Le Smart Rail Control Consortium récompense trois scientifiques pour leurs contributions exceptionnelles !
Le consortium Smart Rail Control (SmartRaCon), composé du DLR, du GMV-NSL, de RAILENIUM et du CEIT, organise le séminaire scientifique SmartRaCon depuis 2019. Lors des cinq séminaires en France, en Allemagne et en Espagne, plus de 50 contributions scientifiques relatives aux projets X2Rail-1 à X2Rail-5 ont été présentées et les nouvelles recherches ferroviaires ont été discutées.
A cette occasion, trois scientifiques ont été récompensés pour leurs contributions exceptionnelles aux séminaires : Insaf Sassi, Nerea Fernández Berrueta et Gorka De Miguel Aramburu !
Insaf Sassi (IRT Railenium, Valenciennes, France) :
Dans le cadre du séminaire scientifique SmartRaCon, lnsaf a publié six articles relatifs à la sécurité et à la fiabilité des fonctions embarquées d’intégrité et de positionnement des trains, ainsi qu’aux trains autonomes. Les systèmes de signalisation ferroviaire sont en constante évolution afin de renforcer la compétitivité du secteur ferroviaire et de faire face à l’évolution de l’industrie ferroviaire et des besoins du marché.
L’un des objectifs est d’accroître la capacité du réseau ferroviaire européen, notamment en permettant l’exploitation de blocs mobiles de manière rentable. Par conséquent, les systèmes de signalisation traditionnels reposant sur des circuits de voie ou des compteurs d’essieux pour la détection de la position du train et la surveillance de l’intégrité du train doivent être remplacés par des modules embarqués. Cela permettra de garantir que le train se déplace en toute sécurité et intégrité au cours de son voyage.
Pour aider à mettre en œuvre ces nouvelles fonctions embarquées, des analyses de sécurité et des méthodes de vérification formelle sont proposées pour spécifier les exigences de sécurité et vérifier formellement le comportement fonctionnel et sûr de ces nouveaux sous-systèmes. En outre, dans les progrès récents vers les trains autonomes, et comme dans le cas des voitures autonomes, les composants de conduite autonome (ADS, ADAS ou ATO) fournissent essentiellement la couche ou l’unité dite de perception (comprenant parfois la fusion de capteurs). Ces composants mettent en œuvre des modules d’intelligence artificielle pour l’évaluation des événements et de leur pertinence autour du système, c’est-à-dire pour fournir une connaissance de la situation.
L’utilisation de ces modules d’IA vise à faciliter la reconnaissance de l’environnement et à construire un modèle d’environnement fiable et digne de confiance utilisable pour des tâches d’automatisation complexes. Il est nécessaire de déterminer les fonctions de perception de l’IA de manière exhaustive, en commençant par identifier les fonctions de perception actuellement exécutées dans les trains conventionnels (c’est-à-dire avec un conducteur humain et du personnel de conduite).
