Comme lorsque les Model T voyageaient aux côtés de chevaux et de buggies, les véhicules autonomes (VA) et les véhicules à conduite humaine (HV) partageront un jour la route. Comment gérer au mieux l'essor des véhicules audiovisuels est le sujet d'une nouvelle note politique de Carnegie Mellon, Mixed-Autonomy Era of Transportation:Resilience &Autonomous Fleet Management.

Le débat se poursuit quant à savoir quand les AV domineront nos rues, mais l'un des auteurs du mémoire, Carlee Joe-Wong, déclare qu'"une fois que les AV commenceront à se déployer, il n'y aura probablement pas de retour en arrière. Il faut donc commencer à parler sur les politiques maintenant, pour les étudier en profondeur et les mettre au point d'ici l'arrivée des VA."

Joe-Wong, professeur agrégé de génie électrique et informatique, et l'équipe de recherche se sont demandé « qu'est-ce qui est différent lorsque vous avez des AV dans le mélange par rapport à si vous n'avez que des HV ? Nous avons réalisé que l'une des principales différences entre les AV et les HV est que les AV sont altruistes et les HV sont égoïstes."

Les VA peuvent anticiper ce qui va se passer et se réorienter, par exemple en cas de construction de route ou d'accident. Programmés pour fonctionner en toute sécurité et suivre les règles, les VA peuvent prendre des mesures altruistes qui profitent aux autres véhicules et pas seulement à eux-mêmes. Les humains pressés peuvent ne pas être aussi généreux de leur temps.

Le prix de la conduite égoïste devient évident lors de l'examen de la circulation. Au fur et à mesure que les voitures au comportement égoïste entrent et sortent d'un système de circulation, le système finira par atteindre l'équilibre, un état équilibré, mais la circulation peut ne pas circuler aussi efficacement qu'elle le pourrait. Par exemple, l'équilibre peut être atteint lorsque la circulation s'enchaîne pare-chocs à pare-chocs. "Parfois, l'équilibre est loin d'être optimal", déclare Joe-Wong.

Les chercheurs pensent que l'altruisme pourrait améliorer la fluidité du trafic en évitant les équilibres sous-optimaux, et que tout le monde n'a pas besoin d'être gentil pour améliorer les temps de trajet. Dans les simulations, les états altruistes entrent en jeu lorsque les véhicules autonomes représentent 20 % à 50 % des véhicules sur la route. Le rapport suggère des moyens de récompenser l'altruisme, notamment des exemptions de péage, des réductions sur le stationnement, etc.

Trouver les meilleures politiques d'exploitation pour les flottes AV est un autre sujet abordé dans le rapport. Les AV ont la capacité de fonctionner en synchronisation, mais le contrôle centralisé de milliers d'AV entraînera des problèmes de calcul et des retards de communication. Les chercheurs veulent trouver un équilibre entre les politiques centralisées et décentralisées en utilisant l'apprentissage par renforcement, une méthode d'apprentissage automatique.

Les ingénieurs ont pris en compte la façon dont les AV prennent des décisions. Comment l'apprentissage automatique aide-t-il dans ce processus et quels types de décisions ont le plus grand impact ? Selon Joe-Wong, "Dans certaines conditions, vous avez vraiment besoin d'intelligence d'apprentissage par renforcement, mais dans d'autres conditions, cet apprentissage par renforcement vous dit simplement de faire ce que vous auriez probablement fait de toute façon."

L'équipe suggère que les opérateurs de flottes forment des modèles pour gérer les flottes AV localement. Si de nouveaux modèles de trafic se produisent, les modèles sont mis à jour, en particulier pour éloigner les personnes des incidents. Cependant, si le trafic est fluide, moins de mises à jour sont nécessaires, ce qui réduit les communications entre les AV sur la route et les AV qui rendent compte à un serveur centralisé.

Le dernier problème que les chercheurs ont examiné était de savoir comment gérer la congestion du trafic et éviter les défaillances en cascade qui se produisent lorsqu'une défaillance dans un système déclenche une séquence d'événements qui entraînent une défaillance à l'échelle du réseau.

Opérer à un équilibre optimal, appliquer l'apprentissage par renforcement et avoir une proportion plus élevée d'AV collaboratifs réduira la congestion. Cependant, pour faire face aux défaillances en cascade, les chercheurs ont pris en compte d'autres modes de transport présents dans les réseaux urbains. Les chercheurs ont ajouté des systèmes de bus, de métro, de chemin de fer et de vélos en libre-service à leurs modèles, et ils ont pu montrer que si les passagers étaient ajustés entre différents modes de transport, cela maximiserait l'utilisation de l'ensemble du réseau et l'empêcherait de surcharger et de tomber en panne. .

Sur la base de leurs conclusions, l'équipe recommande que, lorsque les agences de planification créent des politiques de redistribution des flux de trafic pour les VA, elles réfléchissent à la manière d'intégrer plusieurs systèmes de transport interdépendants pour que les gens continuent de se déplacer.

À l'ère de l'autonomie mixte, les VA altruistes pourraient agir en tant que coordinateurs qui maintiennent la fluidité du trafic en suscitant des actions positives de la part des HV. Même s'il faudra du temps avant que les véhicules autonomes ne soient plus nombreux que les véhicules à conduite humaine, tous les conducteurs remarqueront une amélioration des flux de trafic avec seulement une adaptation partielle des véhicules autonomes. + Explorer plus loin

Algorithmes de trafic centralisés pour aider les conducteurs à éviter les embouteillages