L’avènement de la conduite autonome représente un changement transformationnel dans le transport et la mobilité, offrant un mélange sophistiqué de sécurité, d’efficacité et de commodité. En exploitant des algorithmes et des capteurs avancés, les véhicules autonomes ont le potentiel de réduire considérablement les accidents imputables à l’erreur humaine, marquant ainsi une avancée substantielle en matière de sécurité routière.

La précision de la technologie dans le respect du code de la route contribue également à l'optimisation du carburant, en s'alignant sur des objectifs plus larges de durabilité environnementale. Au-delà de ces avantages tangibles, la conduite autonome promet de redéfinir l’expérience passager, transformant le temps de trajet en une opportunité de productivité ou de détente.

Mais la conduite autonome pourrait offrir un avantage supplémentaire. Grâce à plusieurs véhicules autonomes travaillant en coordination, ces véhicules peuvent réduire la traînée du vent en s'écartant les uns des autres, contribuant ainsi à réduire leur consommation d'énergie collective.

Mais comment? Avec un peu d'aide de la physique et simulation.

La physique du dessin

Lorsque deux véhicules ou plus s’alignent d’avant en arrière, ils peuvent atteindre une vitesse plus élevée qu’un véhicule seul. Cette synergie est créée par le sillage de basse pression derrière la voiture de tête, qui diminue la résistance aérodynamique de la voiture suivante à mesure qu'elle se rapproche de la voiture de tête.

Lorsque cela se produit, le véhicule suiveur pousse un courant d'air à haute pression vers l'avant, garantissant que moins d'air se déplaçant rapidement atteigne le becquet du véhicule de tête. L'effet cumulatif est une réduction de la traînée pour les deux véhicules, une efficacité aérodynamique qui se traduit par moins de force à surmonter pour le moteur, offrant ainsi la possibilité d'atteindre des vitesses plus élevées ou un meilleur rendement énergétique.

Si vous êtes un fan de NASCAR, c’est une toute vieille nouvelle. En 1960, au volant d'une Chevrolet à la traîne en vitesse brute, le drafting a permis à Junior Johnson d'exploiter l'aérodynamisme des véhicules de pointe pour surmonter son déficit de vitesse, décrochant une improbable victoire au Daytona 500. Les pairs de Johnson ont rapidement adopté cette pratique, découvrant que une ligne de dessinateurs pourrait atteindre des vitesses plus élevées et augmenter le rendement énergétique, minimisant ainsi le besoin d'arrêts aux stands.

En cyclisme, les coureurs forment stratégiquement des pelotons lors de courses comme le Tour de France. Ceux qui sont en tête du peloton sont confrontés à la résistance au vent la plus importante, offrant à ceux qui sont derrière un avantage aérodynamique grâce à la traînée réduite. De même, en patinage de vitesse, les athlètes se positionnent étroitement les uns derrière les autres, capitalisant sur le sillage aérodynamique du leader pour conserver leur énergie pour les moments cruciaux de la course.

Mais qu’en est-il de nous, athlètes non professionnels de NASCAR et du Tour de France ? Le conducteur moyen peut-il bénéficier de ce phénomène si cela peut se faire en toute sécurité grâce à des véhicules autonomes ?

La rédaction fonctionne-t-elle pour les conducteurs de tous les jours ?

Dans le cadre d'une expérience fascinante menée dans l'émission télévisée « MythBusters », le potentiel de dessin a été exploré à l'aide d'un camion à 18 roues. Ils ont constaté que le maintien d’une distance de 100 pieds derrière le camion augmentait le rendement énergétique d’un impressionnant 11 pour cent.
Cette efficacité a bondi à 39 pour cent lorsque la distance de fuite a été réduite à seulement 10 pieds.

Cependant, ils ont noté que dans l’hypermiling réel, les conducteurs étaient susceptibles de freiner et d’accélérer plus souvent, ce qui diminuait leurs gains d’efficacité.

Les rédacteurs seront toujours confrontés à la menace constante d’arrêts brusques du véhicule qui les précède. Ne pas réagir pourrait entraîner des accidents graves.

Entrez dans les flottes autonomes

Les flottes autonomes font référence à un ensemble de véhicules autonomes coordonnés et exploités sans intervention humaine, en utilisant des technologies avancées telles que l'intelligence artificielle, l'apprentissage automatique, les capteurs et le GPS. Par exemple, Cruise déploie cette année sa flotte autonome dans plusieurs villes américaines.

Pensez à la transformation potentielle des plateformes de covoiturage comme Uber, où les passagers pourraient bientôt chercher à « collaborer » avec d’autres, en alignant leur voyage non seulement par destination, mais aussi par une coordination précise de la vitesse et de l’itinéraire.

Ce phénomène s'étend à un contexte urbain plus large, où le concept traditionnel de voies réservées aux véhicules multioccupants (VOM) pourrait évoluer vers des corridors intelligents. Dans ces espaces, des groupes de véhicules autonomes à haut taux d’occupation fonctionneraient comme des entités unifiées, freinant et accélérant comme une seule.

Cette interaction transparente promet une efficacité et une sécurité accrues et un changement de paradigme dans notre approche collective de la mobilité, soulignant l’impact profond de la technologie sur le comportement sociétal et la planification des infrastructures.

Mais où les ingénieurs automobiles peuvent-ils même commencer à évaluer la faisabilité d’une berline moyenne si elle était rendue autonome ? Ils peuvent commencer par des simulations physiques.

Flux d'air sur une voiture solitaire simulé dans Ansys Discovery Live sur une station de travail Rescale Elastic Cloud.

Simulation des premiers concepts

Les premières simulations conceptuelles représentent une étape critique dans la conception, le développement et les tests automobiles modernes. En appliquant la simulation dès le début d'un projet, les organisations peuvent mettre en évidence les faiblesses potentielles de la conception et les atténuer avant qu'elles ne se manifestent dans les prototypes physiques.

Les économies de coûts sont tangibles, avec la grande promesse de réduire le recours aux tests physiques non seulement pour accélérer l’innovation, mais également pour garantir une plus grande sécurité. Mais l’effet sur la créativité et la collaboration est plus profond.

La simulation de concepts précoces catalyse l’itération des idées, permettant aux équipes multidisciplinaires d’explorer des conceptions alternatives et de favoriser une vision commune. L'effet cumulatif de ces avantages transforme la simulation initiale d'un concept d'une simple étape procédurale en un levier stratégique qui minimise les risques, améliore la robustesse du produit et permet aux organisations de naviguer dans les mers turbulentes du développement de produits modernes avec précision et agilité.

Pour illustrer la valeur des premières simulations conceptuelles, j'ai construit un dynamique des fluides numérique (CFD) modèle de mon Acura TLX 2015. J'ai positionné ce modèle dans une soufflerie virtuelle, reproduisant la dynamique à une vitesse de 65 miles par heure.

J'ai alors cherché à répondre à la question : quelle est la distance optimale entre une voiture de tête et une voiture de queue pour maximiser l'avantage aérodynamique du tirant d'eau ?

Les visualisations de données de nos simulations sont filtrées pour afficher uniquement les régions de pression atmosphérique réduite, représentées par des marqueurs sphériques. L'intensité de la pression est représentée par un dégradé de couleurs, où les sphères bleues représentent les régions de pression la plus basse.

Visualisation de la zone dépressionnaire derrière une voiture solitaire. Préparé dans Ansys Discovery Live sur une station de travail Rescle Elastic Cloud.

La simulation physique montre que les gains les plus élevés seront obtenus lorsque les voitures seront serrées les unes contre les autres, à quelques centimètres les unes des autres. Dans ce scénario, l'efficacité de la voiture de tête s'améliore de 11 pour cent. La voiture du milieu gagne 35 pour cent et la voiture qui suit un gain de 37.5 pour cent par rapport à la voiture solitaire.

De toute évidence, les ingénieurs (et les conducteurs) souhaiteraient intégrer un certain facteur de sécurité. Devrait-il s'agir d'une longueur de voiture ? Deux longueurs de voiture ? Quel est le compromis ? Lorsqu’ils sont séparés par une distance d’une voiture, ces gains diminuent considérablement. La voiture de tête ne gagne que 0.5 %, la voiture du milieu gagne 2 % et la voiture de queue gagne 2.2 %. Les voitures ne peuvent pas exploiter pleinement les sillages de chacune à cette séparation.

Un système de conduite autonome maintenant une séparation complète sur toute la longueur du véhicule pourrait ne pas réussir à séduire le conducteur moyen. Sans progrès significatifs dans la technologie de conduite autonome, le dessin semble être une tactique difficile pour économiser de l’énergie.

De telles idées préliminaires comme celles-ci, bien qu’apparemment simples, soulignent une profonde implication stratégique : plus tôt le recalibrage d’un concept de conception défectueux, mieux c’est.

Réorienter les trajectoires de conception tard dans le jeu peut grandement nuire aux objectifs de production des produits. En exploitant la précision des premières simulations physiques et en itérant méticuleusement les cas d'utilisation potentiels, les ingénieurs peuvent éviter ces pièges de dernière minute, garantissant ainsi qu'ils apportent des améliorations aux produits rapidement et efficacement.

Ingénierie de l'IA sur la plateforme Rescale

Rescale rend la simulation physique facilement accessible aux sociétés d'ingénierie en proposant des licences à la demande pour de nombreux logiciels de simulation de premier ordre. Rescale est sécurisé et conçu pour les environnements HPC. Il offre également des moyens d'exécuter des logiciels de physique et de simulation SciML open source ainsi que du code personnalisé écrit en Python, Julia ou même Fortran. C'est là que la magie opère.

Les ingénieurs peuvent utiliser des versions plus récentes apprentissage automatique (ML) techniques pour explorer un large éventail d'options de conception afin que les ingénieurs puissent effectuer des analyses de compromis en temps réel.

Par exemple, il serait possible de créer un modèle AI/ML qui apprend les profils de pression des voitures en tête et en queue pour chaque combinaison de distance de séparation. Une fois appris, les ingénieurs peuvent poser au modèle AI/Ml toutes les questions de simulation qu'ils souhaitent et obtenir un retour visuel instantané !

À l'avenir, il serait possible de canaliser le Modèle IA/ML en une simulation ADAS pour une conduite autonome en temps réel basée sur la physique. Avec l'accès à un écosystème complet d'outils de simulation, Rescale offre aux ingénieurs le bac à sable parfait pour développer de telles simulations de pointe.