Quels défis technologiques restent à surmonter pour le train autonome ?

Le train autonome, une révolution pour la logistique et le transport, représente une avancée significative promettant une amélioration de la sécurité ferroviaire, de l'efficacité énergétique et de la durabilité environnementale. Le potentiel est immense, allant de la réduction des erreurs humaines, un facteur clé dans les accidents ferroviaires, à l'optimisation de la consommation d'énergie, un enjeu crucial pour les opérateurs ferroviaires. Cependant, la mise en œuvre à grande échelle de cette technologie rencontre des obstacles technologiques majeurs. Ces défis technologiques doivent être résolus pour permettre une adoption généralisée et sécurisée du train autonome, en particulier les défis liés à la perception de l'environnement et à l'intelligence artificielle (IA).

L'autonomie des trains n'est pas un concept uniforme; elle englobe différents niveaux, allant de l'assistance au conducteur à l'absence totale de personnel à bord. Les avantages attendus sont multiples : sécurité accrue grâce à la réduction de l'erreur humaine, optimisation de la consommation d'énergie grâce à une gestion intelligente du profil de vitesse, augmentation de la capacité du réseau grâce à une gestion optimisée des intervalles entre les trains, et réduction des coûts d'exploitation, un facteur déterminant pour la compétitivité du transport ferroviaire. L'intégration de cette technologie nécessite une adaptation des infrastructures existantes, un investissement estimé à 200 milliards d'euros en Europe, et une validation rigoureuse des systèmes de sécurité.

Perception de l'environnement : voir, entendre et comprendre le monde ferroviaire

La capacité d'un train autonome à percevoir son environnement est fondamentale pour sa sécurité ferroviaire et son efficacité opérationnelle. Il doit être capable de détecter et d'identifier les obstacles, de comprendre les signaux ferroviaires et de naviguer avec précision sur le réseau ferroviaire. Cette perception repose sur une combinaison de capteurs avancés, d'algorithmes sophistiqués et de systèmes d'intelligence artificielle. Le développement de solutions robustes et fiables, capables de fonctionner dans toutes les conditions météorologiques, est essentiel pour assurer le bon fonctionnement du train autonome.

Les limites des capteurs actuels

Les systèmes de perception des trains autonomes dépendent fortement des capteurs embarqués, tels que les caméras haute résolution, les radars à ondes millimétriques et les LIDARs (Light Detection and Ranging). Chaque type de capteur a ses propres forces et faiblesses, et leur efficacité peut être affectée par les conditions environnementales, notamment le brouillard, la neige et la pluie. Le défi consiste à combiner les données de ces différents capteurs, une technique appelée fusion de capteurs, pour créer une image complète et précise de l'environnement du train. Les limitations des capteurs actuels, en particulier en matière de perception par mauvais temps, représentent un frein important au développement de trains entièrement autonomes.

Défis liés à la vision par ordinateur

La vision par ordinateur joue un rôle crucial dans la perception de l'environnement par les trains autonomes. Elle permet d'identifier les obstacles sur la voie ferrée, de lire les signaux ferroviaires et de naviguer sur le réseau ferroviaire complexe. Cependant, la vision par ordinateur peut être affectée par les conditions météorologiques défavorables, telles que le brouillard dense, la neige abondante, la pluie torrentielle et le soleil éblouissant. Ces conditions peuvent réduire la visibilité à moins de 50 mètres et rendre difficile la détection et l'identification des objets, augmentant ainsi le risque d'accidents ferroviaires.

Il est essentiel de pouvoir identifier avec précision les obstacles sur la voie, qu'il s'agisse de personnes, d'animaux, de véhicules ou d'objets tombés sur la voie. La nuit ou en basse visibilité, cette tâche devient particulièrement difficile. Les algorithmes de vision par ordinateur doivent être capables de distinguer les obstacles inoffensifs, comme les feuilles mortes, des obstacles dangereux, comme les rochers ou les débris. Une mauvaise interprétation des données visuelles peut entraîner des arrêts d'urgence inutiles, perturbant le trafic ferroviaire, ou, pire encore, des accidents aux conséquences potentiellement catastrophiques. Le taux de reconnaissance des objets doit atteindre 99.99% pour garantir une sécurité optimale.

Limitations du LIDAR et du radar

Le LIDAR (Light Detection and Ranging) et le radar sont d'autres types de capteurs utilisés dans les trains autonomes pour détecter les obstacles à longue distance. Le LIDAR utilise des impulsions laser pour créer une carte 3D haute résolution de l'environnement, tandis que le radar utilise des ondes radio pour détecter les objets, même par mauvais temps. Cependant, le LIDAR peut être sensible aux interférences de la pluie et du brouillard, ce qui peut réduire sa portée et sa précision, en particulier à des distances supérieures à 100 mètres. Le radar a une résolution limitée, ce qui peut rendre difficile l'identification précise des petits obstacles, comme les câbles ou les débris de petite taille.

La performance du LIDAR se dégrade significativement dans des conditions atmosphériques défavorables. La portée effective peut être réduite de 50% en cas de forte pluie ou de brouillard dense. La résolution du radar, souvent autour de 5 degrés, peut rendre difficile la distinction entre deux objets proches l'un de l'autre, en particulier dans les zones urbaines denses. Ces limitations nécessitent le développement de systèmes de fusion de capteurs sophistiqués, intégrant des algorithmes d'intelligence artificielle, pour compenser les faiblesses de chaque technologie individuelle et garantir une perception fiable et précise de l'environnement.

Exploitation des données issues des capteurs embarqués et de l'infrastructure

Pour une perception optimale de l'environnement, il est crucial de fusionner les données provenant des différents capteurs embarqués sur le train, ainsi que les informations provenant de l'infrastructure ferroviaire. Cette fusion de capteurs permet de créer une image plus complète et fiable de l'environnement, en compensant les limitations de chaque capteur individuel. Il est également possible d'utiliser les informations fournies par l'infrastructure ferroviaire, telles que les signaux ferroviaires numériques, les détecteurs de présence sur la voie ferrée et les données provenant des trains connectés via des systèmes de communication avancés (par exemple, le FRMCS - Future Railway Mobile Communication System). L'intégration de ces différentes sources d'information permet d'améliorer la perception de l'environnement et de prendre des décisions plus éclairées.

• Fusion des données des capteurs pour une perception complète et robuste de l'environnement.
• Utilisation des informations provenant de l'infrastructure ferroviaire (signaux, détecteurs, etc.).
• Communication avec les trains connectés pour partager les informations sur le trafic et les conditions de la voie.

L'importance de l'apprentissage automatique et de l'intelligence artificielle

L'apprentissage automatique (Machine Learning) et l'intelligence artificielle (IA) jouent un rôle de plus en plus important dans la perception de l'environnement par les trains autonomes. Ces technologies permettent d'améliorer la précision et la robustesse des systèmes de perception, en leur permettant d'apprendre à partir de vastes quantités de données provenant des capteurs et de l'infrastructure. L'IA peut également être utilisée pour prédire le comportement des obstacles, comme un véhicule qui s'approche de la voie ferrée, et identifier les anomalies dans l'environnement, comme un glissement de terrain ou un affaissement de la voie. L'IA permet également d'optimiser la consommation d'énergie du train autonome en adaptant sa vitesse et sa trajectoire en fonction des conditions de la voie et du trafic.

Formation des algorithmes de reconnaissance d'objets

Les algorithmes de reconnaissance d'objets doivent être entraînés à identifier les différents types d'obstacles qui peuvent se trouver sur la voie ferrée, tels que les personnes, les animaux, les véhicules, les débris et les signaux ferroviaires. Cet entraînement nécessite de vastes bases de données d'images et de vidéos annotées, où chaque objet est étiqueté avec son type et sa position. Il est également important de développer des algorithmes capables d'apprendre à partir de données imparfaites ou bruitées, car les données réelles sont rarement parfaites. Les algorithmes doivent également être capables de s'adapter aux variations de luminosité, de contraste et de couleur, ainsi qu'aux changements de perspective et d'échelle.

Les bases de données nécessaires à l'entraînement de ces algorithmes doivent contenir au moins 500 000 images par type d'objet pour atteindre une précision acceptable de 99.9%. La qualité des annotations est cruciale; une erreur d'annotation de seulement 1% peut réduire la performance de l'algorithme de 5%. Le coût de l'annotation manuelle de ces bases de données peut atteindre 1 million d'euros par type d'objet. L'utilisation de techniques d'apprentissage semi-supervisé et d'apprentissage par transfert peut permettre de réduire le coût de l'annotation et d'améliorer la performance des algorithmes.

Amélioration de la perception grâce à l'IA

L'IA peut être utilisée pour améliorer la perception de l'environnement de plusieurs manières. Par exemple, elle peut être utilisée pour prédire le comportement des obstacles, comme un animal qui s'approche de la voie ferrée ou un véhicule qui traverse un passage à niveau. Elle peut également être utilisée pour identifier les anomalies dans l'environnement, comme un glissement de terrain ou un affaissement de la voie, en analysant les données provenant des capteurs et d'autres sources d'information, comme les images satellites et les données géologiques. En analysant les données provenant des capteurs et d'autres sources d'information, l'IA peut aider le train autonome à prendre des décisions plus éclairées et à éviter les accidents.

• Prédire le comportement des obstacles (animaux, véhicules).
• Identifier les anomalies dans l'environnement (glissements de terrain, affaissements de la voie).
• Analyser les données provenant des capteurs et d'autres sources d'information pour une prise de décision éclairée.

Idées originales

L'amélioration de la perception de l'environnement des trains autonomes passe par l'exploration de nouvelles technologies et approches. L'utilisation de l'imagerie hyperspectrale pour l'identification des matériaux sur la voie ferrée, le développement de capteurs distribués intégrés à la voie et l'intégration de systèmes de cartographie 3D en temps réel sont autant de pistes prometteuses.

• Utilisation de l'imagerie hyperspectrale pour l'identification des matériaux et des contaminants sur la voie.
• Développement de capteurs distribués intégrés à la voie pour une détection précoce des anomalies.
• Intégration de systèmes de cartographie 3D en temps réel pour une navigation précise et une perception améliorée de l'environnement.

Prise de décision et contrôle : comment réagir intelligemment en toutes circonstances ?

Une fois que le train autonome a perçu son environnement, il doit être capable de prendre des décisions et de contrôler son mouvement en conséquence. Cette prise de décision doit être rapide, précise et fiable, en particulier dans les situations d'urgence, comme la détection d'un obstacle sur la voie ou le franchissement d'un signal d'arrêt. Le train doit également être capable d'optimiser son trajet en temps réel, en adaptant sa vitesse et sa trajectoire aux conditions de trafic changeantes et aux contraintes de l'infrastructure ferroviaire. La complexité de la prise de décision, en particulier dans les situations imprévisibles, représente un défi majeur pour le développement des trains autonomes.

Complexité de la prise de décision

La prise de décision pour un train autonome est un processus complexe qui doit tenir compte de nombreux facteurs, notamment la présence d'obstacles sur la voie, les signaux ferroviaires, les limitations de vitesse, les horaires de circulation, les conditions de trafic et les contraintes de l'infrastructure ferroviaire. Le train doit être capable de gérer les situations d'urgence, comme un freinage d'urgence en cas d'obstacle imprévu, d'optimiser son trajet pour minimiser la consommation d'énergie et maximiser le confort des passagers, et de respecter les règles de sécurité et les réglementations ferroviaires.

Gestion des situations d'urgence

La gestion des situations d'urgence est un aspect crucial de la prise de décision pour les trains autonomes. Le train doit être capable d'arrêter d'urgence en cas d'obstacle imprévu, comme un véhicule immobilisé sur un passage à niveau, de gérer les déraillements ou les collisions, et de communiquer avec les autorités ferroviaires et les passagers pour les informer de la situation et leur fournir les instructions nécessaires. Ces situations nécessitent une prise de décision rapide et précise, car chaque seconde compte pour minimiser les conséquences de l'incident.

Le temps de réaction d'un système autonome en cas d'urgence doit être inférieur à 100 millisecondes pour éviter une collision dans la plupart des scénarios. La communication avec les autorités ferroviaires en cas de déraillement doit être établie en moins de 30 secondes. L'évacuation des passagers d'un train déraillé doit être simulée et validée avec un taux de succès de 99.999%, en tenant compte des différents types de passagers (personnes à mobilité réduite, enfants, etc.).

Optimisation du trajet en temps réel

L'optimisation du trajet en temps réel est un autre aspect important de la prise de décision pour les trains autonomes. Le train doit être capable d'adapter sa vitesse et sa trajectoire aux conditions de trafic changeantes, comme les retards causés par des incidents ou les modifications des horaires de circulation, afin de minimiser les retards et d'optimiser la consommation d'énergie. Cette optimisation nécessite une analyse constante des données provenant des capteurs, des systèmes de communication et des bases de données de l'infrastructure ferroviaire.

L'optimisation du trajet en temps réel peut réduire la consommation d'énergie jusqu'à 20%. L'adaptation aux conditions de trafic permet de minimiser les retards de 10% en moyenne. Le système doit être capable de prendre des décisions en tenant compte des prévisions météorologiques pour optimiser la vitesse et la sécurité du trajet, en particulier en cas de fortes pluies, de neige ou de vent.

Respect des règles de sécurité et des réglementations

Le respect des règles de sécurité et des réglementations ferroviaires est une exigence fondamentale pour les trains autonomes. Le train doit être capable d'interpréter les signaux ferroviaires, de respecter les limitations de vitesse, de se conformer aux procédures d'autorisation de circulation et de respecter les autres règles en vigueur sur le réseau ferroviaire. Le non-respect de ces règles peut entraîner des accidents et des sanctions pénales pour les opérateurs ferroviaires.

Les trains autonomes doivent respecter plus de 3000 règles de sécurité et réglementations ferroviaires différentes. Le système de contrôle doit être capable de vérifier le respect de ces règles en temps réel, au moins 20 fois par seconde. La documentation et la validation du respect de ces règles représentent un défi majeur pour les constructeurs de trains autonomes, car elles nécessitent des tests rigoureux et des simulations approfondies.

Le rôle de l'IA dans la prise de décision

L'IA joue un rôle essentiel dans la prise de décision pour les trains autonomes. Elle permet d'automatiser la planification du trajet, d'analyser les données provenant des capteurs et de prendre des décisions complexes en temps réel, en tenant compte des différents facteurs et contraintes. L'apprentissage par renforcement, une technique d'IA qui permet d'entraîner les algorithmes de prise de décision dans des environnements simulés, peut être utilisé pour améliorer continuellement les performances du système de prise de décision.

• Automatisation de la planification du trajet, en tenant compte des contraintes de temps, de coût et de sécurité.
• Analyse des données provenant des capteurs et de l'infrastructure pour une prise de décision éclairée.
• Apprentissage par renforcement pour l'amélioration continue des performances du système de prise de décision.

Planification du trajet et prise de décision

L'IA peut être utilisée pour planifier le trajet du train autonome en tenant compte de différents critères, tels que la distance à parcourir, le temps de trajet, la consommation d'énergie, le confort des passagers et les contraintes de l'infrastructure ferroviaire. Elle peut également être utilisée pour prendre des décisions en cas d'imprévus, comme un retard causé par un incident ou un obstacle sur la voie. La planification du trajet et la prise de décision sont des tâches complexes qui nécessitent une grande capacité de calcul et d'analyse.

Apprentissage par renforcement pour l'amélioration continue

L'apprentissage par renforcement est une technique d'IA qui permet d'entraîner les algorithmes de prise de décision dans des environnements simulés. Le système apprend à prendre les bonnes décisions en recevant des récompenses pour les actions positives, comme un freinage réussi pour éviter une collision, et des pénalités pour les actions négatives, comme le franchissement d'un signal d'arrêt. Cette technique permet d'améliorer continuellement les performances du système de prise de décision, en l'adaptant aux conditions réelles et en lui permettant de gérer des situations de plus en plus complexes.

Idées originales

Pour améliorer la prise de décision et le contrôle des trains autonomes, il est possible d'utiliser des jumeaux numériques, des systèmes de décision explicables et des systèmes de vote basés sur l'IA.

• Développement de "jumeaux numériques" des trains : des simulations virtuelles hyper-réalistes pour tester les stratégies de prise de décision dans des scénarios complexes et imprévisibles.
• Implémentation de systèmes de décision "explicables" : des algorithmes d'IA qui peuvent justifier leurs décisions, permettant ainsi une meilleure confiance et une auditabilité accrue.
• Systèmes de vote basés sur l'IA pour gérer les situations ambiguës : utiliser différents algorithmes de décision et voter pour la meilleure action, en tenant compte des incertitudes et des risques.

Gestion des pannes et maintenance prédictive : anticiper et réparer avant que la catastrophe ne survienne

La gestion des pannes et la maintenance prédictive sont des aspects essentiels de la sécurité et de la fiabilité des trains autonomes. Il est crucial de concevoir des systèmes robustes et tolérants aux pannes, de mettre en place des mécanismes de redondance pour les composants critiques et de développer des systèmes de diagnostic embarqués pour la détection précoce des problèmes. La maintenance prédictive, basée sur l'IA, permet d'anticiper les pannes potentielles et de planifier les interventions de maintenance de manière optimale, en minimisant les temps d'arrêt et en réduisant les coûts d'exploitation. Une gestion efficace des pannes et de la maintenance est primordiale pour garantir la disponibilité et la sécurité des trains autonomes.

Fiabilité et redondance des systèmes

La fiabilité et la redondance des systèmes sont des exigences fondamentales pour les trains autonomes. Les systèmes doivent être conçus pour fonctionner de manière fiable pendant de longues périodes, même en cas de défaillance d'un composant. La redondance permet de garantir qu'un système continue de fonctionner même si un composant tombe en panne, en basculant automatiquement vers un composant de secours. La fiabilité des systèmes doit atteindre un niveau de disponibilité de 99.999% pour garantir un service continu et sécurisé.

• Conception de systèmes robustes et tolérants aux pannes, avec des composants de haute qualité et des marges de sécurité importantes.
• Mise en place de mécanismes de redondance pour les composants critiques, comme les systèmes de freinage, les systèmes de direction et les systèmes de communication.
• Développement de systèmes de diagnostic embarqués pour la détection précoce des problèmes, avec des capteurs qui surveillent en permanence l'état des composants et des algorithmes qui analysent les données pour détecter les anomalies.

Maintenance prédictive basée sur l'IA

La maintenance prédictive, basée sur l'IA, permet d'anticiper les pannes potentielles et de planifier les interventions de maintenance de manière optimale, en minimisant les temps d'arrêt et en réduisant les coûts d'exploitation. En analysant les données provenant des capteurs embarqués, l'IA peut identifier les signes de vieillissement ou de défaillance et prédire les pannes potentielles, en tenant compte des conditions d'exploitation et de l'historique de maintenance. Cette approche permet de réduire les coûts de maintenance jusqu'à 25%, de minimiser les temps d'arrêt de 15% et d'améliorer la sécurité en prévenant les incidents causés par des pannes.

La maintenance prédictive peut réduire les coûts de maintenance jusqu'à 30% en optimisant les cycles de maintenance et en réduisant le gaspillage de pièces de rechange. Elle permet de minimiser les temps d'arrêt de 20% en planifiant les interventions de maintenance pendant les périodes creuses et en évitant les pannes inattendues. L'analyse des données des capteurs permet de prédire les pannes avec une précision de 95%, en tenant compte des différents types de pannes et des différents composants du train.

• Analyse des données provenant des capteurs embarqués, comme les capteurs de vibration, les capteurs de température et les capteurs de pression.
• Prédiction des pannes potentielles, en utilisant des algorithmes d'apprentissage automatique et des modèles statistiques.
• Optimisation des cycles de maintenance, en tenant compte des coûts de maintenance, des temps d'arrêt et des risques de pannes.

Idées originales

Pour améliorer la gestion des pannes et la maintenance prédictive, il est possible d'utiliser des drones autonomes pour l'inspection visuelle des voies ferrées et des infrastructures ferroviaires, de développer des robots de maintenance autonomes capables d'effectuer des réparations mineures sur la voie ou sur les trains et d'intégrer l'impression 3D pour la fabrication à la demande de pièces de rechange en cas d'urgence.

• Utilisation de drones autonomes pour l'inspection visuelle des voies ferrées et des infrastructures ferroviaires, comme les ponts, les tunnels et les caténaires.
• Développement de robots de maintenance autonomes capables d'effectuer des réparations mineures sur la voie ou sur les trains, comme le remplacement de boulons, le soudage de fissures et le nettoyage de graffitis.
• Intégration de l'impression 3D pour la fabrication à la demande de pièces de rechange en cas d'urgence, en réduisant les délais de livraison et les coûts de stockage.

Cybersécurité : protéger le réseau ferroviaire contre les menaces informatiques

La cybersécurité est un enjeu majeur pour les trains autonomes, car ils sont connectés à des réseaux de communication et contrôlés par des systèmes informatiques. Il est essentiel de protéger ces systèmes contre les attaques informatiques qui pourraient perturber le trafic ferroviaire, compromettre la sécurité des passagers ou voler des données sensibles. La mise en place de stratégies de cybersécurité robustes est indispensable pour garantir la sécurité et la fiabilité des trains autonomes. La sécurisation des données et des communications est cruciale pour prévenir les cyberattaques et garantir la continuité du service.

Vulnérabilités des systèmes de contrôle ferroviaire

Les systèmes de contrôle ferroviaire sont vulnérables aux attaques informatiques en raison de leur complexité, de leur interconnexion et de leur dépendance aux réseaux de communication. Les risques comprennent la perturbation du trafic ferroviaire, par exemple en modifiant les signaux ou en bloquant les communications, le vol de données sensibles, comme les informations sur les passagers ou les plans de l'infrastructure ferroviaire, et la compromission de la sécurité des passagers, par exemple en manipulant les systèmes de freinage ou de direction. Il est essentiel d'identifier et de corriger les vulnérabilités pour protéger les systèmes contre les attaques.

• Risques liés à la connexion des trains aux réseaux de communication, comme l'accès non autorisé aux systèmes de contrôle et le vol de données.
• Protection contre les attaques informatiques, comme les virus, les vers, les chevaux de Troie et les attaques par déni de service.
• Sécurisation des données sensibles, comme les informations sur les passagers, les plans de l'infrastructure et les données financières.

Stratégies de cybersécurité pour les trains autonomes

Pour protéger les trains autonomes contre les menaces informatiques, il est nécessaire de mettre en place des stratégies de cybersécurité robustes, basées sur les principes de défense en profondeur et de sécurité multicouche. Ces stratégies comprennent la mise en place de pare-feu et de systèmes de détection d'intrusion pour surveiller le trafic réseau et bloquer les attaques, le chiffrement des données pour protéger la confidentialité des informations sensibles et l'authentification forte pour vérifier l'identité des utilisateurs et des systèmes. Il est également important de former le personnel à la cybersécurité pour qu'il puisse identifier et signaler les menaces.

Un pare-feu doit être capable de bloquer au moins 99.999% des attaques informatiques connues et de détecter les attaques inconnues en utilisant des techniques d'analyse comportementale. Le temps de détection d'une intrusion ne doit pas dépasser 50 millisecondes pour minimiser les dommages causés par l'attaque. L'authentification forte doit être mise en place pour tous les accès aux systèmes critiques, en utilisant des méthodes d'authentification à deux facteurs ou multi-facteurs.

• Mise en place de pare-feu et de systèmes de détection d'intrusion pour protéger le réseau ferroviaire contre les attaques informatiques.
• Chiffrement des données pour protéger la confidentialité des informations sensibles.
• Authentification forte pour vérifier l'identité des utilisateurs et des systèmes et empêcher l'accès non autorisé.

Idées originales

Pour renforcer la cybersécurité des trains autonomes, il est possible de développer des systèmes de défense actifs capables de détecter et de neutraliser les cyberattaques en temps réel, d'utiliser la blockchain pour sécuriser les communications et les données critiques et de créer des "cyber range" dédiés à la validation des systèmes de cybersécurité ferroviaires.

• Développement de "systèmes de défense actifs" : des algorithmes d'IA capables de détecter et de neutraliser les cyberattaques en temps réel, en adaptant leur comportement en fonction de la menace.
• Utilisation de la blockchain pour sécuriser les communications et les données critiques, en garantissant l'intégrité, la confidentialité et l'auditabilité des informations.
• Création de "cyber range" dédiés à la validation des systèmes de cybersécurité ferroviaires, en simulant des attaques réalistes et en testant la capacité des systèmes à résister aux menaces.

Le développement et la mise en œuvre du train autonome sont un défi complexe qui nécessite une collaboration étroite entre les constructeurs ferroviaires, les fournisseurs de technologies, les opérateurs ferroviaires, les autorités de régulation et les experts en cybersécurité. Les bénéfices potentiels en termes de sécurité, d'efficacité et de durabilité sont considérables et justifient les investissements importants nécessaires pour surmonter les défis technologiques et garantir la sécurité du réseau ferroviaire.