Une nouvelle approche de coordination des flottes autonomes vise à résoudre les problèmes de circulation en heure de pointe.
Des chercheurs de l’Université Chalmers en Suède ont développé une méthode d’optimisation permettant de guider plus efficacement les taxis électriques autonomes à travers la circulation urbaine. Cette approche combine des prévisions basées sur l’IA avec des modèles mathématiques et vise à prendre en compte des facteurs imprévisibles tels que des conditions météorologiques inhabituelles.
Image : Waymo
D’après un rapport de l’Université Stanford, les taxis électriques autonomes ont non seulement le potentiel d’améliorer l’efficacité et l’aspect écologique de la circulation urbaine, mais ils pourraient également réduire les coûts par kilomètre de jusqu’à 60 % par rapport aux taxis traditionnels. Cependant, l’un des principaux défis dans le fonctionnement de ces taxis autonomes est la coordination du parc.
L’un des principaux problèmes du quotidien est la circulation en heure de pointe : le matin, de nombreux passagers souhaitent se rendre au centre-ville, et le soir, ils veulent en repartir. Les véhicules autonomes doivent donc souvent revenir vides pour être à nouveau disponibles aux points de départ. Avec les voitures électriques, la nécessité de recharger régulièrement ajoute une couche supplémentaire de complexité. Sans une planification prospective, cela risque de provoquer des routes encombrées, de longs temps d’attente et une utilisation déséquilibrée des stations de recharge.
Afin de surmonter cet obstacle, une équipe de recherche de l’Université Chalmers en Suède, en collaboration avec Volvo Cars, utilise une combinaison d’apprentissage automatique et d’optimisation classique. Pour prédire la demande de passagers ainsi que les stations de recharge disponibles, l’équipe emploie des réseaux neuronaux bayésiens (BNN), qui ont été entraînés à l’aide de données historiques de taxis provenant de San Francisco et de Chicago.
L’avantage majeur de cette méthode d’apprentissage automatique est que les BNN ne se contentent pas de calculer des probabilités pures, mais fournissent également des estimations de l’incertitude de leurs propres prédictions. Si le comportement des passagers change spontanément – en raison de facteurs tels qu’une pluie soudaine, par exemple – le système de gestion de flotte reste stable.
L’intelligence artificielle ne prend pas de décisions autonomes, mais sert uniquement de base de données. La planification réelle de la conduite et du chargement est gérée par un modèle d’optimisation mathématique doté de règles fixes. Comme une grande ville présente trop de variables, l’algorithme divise la tâche globale en parties plus petites et les combine pour former un plan global. Cela permet de prendre des décisions en fractions de seconde – même avec des flottes de véhicules très importantes.