteindre toute leur perfor-
mance lorsqu’ils sont simulés en utilisant les traces réelles de mouvement des véhicules. Dans
l’avenir, nous devons utiliser des protocoles de routage qui fonctionnent mieux, avec des mo-
dèles de mobilité plus précis et reflètent complètement la réalité du trafic. Pour bien prédire les
mouvements des véhicules, nous devons avoir des types de GPS précis. Le problème de notre
système est qu’il utilise les données de GPS qui ne sont pas disponibles tout le temps et qui
sont parfois peu fiables. Pour cette raison, nous tentons de chercher une solution à cette pro-
blématique assez importante dans le domaine des communication et des systèmes d’aide à la
conduite. Nous proposons d’utiliser les techniques de filtrages tels que Kalman afin d’avoir des
données plus précises.
Une autre perspective est d’intégrer dans les simulations le module de la norme IEEE
802.11P qui a été développé pour les applications VANETs. Le modèle de propagation utilisé
dans les scénarios est un modèle loin d’être réaliste. D’une part, il faut donc chercher un modèle
de propagation du canal (modèle de couche physique) plus réaliste pour les VANETs. Pour
ceci, une simulation plus précise pourrait être effectuée par l’extension et l’intégration d’un
modèle d’ombrage. Au niveau du système de vision, il serait intéressant d’étudier la possibilité
de localiser le véhicule dans le repère caméra. La méthode sera effectuée par la fusion des
informations issues de la perception (GPS, vision) et de la communication dans l’ensemble
de notre système de prototypage. La première perspective de nos travaux est d’augmenter la
robustesse de notre système, en réalisant plus d’essais pour renforcer la basse de données et
tester plus de scénarios et d’analyser les problèmes rencontrés. Une dernière perspective est de
faire les simulations sur ns3 qui est plus adapté aux réseaux VANETs.
Chapitre 6

Chapitre 6
Annexe
6.1 Les paramètres de simulation
Table 6.1 – Avantages et inconvénients des protocoles de routage

Ad-hoc Routing DSDV, DSR, AODV, ""
GPSR
ProType Propagation/TwoRayGround, ""
propagation/shadowing
anType Antenna/OmniAntenna ""
channel Channel/WirelessChannel ""
TopoInstance <topology file>
MobileIP ON,OFF OFF
rxPower <value in watt>
txPower <value in watt>
agentTrace ON, OFF
routerTrace ON, OFF
macTrace ON, OFF
movementTrace ON, OFF
112 Chapitre 6. Annexe
6.1.1 Les paramètres statistiques
La distribution des erreurs de position horizontale peut être modélisée par une distribution
de Rayleigh. La densité de probabilté est donnée par :

2x x 2
f (x) = exp − (6.1)
hRM S hRM S
i=N
1 X
hM EAN = dh [i] (6.2)
N i=1
v
u i=N
u 1 X
hST D = t (dh [i] − hM EAN )2 (6.3)
N − 1 i=1
v
u i=N
u1 X √
hRM S = t dh [i]2 = hM EAN 2 + ST D2 (6.4)
N i=1
6.1.2 La moyenne théorique d’une distribution des erreurs de position

horizontale
√
Π ∼
M EAN = hRM S = 0.886 × hRM S (6.5)
2
6.1.3 L’écart-type théorique
√
4−π ∼
ST D = hRM S = 0.214 × hRM S (6.6)
4
6.1. Les paramètres de simulation 113
Table 6.2 – Caractéristiques du récepteur BU-353 de GlobalSat

Puce GPS SiRF Star III e/LP
Fréquence L1, 1575, 42 MHz
Sensibilité -159 dBm
Protocole NMEA 0183 (4800 bauds)
Précision 2D RMS = 5 m avec WAAS active et 10 m sans
WAAS
Fréquence d’acquisi- 1 Hz
tion
Figure 6.1 – Terrain d’expérimentation sur la carte
Figure 6.2 – Photographie d’un récepteur BU-353 de GlobalStat

114 Chapitre 6. Annexe
Figure 6.3 – Carte WiFi D-Link dans les véhicules LaRA
Figure 6.4 – The DGPS Trimble AG 131

Bibliographie
[Abuhadrous 2005] I. Abuhadrous. Système embarqué temps réel de localisation et de modé-

lisation 3D par fusion multi-capteur. PHD thesis, Robotics Center - Ecole des Mines
Paris, pages 103–104, 2005. (Cité en page 17.)
[Ammoun 2007a] S. Ammoun. Contribution des communications intervéhiculaires pour la

conception de systèmes avancés d’aide à la conduite. Mines Paris, Paris Tech, Paris,
2007. (Cité en pages vi, 22, 23, 52, 74, 76 et 97.)
[Ammoun 2007b] S. Ammoun, F. Nashashibi et C. Laurgeau. Crossroads risk assessment using

GPS and inter-vehicle communications. Intelligent Transport Systems, IET, vol. 1, no. 2,
pages 95–101, 2007. (Cité en pages 17, 25 et 96.)
[Ammoun 2009] S. Ammoun et F. Nashashibi. Real time trajectory prediction for collision
risk estimation between vehicles. In IEEE 5th International Conference on Intelligent
Computer Communication and Processing (ICCP), pages 417–422. IEEE, 2009. (Cité
en pages vi et 96.)
[Ammoun 2010] S. Ammoun et F. Nashashibi. Design and efficiency measurement of coopera-

tive driver assistance system based on wireless communication devices. Transportation
Research Part C : Emerging Technologies, vol. 18, no. 3, pages 408–428, 2010. (Cité en
pages 23 et 96.)
[Andreone 2002] L. Andreone, F. Tango, U. Scheunert, H. Cramer, G. Wanielik et A. Amditis.

A new driving supporting system, integrating an infrared camera and an anti-collision
micro-wave radar : the EUCLIDE project. In Intelligent Vehicle Symposium, volume 2,
pages 519 – 526. IEEE, Versailles, France, 2002. (Cité en page 22.)
116 Bibliographie
[Aschenbruck 2010] N. Aschenbruck, R. Ernst, E. Gerhards-Padilla et M. Schwamborn. Bonn-

Motion : a mobility scenario generation and analysis tool. balde, pages 1–10, 2010. (Cité
en page 63.)
[Avila 2005] A. Avila, G. Korkmaz, Y. Liu, H. Teh, E. Ekici, F. Ozguner, U. Ozguner, K. Red-
mill, O. Takeshita, K. Tokudaet al. A complete simulator architecture for inter-vehicle
communication intersection warning systems. In Proceedings on Intelligent Transpor-
tation Systems„ pages 461–466. IEEE, 2005. (Cité en page 24.)
[Bai 2003] F. Bai, N. Sadagopan et A. Helmy. The IMPORTANT framework for analyzing the
Impact of Mobility on Performance Of RouTing protocols for Adhoc NeTworks. Ad Hoc
Networks, vol. 1, no. 4, pages 383–403, 2003. (Cité en pages 61 et 63.)
[Baldessari.R 2007] Deegener.M Festag. A Franz.W Kellum. C.C Baldessari.R Bódek-

ker. Bet al. Car-2-car communication consortium-manifesto. 2007. (Cité en page 38.)
[Bishop 2005] R. Bishop et Ebooks Corporation. Intelligent vehicle technology and trends.
Artech House, 2005. (Cité en page 12.)
[Broggi 2008] A. Broggi, A. Cappalunga, S. Cattani et P. Zani. Lateral vehicles detection using
monocular high resolution cameras on TerraMax TM. In Intelligent Vehicles Symposium,
IEEE, Eindhoven, Netherlands, pages 1143–1148. IEEE, 2008. (Cité en page 17.)
[Cabani 2006] I. Cabani, G. Toulminet et A. Bensrhair. A color stereo vision system for extrac-
tion of 3d edges of obstacle. In Intelligent Transportation Systems Conference, ITSC’06.
IEEE, pages 307–312. IEEE, 2006. (Cité en page 18.)
[Camp 2002] T. Camp, J. Boleng et V. Davies. A survey of mobility models for ad hoc network
research. Wireless communications and mobile computing, vol. 2, no. 5, pages 483–502,
2002. (Cité en page 61.)
[Carona 2010] D. Carona, A. Serrador, P. Mar, R. Abreu, N. Ferreira, T. Meireles, J. Matos

et J. Lopes. A 802.11 p prototype implementation. In Intelligent Vehicles Symposium
(IV), pages 1116–1121. IEEE, 2010. (Cité en page 30.)
[Chakeres 2005] I.D. Chakeres et E.M. Belding-Royer. AODV implementation design and
performance evaluation. International Journal of Wireless and Mobile Computing
(IJWMC), vol. 2, no. 3, 2005. (Cité en page 42.)
Bibliographie 117
[Challita, G. Bensrhair, A. Rebut, J and Lelevé, J 2006] Challita, G. Bensrhair, A. Rebut,

J and Lelevé, J. Détection de pluie sur pare brise par caméra multi fonction.
no. EP1860426, 2006. (Cité en page 13.)
[Challita, G. Bensrhair, A. Rebut, J and Lelevé. J 2007] Challita, G. Bensrhair, A. Rebut, J

and Lelevé. J. Rain detection on windscreen by camera multi function. no. 2007-0267993,
2007. (Cité en pages 13 et 19.)
[Challita 2009a] G Challita. Amélioration du positionnement des véhicules communicants uti-

lisant des récepteurs GPS et des systèmes de vision. PhD thesis, 2009. (Cité en pages 19
et 20.)
[Challita 2009b] G. Challita, S. Mousset, F. Nashashibi et A. Bensrhair. Particle filters

for accurate localization of communicant vehicles using GPS and vision systems.
In IEEE/ACS International Conference on Computer Systems and Applications (
AICCSA), pages 238–242. IEEE, 2009. (Cité en pages 17 et 77.)
[Chevreuil 2002] M. Chevreuil. IVHW : an inter-vehicle hazard warning system concept within
the DEUFRAKO program. e-Safety, Lyon, France, pages 16–18, 2002. (Cité en page 37.)
[Choffnes 2005] D.R. Choffnes et F.E. Bustamante. An integrated mobility and traffic model
for vehicular wireless networks. In Proceedings of the 2nd ACM international workshop
on Vehicular ad hoc networks, pages 69–78. ACM, 2005. (Cité en page 63.)
[Clausen 2003] T. Clausen, P. Jacquet, C. Adjih, A. Laouiti, P. Minet, P. Muhlethaler,

A. Qayyum et L. Viennot. Optimized link state routing protocol (OLSR). IETF Re-
quest for Comments : RFC 3626., 2003. (Cité en page 42.)
[CVI 2006] The Cooperative Vehicle-Infrastructure Systems (CVIS), www.cvisproject.org, 2006.

(Cité en page 38.)
[Demmel 2010] S. Demmel, A. Rakotonirainy et D. Gruyer. Crash Risk Assessment with Co-
operative Systems. 2010. (Cité en pages 22 et 36.)
[Desbrandes 1993] F. Desbrandes, S. Bertolotti et L. Dunand. Opnet 2.4 : an environment

for communication network modeling and simulation. In Proceedings of the European
Simulation Symposium, pages 609–614, 1993. (Cité en page 46.)
118 Bibliographie
[Discant 2008] A. Discant, A. Rogozan, C. Rusu et A. Bensrhair. Sensors for obstacle detection-
a survey. In 30th International Spring Seminar on Electronics Technology„ pages 100–
105. IEEE, 2008. (Cité en page 22.)
[Dogan 2005] A. Dogan, G. Korkmaz, Y. Liu, F. Ozguner, U. Ozguner, K. Redmill, O. Takeshita

et K. Tokuda. Evaluation of intersection collision warning system using an inter-vehicle
communication simulator. In In Proceedings of the 7th International IEEE Conference
on Intelligent Transportation Systems, pages 1103–1108. IEEE, 2005. (Cité en page 24.)
[DRi 1999] http ://www.ist-drive.org/index2.html, 1999. (Cité en page 37.)
[Ducourthial 2009] B. Ducourthial et F. El Ali. Architecture Pour Communication Véhicules-

Infrastructure. In Proceeding of CFIP, Strasbourg-France, 2009. (Cité en page 34.)
[Eichler 2007] S. Eichler. Performance evaluation of the IEEE 802.11 p WAVE communication
standard. In 66th IEEE Vehicular Technology Conference, VTC- Fall., pages 2199–2203.
IEEE, 2007. (Cité en page 39.)
[El Ansari 2008] M. El Ansari, S. Mousset et A. Bensrhair. A new stereo matching approach
for real-time road obstacle detection for situations with deteriorated visibility. In IEEE,
Intelligent Vehicles Symposium, pages 355–360. IEEE, 2008. (Cité en page 18.)
[Ferlis 2001] RA Ferlis. Infrastructure intersection collision avoidance. In Intersection Safety

Conference, Milwaukee, WI, 2001. (Cité en page 24.)
[Festag 2004] A. Festag, H. Fußler, H. Hartenstein, A. Sarma et R. Schmitz. Fleetnet : Bringing

car-to-car communication into the real world. In proceedings of the 11th World Congress
on ITS, Nagoya, Japan, vol. 4, no. L15, page 16, 2004. (Cité en page 36.)
[Friis 1946] H.T. Friis. A note on a simple transmission formula. proc. IRE, vol. 34, no. 5,
pages 254–256, 1946. (Cité en page 58.)
[Funderburg 2004] K.A. Funderburg. Update on intelligent vehicles and intersections. Public
roads, vol. 67, no. 4, pages 34–39, 2004. (Cité en page 24.)
[Füßler 2002] H. Füßler, M. Mauve, H. Hartenstein, M. Käsemann et D. Vollmer. A comparison

of routing strategies for vehicular ad hoc networks. Department of Computer Science,
University of Mannheim, Tech. Rep. TR-02-003, 2002. (Cité en page 43.)
Bibliographie 119
[Gabriel Alejandro Galaviz Mosqueda 2011] Raúl Aquino Santos Gabriel Alejandro Gala-
viz Mosquedaet al. Survey on multi-hop vehicular ad hoc networks under ieee 802.16
technology. InTech, Janeza Trdine 9, 51000 Rijeka, Croatia, 2011. (Cité en page 33.)
[Gast 2005] M. Gast. 802.11 wireless networks : the definitive guide. O’Reilly Media, 2005.
(Cité en page 29.)
[Grégoire-Girard 2008] P.L. Grégoire-Girard. Communication inter-véhicules et route-à-

véhicule : apprentissage de la communication inter-véhicules. Université Laval, 2008.
(Cité en page 11.)
[Greis 2007] M. Greis. Tutorial on Ns-2. Ns-2 the Colloborative Effort of VINT Pro-
ject by UC Berkeley, LBL, USC/ISI, and Xerox PARC.< URL : http ://www. isi.
edu/nsnam/ns/tutorial/index. html, 2007. (Cité en page 54.)
[Gukhool 2010] B.S. Gukhool et S. Cherkaoui. Handling handovers in vehicular communica-

tions using an IEEE 802.11 p model in NS-2. International Journal of Ultra Wideband
Communications and Systems, vol. 1, no. 3, pages 159–168, 2010. (Cité en page 30.)
[Guo 2009] H. Guo. Automotive Informatics and Communicative Systems : Principles in ve-
hicular networks and Data exchange. Information Science Reference, 2009. (Cité en
pages v, 12, 22, 35, 42, 43, 92 et 94.)
[Hafeez 2009] K.A. Hafeez, L. Zhao, Z. Liao et B.N.W. Ma. The Optimal Radio Propagation
Model in VANET. In 2009 Fourth International Conference on Systems and Networks
Communications, pages 6–11. IEEE, 2009. (Cité en page 70.)
[Härri 2005] J. Härri, F. Filali et C. Bonnet. A framework for mobility models generation
and its application to inter-vehicular networks. In International Conference on Wireless
Networks, Communications and Mobile Computing„ volume 1, pages 42–47. IEEE, 2005.
(Cité en page 61.)
[Härri 2006] J. Härri, F. Filali, C. Bonnet et M. Fiore. VanetMobiSim : generating realistic

mobility patterns for VANETs. In Proceedings of the 3rd international workshop on
vehicular ad hoc networks, pages 96–97. ACM, 2006. (Cité en page 63.)
[Helbing 2001] D. Helbing. Traffic and related self-driven many-particle systems. Reviews of
modern physics, vol. 73, no. 4, pages 1067–1141, 2001. (Cité en page 61.)
120 Bibliographie
[Hofmann-Wellenhof 1993] B. Hofmann-Wellenhof, H. Lichtenegger et J. Collins. Global positio-

ning System. Theory and Practice. Springer, Wien (Austria), 347 p, ISBN 3-211-82477-4,
Price DM 79.00. (USA)., vol. 1, 1993. (Cité en page 16.)
[Hofmann-Wellenhof 1994] B. Hofmann-Wellenhof, H. Lichtenegger et J. Collins. GPS : Theory

and practice. Springer, 1994. (Cité en page 14.)
[Huang 2009] C.M. Huang, C. Huang et Y. Chang. Telematics communication technologies

and vehicular networks : wireless architectures and applications. Information Science
Reference-Imprint of : IGI Publishing Hershey, PA, 2009. (Cité en pages v et 45.)
[Hui 2005] F. Hui. Experimental characterization of communications in vehicular ad hoc net-

work. PhD thesis, UNIVERSITY OF CALIFORNIA, 2005. (Cité en page 40.)
[Int 2000] http ://www.Intempora.com, 2000. (Cité en page 50.)
[Jaap 2005] S. Jaap, M. Bechler et L. Wolf. Evaluation of routing protocols for vehicular ad
hoc networks in typical road traffic scenarios. 2005. (Cité en page 42.)
[Jarupan 2008] B. Jarupan, Y. Balcioglu, E. Ekici, F. Ozguner et U. Ozguner. An Integrated

Wireless Intersection Simulator for collision warning systems in vehicular networks.
In IEEE International Conference on Vehicular Electronics and Safety, ICVES, pages
340–345. IEEE, 2008. (Cité en page 63.)
[Jerbi 2008a] M. Jerbi. Protocoles pour les communications dans les réseaux de véhicules en
environnement urbain : routage et geocast basés sur les intersections. PhD thesis, 2008.
(Cité en pages v, vi, 40, 41, 43 et 59.)
[Jerbi 2008b] M. Jerbi, P. Marlier et S.M. Senouci. Experimental assessment of V2V and
I2V communications. In IEEE Internatonal Conference on Mobile Adhoc and Sensor
Systems, MASS, pages 1–6. IEEE, 2008. (Cité en page 34.)
[Jiang 2008] D. Jiang et L. Delgrossi. IEEE 802.11 p : Towards an international standard for
wireless access in vehicular environments. In Vehicular Technology Conference, VTC-
Spring, pages 2036–2040. IEEE, 2008. (Cité en page 38.)
[J.M. Blosseville 2005] R. Labayrade J. Douret C. Royere C. Levernois J.M. Blosseville et

D. Dominois. Assessment of ADAS in ARCOS, method and results. 2005. (Cité en
page 101.)
Bibliographie 121
[JOBIN 2010] M. JOBIN. Mobility Model for Vehicular Ad Hoc Networks : A Survey and
Taxonomy. 2010. (Cité en page 62.)
[Johnson 2001] D.B. Johnson, D.A. Maltz, J. Brochet al. DSR : The dynamic source routing
protocol for multi-hop wireless ad hoc networks. Ad hoc networking, vol. 5, pages 139–
172, 2001. (Cité en pages 42 et 61.)
[Kaisser 2010] F. Kaisser. Communications dans les réseaux fortement dynamiques. PhD thesis,
[Kaplan 1996] E.D. Kaplanet al. Understanding gps, principles and applications. boston :
Artech house. Inc, 1996. (Cité en page 16.)
[Kaplan 2006] E. Kaplan et C. Hegarty. Understanding GPS : Principles and Applications

Second Edition. Artech House, 2006. (Cité en pages 14 et 16.)
[Karnadi 2007] F.K. Karnadi, Z.H. Mo et K. Lan. Rapid generation of realistic mobility models
for vanet. In Wireless Communications and Networking Conference,(WCNC), pages
2506–2511. IEEE, 2007. (Cité en pages 62 et 63.)
[Karp 2000] B. Karp et HT Kung. GPSR : greedy perimeter stateless routing for wireless net-
works. In Proceedings of the 6th annual international conference on Mobile computing
and networking, ACM/IEEE MOBICOM’00, Boston, USA, pages 243–254. ACM, 2000.
(Cité en pages 42 et 44.)
[Khaled 2005a] Y. Khaled, B. Ducourthial et M. Shawky. IEEE 802.11 performances for inter-
vehicle communication networks. In 61st Vehicular Technology Conference, VTC-Spring,
volume 5, pages 2925–2929. IEEE, 2005. (Cité en page 29.)
[KHALED 2005b] Y. KHALED, B. DUCOURTHIAL et M. SHAWKY. Performances de IEEE

802.11 pour la communication dans un convoi de vehicules. AlgoTel 2005 Septiemes ren-
contres francopohones sur les Aspects Algorithmiques des Telecommunications, page 99,
[Khaled 2007] Y. Khaled. Contributions aux communications dans les réseaux de véhicules :
application à la pré-visibilité de route. PhD thesis, 2007. (Cité en pages 29 et 39.)
[LABIOD 2006] H. LABIOD. Réseaux mobiles ad hoc et réseaux de capteurs sans fil (Traité
IC2, série Réseaux et télécoms). 2006. (Cité en page 32.)
122 Bibliographie
[Langley 2000] R.B. Langley. The Evolution of the GPS Receiver. GPS WORLD, page 55,
[LaR 2003] http ://www-roc.inria.fr/imara/lara2, 2003. (Cité en page 74.)
[Laughery 2006] K.R. Laughery. Safety communications : Warnings. Applied ergonomics,

vol. 37, no. 4, pages 467–478, 2006. (Cité en page 101.)
[Lefée 2004] D. Lefée, S. Mousset, M. Bertozzi et A. Bensrhair. Cooperation of passive vision

systems in detection and tracking of pedestrians. In Intelligent Vehicles Symposium (IV),
pages 768–773. IEEE, 2004. (Cité en page 13.)
[Li 2008] Y. Li, G. Toulminet et A. Bensrhair. Vehicle detection based on the stereo concept
of (axis, width, disparity) symmetry map. In 11th International IEEE Conference on
Intelligent Transportation Systems, ITSC, pages 778–783. IEEE, 2008. (Cité en page 18.)
[Lochert 2005] C. Lochert, M. Mauve, H. Fussler et H. Hartenstein. Geographic routing in city

scenarios. SIGMOBILE Mob. Comput. Commun. Rev, vol. 9, no. 1, pages 69–72, 2005.
(Cité en page 44.)
[Malek 2011] M. Malek. Modélisation GPS. LITIS, 2011. (Cité en page 79.)
[Malys 1994] S. Malys et J. Slater. Maintenance and enhancement of the World Geodetic System
1984. In Proceedings of the 7th International Technical Meeting of the Satellite Division
of The Institute of Navigation (ION GPS 1994), pages 17–24, 1994. (Cité en page 16.)
[Mangharam 2005] R. Mangharam, D.S. Weller, D.D. Stancil, R. Rajkumar et J.S. Parikh.
GrooveSim : a topography-accurate simulator for geographic routing in vehicular net-
works. In Proceedings of the 2nd ACM international workshop on Vehicular ad hoc
networks, pages 59–68. ACM, 2005. (Cité en page 63.)
[Marchau 2005] V. Marchau, R. Van Der Heijden et EJE Molin. Desirability of advanced driver
assistance from road safety perspective : the case of ISA. Safety Science, vol. 43, no. 1,
[Marlier 2007] P. Marlier. Communications optimisées dans un réseau véhiculaire ad hoc multi
sauts. Rapport de stage TN10/Mémoire de Master ST02, Université de Technologie de
Compiègne- France Télécom R&D, 2007. (Cité en page 29.)
Bibliographie 123
[Martinez 2009] F.J. Martinez, C.K. Toh, J.C. Cano, C.T. Calafate et P. Manzoni. Realistic
radio propagation models (RPMs) for VANET simulations. In Wireless Communications
and Networking Conference,WCNC, pages 1–6. IEEE, 2009. (Cité en page 70.)
[Miché 1995] P. Miché et R. Debrie. Fast and self-adaptive image segmentation using extended
declivity. Annals of Telecommunications, vol. 50, no. 3, pages 401–410, 1995. (Cité en
page 18.)
[Miller 2002] R. Miller et Q. Huang. An adaptive peer-to-peer collision warning system. In

IEEE Vehicular Technology Conference, volume 1, pages 317–321. Citeseer, 2002. (Cité
en page 24.)
[Morsink 2003] P. Morsink, R. Hallouzi, I. Dagli, C. Cseh, L. Schäfers, M. Nelisse et D. de Bruin.

Cartalk 2000 : Development of a cooperative adas based on vehicle-to-vehicle communi-
cation. Intelligent Transport Systems and Services, 2003. (Cité en page 37.)
[Nashashibi 2000] F Nashashibi. RT-MAPS : A framework for prototyping automotive multi-

sensor applications. In Intelligent vehicles symposium, pages 99–103, 2000. (Cité en
page 74.)
[Naumov 2006] V. Naumov, R. Baumann et T. Gross. An evaluation of inter-vehicle ad hoc

networks based on realistic vehicular traces. In MobiHoc, volume 6, pages 108–119.
Citeseer, 2006. (Cité en page 62.)
[Papadimitratos 2008] P. Papadimitratos, L. Buttyan, T. Holczer, E. Schoch, J. Freudiger,

M. Raya, Z. Ma, F. Kargl, A. Kung et J.P. Hubaux. Secure vehicular communication
systems : design and architecture. Communications Magazine, IEEE, vol. 46, no. 11,
[Pat 1986] http ://www.path.berkeley.edu/., 1986. (Cité en page 36.)
[Piorkowski 2008] M. Piorkowski, M. Raya, A.L. Lugo, P. Papadimitratos, M. Grossglauser et

J.P. Hubaux. TraNS : realistic joint traffic and network simulator for VANETs. ACM
SIGMOBILE Mobile Computing and Communications Review, vol. 12, no. 1, pages
31–33, 2008. (Cité en page 63.)
[Rappaport 1996] T.S. Rappaportet al. Wireless communications : principles and practice,
volume 207. Prentice Hall PTR New Jersey, 1996. (Cité en page 59.)
124 Bibliographie
[Rigas 2008] G. Rigas, P. Bougia, D.I. Fotiadis, C.D. Katsis et A. Koutlas. IWAY : Towards
highway vehicle-2-vehicle communication and driver support. In IEEE International
Conference on Systems, Man and Cybernetics (SMC), pages 3376–3381. IEEE, 2008.
(Cité en page 39.)
[Saf 2006] http ://www.safespot-eu.org/pages/page.php, 2006. (Cité en pages 23 et 38.)
[Saha 2004] A.K. Saha et D.B. Johnson. Modeling mobility for vehicular ad-hoc networks. In
Proceedings of the 1st ACM international workshop on Vehicular ad -hoc networks,
pages 91–92. ACM, 2004. (Cité en page 62.)
[Salim 2007] F.D. Salim, S.W. Loke, A. Rakotonirainy, B. Srinivasan et S. Krishnaswamy. Col-
lision pattern modeling and real-time collision detection at road intersections. In Intelli-
gent Transportation Systems Conference (ITSC)„ pages 161–166. IEEE, 2007. (Cité en
page 24.)
[Senouci 2007] S.M. Senouci et T. Rasheed. Modified Location-Aided Routing Protocols for
Control Overhead Reduction in Mobile Ad Hoc Networks. Network Control and Engi-
neering for QoS, Security and Mobility, IV, pages 137–146, 2007. (Cité en pages 25
et 43.)
[Seskar 2002] I. Seskar, S.V. Maric, J. Holtzman et J. Wasserman. Rate of location area updates
in cellular systems. In Vehicular Technology Conference, 1992, IEEE 42nd, pages 694–
697. IEEE, 2002. (Cité en page 63.)
[Simulator 2000] Q.N. Simulator. Scalable Network Technologies, www.qualnet.com. 2000. (Cité
en pages 46 et 63.)
[Singh 2002] J.P. Singh, N. Bambos, B. Srinivasan et D. Clawin. Wireless LAN performance
under varied stress conditions in vehicular traffic scenarios. In Proceedings of 56th IEEE
Vehicular Technology Conference,VTC-Fall, volume 2, pages 743–747. IEEE, 2002. (Cité
en pages 40 et 61.)
[Stepanov 2010] I. Stepanov. CANU Mobility Simulation Environment (CanuMobiSim), 2010.

(Cité en page 63.)
[Steux 2001] B. Steux et C. Laurgeau. RT Maps, un environnement logicel dédié à la concep-

tion d’applications embarquées temps-réel. Utilisation pour la détection automatique de
Bibliographie 125
véhicules par fusion radar-vision= RT Maps, a software framework for prototyping real-
time embedded systems. Application to the automatic detection of vehicles by radar and
vision data fusion. 2001. (Cité en page 51.)
[Steux 2002] B. Steux, C. Laurgeau, L. Salesse et D. Wautier. Fade : A vehicle detection and
tracking system featuring monocular color vision and radar data fusion. In Intelligent
Vehicle Symposium, IEEE, volume 2, pages 632–639. IEEE, 2002. (Cité en page 22.)
[Stubbs 2003] K. Stubbs, H. Arumugam, O. Masoud, C. McMillen, H. Veeraraghavan, R. Janar-

dan et N. Papanikolopoulos. A Real-Time Collision Warning System for Intersections.
In 13th Annual Meeting on Intelligent Transportation Systems America, Minneapolis,
MN, USA, 2003. (Cité en page 24.)
[Tillema 2006] G. Tillema. Merging into a Demo 2000 Platoon. Report, August, 2006. (Cité
en page 36.)
[Toulminet 2006] G. Toulminet, M. Bertozzi, S. Mousset, A. Bensrhair et A. Broggi. Vehicle

detection by means of stereo vision-based obstacles features extraction and monocular
pattern analysis. IEEE Transactions on Image Processing„ vol. 15, no. 8, pages 2364–
2375, 2006. (Cité en page 21.)
[Toulminet 2008] G. Toulminet, J. Boussuge et C. Laurgeau. Comparative synthesis of the

3 main European projects dealing with Cooperative Systems (CVIS, SAFESPOT and
COOPERS) and description of COOPERS Demonstration Site 4. In 11th International
IEEE Conference on Intelligent Transportation Systems (ITSC), pages 809–814. IEEE,
[Treiber 2000] M. Treiber, A. Hennecke et D. Helbing. Congested traffic states in empirical

observations and microscopic simulations. Physical Review E, vol. 62, no. 2, pages
1805–1824, 2000. (Cité en page 63.)
[Waal 2003] C. Waal et M. Gerharz. Bonnmotion : A mobility scenario generation

and analysis tool. Communication Systems group, Institute of Computer Science
IV, University of Bonn, Germany. Website : http ://web. informatik. uni-bonn.
de/IV/Mitarbeiter/dewaal/BonnMotion, 2003. (Cité en page 63.)
[Wang 2007] SY Wang, CL Chou, YH Chiu, YS Tzeng, MS Hsu, YW Cheng, WL Liu et TW Ho.
NCTUns 4.0 : An integrated simulation platform for vehicular traffic, communication,
126 Bibliographie
and network researches. In IEEE 66th Vehicular Technology Conference, VTC- Fall.,
pages 2081–2085. IEEE, 2007. (Cité en page 46.)
[Wang 2008] S.Y. Wang et C.C. Lin. NCTUns 5.0 : A network simulator for IEEE 802.11
(p) and 1609 wireless vehicular network researches. In IEEE 68th Vehicular Technology
Conference, VTC-Fall., pages 1–2. IEEE, 2008. (Cité en page 46.)
[Win ] www.winpcap.org. (Cité en page 76.)
[Zeng 1998] X. Zeng, R. Bagrodia et M. Gerla. GloMoSim : a library for parallel simulation
of large-scale wireless networks. ACM SIGSIM Simulation Digest, vol. 28, no. 1, pages
154–161, 1998. (Cité en page 46.)

Thse Nadeen SALAMEH Litis Version Dfinitive

Transféré par

Droits d'auteur :

Formats disponibles

Thse Nadeen SALAMEH Litis Version Dfinitive

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thse Nadeen SALAMEH Litis Version Dfinitive

Transféré par

Droits d'auteur :

Formats disponibles

Institut National des Sciences Appliquées de Rouen

Laboratoire d’Informatique, du Traitement de l’Information et des Systèmes

présentée et soutenue le 4 Novembre 2011 par

DOCTEUR DE L’INSA DE ROUEN

Conception d’un système d’alerte embarqué

soutenue devant le jury composé de :

M. Jean LE BIHAN (Rapporteur) Professeur, RESO, ENIB de Brest

A ma patrie bien-aimée, La SYRIE

Je tiens à remercier particulièrement Monsieur Stéphane CANU, directeur du Litis, de m'avoir

Je voudrais exprimer ma gratitude à Monsieur Jean LEBIHAN, Professeur à l'Ecole Nationale

Je tiens à remercier particulièrement Monsieur le professeur Abdelaziz BENSRHAIR, qui m'a

A l'Université d’Albaath en Syrie:

A tous mes professeurs en Syrie et en France.

A l'ensemble des étudiants, anciens et actuels, du LITIS:

2.3.8 Applications de réseaux VANETs . . . . . . . . . . . . . . . . . . . . . . 44

3 Coopération entre deux systèmes logiciels 49

4 Mise en œuvre et résultats 73

4.5.2 Le module d’alerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5 Conclusion et perspectives 107

1.1 Diagramme fonctionnel des systèmes ADAS . . . . . . . . . . . . . . . . . . . . 7

2.1 Calcul de position à l’aide de la méthode de trilatération . . . . . . . . . . . . . 15

3.1 La modélisation de notre approche avec trois couches . . . . . . . . . . . . . . . 49

3.5 Structure d’un nœud mobile dans ns-2 . . . . . . . . . . . . . . . . . . . . . . . 57

4.1 Le prototype LaRA avec ses différents capteurs embarqués . . . . . . . . . . . . 75

4.19 Taux de livraison de paquets en fontion du nombre de véhicules . . . . . . . . . 104

6.1 Terrain d’expérimentation sur la carte . . . . . . . . . . . . . . . . . . . . . . . 113

2.1 Différents capteurs disponibles dans le véhicule . . . . . . . . . . . . . . . . . . 13

3.1 Liste des principaux composants disponibles sous ns-2 . . . . . . . . . . . . . . 56

4.1 Paramètres statistiques calculés à partir des mesures réelles (GPS) . . . . . . . . 81

6.1 Avantages et inconvénients des protocoles de routage . . . . . . . . . . . . . . . 111

1.1 Introduction générale

passives et actives. Pour améliorer le fonctionnement et la robustesse de ces systèmes ADAS

1.2.1 Importation des positions de véhicules dans le simulateur de

Figure 1.1 – Diagramme fonctionnel des systèmes ADAS

1.2.2 Interaction entre le simulateur ns-2 et le logiciel de prototypage

1.3 Organisation de la thèse

Figure 1.2 – Organigramme général de la thèse

Les systèmes de transport intelligents (appelés STI, ou "Intelligent Transport Systems",

– Le développement des services et des enjeux industriels et commerciaux.

2.2 Les systèmes avancés d’aide à la conduite

2.2.1 Les systèmes ADAS autonomes

Table 2.1 – Différents capteurs disponibles dans le véhicule

2.2.1.1 Le système de positionnement GPS

Définition et principe de fonctionnement du GPS Le système de localisation GPS ainsi

En ce qui concerne le segment de contrôle, il s’agit d’un réseau de 5 différentes stations de

Le calcul de la position, vitesse et temps du récepteur Le positionnement GPS est

Figure 2.1 – Calcul de position à l’aide de la méthode de trilatération

2.2.1.2 Le système de vision

Figure 2.2 – Le système de détection de véhicules

Figure 2.3 – Les caractéristiques du système de vision

Figure 2.4 – Le modèle sténopé de la caméra

H.(f 2 + p2 . N2H .( N2H − yh )) + f.p.yh .Zp

La détection de véhicules par fusion de données Afin d’améliorer le système de détection

2.2.2 Les systèmes ADAS coopératifs

Selon le niveau de communication, les stratégies d’automatisation du trafic sont classées

2.2.2.1 Les approches autonomes

2.2.2.2 les approches coopératives

Le développement et l’évolution rapide dans le domaine des télécommunications sans fil

2.2.2.3 L’approche platooning