SystemX Blog

Blog

  • Fabrication additive et chaîne numérique

    Fabrication additive et chaîne numérique

    Dans un contexte concurrentiel, les industries cherchent à la fois à gagner en efficacité et en flexibilité et à réduire leurs coûts et délais. Depuis quelques années, les entreprises se sont engagées dans un processus de digitalisation afin de faciliter les échanges (réseau numérique incluant les partenaires et les sous-traitants), de collecter et traiter des données diverses tout en simplifiant leur accessibilité (informations sur des produits, leurs différentes phases de vie comme leur fabrication). L’environnement numérique des procédés de fabrication conventionnels (ex : usinage) a mis plusieurs dizaines d’années pour atteindre un ensemble cohérent et performant. À ce jour, la chaîne numérique autour des procédés plus jeunes (par exemple l’impression 3D, appelée aussi fabrication additive) n’est pas arrivée à maturité et est un frein à leur déploiement dans les entreprises. L’un des enjeux est donc de développer rapidement une chaîne numérique pour la fabrication additive afin de répondre aux contraintes actuelles des entreprises et préparer l’usine du futur.

    Limites dans la chaîne numérique actuelle

    Il y a une dizaine d’années, la fabrication additive était réservée à la réalisation de prototypes et de maquettes de visualisation. Aujourd’hui, elle est utilisée pour fabriquer des pièces fonctionnelles, plastiques ou métalliques. Or la chaîne numérique actuelle, qui pouvait être suffisante pour la réalisation de pièces non fonctionnelles, ne peut pas supporter un procédé mature de fabrication de pièces industrielles.
    Le passage du modèle CAO (Conception Assistée par Ordinateur) à l’imprimante 3D se réalise par le biais d’un fichier dit « STL » (STereo-Lithography). Ce dernier contient uniquement des informations relatives à la géométrie de la pièce sous forme de maillages. Les autres informations disponibles au sein du modèle CAO sont perdues lors de cette phase de conversion, tout comme les données autour des matériaux, des spécifications dimensionnelles, etc. De plus, des erreurs au niveau du modèle de fichier STL peuvent apparaître et nécessitent une opération (souvent chronophage) de réparation du fichier via un logiciel différent de celui utilisé pour la conception. Un nouveau fichier est alors créé par un logiciel dédié à la machine de fabrication lors de la génération automatique des supports de fabrication, des trajectoires machines, etc.
    Ainsi, le cheminement de la chaîne numérique actuelle est représenté par un flux descendant (des fichiers successifs avec une conservation partielle des informations) ayant pour conséquence une réexécution de toute la chaîne numérique lors d’un changement sur la géométrie. Une multiplicité des fichiers créés et une dépendance à plusieurs logiciels remet en question l’interopérabilité des données numériques.
    Pour finir, les simulations numériques des procédés additifs ne sont pas aussi performantes que pour les procédés plus conventionnels (comme l’usinage) et ne peuvent pas être mises en place aussi facilement.

    De nombreux progrès dans la chaîne numérique

    Beaucoup d’acteurs ont pris consience de la nécessité d’améliorer cette chaîne numérique pour rendre les procédés de fabrication additive plus performants, et pour que leur environnement numérique ne soit plus un frein à leur développement par rapport aux autres procédés. Une chaîne industrielle numérique plus globale et la fabrication additive pourront offrir aux entreprises un nouveau modèle d’organisation de la production, multi-produits et multi-sites (personnalisation des produits avec une production non centralisée).
    Différents axes sont développés dans le but d’obtenir une chaîne numérique robuste, tels que la création d’outils d’aide à la décision pour la modélisation, la simulation et la préparation de la fabrication.

    Consolider la chaîne numérique par des outils spécifiques à la conception des pièces
    La fabrication additive permet une grande liberté de conception. Elle offre à tout un chacun la possibilité de produire des pièces présentant des formes complexes et intégrant de nombreuses fonctions. Ce type de procédé, également appelé ‘’impression 3D’’, élimine de nombreuses contraintes de conception et de fabrication en comparaison à des procédés de fabrication plus classiques.
    Concevoir des objets destinés à être fabriqués par cette nouvelle famille de procédés exige un changement de paradigme et un renouvellement des connaissances fondamentales autour de la conception. La prise en compte des contraintes de ce procédé (pour maximiser la fabricabilité de la pièce) et des opportunités associées (pour maximiser les performances de la pièce) sont les deux problématiques principales de la conception pour la fabrication additive. Afin de les intégrer, le concepteur peut s’appuyer sur des outils numériques d’optimisation topologique comme de génération de structures lattices : deux thématiques traitées au sein des projets de R&D de l’IRT SystemX.

    Outils numériques d’optimisation topologique
    De nombreux outils d’optimisations sont disponibles pour permettre aux concepteurs de proposer le plus efficacement possible une solution cohérente répondant aux exigences d’un cahier des charges. L’optimisation topologique est adaptée à la fabrication additive car elle remet en cause la topologie de la pièce et permet ainsi de bénéficier d’un potentiel d’optimisation plus élevé. Néanmoins, la plupart des logiciels sur les marchés ne prennent pas en compte les contraintes de fabrication de ces procédés. Le projet TOP (Topology Optimization Platform) de l’IRT SystemX développe de nouvelles méthodes et technologies d’optimisation tenant compte des contraintes de fabrication, et assurant ainsi la fabricabilité des solutions proposées.

    Outils de génération de structures lattices
    Les structures lattices apportent aux concepteurs un fort potentiel par leur possibilité d’allègement de la pièce finale mais également grâce à l’optimisation des performances mécaniques et thermiques. Cependant, le processus d’élaboration introduit des dispersions dans la géométrie des cellules lattices élémentaires, susceptibles d’altérer la durabilité des pièces en service. Afin de lever ce verrou technologique, l’IRT SystemX a lancé le projet DSL (Durabilité des Structures Lattices) avec l’objectif d’évaluer l’amplitude de ces dispersions et leurs impacts. Ces travaux ont pour ambition d’accélérer l’utilisation des structures lattices, en développant des règles et outils numériques à destination des concepteurs permettant de contrôler les caractéristiques mécaniques et leurs incertitudes dans différentes configurations.
    Ainsi, pour tirer le meilleur parti de la technologie tout en proposant un bon compromis technico-économique, il est nécessaire d’imposer certaines règles de conception et de s’appuyer sur des outils numériques afin de vérifier la pertinence de la solution. La fabrication additive permet de combiner la liberté et les méthodes d’optimisation de la conception, ouvrant de nouveaux horizons en matière de complexité de pièce.

    Consolider la chaîne numérique par des outils spécifiques à la simulation des procédés

    Les industriels font de plus en plus appel à la simulation numérique des procédés pour optimiser leurs phases de développement, réduire leurs coûts et améliorer la qualité de leurs produits. L’exploitation d’outils prédictifs pour mieux piloter le procédé et fournir une aide à la fabrication de nouveaux composants s’avère être une étape indispensable. Il est par conséquent nécessaire d’assurer aux industriels une bonne compréhension des phénomènes physiques mis en jeu pour garantir la qualité des pièces produites. Pour les procédés métalliques sur lit de poudre (SLM, Selective Laser Melting) ou par projection de poudre métalliques (LMD, Laser Metal Deposition), différentes échelles de simulations sont possibles : échelle des particules de poudre (microscopique), échelle du lit de poudre (mesoscopique) et échelle de la pièce(macroscopique).
    Le projet CDF (Conception des Directives de Fabrication) de l’IRT SystemX se concentre sur une simulation de la génération cordons de matière du procédé LMD (donc mesoscopique) et de leurs empilements pour former la pièce finale (échelle macroscopique). Ce procédé souffre d’un manque d’outils de simulation et de programmation des machines. Le développement de briques logicielles au sein du projet CDF permettra une meilleure diffusion industrielle de ce procédé.
    De nombreux autres sujets sont traités au sein du projet CDF comme la prédiction du temps de fabrication, les zones d’accumulation ou de manque de matière, l’optimisation des trajectoires selon plusieurs critères ou encore la détection des zones à risque de collision au fur et à mesure de la fabrication. Les algorithmes et briques logicielles développés et validés par l’équipe du projet permettront de valider en amont les instructions de fabrication par la simulation du processus de fabrication (gain de temps, de matière, etc.) mais également de capitaliser les relations entre les paramètres du procédé et la qualité des pièces produites dans le but de sélectionner les meilleures stratégies de conception (capitalisation des connaissances).

    Consolider la chaîne numérique par la capitalisation des connaîssances

    Les industriels utilisant la fabrication additive savent que la gestion de données est un point critique pour garantir la qualité comme la répétabilité des pièces. Ils cherchent à gérer au mieux ces informations pour en comprendre leurs impacts : notamment la relation matériau-procédé-pièce qui est cruciale. En effet, le matériau n’est, à l’origine, qu’une poudre qui subit des transformations chimiques, thermiques et mécaniques en fonction de son procédé de fabrication et des post-traitements.
    Une continuité numérique permet de capitaliser facilement les données (de la phase de conception à la phase de contrôle, en passant par la fabrication), mais impose une grande rigueur pour les traiter, les analyser et en tirer profit par un gain de connaissances. Les données à conserver représentent alors l’intégralité des informations du processus : du lot de poudre, de fabrication, des finitions et des traitements thermiques. C’est en corrélant toutes ces données avec la performance finale de la pièce et l’identification de ses défauts qu’une amélioration de la connaissance sera possible.
    Cette corrélation des données nécessite de suivre plusieurs étapes :

    • Une collecte de données exhaustives qui permettra d’obtenir la fiabilité des procédés additifs.
    • Un traitement de ces données par des moyens numériques efficaces pour les réaliser de manière rapide et précise.
    • Des propositions de solutions innovantes par des moyens d’intelligence artificielle en fonction des résultats des traitements des données.
    • Une gestion des propositions émises par l’intelligence artificielle pour les rendre compatibles avec les objectifs de l’utilisateur et les mémoriser pour assurer la résilience de la démarche et des solutions.

    Pour conclure, malgré la faible intégration de la fabrication additive au sein d’une chaîne numérique globale, dûe à un changement d’utilisation des procédés additifs (du prototypage rapide à la réalisation de pièces fonctionnelles), de nombreux acteurs industriels, académiques, éditeurs de logiciel ou issus d’instituts de recherche technologique investissent ce sujet afin de répondre aux nouvelles attentes. L’un des plus grands défis à relever est la définition d’une chaîne numérique cohérente et viable dans le temps. De nombreux autres sujets sont étudiés en amont avec l’utilisation d’outils de rétro-conception (ex : scanner 3D) ou en aval avec des outils de contrôle (ex : tomographie à rayon X). Le recours à des outils de simulation, aujourd’hui non matures, s’avère indispensable pour permettre le développement du procédé dans les prochaines années et assurer sa sécurité : Comment assurer le transfert sécuriser des fichiers ? Comment valider et vérifier les pièces imprimées en 3D ? La technologie blockchain peut être une piste intéressante pour garantir la traçabilité, la qualification et la certification des produits.

  • Les fondamentaux de la blockchain

    Les fondamentaux de la blockchain

    Cet article est une introduction technique à la blockchain. Après une mise en perspective et une justification de son intérêt pour l’émergence de nouveaux cas d’usage, l’article décrit les éléments constitutifs de la technologie. Une attention particulière est ensuite portée aux mécanismes de consensus, avant de conclure par un panorama des technologies et des outils.

    La blockchain (chaîne de blocs) est une technologie nouvelle, qui repose sur des éléments techniques anciens et connus. En effet, c’est bien l’assemblage astucieux de mécanismes d’échanges distribués, de consensus et de cryptographie, au service d’usages nouveaux, qui créent l’innovation dont on parle tant aujourd’hui.
    Plus précisément, une blockchain est :

    • une structure de données distribuée, c’est-à-dire partagée et répliquée parmi les nœuds d’un réseau,
    • dont le contenu est validé grâce à un mécanisme de consensus,
    • et qui est sécurisée par des outils cryptographiques.

    Intérêt de la blockchain

    Avant de plonger dans la description de la technologie, intéressons-nous aux propriétés de la blockchain et aux cas d’usage nouveaux qu’elle permet d’engendrer.

    Les propriétés de la blockchain
    La désintermédiation. C’est la propriété la plus connue, à savoir la suppression du tiers de confiance qui se trouve remplacé par la technologie. En réalité, il serait plus exact de dire que la place des tiers de confiance va être déplacée et évoluer, sans toutefois disparaître (cf. la notion « d’oracles » à la section « Technologies et outils de la blockchain »). Un exemple concret de désintermédiation est l’application blockchain la plus connue : le bitcoin. Il s’agit d’une monnaie électronique qui fonctionne sans passer par les intermédiaires traditionnels que sont les banques. Ainsi, les échanges se font directement de pair-à-pair entre les participants, et c’est le réseau qui valide les transactions grâce à un mécanisme de consensus.
    La résilience. La blockchain est partagée et répliquée sur tous les nœuds du réseau. Grâce à cette démultiplication de l’information, le système apparait résilient contre certaines pannes : si un nœud du réseau devient défaillant, les autres nœuds restent disponibles et le service continue à être rendu. A l’inverse, dans une architecture centralisée, si le nœud central tombe en panne, l’ensemble du système s’écroule.
    La transparence. Le contenu de la blockchain est validé par des membres du réseau grâce à un mécanisme de consensus, ce qui impose une certaine transparence dans le système. Cette transparence n’est toutefois pas complétement incompatible avec la notion de confidentialité.
    L’immuabilité. La blockchain est une structure de données dans laquelle on peut rajouter des informations, sans pouvoir en soustraire : une fois qu’une transaction est inscrite dans la blockchain, elle ne peut en principe être retirée. C’est l’utilisation d’outils cryptographiques, associée au consensus, qui garantissent cette propriété d’immuabilité.
    L’automatisation. Sans être une propriété fondamentale de la blockchain, elle est particulièrement mise en avant dans les nouvelles générations d’implémentations (cf. les smart contracts d’Ethereum, voir la section « Technologies et outils de la blockchain »). Ainsi, les transactions peuvent être automatiquement déclenchées lorsque des conditions prédéfinies sont remplies, sans intervention humaine et sans possibilité d’en empêcher l’exécution.

    De nouveaux cas d’usages
    Grâce à ses propriétés, et notamment la désintermédiation, la blockchain est une nouvelle technologie qui pourrait bouleverser des domaines d’activité aussi variés que la finance, la logistique, l’énergie, la mobilité, etc. [9][10]. En collaboration avec ces secteurs, l’IRT SystemX travaille sur différents cas d’usage de la technologie : le passeport du véhicule connecté, l’interconnexion de plateformes (plateformes logistiques, plateformes de covoiturage), les places de marché décentralisées (pour les Green Bonds, pour l’échange d’énergie, pour les services de mobilité (cf Mobility-as-a-Service)) etc…

    Constituants techniques de la blockchain

    Repartons de la définition initiale : une blockchain est une structure de données distribuée, dont le contenu est validé grâce à un mécanisme de consensus et qui est sécurisée par des outils cryptographiques. Regardons maintenant chacun de ces éléments constitutifs.

    Structure de données
    La structure de données correspond à une liste chaînée de transactions. Ainsi, chaque élément de la liste représente un bloc de plusieurs transactions, et possède un pointeur vers le bloc précédent : chaque nouveau bloc bi qui est ajouté contient effectivement une référence au contenu du bloc précédent bi-1. L’ensemble forme donc une chaîne de blocs, ou blockchain.

    Figure 1 : chaîne de blocs

    Réseau distribué
    Nœuds. Les participants d’une blockchain sont des nœuds informatiques qui forment un réseau pair-à-pair (peer-to-peer en anglais). Selon l’implémentation de la blockchain, le réseau est soit public (tout le monde peut y accéder) soit privé ou semi-privé (seuls les comptes autorisés peuvent participer, on parle aussi de blockchain de consortium). Chaque nœud possède une copie locale de l’ensemble de la blockchain (ou de ses en-têtes, qui en constituent un « résumé »). Lorsqu’il rejoint pour la première fois le réseau, un nœud peut typiquement récupérer la blockchain et vérifier l’intégrité des blocs qui la constituent. On voit ici bien apparaitre la propriété de transparence de la blockchain. Ce nœud, comme chaque autre nœud, dispose ainsi de l’historique de toutes les transactions qui ont été réalisées dans le réseau depuis son origine jusqu’à ce jour. Il pourra à partir de là maintenir cette copie de la blockchain à jour, le système étant bien sûr conçu de manière à ce que toutes ces copies soient identiques ou convergent vers une vue identique (cf. le mécanisme de consensus). On note ici que la blockchain est un registre qui croît indéfiniment à mesure que les nouvelles transactions y sont enregistrées : cette inflation de la taille de la blockchain est aujourd’hui un verrou technologique et fait l’objet de recherche.
    Chaque nœud peut émettre des transactions et demander au réseau d’ajouter ces transactions à la blockchain, ces transactions en attente sont ensuite validées par certains nœuds particuliers appelés les « mineurs » (miners en anglais), également appelés générateurs de blocs ou valideurs.
    Mineurs. Les mineurs sont des nœuds prêts à partager leur puissance de calcul pour valider les transactions et ajouter des blocs à la blockchain, généralement en échange d’une rémunération en cryptomonnaie (cas des blockchains publiques). La rémunération dépend de l’implémentation de la blockchain, mais elle peut prendre au moins deux formes non exclusives : soit via des frais de transaction (c’est-à-dire que le nœud qui émet la transaction paie le mineur pour son travail), soit via la création ex-nihilo de valeur (c’est le cas par exemple pour Bitcoin où, à chaque ajout de bloc, le système crée de la cryptomonnaie et l’attribue au mineur qui a réalisé cet ajout).

    Mécanisme de consensus
    Tous les mineurs sont en compétition pour ajouter le prochain bloc à la blockchain mais un seul d’entre eux sera sélectionné pour le faire et lui seul sera rémunéré. Cette sélection est aléatoire pour chaque nouveau bloc. Ce caractère aléatoire est très important pour la sécurité de la blockchain : puisque personne ne sait quel mineur sera choisi, un mineur malveillant a une faible probabilité d’être sélectionné et a donc peu d’intérêt à attaquer le système puisqu’il a peu de chance de réussir dans son entreprise. Cela conduit à la fameuse attaque des 51 % : si plus de la moitié du pouvoir de validation du réseau est détenue par un attaquant, il a alors statistiquement plus de chances que son attaque réussisse qu’elle n’échoue, et donc le réseau peut être considéré comme étant sous son contrôle.
    Consensus. Il existe différentes façons de réaliser cette sélection aléatoire des mineurs : ce sont les mécanismes de consensus. Les blockchains publiques utilisent habituellement un consensus par preuve de travail (Proof of Work, voir la section « Focus sur les mécanismes de consensus »), de sorte que plus la puissance de calcul d’un mineur est élevée, plus grande est la probabilité qu’il soit sélectionné. Comme la puissance de calcul est coûteuse, le coût d’acquisition de 51 % de la puissance totale de calcul du réseau est élevé. C’est une façon de sécuriser le réseau, en rendant le coût d’une attaque disproportionnée par rapport au bénéfice. Les blockchains privées dans lesquelles les nœuds appartiennent à une même entité ou les blockchains semi-privées dans lesquelles les nœuds appartiennent à un consortium de différents utilisateurs autorisés, n’ont pas besoin d’un mécanisme de consensus aussi coûteux que le Proof of Work, car les participants sont connus et de confiance dans une certaine mesure. Dans ce cas, le mécanisme de consensus utilisé est beaucoup plus simple. Voir ci-dessous pour plus de détails sur différentes implémentations de consensus.
    Forks. Une fois que le bloc d’un mineur a été sélectionné, il est ajouté à la blockchain et l’information est diffusée. En raison d’effets de réseau, il peut exister des cas où plusieurs mineurs sont sélectionnés quasi-simultanément, si bien qu’il existe différentes versions de la blockchain dans différentes régions du réseau. C’est ce qu’on appelle un « fork » (embranchement) : la blockchain se subdivise en branches. Le mécanisme de consensus doit alors être assez robuste pour résoudre ce scénario. En d’autres termes, tous les nœuds « honnêtes » devraient converger dans le futur, d’une façon ou d’une autre, pour revenir à une seule et unique version de la blockchain [4]. Dans la pratique, le consensus par la preuve de travail atteint cet objectif en obligeant les mineurs à travailler sur la branche la plus longue qu’ils rencontrent.
    En outre, le logiciel des mineurs est parfois mis à jour pour corriger des bugs, modifier des protocoles, ou ajouter des fonctionnalités. Cela peut également créer des forks, car différents nœuds peuvent gérer les transactions différemment en fonction de leur version de logiciel. Nous distinguons habituellement :

    • les « Soft forks » pour lesquels les transactions considérées comme valides par la nouvelle version sont également valables pour l’ancienne version ;
    • les « Hard forks » pour lesquels les transactions jugées invalides par l’ancienne version peuvent être valables pour la nouvelle version.

    Outils cryptographiques
    Des outils cryptographiques sont utilisés pour garantir l’intégrité de la blockchain, l’identité du participant, l’authenticité des transactions et (parfois) la confidentialité du contenu.
    Fonction de hachage. La fonction de hachage est notamment utilisée pour chaîner les blocs entre eux. Ainsi, l’en-tête d’un bloc contient le « hash », résultat de l’application d’une fonction de hachage (hash function)* du bloc précédent. Ce hash est un élément clé de l’intégrité de la blockchain. Ainsi, si un attaquant du système modifie le contenu d’un bloc bm, n’importe qui peut le détecter en calculant le hash du bloc et en comparant ce résultat avec le hash stocké dans le bloc suivant bm+1 pour voir qu’il existe une incohérence. Afin d’éviter d’être détecté, l’attaquant devrait donc changer tous les blocs et leurs hachages, du bloc bm au dernier bloc en cours. Cependant, les blocs ne peuvent pas être facilement modifiés compte tenu du protocole défini pour l’ajout de blocs (voir section précédente sur « le mécanisme de consensus »). On perçoit donc là une propriété importante de la blockchain : l’immuabilité. Une fois qu’une transaction est inscrite dans la blockchain, elle est très difficilement modifiable.
    Identité. Une identité sur la blockchain est définie par une adresse numérique, dérivée d’une paire de clés : une clé privée qui n’est connue que par son propriétaire et une clé publique destinée à être partagée avec d’autres utilisateurs. D’un point de vue technique, ces deux clés correspondent à des nombres hexadécimaux et sont liées entre elles par une fonction mathématique. Ces clés sont utilisées pour l’identification et pour la signature des transactions. Perdre sa clé privée revient à perdre son identité sur la blockchain.
    Signature. Lorsqu’un utilisateur enregistré souhaite ajouter une transaction à la blockchain, il l’envoie au réseau afin que les mineurs puissent la recevoir, la vérifier et l’ajouter à leur bloc. Mais pour être vérifiées, les transactions (qui sont des données) doivent être signées afin que le mineur puisse identifier incontestablement l’expéditeur. La signature est générée par une fonction cryptographique qui prend en entrée les données d’origine et la clé privée de l’expéditeur, et fournit en sortie une signature. Cette signature est vérifiable par toute personne utilisant une autre fonction qui vérifie la cohérence entre les données, la signature et la clé publique. Par conséquent, lors de l’envoi de données, l’expéditeur ajoute également la signature correspondante et sa clé publique.

     

    Figure 2 : principes (simplifiés) de fonctionnement de bitcoin

    * Une fonction de hachage (hash function) prend une donnée d’entrée et produit un hash, une donnée de taille fixe qui est spécifique à l’entrée, telle une empreinte digitale. Cette fonction permet notamment de vérifier l’intégrité d’une donnée, en comparant le résultat de la fonction de hachage avec le hash d’origine.

    Focus sur les mécanismes de consensus

    Dans cette section, nous décrivons les principaux mécanismes de consensus utilisés aujourd’hui dans les blockchains. Il n’existe pas de mécanisme de consensus universel car, comme nous le verrons, chaque mécanisme présente des avantages et des inconvénients.

    Preuve de travail (Proof of Work ou PoW)
    Ce mécanisme est notamment utilisé dans les blockchains publiques Bitcoin [1] et Ethereum [2]. Il garantit que chaque mineur fournit en moyenne une quantité suffisante de puissance de calcul avant de valider un bloc. Plus exactement, son pouvoir de validation est proportionnel à la puissance de calcul qu’il met en jeu (on parle de hashrate). Ainsi, dans un réseau distribué avec une puissance de calcul bien répartie, aucun acteur n’est prédominant dans le système et ce mécanisme empêche également les attaques de type déni de service.
    Pour ajouter un bloc de données dans la blockchain, chaque mineur doit valider les données du bloc courant (i.e. sa cohérence avec les blocs précédents) et résoudre un puzzle cryptographique. Le puzzle consiste à trouver un nonce* parmi N entiers de sorte que le hash des données combinées avec le nonce commence par au moins « p » zéros. La seule stratégie pour résoudre ce puzzle est en pratique de tester tous les nonces possibles. Une fois qu’un mineur a résolu le puzzle, il peut ajouter les données correspondantes avec son hash et son nonce à la blockchain. La complexité de la résolution de ce puzzle est directement fonction du nombre « p » de zéros requis : plus « p » est grand, plus le puzzle est compliqué, i.e. plus le nombre de nonces à tester devra en moyenne être élevé. Ce paramètre permet au système blockchain d’ajuster la difficulté des puzzles pour contrôler le temps moyen de validation d’un bloc (car ce temps est directement corrélé au hashrate global du système). Par exemple, par conception, Bitcoin maintient un temps moyen de validation d’un bloc de 10 minutes en ajustant ce nombre « p » tous les 2016 blocs (environ deux semaines).
    Étant donné que ce protocole est utilisé sur un réseau décentralisé, bien que la probabilité soit faible, deux blocs Bi différents peuvent être générés quasi-simultanément (i.e. pour un même index « i » de bloc) par deux mineurs différents. Cela conduit la blockchain à se subdiviser en deux branches. Dans ce cas, il appartient au mineur validant le bloc suivant Bi+1 de choisir la branche, c’est-à-dire la version du bloc Bi , qu’il décidera d’utiliser. Ensuite, un troisième mineur ayant à valider un bloc devra également choisir une branche, et ainsi de suite. Le protocole demande aux mineurs d’opter pour la branche la plus longue, tandis que les branches sur lesquelles personne ne mine seront peu à peu abandonnées, créant des blocs orphelins. Il est généralement admis sur Bitcoin qu’une branche d’environ six blocs peut être considérée comme la branche principale. Ce qui signifie que pour être sûr qu’une transaction est valide et que le bloc qui la contient ne deviendra pas orphelin, il faut attendre environ une heure sur Bitcoin (c’est-à-dire 6 x 10 minutes). On entrevoit ici les limites de Bitcoin pour le passage à l’échelle de certaines applications [8].
    La conséquence de ce mécanisme de consensus est évidente : il repose sur du travail informatique et donc de l’énergie électrique ; d’ailleurs plus la puissance de calcul utilisée dans le réseau est élevée, plus celui-ci est sécurisé. Cela explique les critiques qui sont parfois émises envers Bitcoin, à savoir qu’elle serait une blockchain très énergivore.

    * Dans notre cas, un nonce est simplement un nombre arbitraire.

    Proof of Stake (PoS)
    Ce mécanisme de consensus repose sur l’idée que plus un utilisateur a d’intérêts dans la blockchain (par exemple plus il possède de cryptomonnaie), moins il risque d’attaquer le système [3]. Ainsi, il devrait être favorisé dans le choix pour la prochaine génération de blocs.
    Dans la pratique, il existe de nombreuses implémentations. Souvent, on combine des cryptomonnaies mises en gage avec un processus aléatoire (randomization). Un autre exemple est la sélection du valideur basée sur la durée de possession de la cryptomonnaie par son propriétaire. Des propositions alternatives combinent PoS avec d’autres mécanismes de consensus tels que le PoW. Bien que le PoS soit efficace, il a également des limites. Un problème bien connu s’appelle le problème de l’enjeu nul (nothing-at-stake issue). En effet, s’il existe une branche valide A et une autre B, le consensus devrait amener les générateurs de blocs, c’est-à-dire les mineurs, à choisir l’une d’entre elles. Dans le cas du Proof of Work, ce choix est basé sur la branche la plus longue, et les mineurs sont rationnellement incités à faire ce choix : en effet, s’ils travaillent sur la branche la plus courte, ils risquent de dépenser leur énergie en pure perte puisque cette branche sera probablement abandonnée par la suite. Cependant, dans le cas du Proof of Stake, s’il n’y avait aucun coût à choisir l’une ou l’autre, une stratégie serait de choisir les deux branches afin de maximiser ses chances de gagner de l’argent dans la génération de blocs. Dès lors, des solutions différentes ont été proposées pour résoudre ce problème spécifique, impliquant généralement un dépôt de garantie qui peut être perdu en cas de mauvais comportement dans le réseau.

    Practical Byzantine Fault Tolerance (PBFT)
    PBFT [6] est un algorithme de réplication capable de tolérer les « fautes byzantines ». Dit simplement, cet algorithme garantit la cohérence du consensus tant que les deux tiers des nœuds du réseau sont sécurisés (c’est-à-dire qu’ils ne sont ni malveillants, ni défectueux). Ceci est permis par l’application de protocoles pour choisir un leader parmi eux, pour permettre à ce leader d’imposer les transactions valides et enfin de pouvoir changer de leader de manière sécurisée. Cependant, cette méthode exige que tous les nœuds générateurs se connaissent et qu’ils doivent communiquer entre eux. Par conséquent, le réseau doit être privé et son échelle limitée pour rester performant [7].

    Technologies et outils de la blockchain

    Smart contract
    Le concept de smart contract (également appelé chaincode dans l’implémentation Hyperledger Fabric) a d’abord été mis en œuvre par Ethereum. Ce sont des programmes informatiques exécutés par les mineurs. Leur déploiement et leur exécution sont déclenchés par les utilisateurs via des transactions. Comme toute autre transaction, les exécutions de smart contracts bénéficient également des propriétés de la blockchain : désintermédiation, immuabilité, transparence et résilience. Par ailleurs, on peut offrir un service automatisé sur la blockchain à travers un smart contract dont l’exécution est assurée par le réseau. Par exemple, un smart contract pourrait représenter la propriété d’un objet que l’on peut vendre ou acheter lors d’une vente aux enchères. Une fois placé sur le marché par son propriétaire, les acheteurs intéressés émettent leur offre en plaçant de l’argent sur ce contrat. Puis, une fois les enchères terminées, le propriétaire appelle la fonction de vente de son objet. Cette fonction sélectionne alors automatiquement la meilleure offre et transfère la propriété de l’objet au meilleur acheteur. Les autres enchérisseurs sont alors automatiquement remboursés de leur mise par le smart contract et le vendeur reçoit automatiquement son argent. De cette façon, toutes les transactions sont sécurisées par le smart contract et le réseau, sans intervention de tiers de confiance.

    Oracles
    Dans la section précédente, nous avons vu que les smart contracts permettent l’automatisation de transactions selon des conditions programmées. Cependant, les conditions sont limitées à des informations internes de la blockchain : les informations sur les transactions et le code source du smart contract. C’est ici qu’interviennent les oracles. Ils fournissent un service qui permet la communication entre la blockchain et le monde extérieur. De cette façon, un smart contract peut être au courant de la météo, des résultats d’un match de football, des informations de vol d’un avion spécifique, etc. puis utiliser ces informations dans le calcul de son état. Il est également possible de produire des données à destination du monde réel à partir de la blockchain. Par exemple, afin d’informer un utilisateur par courrier électronique de l’exécution du contrat.

    Organisation autonome décentralisée (Decentralized Autonomous Organization, DAO)
    Une organisation autonome décentralisée, ou DAO, est une organisation qui repose sur les règles mises en œuvre dans des smart contracts. L’exemple de DAO la plus célèbre, mise en œuvre sur Ethereum, s’appelle « The DAO », qui a été conçue pour financer de manière participative (crowdfunding) des projets à but lucratif. Ce qui l’a rendue si célèbre, c’est que, lancé en mai 2016, ce projet a réussi à collecter l’équivalent d’environ 150 millions de dollars en 28 jours. Malheureusement, un bug dans le programme informatique « The DAO » a été exploité pour détourner une partie de cet argent (environ 50 millions de dollars), soulignant ainsi les risques et la faible maturité de la technologie [5]. À la suite de ce bug, le projet a été arrêté et un hard fork de la blockchain Ethereum a permis de rembourser les montants collectés auprès des participants. Malgré cet incident malheureux, le concept général de DAO continue de représenter, à juste titre, une perspective intéressante pour les applications blockchain.

    Confidentialité des données
    La notion de confidentialité englobe deux aspects :

    • Une transaction est considérée anonyme si nous ne pouvons pas identifier son émetteur/destinataire.
    • Une transaction est considérée privée si l’objet et le montant de la transaction sont inconnus.

    Plusieurs outils cryptographiques peuvent être utilisés pour garantir la confidentialité des données. Citons le chiffrement homomorphe, qui permet de réaliser des calculs sur des données chiffrées sans avoir besoin au préalable de les déchiffrer. Citons également la technique de preuve à divulgation nulle de connaissance (Zero-Knowledge Proof) qui permet à un interrogateur de vérifier qu’une information secrète est véridique, sans avoir à connaître réellement le secret. Citons enfin la signature de cercle (Ring Signature), un protocole qui permet à une entité de signer une transaction avec une clé appartenant à un ensemble de clés, sans révéler quelle clé a effectivement signé la transaction.

    Conclusion

    Cette introduction à la blockchain s’est attachée à décrire les fondamentaux de la blockchain. Depuis 2 ans, on observe une mobilisation de la recherche sur le sujet, traduisant tout le potentiel de la technologie mais aussi sa faible maturité.

    Pionnier dans ce domaine, l’IRT SystemX travaille avec ses partenaires académiques et industriels à lever les verrous techniques, économiques, juridiques ou de gouvernance nécessaires à la concrétisation de nouveaux services et usages basés sur cette nouvelle technologie.

     

    Références

    [1] S. Nakamoto, « Bitcoin: A peer-to-peer electronic cash system », May 2009: https://bitcoin.org/bitcoin.pdf
    [2] Buterin, Vitalik. « A next-generation smart contract and decentralized application platform. » white paper (2014)
    [3] A. Poelstra. On Stake and Consensus. https://download.wpsoftware.net/bitcoin/pos.pdf
    [4] Juan A. Garay, Aggelos Kiayias, Nikos Leonardos: The Bitcoin Backbone Protocol: Analysis and Applications. EUROCRYPT (2) 2015: 281-310: https://eprint.iacr.org/2014/765.pdf
    [5] N. Atzei, M. Bartoletti, T. Cimoli, A survey of attacks on Ethereum smart contracts, IACR Cryptology ePrint Archive 2016: 1007 (2016)
    [6] M. Castro, B. Liskov, Practical Byzantine Fault Tolerance, Proceedings of the Third Symposium on Operating Systems Design and Implementation, New Orleans, USA, February 1999
    [7] M. Vukolic: The Quest for Scalable Blockchain Fabric: Proof-of-Work vs. BFT Replication. LNCS 9591, Proc. iNetSeC 2015
    [8] K. Croman, C. Decker, I. Eyal, A. E. Gencer, A. Juels, A. Kosba, A. Miller, P. Saxena, E. Shi, E. Gün Sirer, D. Song, and R. Wattenhofer, On Scaling Decentralized Blockchains, FC 2016 International Workshops
    [9] O. Dib, K. Brousmiche, A. Durand, E. Thea, E. Ben Hamida, Consortium Blockchains: Overview, Applications and Challenges. To appear in IARA International Journal On Advances in Telecommunications 2018
    [10] Rapport du groupe de travail Blockchain des Assises Nationales de la mobilité, https://www.assisesdelamobilite.gouv.fr/syntheses.html

     

    Cet article a été initialement publié dans la Revue de l’Électricité et de l’Électronique (2018). Il est retranscrit ici sous un format légèrement adapté.

  • Le piratage informatique en France : un cyberimpôt

    Le piratage informatique en France : un cyberimpôt

    Face au « cyberimpôt » que représentent les fraudes et attaques numériques, chiffrables en centaines de millions d’euros annuels pour l’économie, il devient urgent de repenser à moindre coût la sécurité intrinsèque de nos communications, plutôt que de se contenter d’apposer chez l’utilisateur final des couches de sécurité onéreuses sur un substrat insécurisé.

    Une étude de terrain menée depuis 2016 par l’IRT SystemX sur la quantification du risque informatique sur l’ensemble du territoire français, avec une soixantaine de petites entreprises et d’associations loi 1901 victimes d’attaques, révèle que le seuil symbolique de 1 % de probabilité d’être victime d’une attaque par chiffrement de données, par an, est largement franchi.
    Aujourd’hui, réunir quelques dizaines de petits patrons, par exemple de TPE, est la quasi-certitude statistique de trouver parmi cet auditoire une victime sur l’année.

    Des centaines de millions d’euros de préjudice

    Deux types d’attaques ressortent du paysage : d’une part les cryptovirus (chiffrer vos données, puis vous réclamer une rançon), d’autre part la fraude « au président » (ainsi que les faux ordres de virements) trop hâtivement circonscrite à ne relever que de l’ingénierie sociale.
    Chacun des deux engendre un préjudice annuel chiffrable en centaines de millions d’euros au moins. L’espionnage par voie numérique s’ajouterait à ce duo, mais sa faible détectabilité le maintient dans l’ombre, hormis lorsqu’il décide de se rendre visible, par exemple avec les captations de mots de passe permettant les prises de contrôle de votre messagerie.
    Le volume, souvent sous-évalué, des attaques par cryptovirus est atténué par leur faible coût financier unitaire, typiquement de quelques milliers d’euros pour une petite PME, loin en cela des sommes, parfois surévaluées, lues dans les gros titres de presse.
    Le fait que la médiane et le mode soient quant à eux encore bien au-dessous de ce montant moyen dessine une pyramide des préjudices faite d’une base très large, constituée d’une majorité de victimes pour lesquelles le dégât restera modeste, souvent grâce à la présence de sauvegardes régulières.
    Mais la pointe, avec son étroitesse, montera très haut dans sa traduction pécuniaire, jusqu’à devenir létale pour des entreprises aux trésoreries souvent tendues.

    Des ponctions unitairement tolérables, collectivement considérables

    Pareille pyramide explique mieux la médiatisation de quelques cas graves, voire mortels, qui forment la partie visible de l’iceberg, mais masquent la banalisation insidieuse des attaques à bas coût : logique d’acceptabilité intellectuelle d’ailleurs entretenue par les pirates, dont les rançons demandées ont un montant usuel de l’ordre de 2 000 à 3 000 euros, c’est-à-dire tolérable dans l’arbitrage qu’un entrepreneur sera tenté d’effectuer entre endosser les conséquences des pertes de données ou s’en « libérer » par rançon (libération illusoire, puisque les observations montrent la récurrence future des répliques d’attaques pour qui aura déjà été victime).
    Qui a payé… paiera, ou tout au moins y sera exposé sans limite de durée. Quoique ces répliques soient automatisées pour la plupart, tel cas récent chez un artisan a montré que les pirates s’étaient ménagé un accès via le dispositif informatique domestique de ce gérant pour revenir chiffrer à nouveau les données sur son système d’information professionnel dans les semaines suivantes.
    Le coût général de ces cryptovirus commence à être cerné, malgré une omerta qui a longtemps régné çà et là : de manière cocasse et paradoxale, il ressort de nos études sur le terrain une règle empirique que plus une entreprise possède un service communication structuré, plus elle sera réticente à communiquer sur les attaques subies.

    1 à 2 milliards de dégâts pour les cryptovirus
    Les cryptovirus causent chez les seules entreprises de moins de 50 employés un montant de préjudice estimable à plus de 700 millions d’euros par an. Élargie à l’ensemble des entreprises, établissements publics et associations de loi 1901 françaises de toutes tailles, cette estimation aboutit à un coût de l’ordre de 2 milliards par an, en gardant à l’esprit qu’il s’agit de l’option basse des fourchettes dégagées.

    Le préjudice national est difficile à cerner

    Rapporté à notre PIB national, de l’ordre de 2 100 milliards, un tel montant semblerait équivalent à 1 pour mille. Mais cette comparaison est pourtant impropre.

    Message de demande de rançon par cryptovirus
    Message de demande de rançon par cryptovirus (capture d’écran).

    En effet, d’une part le chiffre d’affaires qu’aura perdu telle entreprise mise à l’arrêt du fait du piratage se traduira parfois en commandes pour son concurrent (et pour son fournisseur, on se souvient d’un pirate allemand lié familialement à un petit prestataire informatique, qui espérait ainsi générer des clients demandeurs de secours), mais donc pas par une perte pour le PIB : les préjudices individuels ne s’additionnent pas pour constituer le préjudice collectif.
    D’autre part, ces recensements de jours de travail ou de commandes perdus, et des frais tels que de remise en route, mesurent mal les manques à gagner futurs, ceux qui résultent d’investissements annulés par l’entreprise. De même, ils ne donneront qu’une perception comptable tronquée des dégâts indirects à long terme causés par la mort d’une entreprise.
    Il serait plus juste de raisonner en termes de nuisance au fonctionnement économique, qui oriente trop d’investissements vers une sécurité, d’ailleurs imparfaite, plutôt que vers de l’équipement productif ; qui mobilise des temps/homme croissants au détriment d’autres tâches plus utiles, enfin qui accapare l’esprit des décideurs confrontés à ces risques.

    Un cyberimpôt

    Voyons en tout cela un impôt, qualifiable de cyberimpôt, qui handicape l’économie, nuit aux relations interentreprises et dérentabilise en partie la numérisation de ces sociétés. Ce cyberimpôt rogne le constituant immatériel qu’est la confiance, qui permet d’ouvrir un courrier électronique sans hésitation, et avec elle la fluidité de l’activité.
    Cet impôt s’alourdit au fil des années, en proportion de l’augmentation des attaques, et affecte l’emploi ainsi que la dynamique des producteurs de richesses.
    Si la tendance à l’aggravation se maintient, l’adage voulant que « l’impôt tue l’impôt » – hérité de Jules Dupuit (X1822) – se transformerait en « le cyberimpôt tue l’économie » ; d’ailleurs, les niveaux d’ores et déjà observés attestent d’un seuil intermédiaire, résumable en blessure pour l’économie, devenant mortelle pour quelques-uns.

    Fuites aux capitaux

    Une autre matérialisation de cette ponction apparaît sous forme de sortie des capitaux : les rançons versées par les entreprises, quoique difficiles à estimer concernant les très grandes entreprises, qui répugnent à communiquer sur ces sujets sensibles pour leur image de marque, constituent pour l’essentiel des sorties de cet argent hors du territoire français.
    Ce racket est un tribut versé par la France. Sur ce point cependant, les torts élevés subis par l’ensemble des victimes des cryptovirus se prolongent par des sorties de capitaux quant à elles faibles. Le dégât direct général se révèle environ 35 fois supérieur à ce qu’encaissera le pirate, c’est-à-dire son « chiffre d’affaires » : ce type d’attaque casse beaucoup, saccage le patrimoine d’une société, mais récupère assez peu de butin.
    Ainsi, la monnaie « exfiltrée » de France par ce type d’attaque se compte en dizaines de millions d’euros, avec un plancher vraisemblable de l’ordre de 20 millions pour les entreprises de moins de 50 personnes.
    Ajoutées aux « fraudes aux sentiments », très actives sur les réseaux sociaux et visant en particulier les personnes en situation de solitude, et à l’ensemble des autres types d’attaques, le flux sortant d’argent se mesure au total en centaines de millions d’euros par an, soit pour comparaison plus de 1 % du déficit de notre balance courante (de 24 milliards en 2016).

    Les fraudes « au Président »

    En comparaison, les « fraudes au président » s’avèrent source de sortie de capitaux plus importantes, estimables à plus de 100 millions d’euros par an. Le ministère de l’Intérieur évoque environ 80 millions d’euros captés par an sur les dernières années, montants massivement transférés hors de France, mais reconnaît qu’il ne couvre pas tout le périmètre réel.
    Par leurs razzias ciblées sur les comptes bancaires des entreprises ainsi ponctionnés, de tels voleurs « propres » ne les tuent pourtant pas moins, comme en atteste une entreprise de 60 employés liquidée après avoir retrouvé ses avoirs bancaires vidés fin août – autre période prisée des pirates – en 2015.

    Vers une asphyxie de l’économie ?

    Ces niveaux de préjudice, individuels comme collectifs, auxquels s’ajoute un pretium doloris lui aussi sous-estimé, alors qu’il s’agit de crises anxiogènes et déstabilisatrices, ne constituent plus un épiphénomène mais un fait central dont la présence passe de la simple gêne au handicap ou à la douleur.
    Toute future aggravation forte, comme la pente actuelle semble l’y conduire, conduirait à terme à une asphyxie lente du tissu économique. Certainement serait-il bon, à l’instar de ce que préconise Louis Pouzin (50), en première étape de repenser à moindre coût le fonctionnement en soi de nos réseaux de télécommunication, plutôt que de se contenter d’apposer chez l’utilisateur final des couches de sécurité onéreuses sur un substrat insécurisé.
    Faute de quoi, sinon, à terme le cyberimpôt tuera cette fois le cyber.

    Cet article a été publié dans le magazine « La Jaune et la Rouge » en avril 2018.

  • Véhicules autonomes : l’apport des essais virtuels dans la stratégie de validation des systèmes de conduites automatisés

    Véhicules autonomes : l’apport des essais virtuels dans la stratégie de validation des systèmes de conduites automatisés

    Avec les systèmes qui dépendent de capteurs d’environnement, il est possible de rencontrer des situations débouchant sur des violations des objectifs de sécurité malgré un système pourtant exempt de dysfonctionnement au sens des aléas matériels ou de défauts systématiques. En effet, dans un environnement ouvert, et en fonction du cas d’usage et du contexte opérationnel, il est possible qu’une source extérieure au système vienne bruiter le signal perçu par le capteur ou encore que l’algorithme de traitement n’interprète pas correctement son environnement et prenne une décision dangereuse. Les exemples sont nombreux, comme avec les variations de luminosité pour les capteurs optiques (caméras) ou la réflexion des ondes sur des objets métalliques dans le cas des radars.

    Au regard de l’infinité des potentielles situations, ce constat pose la question de l’exhaustivité des tests, ou en tout cas de la couverture suffisante pour démonter l’atteinte des objectifs de sécurité, dans les différentes phases de conception et de validation. Face à ce défi, l’idée d’utiliser des environnements simulés permettant d’appliquer une variabilité sur les différents paramètres et de construire un plan d’expérience semble donc adaptée dans une approche complémentaire aux essais physiques en environnement ouverts ou sur des pistes contrôlées. Néanmoins cette solution n’est pas exempte de difficultés, et plusieurs facteurs sont à prendre en compte, ce qui implique une réflexion plus approfondie dont nous allons donner un aperçu dans cet article.

    Le test des systèmes par simulateur

    Une première approche Hardware In the Loop / Vehicle in the Loop (HIL/VIL) consiste à tester les systèmes de perception de façon réaliste, non pas au travers des essais physiques (roulages) mais à l’aide d’un simulateur. Ces dispositifs sont conditionnés par la possibilité de réaliser des stimuli capables de leurrer les capteurs de perception. Pour au moins deux capteurs, les radars et caméras, des avancées récentes semblent permettre de fournir de tels stimuli.
    Cette approche a été choisie par l’Université de Warwick dans « Drive-in, Driver-in-the-loop, multi-axis driving simulator (3xD) », où on y émule l’environnement avec de vrais véhicules et de vrais humains en temps réel. Dans cette approche, la difficulté consiste à recréer totalement un environnement simulé et cohérent. En effet, le dispositif devra dérouler des scènes filmées, fournir au système véhicule sous test le scan 3d-Lidar de la scène enregistrée dans un flux synchronisé avec le film, émuler les signaux radios (3G/4G, WLAN, etc.) reçus et disposer d’un système permettant de contrôler les capteurs, par exemple le GPS afin de contrôler la localisation du véhicule en temps réel.

    Même dans l’hypothèse où toutes ces conditions sont rencontrées et le simulateur HIL/VIL opérationnel, le fait que les capteurs optiques du véhicule se comportent de la même façon face au simulateur et dans les conditions réelles reste à démontrer.

    Cette approche nécessite de dépenser une énergie considérable à recréer un environnement réaliste sans pour autant valider le comportement du véhicule autonome dans des situations non prévues à l’avance. Néanmoins, elle présente l’avantage d’éviter des roulages et offre surtout la possibilité de « rejouer » les scènes dans un environnement répétable et instrumenté, avec différents systèmes sous tests.

    Afin de bénéficier des avantages d’une option entièrement numérique pour assurer la variabilité des tests dans les phases de conception, il existe une approche qui nécessite de développer des modèles pour l’environnement, les capteurs et les systèmes à tester. La validation du système peut intervenir très tôt dans le cycle de conception (MIL, Model In the Loop) afin de valider les spécifications des systèmes autonomes. Elle implique de disposer de la spécification du système, des modèles des lois de commandes construites sur base de la spécification et des modèles des capteurs utilisés. On pourra ainsi vérifier que le comportement dynamique du système véhicule est bien le comportement spécifié pour les systèmes d’aide à la conduite dans tous les « Contextes Opérationnels ».

    La question du modèle d’environnement réaliste peut être posée comme dans l’approche HIL/VIL. Néanmoins dans cette approche entièrement numérique, on se passe des capteurs physiques pour fournir au modèle du capteur la sémantique des informations nécessaires sans nécessairement avoir besoin de créer des scènes réalistes. En effet, si le modèle de capteur est qualifié correctement, on peut introduire les perturbations nécessaires à la demande.

    L’importance du contexte opérationnel

    Lors du voyage d’étude avec les membres du groupe de travail « moyens d’essais et homologation » du plan Véhicule Autonome France, organisé par Business France et CARA, j’ai eu à la fois l’opportunité de visiter plusieurs sites d’essais comme Gomentum à côté de San-Francisco et j’ai également eu la chance de discuter avec le Pr. Stephen E. Shladover à Berkeley, de l’importance du concept de « Contexte Opérationnel », connu en anglais sous le terme Operational Design Domain (ODD).

    Le concept d’ODD est essentiel puisqu’il permet de définir dans quelles conditions le système a été conçu pour permettre l’automatisation de la conduite. Il permet donc de spécifier les conditions opérationnelles à valider. Ce concept recouvre les dimensions du contexte : conditions climatiques, de luminosité ou l’exigence sur le parcours, etc. Pour bien comprendre ce concept, le niveau ultime de l’automatisation de la conduite (niveau 5) signifie que le véhicule devra être capable de rouler « partout et en toutes circonstances, par tous les temps sur n’importe quelle route, chemin ». Il existe dans l’industrie une grande confusion autour de cette définition des niveaux d’automatisation. Certains acteurs dans une volonté de simplification ou de positionnement marketing ayant associé le niveau 5 à un véhicule sans volant et sans pédales… alors qu’il s’agit en général d’un robot avec un niveau 4 et un ODD très limité. Autant dire que personne ne travaille aujourd’hui sur le niveau 5.

    Note : Le Pr. Stephen E. Shladover, est un des pionnier des ITS (Intelligent Transportation Systems) et a participé à la création du “California PATH”, le premier programme de recherche aux Etat Unis sur les ITS  en 1986. Il est aussi un des rédacteurs de la norme SAE avec les 5 niveaux d’autonomie. Pour en savoir plus : http://www.path.berkeley.edu/

    Vers des modèles probabilistes de perturbation

    Le problème est alors déporté sur la représentativité de ces modèles. En effet, cette approche nécessite d’abord de disposer de modèles de capteurs qualifiés qui soient représentatifs du comportement des capteurs… y compris face à des perturbations. C’est un premier verrou que le projet Simulation pour la sécurité du Véhicule Autonome (SVA) de l’IRT SystemX tente d’adresser aujourd’hui pour les capteurs optiques et les radars afin de mettre au point des modèles probabilistes de perturbation.

    Afin de mettre au point les modèles qualifiés avec un niveau de représentativité maximal, il apparaît nécessaire de pouvoir « Court-Circuiter » la partie physique des capteurs à modéliser pour alimenter directement l’algorithme de traitement à partir d’un environnement émulé, sous réserve de disposer de ce module fournisseur ce qui n’est pas le cas aujourd’hui. Ceci nous permettrait de construire des modèles probabilistes ou éventuellement d’exploiter directement ces modules probablement sous réserve des contraintes du temps réel.

    Dans le cas où on ne dispose pas de cet accès direct à la couche de traitement, un modèle « oracle » ou boite noire du capteur pourra être mis au point, ce travail est actuellement en cours pour la caméra. On peut imaginer que les équipementiers pourraient eux-mêmes fournir des modèles de capteurs qualifiés permettant de les tester en MIL.

    L’avantage considérable de cette approche est l’aspect temporel et parallélisable des tests. Il devient possible d’imaginer informatiquement un passage à l’échelle massif afin de jouer des milliards de tests en continu.

    Afin que ces tests soient représentatifs des conditions opérationnelles réelles, on peut s’appuyer sur les retours d’expériences des essais physiques sur pistes ou sur routes ouvertes afin de collecter les paramètres et d’avoir une approche probabiliste de leur distribution selon les cas d’usage.

    Dans une approche numérique, les cas d’usage servant à la validation du véhicule autonome sont construits soit à partir de situations créées dans la phase de conception du système, soit à partir de retours d’expériences. En Allemagne, une forte activité est déployée pour définir et créer une base de données regroupant des cas tests. Notamment au travers du projet PEGASUS qui vise à définir les scénarios à risque à tester en simulation : les accidents répertoriés en Allemagne (Base GIDAS) servent de sources de données, permettant la reconstruction des scénarios dans un environnement de synthèse (IPG Carmaker).

    La méthodologie développée dans le projet SVA de l’IRT SystemX et des partenaires (All4Tec, Apsys, Assystem, CEA, Continental, Inria, LNE, Optis, Oktal, PSA Peugeot Citroën, Renault, Sector, Université de Versailles Saint-Quentin-en-Yvelines, Valeo) consiste à construire une bibliothèque de scénarios et de terrains associés. Ces scénarios sont ensuite instanciés pour valider le système à tester comme par exemple un Traffic Jam chauffeur ou un Highway Pilot. Cette instanciation en fonction du système et de la variabilité de l’environnement permet de constituer les fiches de test pour la validation MIL (Model in the Loop), SIL (Software In the loop) et HIL (Hardware in the Loop).

    Des systèmes automatisés d’aide à la conduite tels que  Traffic Jam Chauffeur et Highway Pilot ne sont pas conçus pour le même contexte opérationnel (ODD) et leur validation doit être adaptée : dans le cas du Traffic Jam Chauffeur, on spécifie la vitesse maximale à 70km/h autorisant donc en cas de problème une manœuvre de mise en sécurité par un simple arrêt sur la voie de circulation.

    La bibliothèque de scénarios de tests pour la voiture autonome, construite dans le cadre du projet SVA, est partiellement fondée sur les scénarios fonctionnels de haut niveau spécifiés par des experts décrivant les situations auxquelles le véhicule sera confronté (cut-in, insertion, etc.). Une étude de sensibilité des paramètres permet de produire des scénarios logiques avec une variabilité cohérente à partir d’une situation initiale donnée.

    Intégration des essais virtuels dans la stratégie globale de validation du VA

    Le projet SVA complète la construction des scénarios de haut niveau décrits ci-dessus par des scénarios issus des enregistrements réalisés sur route (projet Moove de VEDECOM) et de la base d’accidentologie « VOIESUR » mise à jour régulièrement par le LAB et le CEESAR. L’analyse de ces enregistrements et l’exploitation des bases d’accidentologie fournissent des données statistiques sur la répartition des paramètres laissés variables dans les descriptions de haut niveau, comme par exemple : les positions des marquages et des acteurs ainsi que les vitesses et les accélérations des acteurs. Ces données statistiques permettent de mettre au point des scénarios concrets, en fixant l’ensemble des paramètres, pour réaliser des simulations représentatives.

    Par ailleurs, le projet SVA propose une approche formelle complémentaire qui vise à générer automatiquement des cas tests à partir d’une formalisation mathématique et d’une analyse comportementale en sûreté de fonctionnement.

    « Tests augmentés » et stratégie industrielle de validation tout au long du cycle de conception

    Un challenge supplémentaire est de tester les décisions prisent par l’AD (Automated Driving) qui peuvent avoir une influence sur le comportement du véhicule (piloté par l’AD) dans son environnement. Il faut alors introduire une rétroaction. En effet dans ce cas, suivant le comportement du véhicule (piloté par l’AD) dans l’environnement les données fournies par les capteurs peuvent varier. Par exemple, si les données utilisées vont servir à détecter si le système demande un freinage d’urgence ou non dans une situation donnée, il n’est pas nécessaire de mettre en place une boucle de rétroaction. Cependant, si on veut suivre l’évolution dans le temps, par exemple suivre comment l’AD suit le véhicule qui le précède, il faut mettre en place une boucle de rétroaction qui permet de réinjecter, de façon itérative et selon un pas de temps donné, la vitesse du véhicule sous test dans la simulation de l’environnement afin d’adapter le comportement des acteurs aux consignes données par le système de décision.

    Finalement, on devra se poser plusieurs questions avant de se lancer dans une virtualisation des essais pour les systèmes de conduite automatisés :

    • Le système sous test est-il une boite noire : intègre t’il les capteurs et la fusion des données de façon modulaire ?
    • Est-il possible d’injecter des données au niveau du traitement du signal des capteurs et d’accéder aux données qui seront fournies à l’AD avant la phase de fusion ?

    Selon quel domaine/context  (ODD) doit on valider la “Safety of the Intended Function” (SOTIF) ?

    Les questions à poser avant de mettre en œuvre des essais virtuels

    Il existe bien entendu une multitude d’options visant à offrir un « mix » entre l’approche MIL et HIL afin de remplacer, au fur et à mesure de la maturité des systèmes à tester, les modèles par des capteurs. Dans ces approches hybrides, il conviendra de toujours se poser la question de la représentativité de la réaction des capteurs face à une scène simulée.

    Dans l’hypothèse où l’on parvient à intégrer des perturbations représentatives ou des obstacles virtuels réalistes dans des scènes numériques issues d’essais réels afin de réaliser une validation, on pourrait alors parler de « Augmented testing »/« Tests Augmentés » comme on parle déjà de « Augmented reality »/«Réalité augmentée ».

    Il apparaît que Waymo met au point un système de simulation entièrement numérique permettant de plus de produire une variabilité des scènes virtuelles à partir de situations et de données enregistrées. Ils annoncent ainsi faire fonctionner 25 000 voitures virtuelles sur les rues numérisées d’Austin, de Phoenix et de Mountain View. D’après eux toujours, ces simulations réalisent chaque jour près de 13 millions de kilomètres. Soit au total 4 milliards de kilomètres ont été parcourus en 2016. En comparaison, les voitures de tests n’ont roulé que 5 millions de kilomètres pendant la même période.

    Il semble donc que Google combine des données récupérées sur route avec celle provenant de pistes en fonction des scenarios qui posent problèmes à ces voitures. Une fois suffisamment de données emmagasinées, les ingénieurs fabriquent un environnement spécifique pour y entrainer le logiciel.

    De quoi étudier des cas de figures inimaginable sur route : vitesse élevée, accidents, milieu urbain très dense… comportement irrationnels d’autres conducteurs.

    Sur la base de ce principe il devient imaginable de numériser des environnements classiques et de se focaliser sur les zones géographiques ou les contextes opérationnels (jour, nuit, météo) étant les plus intéressants au sens de l’incidentologie.

    À la suite de l’accident impliquant un véhicule Uber en Arizona en mars 2018, le CEO de Waymo a donné quelques chiffres intéressants sur le nombre de kilomètres entre 2 reprises en mains avec en moyenne 1 reprise en main tous les 5600 miles contre 1 tous les 13 miles pour le véhicule Uber.

    Le nombre et la qualité (et le coût) des capteurs est certainement à l’origine de cet extraordinaire écart avec 7 lidars, 7 radars, et 20 caméras pour Waymo contre 1 lidar, 10 radars et 7 caméras pour le véhicule Volvo modifié par Uber.

    Néanmoins, on peut aussi légitimement poser la question de l’influence de la méthodologie de « simulation augmentée » sur l’amélioration des performances de Waymo en matière de reprise en main.

    La stratégie de validation des véhicules autonomes passera par une articulation fine entre les essais sur route ouverte, les tests virtuels et essais sur pistes contrôlées.

     

     

     

  • Blockchain for Identity and Reputation Management

    Blockchain for Identity and Reputation Management

    At IRT SystemX, we are working on the security and privacy aspects of Blockchain as a one specialized domain. The concept of a blockchain originated with the invention of the Bitcoin cryptocurrency in 2008. A blockchain is a specific way of implementing distributed ledger technology. The transparent and decentralized nature of the blockchain network enables the development of a non-refutable, and unbreakable record of data, which is the fundamental feature to many applications, such as insurance, finance, fraud detection, copyright protection, smart contracts, identity management, ecommerce and healthcare. The usual security features for such systems are privacy (protection from eavesdropping), authenticity (user identification and message integrity), and the prevention of later denying have performed a transaction.

    Identification, Certification, and Reputations are the well-known studied research problems in security and privacy appearance of Blockchain.

    Identification in Blockchain
    The broad consensus of the identification service should be decentralized, enforce information integrity, be resilient to attack, and that the individual user should be the ultimate owner and sovereign controller of their own identity credentials. Self-sovereign identity approach decentralizes data and computation and pushes them to the edges, where it is less economically valuable to hackers because it would require a lot of effort to hack many individual identities one-by-one. Self-sovereign identity is requiring not just the interoperability of a user’s identity across multiple locations, with the user’s consent, but also true user control of that digital identity, creating user autonomy.

    Certification in Blockchain
    The security of the certification systems largely relies on certificate authorities (CAs), who make a business out of certifying the authenticity of sites’ public keys. The third-parties such as DNS registrars, ICANN, X.509 Certificate Authorities (CAs), and social media companies are responsible for the creation and management of online certification and the secure communication between them. These centralized service risks being a single point of failure in the case of fraud or cyber-attack. Also, this design has demonstrated serious usability and security shortcomings. Some of these failures have led to man-in-the middle (MitM) attacks, allowing the interception of communication with popular sites such as Google, Microsoft Live, Skype, and Yahoo. So, we need to develop a certification system with the utilization of the properties of privacy and security on Blockchain.

    Reputation in Blockchain
    This mechanism has emerged as an important risk management solution to solve trust problems in online communities. The basic idea of the reputation mechanism is to let consumers evaluate services and feedback the rating to the reputation system after the completion of an interaction, and the reputation system use the aggregated ratings to derive a reputation score, which can in turn assist other consumers in deciding whether or not to interact with the specific service in future. We are trying to find a solution:

    • By which individuals in decentralized network get the anonymous and untraceable identity.
    • Individual access services in decentralized network using the same identity with number of service providers. Additionally, we are also trying to achieve untraceable and unlinkable identity.
    • Decentralized certification system which utilized as a universal certificate to authenticate the user. This certification system should achieve the properties of privacy and security. There is challenge of key management in decentralized network due to utilization of cryptosystems.
    • Decentralized reputation management system.

    Anonymous (unlinkable and untraceable) identification, certification and reputation are the real challenges in Blockchain. These are revolutionary concepts that have been disrupting the financial world and now different areas of society, as developers and tech entrepreneurs realize that it can be used almost in everything.

  • Augmented Reality: an Ally for Automated Driving System

    Augmented Reality: an Ally for Automated Driving System

    Nowadays, more and more cars embed a Head Up Display (HUD), device integrated inside the dashboard and behind the cluster, which generates a virtual image seen in superposition on the road and displays relevant information to the driver, like speed, GPS data… This equipment has proved in few years to bring convenience in the driving experience, as well as safety as it increases the time the driver spends watching the road, and not looking for information in the cluster.

    Already on the rise, the next generation of HUD will integrate Augmented Reality (AR) concepts, where the virtual content will be even more linked to the real scene, like highlighting elements on the roads (pedestrian, traffic lights…) or interacting with it by coloring roads to be taken with GPS assistance. Despite looking simple, these differences increase the complexity of design and requirements on HUD system.
    And on the verge to this new technology, the question is often asked to the usefulness of such concepts in the autonomous car environment. We will see that at the contrary of the usual opinion, Augmented Reality appears more and more as a great asset for the future of autonomous driving.

    HUD and AR HUD: how it works and what are the main differences?

    The current HUDs in the automotive market display a virtual image on the road just above the hood of the car and provide simple but key information to the driver. A typical Human Machine Interface (HMI) provides status of speed of the car, the gear used, GPS information, fuel gauge… The main goal is to increase the attention of the driver on the road while giving him/her more easily the status of the car without the need to watch information on the cluster or any screens in the central column.
    A HUD is composed of an imager that generates an image (e.g. VFD, TFT, DLP…), and an optical part (a mirror in vast majority of systems), that will conjugate and project the image to a given distance. The projected image is said to be virtual, as it is seen by the driver as “floating in the air”.
    The following schematic shows the key parts of any windshield HUD: imager, freeform mirror and windshield:

    The optical systems, composed by complex shape surfaces, is designed in such a way that the orientation of the rays at the exit of the last optical surface (windshield in most cases) will force the eyes to accommodate on an image, placed at a long distance, hence the definition of virtual image. The virtual image could only be seen in an area called eyebox, limited due to different constrains (size of mirrors, size of system, requirement on brightness of the system…). The typical size of an eyebox is at least 130mmx60mm and is moved in height depending on the size of the driver (movement of ±60mm in most design).

    But right now, those pieces of information are related to status of the vehicle or its close vicinity, e.g. proximity of an object in the blind spot area, but are not directly linked to the environment. So, a natural evolution of such a concept would be to correlate the virtual display with the real scene and the results of this fusion will give a direct and seamless information to the driver. Several examples come to mind to any reader:

    • highlight the road to be taken in relation with GPS with vibrant colors,
    • frame in real time a pedestrian crossing the street,
    • detect and display road signs or traffic lights,
    • write content in relation with the environment named roads at a crossroad, possible parking lot, restaurants reviews…

    The figure below shows an artistic view of such concepts:

    This correlation to the real scene with a virtual image is often referred in the press or in the literature as Augmented Reality. Despite that the term of Augmented Reality could cover a larger span of applications depending on the fields (e.g. ref to “Le traité de la réalité virtuelle”, volume 1 – 5, Presses des Mines), the definition in the automotive field is rather straightforward: Display to the driver a virtual content superposed on the real scene, in real time.

    But the evolution from the day to day HUD, equipped in an increasing number of cars, to a truly augmented reality experience, is not just an upscaling from an existing technology. Some requirements are deeply redefined in the process and four of those main requirements will be exposed here:

    • Projection distance,
    • Field of View (FOV),
    • image position in space,
    • latency.

    Projection distance
    The projection distance is the distance between the driver’s eyes and the position of the virtual image. From another point of view, it’s the distance perceived by the driver to where the image is.
    This distance is chosen and fixed for each design, as it is still difficult both technically and financially to have a dynamic projection distance, for a mass production device.
    In a classical HUD design, ergonomic clues and feedback have suggested that the virtual image for a classical use should stay in the vicinity of the car. That’s why the virtual image is often put at the front end of the car’s hood. In the vast majority of cases, it is set to 2m, but a range between 1.5m to 2.5 is also a safe assumption.
    In an AR HUD design, this virtual image is put at a long distance in order to be better superposed the virtual content to the location of the actual cases, like highlighting cars, pedestrians, road signs… It is then chosen on average or depending on the use cases, and acceptable values could vary from 5m to 15m and more. This modification contributes to largely increase the complexity of the optic and mechanic (optomechanic): more power mirrors, higher sensibility in the assembly, increase in volume and weight…

    Field of view
    The size of the image is given by an angular description. The driver sees an image through 2 directions, i.e. the vertical Field Of View (FOV) and the horizontal FOV (see figure before).
    In the recent HUD world (end of 2017), the values are around 6°x2° (Horizontal x Vertical) and are evolving to 7°x2°, or even greater (the last Lincoln Continental has a 10°x2.5° at 2m projection distance). The vertical dimension is at the moment restricted by the current design of volume available under the dashboard and behind the cluster. To give an idea of the evolution of the image sizes, in 2014, the HUD displayed FOV of around 4.5°x2°, which will result a virtual image of 158mm x 70mm at 2m projection distance.
    For AR, the real scene is enriched with virtual data and therefore be ideally at the FOV of the human eye (or at least 20°x10°, cf. K.Bark, C.Tran, K.Fujimura, V.Ng-Thow-Hing. Personal navi: benefits of an augmented reality navigational aid using see-thru 3D volumetric HUD. AUI conference. 2014).
    At the moment, the requirement of the vast majority of use cases for an AR system is to have a FOV of 12°x4°. In the horizontal direction, the larger the FOV, the larger the portion of the road will be covered. In the vertical direction, it is directly linked to the portion of the road covered by the virtual image. In a 4°, the virtual image will cover the road from 15m to 80m. For even richer experience, it could be interested to highlight elements higher than the horizon line (e.g. road signs).

    Image position
    For any HUD, the driver needs to adjust the system to see a bright image. In the system itself, this adjustment is done through a kinematic system which will tilt a mechanical part of the system (majority of the time, it’s a mirror in the optical design). The consequence is that the virtual image will move according to this adjustment and it is seen higher on the road for a small driver and lower on the road for a tall driver. An analogy of a swing could be used: tall people need to receive the light coming from the system higher in the driver seat than smaller people and it forces the virtual image to go down. In the figure at the beginning showing a simplified HUD, the eyebox (on the right) of tall people needs to be moved upward (tall people are “higher” in the seat), and by consequence, the virtual image (on the left) moves downward. This aspect is not perceived by the drivers, as this adjustment is done once, and the virtual image has no connection with the road.
    In an AR system, the image, or at least the virtual content, has to stay fixed in space. Any movement of the virtual image involves wrong coincidence with the real scene, which results to a different experience between a small and a tall driver.
    To this regard, the image position in an AR HUD needs to be controlled, whereas it has never been an issue with traditional HUDs. This is a brand-new topic in regard with HUD design, such that an eyetracking system (or even an headtracking would be sufficient) could be mandatory in order to offer the best coincidence between virtual and reality contents while minimizing the error of superposition between these two, due to their difference of position in space (reminder: projection distance would be fixed at first). This later aspect is sometimes referred to parallaxes’ issues.

    Latency
    In virtual reality, in augmented reality or even in mixed reality with see-through glasses, the delay between the movement of the observer (head rotation, eye movement…) or the modification of the scene and the update of the virtual content in the virtual system must be extremely short. This delay is called latency.
    Studies suggest a maximum threshold at 20ms in the case of augmented reality, and also advise to not go upper 7ms in mixed reality, in the risk to experiment discomfort, discontinued stress, headache, and at the end, a rejection of the system by the user.
    Solutions to reduce latency are linked to the technology used and we don’t feel relevant to draw a long comprehensive list. The main idea is always to find tricks on the implementation and on the conception, in particular on the rendering engine or on the driver or on the hardware.

     

    Cues to the advantages of AR in Autonomous Conditions

    The autonomous car is clearly one of the biggest trend in the car world of the past couple of years, as seen in motor or consumer shows, and the potential of such a system is already tangible: increased safety and reduction in accident outcomes, traffic optimization with an increase of traffic flow, freeing the driver, and the list goes on and on.
    But before being at this dream stage of a full autonomous car, the experience of autonomous driving is currently categorized in levels with different possibilities. From level 0, where the driver is warned by the car but is still in control, to level 3, where the majority of the action is taken by the car, to level 5, where human assistance is seen as optional. At the moment, the car will obviously still require some assistance of the driver to overcome unknown situations (around level 2 to 4), and is sometimes referred to as cooperative driving mode. The car executes some defined actions (accelerate or brake, turning, etc) but requires the assistance of the driver to take some decisions (choosing the best lane, handle some key maneuvers).
    This is where Augmented Reality comes into play, as it will offer a set of tools for the driver to interact with the car, and for the car to communicate intelligible information to the driver.
    During the project Localisation and Augmented Reality, studied at IRT SystemX, use cases were studied in simulator and on a car equipped with an AR HUD prototype to define the correct visual grammar on the relevant objects of the environment. The following pictures show the tools or rendering used to study the link between autonomous driving and AR system, or the use cases of AR systems.

    IRT SystemX driving simulator setup: projection scene with car cockpit as close as possible as a real one: driving wheel and pedals, gear box and lever, simplified HUD composed of flat panel and PC monitor, safety belt, rear mirrors.
    Picture of a real scene with superposed virtual image generated by the AR windshield HUD system, embedded in a car, on a mannequin.

    During these studies, Augmented Reality appears to be a great asset to annotate the roads: highlight proximity cars or obstacles, and relative speed/distance to them, direction to be taken, key elements of the scene (pedestrians, traffic lights…).
    On another level, it is not uncommon to hear concerns about the autonomous car, in particular on a trust level: lack of confidence of consumers, fear of inefficiency or accidents.
    Again, a virtual image, collocated to the environment, will provide a complex and powerful communication pipe between the car and the driver. The different elements on the road, quoted before, will be highlighted by the AR system. The driver will know at any moment what the car understands about the environment and its vicinity and what decisions it is taking (merging in traffic, stopping because a danger has been identified…). The goal is to give the confidence to the driver that the car is able to handle the complexity of driving.
    For all the reasons exposed, it appears to us that autonomous driving and augmented reality are antagonist is a false assumption. At first, augmented reality could be a great asset for autonomous car, for both early adoption and integration to cooperative driving.

     

    Conclusion

    After many years of attempt in different fields (avionic, military, consumer market, automotive), there are nowadays many converging features that make it possible to integrate an Augmented Reality system in a car and have a convincing experience. Indeed, on the technical part, the emerging market of HUD in car affords to use luminous imagers at reasonable prices, even if some technical feats still need to be challenged or overcome.
    And on the software aspect, the smart detection devices, driven by the autonomous car market, are able of more and more recognition of objects in the driving scene.
    The user testings of Augmented Reality’s use cases were done in IRT SystemX through different approaches:

    • with a simulation cave (mockup cockpit with hemispheric projection screen),
    • with real devices, as AR head-up display prototype in a car (BMW X5).

    Simulation is a powerful tool that allows to establish the minimum and desired requirement of the applications, or to quickly debunk HMI ideas, behaviors of cars and drivers while controlling the experiments in safe conditions and having sharp elements to use and to compute (positions of simulated vehicles, working with low latency, etc). The studies conclude that AR HUD is a powerful system to pair with autonomous car, as it will help the driver to have a better understanding of the environment and to take over more easily the driving, when passing from autonomous to cooperative or non-autonomous mode.

  • Le rôle des Instituts de Recherche Technologique dans l’écosystème de la mobilité du futur

    Le rôle des Instituts de Recherche Technologique dans l’écosystème de la mobilité du futur

    Pour répondre aux enjeux de l’urbanisation croissante du monde et de la transition énergétique et environnementale, les mobilités de demain seront multimodales, à la demande, partagées, en grande partie autonomes et fortement connectées, à propulsion électrique pour une part significative, à faible impact environnemental. De nombreux défis technologiques, scientifiques, économiques, juridiques, d’usage, devront être relevés avant leur déploiement opérationnel à grande échelle à l’horizon 2030.

    La résolution de ces défis appelle les contributions et compétences d’une multiplicité d’acteurs que sont les fournisseurs de véhicules (automobiles, bus, tramway, trains, etc.), les fournisseurs de technologies (numérique, batteries, matériaux, infrastructures, etc.), les opérateurs de mobilité (privés, publics), les compagnies d’assurance, associées à celles de laboratoires de recherche académique et de start-up du domaine, très nombreuses et dynamiques.

    Les innovations qui donneront naissance à la mobilité de demain et aux nouveaux usages proviendront pour une part significative de l’interaction entre les différents acteurs de cet écosystème, interaction qui prendra notamment la forme de travaux de R&D, dont la couverture s’étend depuis la recherche amont en modélisation des mobilités, en science des données et outils d’optimisation et de recherche opérationnelle, jusqu’au développement et l’intégration des technologies dans des systèmes de plus en plus complexes. Par exemple, la sécurité et la sûreté de la mobilité de demain devra proposer des gains significatifs par rapport à l’état de l’art actuel, ce qui nécessitera des travaux de R&D associant approche scientifique et technologies de pointe, articulés avec les dimensions éthiques et juridiques.

    Les Instituts de Recherche Technologique (IRT) créés en 2012 dans le cadre des Investissements d’Avenir présentent la caractéristique d’associer la recherche de nature académique avec le développement et le transfert technologique propres aux entreprises, principalement en mode multilatéral, depuis la start-up jusqu’à la grande entreprise, en passant par l’ETI et la PME, de manière à maximiser les interactions et l’impact de compétitivité.

    Pour les pouvoirs publics, autorités organisatrices et financeurs des infrastructures, être associé aux travaux de R&D des IRT regroupant ses partenaires, sera un gage d’efficacité des expérimentations sur le terrain, essentielles à l’adaptation et la validation des innovations pour les territoires concernés.

    C’est ainsi qu’en tant que passerelle entre les différentes composantes de l’écosystème de la mobilité de demain et le monde des sciences et des technologies, les IRT occupent une place essentielle pour contribuer à l’invention et au déploiement de nouvelles solutions pour une mobilité propre et durable, flexible, et capable d’accompagner la croissance des besoins des acteurs socio-économiques, que ce soit les citoyens ou les entreprises.

    Cet article est extrait de livre blanc « RÉINVENTER LA MOBILITÉ URBAINE ET PÉRIURBAINE À L’HORIZON 2030 : 24 propositions pour l’Île-de-France dans le cadre de Paris 2024 ».

  • Sécurité numérique de la mobilité partagée, connectée et autonome : pour une nouvelle approche de la R&D

    Sécurité numérique de la mobilité partagée, connectée et autonome : pour une nouvelle approche de la R&D

    La mobilité partagée, connectée et bientôt autonome se construit autour de la coopération de systèmes d’information disparates opérés par des acteurs multiples grâce à l’hyperconnectivité de ses composantes (du smartphone aux moyens de transport eux-mêmes). La protection de ces systèmes d’information, des données qu’ils véhiculent et des services qu’ils offrent nécessite des arbitrages complexes entre la facilité d’usage, le coût et les gains attendus pour la sécurité, la sûreté de fonctionnement, le respect d’un droit numérique en évolution permanente et la compréhension et l’anticipation du marché et de ses acteurs. Trois axes complémentaires sont à privilégier dans une approche globale et interdisciplinaire — sciences mathématiques et informatiques, sciences économiques, sociales et du comportement — de la cyber sécurité : la protection des acteurs (industriels et utilisateurs finaux), la sécurisation des produits et services et le respect de la vie privée de l’usager.

    Une étude de terrain, menée par l’IRT SystemX auprès de TPE/PME victimes de cyber attaques (principalement rançongiciels et « fraudes au président ») a montré un taux d’attaques réussies ainsi qu’un préjudice humain largement sous-estimés. Des grandes entreprises ont vu également certaines de leurs usines ou filiales paralysées par des logiciels malveillants récents et évolutifs pour lesquels les contre-mesures s’avèrent difficiles en environnement contraint. Chaque entreprise devra à l’avenir former ses responsables et ses prestataires au cyber risque, mieux urbaniser ses systèmes d’information pour les rendre plus résistants, faire appel à des services de confiance et s’entraîner régulièrement à la gestion d’une crise cyber.

    La correction de la fragilité des systèmes industriels et des services est un sujet de recherche en soi. Les nouveaux produits et services de la mobilité en sont un exemple frappant et ceux-ci devront être sécurisés au plus tôt de leur conception. Les objets dits connectés, directement accessibles aux pirates, devront embarquer de nouvelles briques logicielles et matérielles immunes à des attaques dont l’outillage se partagera assurément. Et leur résilience nécessite de nouvelles approches. Des techniques de protection feront appel à des avancées dans la prévention (veille sur les menaces, analyses massives, simulations sur plateformes dédiées) et à des techniques de prédiction de défaillances par détection de signaux faibles (intelligence artificielle appliquée à la cybersécurité, filtrage et correction en temps réel, systèmes experts pour assister les opérateurs humains). Seule une mutualisation de la supervision et du traitement des incidents sera à même de gérer les nouveaux modes opératoires des attaquants bientôt, eux-mêmes, robotisés par les avancées de l’intelligence artificielle.

    La liberté de circulation est garantie par l’article 13 de la Déclaration universelle des droits de l’homme. La protection des données à caractère personnel et le respect de la vie privée sont aussi des droits fondamentaux majeurs dont le nouveau règlement européen sur la protection des données personnelles appuiera les principes centraux de consentement éclairé pour l’usager et de notification aux autorités de contrôle des failles pour les acteurs. Ce règlement, qui entrera en application le 25 mai 2018, introduit le concept du « privacy by design » qui appelle à des travaux de recherche novateurs. Il a été démontré que seules quatre informations spatio-temporelles de géolocalisation permettent d’identifier un individu avec une probabilité supérieure à 95% sur un territoire d’environ 80 000 personnes[1]. De nouvelles voies dont certaines relèvent encore de la recherche fondamentale sont donc à explorer : anonymisation, pseudonymisation, randomisation et protection de données personnelles différentielles. Elles feront appel à des briques technologiques encore peu usitées comme le chiffrement homomorphe, la signature de groupe, la preuve à divulgation nulle de connaissance, la communication anonyme, la recherche chiffrée dans les bases de connaissance. L’IRT SystemX, avec l’aide de ses partenaires, s’engage dans la voie de ces recherches de tout premier plan.

    [1] Yves-Alexandre de Montjoye, César A. Hidalgo, Michel Verleysen & Vincent D. Blondel (2013) Unique in the Crowd: The privacy bounds of human mobility, Nature Scientific Reports 3, 1376

    Cet article est extrait de livre blanc « RÉINVENTER LA MOBILITÉ URBAINE ET PÉRIURBAINE À L’HORIZON 2030 : 24 propositions pour l’Île-de-France dans le cadre de Paris 2024 ».

  • La La Thèse

    La La Thèse

    Le 6 novembre 2017, j’assiste à la soutenance de la 4è thèse portée par le projet Modélisation – Interopérabilité – Coopération (MIC) de l’IRT SystemX. C’est toujours un bon moment. Il nous fait dérouler le film des événements de cette aventure du thésard au docteur. Pour mon esprit enjoué, c’est aussi l’occasion de se re-questionner sur le développement d’une formation scientifique (i.e. la thèse) au sein d’un projet plus vaste, multipartenaires et multidisciplinaires qui aspirent à transférer des résultats innovants vers des applications d’usage ou de marché. Les quelques lignes ci-dessous développent en tout humilité quelques pensées personnelles vues sous le prisme du pilotage du projet lors de ces 4 dernières années.

    Ma thèse en 3D

    Avant la réalisation du projet à SystemX, j’avais en tête un cliché de la thèse un peu romantique voire médiéval, de l’étudiant, seul avec une craie faisant face au tableau noir. Non loin de lui, son encadrement académique, le guidant vers la lumière (prophétique ?), en distribuant de temps à autres quelques bons coups de règles. Bref, la vision d’un thésard, disciple d’un laboratoire, d’une communauté scientifique.
    La thèse à SystemX, tout en se reposant sur les fondamentaux, démultiplie les dimensions. Du fait de la présence de plusieurs académiques au sein d’un même projet, le thésard SystemX est en général amené à évoluer avec plusieurs communautés scientifiques. Il est aussi en constante relation avec un ou plusieurs industriels. Enfin, son travail est objectivé par le rythme et les livrables attendus du projet. Le thésard évolue dans un environnement à la fois plus dense et plus complexe. Risque ou opportunité ? Pour essayer d’y répondre, essayons de suivre un peu le fil conducteur de l’innovation. Du qualitatif au quantitatif.

    L’anti-thèse

    Ou comment de grandes innovations sortent du garage ? De nombreuses histoires fascinantes relatent des innovations faites à partir de rien ou très peu. Peut-être juste une craie et un tableau noir. Les Apple, Dyson et consorts sont autant d’exemples. Tiens donc, ils sont quand même assez souvent anglo-saxons. Problèmes de passage à l’échelle ou de financement dites-vous ? Allez Soyons chauvins, citons quand même OVH qui mériterait de devenir le O des GAFAO.
    N’oublions toutefois pas que souvent les histoires heureuses prennent du temps, même dans les garages. Certaines innovations évidentes (maintenant) nous apparaissent d’ailleurs bien tardives. Le cas de la valise à roulette est une bonne illustration.
    Alors de ces exemples, retenons qu’approches agile et user-centric peuvent inspirer la recherche. Mais comment faire cohabiter la prise de recul nécessaire, le temps de la réflexion scientifique et l’objectif de produire pour le collectif de façon continue ?

    Le coup du châpeau

    Le maintien de l’équilibre entre la réflexion et la production est une quête permanente. Pour un projet à moyen terme, il repose souvent sur plusieurs actions à court terme. L’application de la méthode des 6 chapeaux peut s’avérer utile. Pour Edward de Bono son créateur, le secret est de séquencer notre pensée : nous pouvons alors nous concentrer sur une chose à la fois et nous empêchons la censure automatique d’éliminer d’emblée des idées qui nous déconcertent : la « pensée latérale » est née.

    Les six chapeaux de Bono

    L’épreuve de la thèse fait appel à toute la collection des chapeaux. Dans le contexte du projet collaboratif, il me semble utile de faire bénéficier au thésard un environnement déjà organisé. En ce sens, il semble plus aisé d’enclencher les travaux de thèse une fois le projet déjà lancé. Aussi, la thèse est une formation longue durant laquelle peuvent alterner moments d’optimismes et de pessimisme. La co-localisation des équipes à SystemX peut servir d’émulation pour passer les moments de moins bien. Enfin, en donnant sa place au bon moment, avec la bonne intensité, à l’émotion, l’information, la logique et la critique, on peut souvent générer de la créativité.

    Autant en emporte Moore

    Attardons-nous un peu sur le côté quantitatif. Voici un article récent qui apporte un éclairage intéressant.
    De façon synthétique, y est développée la position que les idées innovantes nécessitent plus d’effort à trouver. Le graphe ci-dessous s’en veut l’illustration en exprimant le fait que la part de productivité associé à l’innovation se maintient difficilement alors que le nombre de chercheurs augmente : en doublant tous les 2 ans à l’instar de la loi de Moore. C’est un peu comme le forage d’un puits de pétrole : les premières nappes sont plutôt faciles à récolter, mais cela devient plus difficile à mesure qu’on creuse profond ou loin.

    D’un point de vue scientifique, on peut concevoir que repousser les frontières des connaissances nécessitent d’acquérir beaucoup plus de champs d’expertise, et que conséquemment les études sont plus longues et les équipes de recherche sont plus grandes avec la présence de spécialistes. Et tout ceci à un coût (qui grandit). Ah et oui, c’est vrai, rappelons-nous, les anglo-saxons sont plutôt bons à trouver des financements.

    Les projets SystemX permettent cette mise en relation de compétences en co-localisant des équipes multi-disciplinaires et en y intégrant notamment des chercheurs et thésards. En bonus, le cofinancement facilite le financement de l’innovation. Alors oui pour cela, l’environnement SystemX est une réelle opportunité pour réaliser une thèse de qualité.

    La Saint thèse

    Qualitativement, l’innovation peut survenir de l’impulsion ad-hoc d’un nombre restreint d’individus qui savent à la fois prendre du recul et se confronter à l’expérimentation. Quantitativement, il se trouve que pour innover significativement, il faut pouvoir impliquer de plus en plus de spécialistes. Alors, pour nos projets collaboratifs au format SystemX, je paraphrase bien volontiers la formulation de Kant : « La thèse sans projet d’application est inutile, le projet d’application sans la thèse est aveugle ».

    Pour tous nos thésards qui sont devenus docteurs, il faut aussi penser à l’après-thèse. Ce n’est pas chose facile de se remobiliser après être devenu un hyper-spécialiste d’un sujet pendant trois ans. Bonne suite à eux !

  • Smart Mobility: SystemX contributes to the future of mobility in Singapore

    Smart Mobility: SystemX contributes to the future of mobility in Singapore

    In 2014, Singapore has launched its Smart Mobility 2030 program, dedicated to “moving towards a more connected and interactive land transport community”. Three years later, many initiatives have been rolled out across the Lion City. Here is a summary of this journey towards e-transport.
    The Institute for Research and Technology SystemX@Singapore, which as recently established itself in Singapore, is contributing to this effort by joining the CETRAN (Centre of Excellence for Testing & Research of AVs at NTU) project, aimed at testing and certifying the autonomous vehicles.

    Here is the problem statement to be solved: M. Tan lives in an island of 720 km², with a population of 5,6 million inhabitants, meaning a density close to 8,000 people/km², third most dense country in the world after Macau and Monaco. In the meantime, M. Tan and his fellow-citizens have built a 50 years old fast-growing economy (also 3d in the world by GDP/capita), that is likely to attract more and more people in the near future. Among these people are the elderly that will represent a bigger part of the whole population[1]. Altogether it means a confined land, packed with people, many of them with challenging mobility capacities, but most of them, including M. Tan, willing to take advantage of the new technologies enabling faster, easier and more convenient mobility. This is the problem statement Singapore has to face and solve in the coming years, so as many growing megacities. As part of the solution is the Smart Mobility 2030 strategic plan, issued in 2014 by the Singaporean government, providing the multiple keyplayers of this challenge with a roadmap.

     

    Smart Mobility 2030 Strategic Plan

    The so-called “Intelligent Transport System (ITS)” encompasses a wide range of solutions such as road networks optimisation, new public transport systems, incident management, as well as safety improvement. This has already led to the launch of the world’s first fully automated underground driverless Mass Rapid Transit line (MRT). E-payment with the Contactless e-Purse Application Standard (CePAS), the Electronic Road Pricing (ERP), or the Electronic Parking System (EPS) have also been instrumental in optimising people and vehicles’ traffic, hence reducing congestion.

    As for the future, connectivity and interactivity are keys to success. The travel experience will be composed of real-time information on-the-move, shared within the community, and beneficial for diverse groups of users including the elderly, the mobility-challenged, and the cyclists[2].

    The Smart Mobility 2030 roadmap relies on three strategies and four focal areas:

        LTA
    • 1st strategy: Implement innovative and sustainable smart mobility solutions
      Cost-effective solutions for diverse transport users and use of big data analytics to facilitate travel planning and management
    • 2d strategy: Develop and adopt ITS standards
      Need for accurate, shared, reliable, transport data, together with homogenised standards and protocols for ensuring inter-operability.
    • 3d strategy: Establish close partnerships and co-creation
      Foster public and private collaborations. Leverage on each other’s expertise and skills.

    To implement these strategies are the four focal areas:

    • Informative: Information on-the-go will become a “must have”, for a more mobile and more connected population. Data collection will rely on location systems (Global Navigation Satellite Systems), high definition video capture, as well as other means of sensor collection. Sensor deployment will have to minimize infrastructure impact while maximising data collection. Smart processing and algorithms will be key in facilitating the downstream data analysis. This huge amount of data will require appropriate technologies to manage big data and clear visualisation tools. Formats, interfaces, and protocols, will need to be harmonised, shared, and yet secured, as far as privacy and anonymity is concerned.
    • Interactive: Intelligent fleet management systems will become keys in many sectors as public buses (bus arrival times and load information), car-sharing on demand, smart logistics (faster goods delivery). Sharing of transport information between agencies, transport operators, emergencies, will lead to more effective and coordinated responses. Spatial and contextual information will be delivered to individuals and provide them with personalised content.
    • Assistive: In-vehicle on-board devices will provide warning information to drivers, thanks to for instance traffic light controls at traffic junctions. The development of V2V (Vehicle to Vehicle) and V2I (Vehicle to Infrastructure) technologies will also enable safety communication and reduce the number of accidents. These telematics applications should expand to dynamic routing, intelligent parking guidance, and real-time traffic news. A big part of this assistive future will rely on self-driving or autonomous vehicles. These driverless vehicles (cars, buses, trucks) will eliminate human errors, optimise road capacity, and lower carbon emissions. Nevertheless, in addition to technological issues, many regulatory obstacles will have to be overcome.
    • Green Mobility: Higher usage of public transport, “greener” vehicles (hybrid, electric), regenerative brakes in trains are examples of usages or technologies that reduce the impact on the environment. The development of new infrastructures for ITS equipment will require environmental-friendly conception, so as to minimize their own impact. Data centres use a lot of power and will require the optimisation of resource sharing through cloud computing or other solutions.

     

    Smart mobility initiatives in Singapore

    Today, in 2017, Singapore has rolled out many initiatives to address this 2030 agenda[3].

    For example, smarter bus systems, thanks to the Common Fleet Management System (CFMS), enable operators to monitor the location and performance of their bus fleets, and actively work with their bus captains to adjust bus operations in real-time.

    The Land and Transport Authority (LTA) is also developing a Fusion AnalyticS for public Transport Emergency Response (FASTER) system which will combine data from various sources, including fare-card, video and telecommunications systems, to perform analytics. It will enable LTA and the operators to visualise commuting patterns to improve transport planning, and it also triggers early alerts of crowd surges and transport incidents.

    The next-generation Electronic Road Pricing System, which is based on Global Navigation Satellite System technology, will enable the collection of comprehensive, real-time, aggregated traffic data, and disseminate such directly to motorists, to enable them to better plan and optimise their travel routes.

    The LTA has also been conducting trials of hybrid and electric buses. After promising first results, the objective is to run 50 hybrid and 60 electric buses, that is to say three bus services fully served by electric buses.

    As part of Singapore’s Electric Vehicle (EV) Phase 2 Test-bed, which aims to explore the viability of operating fleets of EVs for car-sharing and of electric taxis, LTA and the Economic Development Board (EDB) worked with HDT Singapore Taxis Pte Ltd to bring in Singapore’s first fully-electric taxi fleet. HDT began operating its fully-electric taxi service in September 2016, and progressively deploys 100 e-taxis by mid-2017 as part of an eight-year trial.

    LTA and EDB partnered BlueSG Pte Ltd to launch the BlueSG EV car-sharing programme, which will see 1,000 shared EVs deployed across all HDB towns by 2020, and the installation of 2,000 charging points island-wide. The first batch of 125 Bluecars and 250 charging points will be rolled out by the second half of 2017.

    BlueSG

    Lastly, a lot of efforts have been made in the field of autonomous vehicles. For about 2 years, many trials have started across the country. In September 2016, LTA doubled the length of the test routes within One-North from 6 to 12km, after AV trial participants showed their capabilities in navigating mixed traffic environments. Since then, the AV trial participants have demonstrated a readiness to advance their capabilities to more on-road scenarios in an expanded test area. In June 2017, new areas such as the National University of Singapore (NUS), Singapore Science Park 1 and 2, Dover and Buena Vista, have been opened to AVs trials. These areas present a larger test bed, and will add another 55km to the existing AV trial routes.

     

    Autonomous trials in Singapore in 2017[4]

    • A*STAR’s Institute for Infocomm Research (I2R): first self-driving vehicle to be approved for public road testing at One-North since July 2015.
    A*STAR
    • National University of Singapore (NUS) and the Singapore-MIT Alliance for Research and Technology (SMART): testing a fleet of self-driving golf-buggies. A retrofitted electric passenger car was the second vehicle to be approved for more complex testing on public roads. A prototype of a four-wheel self-driving Personal Mobility Device was also unveiled for public trial in November 2016.
    SMART
    • Delphi automotive and nuTonomy: the first private company – and the third applicant – to obtain approval for public road testing at One-North as of April 2016. Aim to launch a commercial autonomous mobility-on-demand service.
    nuTonomy
    • Gardens by the Bay, French company EasyMile in collaboration with ST Engineering: the EasyMile driverless shuttle went for public trial in December 2015 and is now in service at Gardens by the Bay. On 22 June 2016, Gardens by the Bay launched the Auto Rider for public rides.
    EasyMile
    • French company Navy, in collaboration with Energy Research Institute (ERI@N) at Nanyang Technological University (NTU): self-driving golf cart and electric shuttle around NTU can fetch up to 8 people and travel at a maximum speed of 20 km/h. These are part of NTU’s plans to eventually trial two full-sized autonomous bus in its campus in 2018.
    LTA, NTU
    • LTA and ST Kinetics: development of a 40-seater electric autonomous bus prototype.
    • MOT (Ministry of Transports) and PSA Corporation collaboration with Scania and Toyota: truck platooning trials over a three-year period from January 2017 to December 2019, the collaboration will enable heavy vehicles to move in leader-follower formation, as well as to fully automate the processes for precise docking and undocking of cargo.
    • Katoen Natie and VDL: 12 driverless trucks will go on trial on Jurong Island from September 2017. The trucks will be retrofitted with autonomous systems which will communicate with transponders installed in the road.

     

    In order to allow these autonomous vehicles to join the road traffic, government authorities like LTA will need to assess, test, and certify them so as to ensure the maximum of safety and convenience for road users. This is the scope of the Centre of Excellence for Testing & Research of AVs at NTU, namely the CETRAN project.

    What is CETRAN?

    The Land Transport Authority (LTA) and JTC (Jurong Town Corporation), in partnership with the Nanyang Technological University (NTU), launched CETRAN, at CleanTech Park on August 2016. On November 22d, 2017 the CETRAN circuit will be officially opened by the Singaporean Minister of Transport, M. Khaw Boon Wan.

    JTC

    CETRAN will spearhead the development of testing requirements for SDVs, for which testing will be carried out at the 1.8-ha CETRAN Test Circuit, which is jointly developed by LTA and JTC to provide industry players with a simulated road environment for the testing AVs prior to their deployment on public roads.

    In line with LTA strategy to establish public and private collaborations, NTU is partnering with four foreign entities to develop the CETRAN project. BMW, TNO, TUV-SUD, and SystemX will be each responsible for one workpackage of the project.

    The workpackage managed by SystemX will focus on digital modelling & simulation for safety & digital security, applied to autonomous transport. This is the first project of SystemX in Singapore, willing to develop others in the coming months, in the fields of autonomous transports, agile industry, smart territories, or internet of trust.

     

     

    [1] http://www.singstat.gov.sg/statistics/visualising-data/storyboards/population-trends

    [2] https://www.lta.gov.sg/content/dam/ltaweb/corp/RoadsMotoring/files/SmartMobility2030.pdf

    [3] https://www.lta.gov.sg/apps/news/page.aspx?c=2&id=e09102cd-acd5-469e-8234-777b68e4e18a

    [4] https://www.smartnation.sg/initiatives/Mobility/self-driving-vehicles-sdvs-future-of-mobility-in-singapore