La plupart d’entre nous n’aiment pas attendre aux feux de circulation jusqu’à ce que le feu passe au vert pour les franchir. Parfois, nous essayons de les contourner et nous finissons par nous faire prendre, puis par payer une amende salée. Parfois, cela peut aussi entraîner des accidents. Il est vrai que l’attente au signal est très fatigante et qu’elle nous coûte en termes de gaspillage de carburant et de temps, tout en nuisant à l’environnement. Les automobilistes et les planificateurs politiques souhaitent une alternative pratique pour mettre fin à cette nuisance, même mineure. Des chercheurs du Massachusetts Institute of Technology (MIT) pensent en avoir trouvé une.
L’équipe a tenté de trouver des moyens de faire en sorte que les automobilistes n’aient pas à attendre à un carrefour que le signal change de couleur. Au lieu de cela, que se passe-t-il s’ils atteignent le signal précisément au moment où il est vert. Bien que cela soit difficile à réaliser pour les conducteurs humains, cela peut être fait avec constance par un véhicule autonome qui utilise l’intelligence artificielle.
Grâce à l’intelligence artificielle, la vitesse du véhicule peut être ajustée de manière à ce qu’il atteigne le prochain signal juste à temps pour le franchir sans avoir à attendre que la couleur passe au vert.
Dans leur étude, publiée sur le serveur de préimpression , les chercheurs démontrent une approche d’apprentissage automatique qui peut apprendre à contrôler une flotte de véhicules autonomes de manière à maintenir la fluidité du trafic. Dirigée par Vindula Jayawardana, un étudiant diplômé, l’équipe de chercheurs affirme que son approche réduit la consommation de carburant et les émissions tout en améliorant la vitesse moyenne des véhicules.
“C’est un endroit vraiment intéressant pour intervenir. Personne n’a vu sa vie s’améliorer parce qu’il était coincé à une intersection”, a déclaré l’auteur principal, Cathy Wu.
Mais il y a une autre complication. Les chercheurs souhaitent que le système apprenne une technique permettant d’économiser du carburant tout en minimisant la durée du trajet. Ces objectifs peuvent être incompatibles. Wu explique que s’ils veulent que l’automobile se déplace rapidement pour gagner du temps, ils veulent qu’elle ralentisse ou ne se déplace pas du tout pour réduire les émissions. Ces scénarios contradictoires peuvent rendre l’agent d’apprentissage extrêmement perplexe.
En conséquence, les chercheurs ont conçu une solution de contournement connue sous le nom de façonnage des récompenses. Ils ont fourni au domaine du système des informations qu’il n’aurait pas pu apprendre par lui-même en utilisant la mise en forme de la récompense. Dans ce scénario, ils ont pénalisé le système à chaque fois que le véhicule s’arrêtait complètement, afin qu’il apprenne à éviter de le faire à l’avenir.
Ils ont testé leur algorithme de contrôle à l’aide d’une plateforme de simulation de trafic avec un seul carrefour après l’avoir construit. Lorsque les automobiles se sont approchées du carrefour, leur système n’a pas provoqué d’arrêt complet. Lorsque les voitures sont obligées de s’arrêter complètement à cause d’un trafic bloqué devant elles, on parle de trafic stop-and-go.
Les simulations ont permis à un plus grand nombre de voitures de passer par une seule phase verte, ce qui a permis de surpasser un modèle qui simule des conducteurs humains. Comparée aux stratégies d’optimisation précédentes visant à éviter les arrêts et les redémarrages, cette approche a permis de réaliser des économies de carburant et de réduire les émissions.
Si tous les véhicules en circulation sont autonomes et reliés à leur système, ils peuvent réduire la consommation de carburant de 18 % et les émissions de CO2 de 25 %, tout en améliorant la vitesse de déplacement de 20 %, affirment-ils. Même si seulement deux pour cent des véhicules sont autonomes, ils peuvent offrir au moins 50 pour cent des avantages totaux en matière de réduction de la consommation de carburant et des émissions.
