Un nouveau système d’intelligence artificielle mis au point par des chercheurs de l’université d’Aston surpasse largement toutes les autres méthodes.
Un nouveau système d’intelligence artificielle lit les images d’une caméra en direct et adapte les feux pour compenser la perte de trafic.
En 2014, les Américains ont passé 6,9 milliards d’heures coincées dans les embouteillages. Pendant les embouteillages, le navetteur moyen a utilisé 19 gallons d’essence supplémentaires. Cela représente 160 milliards de dollars en temps et en carburant perdus chaque année.
Dans de nombreuses grandes villes américaines, le trafic peut faire perdre plus de 100 heures par an au conducteur type. Sur un lieu de travail typique, cela représente suffisamment de temps pour prendre deux semaines et demie de congé. Heureusement, des chercheurs s’efforcent de réduire les embouteillages, que ce soit par le développement de voitures sans conducteur ou par l’utilisation de l’intelligence artificielle dans les feux de circulation.
Par exemple, les longues files d’attente aux feux de signalisation pourraient appartenir au passé grâce à la nouvelle technologie d’intelligence artificielle (IA) des chercheurs de l’université d’Aston. Ce système, le premier du genre, analyse les images vidéo en direct et ajuste les feux pour compenser, ce qui permet de fluidifier le trafic et de réduire les embouteillages.
La méthode utilise l’apprentissage par renforcement profond, dans lequel le logiciel reconnaît quand il ne fonctionne pas bien et tente une nouvelle approche – ou continue à s’améliorer quand il fait des progrès. Le système a surpassé toutes les autres approches testées, qui dépendent souvent de transitions de phase conçues manuellement. La synchronisation inadéquate des feux de circulation est une cause majeure de congestion.
Le nouveau système de feux de circulation à intelligence artificielle pourrait faire des embouteillages un lointain souvenir. Crédit : Université d’Aston
Les chercheurs ont construit un simulateur de trafic photoréaliste de pointe, Traffic 3D, pour entraîner leur programme, en lui apprenant à gérer différents scénarios de trafic et de météo. Lorsque le système a été testé sur un carrefour réel, il s’est ensuite adapté aux intersections réelles, bien qu’il ait été entièrement formé sur des simulations. Il pourrait donc être efficace dans de nombreux contextes du monde réel.
Le Dr Maria Chli, lectrice en informatique à l’université d’Aston, a expliqué : “Nous l’avons configuré comme un jeu de contrôle du trafic. Le programme reçoit une ‘récompense’ lorsqu’il fait passer une voiture à un carrefour. Chaque fois qu’une voiture doit attendre ou qu’il y a un embouteillage, il y a une récompense négative. En fait, nous n’avons pas à intervenir ; nous contrôlons simplement le système de récompense.”
À l’heure actuelle, la principale forme d’automatisation des feux de signalisation utilisés aux carrefours dépend des boucles d’induction magnétique ; un fil est placé sur la route et enregistre les voitures qui passent dessus. Le programme les compte et réagit ensuite à ces données. Comme l’IA créée par l’équipe de l’université d’Aston “voit” un fort volume de trafic avant que les voitures n’aient franchi les feux et prend sa décision à ce moment-là, elle est plus réactive et peut réagir plus rapidement.
Le Dr George Vogiatzis, maître de conférences en informatique à l’université d’Aston, a déclaré : “La raison pour laquelle nous avons basé ce programme sur des comportements appris est qu’il peut comprendre des situations qu’il n’a pas explicitement expérimentées auparavant. Nous l’avons testé avec un obstacle physique à l’origine de la congestion, plutôt qu’avec le phasage des feux de signalisation, et le système s’est toujours bien comporté. Tant qu’il existe un lien de causalité, l’ordinateur finira par le découvrir. C’est un système extrêmement puissant.”
Le programme peut être configuré pour voir n’importe quel carrefour – réel ou simulé – et commencera à apprendre de manière autonome. Le système de récompense peut être manipulé, par exemple, pour encourager le programme à laisser passer rapidement les véhicules d’urgence. Mais le programme apprend toujours par lui-même, plutôt que d’être programmé avec des instructions spécifiques.
Les chercheurs espèrent commencer à tester leur système sur des routes réelles cette année.
Référence : “Fully-Autonomous, Vision-based Traffic Signal Control : from Simulation to Reality” par Deepeka Garg, Maria Chli et George Vogiatzis, 2022, Actes de la 21e conférence internationale sur les agents autonomes et les systèmes multi-agents..
