La Chaire Logistique Urbaine, piloté par MINES ParisTech, regroupe des acteurs publics (l’ADEME et la Mairie de Paris) et privés (le Groupe Pomona, le Groupe La Poste, et le Groupe Renault) pour mener un programme de recherche dans le domaine du transport de marchandises en ville. Le programme vise à développer des connaissances pour la prise de décision pour la logistique urbaine : un système complexe où la décision doit composer avec les enjeux économiques, sociaux et environnementaux pour satisfaire les attentes des diverses parties prenantes (citadins, citoyens, élus, transporteurs, commerçants, etc.).

Les activités liées à la logistique urbaine, comme le transport, produisent des externalités négatives par exemple des émissions de polluants ou de la congestion. La compréhension du trafic est importante pour sa régulation au travers des feux de signalisation, des choix d’infrastructure ou des politiques d’interdiction de certains types de véhicules (gabarit trop grand ou motorisation trop ancienne).

Pour mener ces réflexions, la ville s’appuie sur des données, aujourd’hui elles disposent principalement de deux sources d’informations. La première source est constituée par les enquêtes sur le terrain, elles ont généralement un périmètre spécifique comme le transport de marchandises ou la mobilité. Ces enquêtes opèrent à un niveau de détails fin, mais les enquêtes doivent se limiter généralement à un échantillon restreint (faute de moyen de collecte et d’analyse). La deuxième source de donnée vient des capteurs pour la gestion du trafic. Les capteurs sont des boucles magnétiques installées de façon permanente sous la chaussée, ou des capteurs à tubes pneumatiques pour des relevés temporaires. La donnée issue se limite généralement à un comptage des véhicules.

Face au manque de données pour les villes, le développement du deep learning offre des opportunités pour utiliser les réseaux de caméras destinés à la surveillance de l’infrastructure. Des travaux de la Chaire ont montré la pertinence de cette approche pour analyser automatiquement des grandes quantités de données. La principale valeur ajoutée de ces capteurs est d’offrir plus d’informations sur le véhicule : la classification (camion, utilitaire léger, véhicule de tourisme) et sa trajectoire.

L’objectif de ce stage est de réfléchir sur ces nouvelles données venant des capteurs. Il ne suffit pas de collecter les données, il faut les rendre interprétables pour la ville pour l’aménagement de la voirie et pour la gestion de trafic.

Nous proposons d’abord d’envisager ces nouvelles données sous l’angle de la gestion de trafic. Comment les indicateurs « classiques » de vitesse moyenne ou de taux d’occupation peuvent être améliorés par ces nouvelles données ?

Ensuite, nous souhaitons nous focaliser sur l’aménagement de la voirie, par exemple avec l’étude d’une rue commerçante où de nombreux véhicules de livraison circuleraient. Dans le cadre d’une réflexion sur les aires de livraison, quels seraient les indicateurs à créer et à étudier pour juger de la pertinence d’un choix d’infrastructure ?

Au regard de l’aboutissement et la qualité du travail réalisé, la Chaire accompagnera le ou la candidat(e) dans la dissémination des résultats à travers la rédaction d’une publication scientifique pour une conférence.

Le ou la candidat(e) devra maîtriser Python, posséder des connaissances en statistiques, et un intérêt pour la prise de décision et la recherche.

Le stage sera rémunéré au SMIC pour une durée de 6 mois (adaptable).

Contact : Arthur Gaudron arthur.gaudron@mines-paristech.fr

La Chaire Logistique Urbaine, piloté par MINES ParisTech, regroupe des acteurs publics (l’ADEME et la Mairie de Paris) et privés (le Groupe Pomona, le Groupe La Poste, et le Groupe Renault) pour mener un programme de recherche dans le domaine du transport de marchandises en ville. Le programme vise à développer des connaissances pour la prise de décision pour la logistique urbaine : un système complexe où la décision doit composer avec les enjeux économiques, sociaux et environnementaux pour satisfaire les attentes des diverses parties prenantes (citadins, citoyens, élus, transporteurs, commerçants, etc.).

Le développement des offres de livraisons express (dans l’heure ou pour le lendemain) pour les produits (alimentaires, high-tech, et tous les biens de consommation) s’est accompagné d’un développement des services de coursiers. Les coursiers plus flexibles permettent de mieux s’adapter au format de livraison dans l’heure en particulier pour le domaine de l’alimentaire.

Le modèle économique actuel est menacé par de récentes dispositions légales. En effet, la Cour de Cassation a rendu un arrêt le 4 mars 2020 qui conclue au caractère fictif du statut de travailleur indépendant pour le cas d’un chauffeur de l’entreprise Uber [1]. Les entreprises faisant appel à des travailleurs indépendants pourraient être obligées de les requalifier en salariés. Le modèle économique devra probablement évoluer pour garantir les protections offertes par le salariat.

L’objectif de ce travail de recherche est d’identifier les conditions d’un modèle économique durable d’une entreprise de livraison express utilisant des coursiers à vélo salariés. Nous nous placerons dans la perspective d’une organisation souhaiterait déterminer différentes variables pour assurer une activité pérenne, par exemple :

• la taille de la flotte ;
• les emplois du temps des coursiers (tiers-temps, mi-temps, plein temps) ;
• la promesse de temps de livraison maximale ;
• la demande (nombre de livraisons) nécessaire pour la viabilité économique du modèle.

La première partie du projet consistera dans la proposition d’un modèle pour comprendre les liens entre ces variables pour soutenir une décision à niveau stratégique : le dimensionnement d’un service de livraison express.

Dans une deuxième partie, nous souhaitons faire apparaître la dynamique du système pour comprendre la relation entre la demande et l’offre de livraison. Par exemple, un acheteur e-commerce est plus susceptible de faire une commande si la livraison est rapide. Autrement dit, la probabilité d’une commande augmente lorsque le temps de livraison diminue, dès lors il faut s’assurer que la promesse de temps de livraison puisse toujours être tenue.

Au regard de l’aboutissement et la qualité du travail réalisé, la Chaire accompagnera le ou la candidat(e) dans la dissémination des résultats à travers la rédaction d’une publication scientifique pour une conférence.

Le ou la candidat(e) devra maîtriser Python, posséder des connaissances en recherche opérationnelle, et un intérêt pour la simulation multi-agents et pour la recherche.

Le stage sera rémunéré au SMIC pour une durée de 6 mois (adaptable).

Contact : Arthur Gaudron arthur.gaudron@mines-paristech.fr

 [1] https://www.courdecassation.fr/jurisprudence_2/chambre_sociale_576/374_4_44522.html

La Chaire Logistique Urbaine a organisé un atelier lors du “Ingénieurs et transitions” à MINES ParisTech le 7 et 8 novembre 2019.

Douze étudiants de MINES ParisTech ont participé à l’atelier pour réfléchir aux enjeux de l’utilisation des outils de modélisation pour soutenir des décisions stratégiques d’une ville, et sur l’intérêt d’une démarche participative. Un compte rendu de l’atelier réalisé par les étudiants donnera lieu à une publication dans le cadre de ce séminaire.

L’objectif de ce séminaire est de fournir aux étudiants de dernière année de l’École des Mines, très prochainement jeunes ingénieurs, des pistes de réflexion et d’action face aux problématiques environnementales émergentes. La question de la transition environnementale sera donc abordée du point de vue du devenir des ingénieurs, afin de donner à ces derniers des outils pour agir pour la transition environnementale dans leur futur professionnel.

Lors de la conférence I-NUF 2019 du 15 au 18 Novembre 2019, la Chaire a présenté deux travaux de recherche :

“Collaboration in city logistics using interactive simulation” Arthur Gaudron, Simon Tamayo, Arnaud de La Fortelle.

La présentation décrit le travail de recherche entrepris par la Chaire sur les Systèmes d’Aide à la Décision à un niveau stratégique et en particulier sur l’apport de la simulation interactive pour établir un consensus autour des parties prenantes.

” Classifying logistic vehicles in cities using Deep learning” Salma Benslimane, Simon Tamayo, Arnaud de La Fortelle

Dans cette présentation, nous avons exposé les détails d’un algorithme de deep learning pour la classification de véhicules à partir de vidéos. L’objectif de ce projet est de fournir des informations plus complètes et à bas coût sur l’utilisation de l’infrastructure d’une rue, d’un quartier ou d’une ville.

Du 12 au 14 juin 2019 la Chaire pésente deux de ses travaux dans la conférence mondiale de logistique urbaine 11th International Conference on City Logistics.

Les travaux présentés sont :

• « Unsupervised Machine Learning for better understanding the mainstream view of City Logistics » (Simon TAMAYO, François COMBES, Arthur GAUDRON).  Télécharger la presentation,   Voir la publication.

• « Interactive Simulation For Co-Constructing A City Logistics Solution » (Arthur GAUDRON, Arnaud de LA FORTELLE, Simon TAMAYO).

Dans ce lien vous pouvez télécharger le programme de la conférence.

PSL confirme sa place de première université française à figurer dans le top 75 de l’édition 2018 du classement mondial du Times Higher Education (THE). Placée 72ème, elle est l’institution hexagonale la mieux classée, et la 22ème européenne.

Dans le mois de mai 2019 la Chaire présentera deux de ses travaux dans la conférence mondiale de transport organisée per Elsevier.

Les travaux présentés sont:

• « Classifying logistic vehicles in cities using Deep learning » (S. Benslimane*, S. Tamayo, A. De La Fortelle)
• « Food open-air markets in Paris: transportation environmental issues » (R. Benoit, C. Gunot, S. Tamayo*, A. Gaudron, F. Fontane)

Dans ce lien vous pouvez télécharger le programme de la conférence.

---

Ci après les résumés des travaux présentés  :

« Food open-air markets in Paris: transportation environmental issues »

Abstract— Food consumption habits have changed significantly in recent years due to the emergence of new distribution methods; such as shorter food supply chains. Today, consumers have access to a wide range of ways to do their groceries: online, through farm cooperatives and specialized stores. Historical vectors of food supply and representing a French-style “Art de Vivre”, local markets seem unshakeable and continue to play an important role in the lives of French citizens who seek to shop local. Faced with new consumer demands, local markets are looking to adapt to the changing habits of their customers, particularly in terms of environmental impacts. More specifically, Parisian markets are affected by the increasingly restrictive transportation environmental standards enforced by the city. Despite this, very few studies have been conducted on the real impact of the transport of food markets, which supply Parisians on a daily basis. They stand out from their regional counterparts, as the Ile-de- France region is not self-sufficient to feed all of its inhabitants, which results in only a small share of merchandise being sourced from local producers. Largely dependent on national agriculture and imports, the presence of the world’s largest fresh products market (Rungis International Market) reflects a steadily increasing need for one of the world’s most populous agglomerations. By means of a quantitative study, this article provides an initial assessment of the environmental impact of the regular maintenance of food markets and suggests potential development possibilities to maintain their activities while reducing their carbon footprint.

« Classifying logistic vehicles in cities using Deep learning »

Abstract— Rapid growth in delivery and freight transportation is increasing in urban areas; as a result the use of delivery trucks and light commercial vehicles is evolving. Major cities can use traffic counting as a tool to monitor the presence of delivery vehicles in order to implement intelligent city planning measures. Classical methods for counting vehicles use mechanical, electromagnetic or pneumatic sensors, but these devices are costly, difficult to implement and only detect the presence of vehicles without giving information about their category, model or trajectory. This paper proposes a Deep Learning tool for classifying vehicles in a given image while considering different categories of logistic vehicles, namely: light-duty, medium-duty and heavy-duty vehicles. The proposed approach yields two main contributions: first we developed an architecture to create an annotated and balanced database of logistic vehicles, reducing manual annotation efforts. Second, we built a classifier that accurately classifies the logistic vehicles passing through a given road. The results of this work are: first, a database of 72 000 images for 4 vehicles classes; and second two retrained convolutional neural networks (InceptionV3 and MobileNetV2) capable of classifying vehicles with accuracies over 90%.

Nous sommes heureux de vous présenter une nouvelle publication réalisée en collaboration avec le Master Spécialisé Management Industriel et Systèmes Logistiques “MS MISL” de MINES ParisTech PSL.

Auteurs: Raphaël Benoit, Corine Gunot, Simon Tamayo, Arthur Gaudron & Frédéric Fontane.

---

Résumé