Chargement et conduite plus efficaces : une nouvelle approche pour la gestion autonome des flottes
Des chercheurs de l’université suédoise Chalmers ont développé une méthode d’optimisation destinée à permettre aux véhicules de taxi électriques autonomes de naviguer plus efficacement dans la circulation urbaine. Cette méthode combine des prévisions basées sur l’IA avec des modèles mathématiques et vise également à prendre en compte des facteurs imprévisibles tels que des conditions météorologiques inhabituelles.
Image : Waymo
Comme le montre un rapport de recherche de l’université Stanford, les véhicules de taxi électriques autonomes ont non seulement le potentiel de rendre la circulation urbaine plus efficace et plus écologique, mais ils pourraient également réduire les coûts par trajet de jusqu’à 60 % par rapport aux taxis traditionnels. Cependant, l’un des grands défis liés à l’exploitation de ces taxis autonomes est la coordination du parc de véhicules.
L’un des principaux problèmes de la vie quotidienne est la circulation professionnelle : le matin, de nombreux passagers veulent se rendre en centre-ville, et le soir, ils en repartent. Les véhicules autonomes doivent donc revenir régulièrement à vide pour être de nouveau prêts aux points de départ. De plus, avec les voitures électriques, il y a aussi la nécessité de recharger entre-temps. Sans une planification prévoyante, cela peut entraîner des routes embouteillées, de longues attentes et une utilisation déséquilibrée des bornes de charge.
Afin de résoudre ce problème, une équipe de recherche de l’université Chalmers en Suède, en collaboration avec Volvo Cars, mise sur une combinaison d’apprentissage automatique et d’optimisation classique. Pour prédire la demande de passagers et le nombre de bornes de charge disponibles, l’équipe utilise ce qu’on appelle des réseaux neuronaux bayésiens (BNN), entraînés à l’aide de données historiques de taxis provenant de San Francisco et de Chicago.
L’avantage décisif de cette méthode d’apprentissage automatique : les BNN ne calculent pas seulement des probabilités pures, mais fournissent également des estimations quant à l’incertitude de leurs propres prévisions. Même si le comportement des passagers change soudainement – par exemple à cause d’une pluie brutale –, la gestion de la flotte reste néanmoins stable.
Cependant, l’IA ne prend pas de décisions autonomes, mais sert uniquement de base de données. La planification réelle des déplacements et du chargement est assurée par un modèle d’optimisation mathématique doté de règles fixes. Comme une grande ville présente trop de variables, l’algorithme décompose la tâche globale en parties plus petites et les assemble pour former un plan complet. Cela permet de prendre des décisions en quelques fractions de seconde – même avec des flottes très importantes.
De plus, l’équipe a examiné trois types différents de voitures électriques présentant des tailles de batteries et des niveaux d’efficacité variés. Les résultats montrent à quel point la technologie du véhicule choisie influence la disponibilité de la flotte. En optimisant correctement la taille de la batterie, la planification du chargement et les prévisions de données, il devient ainsi possible de rendre l’utilisation des taxis électriques autonomes bien plus fiable dans la vie quotidienne.