Grâce aux progrès de l'IA, les carrefours signalisés seront moins chaotiques et mieux organisés pour les automobilistes

Selon des chercheurs du MIT

Grâce aux progrès de l'IA, les carrefours signalisés seront moins chaotiques et mieux organisés pour les automobilistes, selon des chercheurs du MIT

Les automobilistes sont toujours pressés de franchir un feu de signalisation dès qu'il est vert, mais cette hâte peut devenir une cause d'accidents graves et entraîne parfois des infractions au code de la route assorties de lourdes amendes.

Si l'attente aux feux de signalisation est fatigante, si elle consomme du temps et du carburant, elle nuit également à l'environnement. Pour mettre fin à ce problème, les décideurs politiques et les automobilistes cherchent une alternative beaucoup plus pertinente et fiable, même si elle est très petite. Une équipe de chercheurs du Massachusetts Institute of Technology (MIT) pense avoir trouvé une solution à ce problème.

Ils se sont efforcés de rechercher de nombreux moyens de faire en sorte que les conducteurs n'aient pas à attendre au carrefour que le signal passe au vert. Au lieu d'attendre si longtemps que le signal passe au vert, que se passerait-il s'ils atteignaient le carrefour exactement au moment où le signal passe au vert ? Bien qu'il soit difficile pour un conducteur humain de calculer le moment précis où le signal passe au vert et d'arriver à ce moment précis, une voiture autonome, c'est-à-dire une voiture qui n'a pas besoin de conducteur et qui fonctionne grâce à l'intelligence artificielle, peut y parvenir de manière très cohérente.

Un véhicule qui fonctionne grâce à l'intelligence artificielle peut être régulé en conséquence, sa vitesse peut être réglée de manière à ce que le véhicule arrive au feu de signalisation au moment exact où celui-ci passe au vert, et il n'a pas besoin d'attendre que le feu passe au vert.

L'équipe avait déjà publié une étude, sur l'archive électronique de préprints arXiv.org, dans laquelle elle validait une approche d'apprentissage automatique, qui va apprendre à diriger une flotte de véhicules à conduite autonome de manière à fluidifier le trafic. L'équipe de chercheurs était dirigée par un étudiant de troisième cycle, Vindula Jayawardana, et l'équipe a indiqué que cette approche d'apprentissage automatique nécessite moins d'essence et contribue à réduire les émissions, mais qu'elle permet d'augmenter la vitesse d'une automobile, réduisant ainsi notre temps de déplacement.

La difficulté réside dans le fait que les chercheurs veulent que cette approche minimise la consommation de carburant tout en réduisant la durée du trajet, mais pour réduire les émissions, ils n'exigent pas que la voiture s'arrête complètement ou qu'elle ralentisse simplement. Il peut donc être difficile pour l'agent d'apprentissage de répondre à ces deux objectifs incompatibles.


Pour faire face à ce problème, ces chercheurs ont proposé une solution alternative appelée "reward shaping", qui consiste à fournir à l'agent d'apprentissage les informations qu'il n'a pas pu apprendre par lui-même. Ils ont infligé des pénalités au système à chaque fois que l'automobile s'arrêtait afin de lui apprendre à ne pas répéter cette erreur à l'avenir.

À l'aide d'un modèle de simulation de trafic ne comportant qu'un seul carrefour, ils ont testé leur algorithme de contrôle une fois qu'il était complètement prêt. Dès que la voiture s'approche du carrefour, le système ne l'arrête pas tout de suite, comme il l'aurait fait dans un trafic de type "stop-and-go".

Par rapport aux voitures autonomes, bon nombre d'entre elles sont passées en une seule phase du signal vert, et cette approche a effectivement permis de réaliser de plus grandes économies de carburant et de réduire les émissions.

Par conséquent, si chaque automobile sur la route se déplace de manière autonome, sans intervention humaine, et dispose d'un système intégré, la consommation de carburant peut être réduite de 18 % et les émissions de dioxyde de carbone peuvent également être réduites de 25 %. En outre, il peut également améliorer la vitesse moyenne de déplacement d'un véhicule de 20 %. Enfin, si seulement 2 % des automobiles se déplacent de manière autonome, elles peuvent contribuer à la réduction d'au moins 50 % de la consommation de carburant et des émissions.

Source : MIT

Et vous ?

Qu'en pensez-vous ?

Voir aussi :

Un dirigeant de Volkswagen affirme que les voitures autonomes de niveau 5 (conduite entièrement autonome) n'arriveront peut-être jamais, toutefois, le niveau 4 lui semble réalisable

Tesla dévoile son nouveau superordinateur (5e plus puissant au monde) pour entraîner l'IA de la conduite autonome, la machine est actuellement utilisée et développée par la société

Les embouteillages ne seront plus qu'un lointain souvenir grâce à l'IA des feux de signalisation, mis au point par des chercheurs de l'université d'Aston