La méthodologie commence par l'amélioration du boîtier IoT actuel de Dunasys afin d'optimiser ses capacités de collecte sécurisée de données sur le comportement de conduite, les habitudes de recharge et l'état de la batterie, en intégrant la blockchain pour un suivi transparent et inviolable du cycle de vie de la batterie. Une nouvelle architecture de collecte de données sera développée pour gérer efficacement l'acquisition de données en temps réel et à grande échelle. L'apprentissage fédéré traitera les données localement sur chaque véhicule, garantissant la conformité au RGPD tout en permettant le développement de profils de conducteurs qui permettront une optimisation personnalisée de l'utilisation de la batterie et, à terme, de la stratégie de recyclage. Ces profils seront essentiels à la mise en œuvre de modèles d'IA qui optimisent à la fois la durée de vie utile restante (RUL) de la batterie et les calendriers de recharge. L'optimisation de la recharge impliquera l'analyse de facteurs tels que le comportement de l'utilisateur, la demande du réseau et l'état de santé de la batterie, permettant ainsi de formuler des recommandations de planification intelligentes qui minimisent la dégradation de la batterie tout en conciliant le confort de l'utilisateur et l'efficacité énergétique. Un système de retour d'information des utilisateurs fournira des recommandations en temps réel pour optimiser à la fois les comportements de conduite et de recharge, et des améliorations apportées au système de gestion de batterie (BMS) renforceront encore les performances de la batterie et prolongeront sa durée de vie. Cette approche holistique garantit une gestion des batteries sécurisée, personnalisée et optimisée, en accord avec la durabilité et la conformité réglementaire. Pour atteindre les objectifs fixés, le projet est organisé en cinq lots de travail (WP). Chaque partenaire coordonnera un lot de travail technique. Le WP2 sera co-coordonné par LAMIH et CESI. Les WP0 et WP5 sont consacrés à la gestion et à la diffusion. La figure 1 illustre les interactions entre les différents WP. La thèse de doctorat proposée sera co-encadrée par les différents partenaires, afin de renforcer les échanges entre les partenaires universitaires et la société Dunasys sur le sujet de recherche. Pour des raisons de confidentialité et de droits de propriété intellectuelle, les partenaires signeront un accord de non-divulgation (NDA) afin de préciser les éléments devant être protégés (tels que les données clients de Dunasys, certains matériaux spécifiques, etc.).
La méthodologie utilisée dans le cadre du projet repose sur l'architecture présentée à la figure 2. Celle-ci comporte trois niveaux d'interaction des données. Le premier niveau concerne la collecte des données, qui peut inclure des données à caractère privé. Le deuxième niveau concerne l'edge computing, utilisé pour réduire la latence et permettre l'analyse distribuée des données. Le niveau supérieur correspond à l'utilisation de la blockchain et de l'apprentissage fédéré (modèle global). La méthodologie utilisée dans le cadre du projet repose sur l'architecture présentée à la figure 2. Cette architecture se compose de trois couches (couche véhicules, couche de calcul en périphérie et couche de cloud computing). Chaque véhicule, dans la première couche, sera équipé du boîtier IoT Dunasys. Ce boîtier aura les trois tâches principales suivantes : (1) une tâche de collecte de données dans laquelle le boîtier IoT recueillera diverses informations concernant l'état de la batterie ainsi que le style et les conditions de conduite ; (2) une tâche d'analyse des données dans laquelle il exécutera des modèles d'apprentissage sur les données collectées ; Les paramètres de certains de ces modèles seront agrégés au niveau de la couche de calcul en périphérie, permettant ainsi une approche d'apprentissage fédéré. (3) une tâche de réception de recommandations, dans laquelle la boîte IoT recevra des recommandations concernant l'adaptation de ses habitudes de recharge de batterie et de son style de conduite. La communication via le protocole MQTT (Message Queuing Telemetry Transport) sera privilégiée dans cette couche en raison de sa légèreté et de son adaptabilité aux technologies de réseau à faible bande passante utilisées dans les applications automobiles. Les serveurs périphériques de la deuxième couche auront principalement pour tâche d'agréger, de traiter et de stocker les données. Cette couche permettra donc l'orchestration du processus d'apprentissage fédéré et le stockage des paramètres du modèle fédéré. Elle sera également chargée de la gestion d'une blockchain qui vérifie et stocke le passeport de batterie fourni par les entreprises. Elle offre ainsi un service de traçabilité à grande échelle permettant de suivre le passeport de manière distribuée. Enfin, la couche de cloud computing hébergera les services fournis par les entreprises, parmi lesquels les services suivants sont directement liés à notre projet. Le premier est chargé du stockage des informations relatives aux clients et à l'état de leur batterie, tandis que le second est chargé de la délivrance authentifiée des passeports de batterie.
