Appliquer l'intelligence artificielle aux voitures autonomes pour fluidifier la circulation, réduire la consommation de carburant, et améliorer les prévisions sur la qualité de l'air peuvent ressembler à de la science-fiction, mais des chercheurs du Lawrence Berkeley National Laboratory (Berkeley Lab) du ministère de l'Énergie ont lancé deux projets de recherche dans ce but.

En collaboration avec UC Berkeley, Les scientifiques du Berkeley Lab utilisent l'apprentissage par renforcement profond, un outil de calcul pour la formation des contrôleurs, pour rendre les transports plus durables. Un projet utilise l'apprentissage par renforcement approfondi pour former des véhicules autonomes à conduire de manière à simultanément améliorer la circulation et réduire la consommation d'énergie. Une seconde utilise des algorithmes d'apprentissage en profondeur pour analyser des images satellites combinées avec des informations sur le trafic provenant de téléphones portables et des données déjà collectées par des capteurs environnementaux pour améliorer les prévisions de qualité de l'air.

"Trente pour cent de la consommation d'énergie aux États-Unis est destinée au transport de personnes et de marchandises, et cette consommation d'énergie contribue à la pollution de l'air, dont environ la moitié de toutes les émissions d'oxydes d'azote, précurseur de matières particulières et d'émissions d'ozone – et de noir de carbone (suie), " a déclaré Tom Kirchstetter, directeur de la division Analyse énergétique et impacts environnementaux du Berkeley Lab, professeur adjoint à l'UC Berkeley, et membre de l'équipe de recherche.

"L'application des technologies d'apprentissage automatique aux transports et à l'environnement est une nouvelle frontière qui pourrait rapporter des dividendes importants - pour l'énergie ainsi que pour la santé humaine."

Lissage du trafic avec Flow

Le projet de lissage du trafic, surnommé CERCLES, ou réduction de l'impact de la congestion via le lissage énergétique lagrangien CAV-in-the-loop, est dirigé par Alexandre Bayen, chercheur au Berkeley Lab, qui est également professeur de génie électrique et d'informatique à l'UC Berkeley et directeur de l'Institute of Transportation Studies de l'UC Berkeley. CIRCLES est basé sur un framework logiciel appelé Flow, développé par l'équipe d'étudiants et de post-doctorants de Bayen.

Flow est un cadre logiciel unique en son genre permettant aux chercheurs de découvrir et de comparer des schémas d'optimisation du trafic. À l'aide d'un microsimulateur open source de pointe, Flow peut simuler des centaines de milliers de véhicules - certains conduits par des humains, d'autres autonomes - conduite dans des scénarios de trafic personnalisés.

« Le potentiel des villes est énorme, " a déclaré Bayen. " Les expériences ont montré que les économies d'énergie avec seulement un petit pourcentage de véhicules sur la route étant autonomes peuvent être énormes. Et nous pouvons l'améliorer encore plus avec nos algorithmes."

Flow a été lancé en 2017 et rendu public en septembre, et les repères sont publiés ce mois-ci. Avec le financement du programme de recherche et développement dirigé par un laboratoire, Bayen et son équipe utiliseront Flow pour concevoir, test, et déployer le premier système compatible avec les véhicules connectés et autonomes (CAV) pour réduire activement les embouteillages fantômes stop-and-go sur les autoroutes.

Comment l'apprentissage par renforcement peut réduire la congestion

Certaines des recherches actuelles sur l'utilisation de véhicules autonomes pour fluidifier la circulation ont été inspirées par une simple expérience réalisée par des chercheurs japonais il y a 10 ans dans laquelle environ 20 conducteurs humains devaient conduire dans un anneau à 20 mph. Au début, tout le monde avance en douceur, mais dans les 30 secondes, les vagues de la circulation commencent et les voitures s'arrêtent.

"Vous avez une oscillation stop-and-go en moins d'une minute, " Bayen a déclaré. "Cette expérience a conduit à des centaines, voire des milliers de documents de recherche pour tenter d'expliquer ce qui se passe."

Une équipe de chercheurs dirigée par Dan Work de l'Université Vanderbilt a répété la même expérience l'année dernière, mais a apporté un changement :ils ont ajouté un seul véhicule autonome dans l'anneau. Dès que l'automatisme est activé, les oscillations sont immédiatement lissées.

Pourquoi? "L'automatisation comprend essentiellement de ne pas accélérer et rattraper la personne précédente - ce qui amplifierait l'instabilité - mais plutôt de se comporter comme une tétine de flux, essentiellement lisser en limitant le trafic afin qu'il n'amplifie pas l'instabilité, ", a déclaré Bayen.

L'apprentissage par renforcement profond a été utilisé pour entraîner des ordinateurs à jouer aux échecs et pour apprendre à un robot à exécuter un parcours d'obstacles. Il s'entraîne en « faisant des observations du système, puis essayer itérativement un tas d'actions, voir s'ils sont bons ou mauvais, puis choisir les actions qu'il doit prioriser, " dit Eugène Vinitsky, un étudiant diplômé travaillant avec Bayen et l'un des développeurs de Flow.

En cas de trafic, Flow entraîne les véhicules à vérifier ce que font les voitures directement devant et derrière eux. "Il essaie différentes choses - il peut accélérer, ralentir, ou changer de voie, par exemple, " expliqua Vinitsky. " Vous lui donnez un signal de récompense, Comme, la circulation était-elle interrompue ou fluide, et il essaie de corréler ce qu'il faisait à l'état du trafic."

Avec le projet CIRCLES, Bayen et son équipe prévoient d'abord d'exécuter des simulations pour confirmer que d'importantes économies d'énergie résultent de l'utilisation des algorithmes dans les véhicules autonomes. Ensuite, ils effectueront un test sur le terrain de l'algorithme avec des pilotes humains répondant à des commandes en temps réel.

DeepAir

Le projet de pollution, nommé DeepAir (Deep Learning and Satellite Imaginary to Estimate Air Quality Impact at Scale), est dirigée par Marta Gonzalez, chercheuse au Berkeley Lab, qui est également professeur au département de planification urbaine et régionale de l'UC Berkeley. Dans des recherches antérieures, elle a utilisé les données des téléphones portables pour étudier la façon dont les gens se déplacent dans les villes et pour recommander des systèmes de recharge de véhicules électriques pour économiser de l'énergie et des coûts.

Pour ce projet, elle tirera parti de la puissance des algorithmes d'apprentissage en profondeur pour analyser les images satellites combinées aux informations sur le trafic provenant des téléphones portables et aux données déjà collectées par les stations de surveillance environnementale.

« La nouveauté ici est que si les modèles environnementaux, qui montrent l'interaction des polluants avec le temps - comme la vitesse du vent, pression, précipitation, et la température - ont été développés pendant des années, il manque une pièce, " a déclaré Gonzalez. " Afin d'être fiable, ces modèles doivent avoir de bons inventaires de ce qui pénètre dans l'environnement, comme les émissions des véhicules et des centrales électriques.

« Nous apportons de nouvelles sources de données telles que les téléphones mobiles, intégré aux images satellites. Afin de traiter et d'interpréter toutes ces informations, we use machine learning models applied to computer vision. The integration of information technologies to better understand complex natural system interactions at large scale is the innovative piece of DeepAir."

The researchers anticipate that the resulting analysis will allow them to gain insights into the sources and distribution of pollutants, and ultimately allow for the design of more efficient and more timely interventions. Par exemple, the Bay Area has "Spare the Air" days, in which traffic restrictions are voluntary, and other cities have schemes to restrict traffic or industry.

While the idea of using algorithms to control cars and traffic may sound incredible at the moment, Bayen believes technology is headed in that direction. "I do believe that within 10 years the things we're coming up with here, like flow smoothing, will be standard practice, because there will be more automated vehicles on the road, " il a dit.