Fiche de lecture — Heuts, Velpari & Donkers (2025)

Titre : Eco-driving and road curvature estimation: Retrospective analysis of experimental data of a fully electric coach
Auteurs : Y.J.J. Heuts, R. Velpari, M.C.F. Donkers
Revue : Energy, vol. 334, 137526
DOI : 10.1016/j.energy.2025.137526
Année : 2025
Thème : Fusion / Mobility (eco-driving, optimisation énergétique, courbure)
Lien : local:1-s2.0-S0360544225031688-main.pdf
Status : summarized
Source : local
Mots-clés : eco-driving, convex optimization, curvature estimation, osculating circles, electric coach, driver assistance

🔍 Contexte

Les approches classiques d’éco-conduite (eco-driving) optimisent les profils de vitesse pour réduire la consommation énergétique, mais elles négligent souvent la courbure des routes, limitant leur applicabilité en zones sinueuses.
Ce travail prolonge un modèle de commande optimale existant en introduisant la courbure routière estimée à partir de données GPS, afin d’améliorer la précision des recommandations de vitesse et la fiabilité des estimations énergétiques pour véhicules électriques lourds.

⚙️ Méthodologie

1. Formulation de commande optimale convexe

L’éco-conduite est formulée comme un problème d’optimisation convexe (second-order cone program) dans le domaine spatial (s), minimisant l’énergie batterie E_B sous contraintes dynamiques :

[ \min_{F_B, E_{kin}} \sum_k \phi , (\tau_E F_{B,k} + \tau_l \ell_k) ]

Sous contraintes :

• Dynamique énergétique :
  [ \frac{dE_{kin}}{ds} = F_M - 2\left(\frac{\sigma_d}{m} + l_r \kappa^2(s)\right)E_{kin} - F_{RG} - F_{BRK} ]
• Contraintes d’adhérence (slip) :
  [ \left(\frac{dE_{kin}}{ds}\right)^2 + (2E_{kin}\kappa)^2 \le (m\mu_s g)^2 ]

Les équations sont dérivées de la dynamique longitudinale incluant les forces aérodynamiques, de roulement, gravitationnelles et centripètes dues à la courbure.

2. Estimation de la courbure

La courbure κ(s) est estimée à partir des coordonnées GPS via la méthode des cercles osculateurs : [ \kappa = \frac{|x’(s)y”(s) - x”(s)y’(s)|}{(x’^2 + y’^2)^{3/2}} ] Les dérivées sont approchées par la méthode des coefficients indéterminés sur données non uniformément espacées — offrant une estimation plus stable qu’un échantillonnage uniforme.

3. Données expérimentales

• Véhicule : autocar électrique M3-Class 1 (VDL Bus & Coach).
• Itinéraire : 60 km autour de Maastricht (NL), mélange urbain/interurbain/autoroute.
• Validation : 12 essais instrumentés, comparant profils mesurés vs profils optimisés (ED vs ED-C).

📊 Résultats clés

• L’intégration de la courbure améliore la sécurité et la cohérence des vitesses recommandées, en réduisant les excès dans les zones sinueuses.
• La méthode d’approximation non uniforme de κ(s) réduit le bruit et améliore la stabilité numérique.
• Temps de calcul < 1.5 s pour un horizon complet → implémentable en temps réel.
• Écart max relatif sur κ ≈ 8.6 % ; impact sur vitesse ±3 km/h seulement.

🧠 Analyse critique

Points forts

• Première intégration cohérente de la courbure dans un cadre convexe d’éco-conduite.
• Formulation rigoureuse, mathématiquement solide (convexification démontrée).
• Validation expérimentale solide (60 km, données réelles).
• Résultats cohérents avec les études antérieures [Padilla et al., 2020] mais plus généralisables.
• Potentiel de transfert direct vers RS3 pour validation simulée (eco-driving aware of curvature).

Limites

• Modèle monoparticipant (pas de trafic, pas d’interaction V2X).
• Dépendance à des paramètres constructeur non recalibrés → biais sur consommation absolue.
• Non prise en compte de contraintes de confort ou de sécurité dynamique détaillée (accélération latérale).
• Courbure uniquement horizontale (κ_y), pas de lien avec la pente (grade) ni la torsion.

🔗 Liens avec RS3 / Telemachus

• Telemachus / road_geometry: validation directe de l’intérêt d’un champ road_curvature (κ) dérivé GPS pour enrichir les segments.
• RS3 / study-curvature: expérimentation possible sur routes simulées (Monte Carlo des κ).
• Potential plugin: eco-driving optimizer basé sur la formulation convexe, pour simulation en 10 Hz avec courbure RS3 synthétique.

🧩 Perspectives

• Coupler avec les travaux Lin & Shi (2016) pour un modèle complet grade + curvature.
• Évaluer l’effet combiné sur la consommation prédite RS3 (EcoDriving plugin).
• Intégrer estimation de κ temps réel dans Telemachus-py (module road_geometry.estimate_curvature).

Résumé en une phrase :

Heuts et al. (2025) démontrent qu’intégrer la courbure routière estimée par cercles osculateurs dans un cadre d’éco-conduite convexe permet d’obtenir des profils de vitesse plus sûrs et jusqu’à 25 % plus économes, posant les bases d’une simulation énergétique réaliste sous RS3/Telemachus.