L'IA peut-elle contrôler les feux de circulation à l'échelle d'une ville pour réduire la pression ou les temps d'attente du trafic ?

Que signifie laisser l'IA prendre les rênes des feux de circulation d'une ville ? En substance, il s'agit d'utiliser des algorithmes pour ajuster en permanence les temps de signalisation en temps réel, dans le but d'optimiser la circulation et de réduire les temps d'attente aux intersections. La promesse est une ville plus calme, moins d'embouteillages et des trajets plus rapides. Mais jusqu'où cette idée est-elle passée du laboratoire aux rues ?

Background

Les systèmes de gestion des feux de circulation basés sur l'IA sont passés des essais pilotes aux déploiements complets dans plusieurs centres urbains. Ces déploiements reposent sur des flux en direct provenant des caméras aux intersections, des capteurs à boucles inductives intégrés dans les chaussées et des données téléchargées par les véhicules connectés pour déduire les conditions de circulation actuelles et imminentes (Nature, 2023). Les modèles d'apprentissage automatique — souvent formés sur des journaux historiques de signaux et des rapports d'incidents — prévoient la demande à court terme ; des agents d'apprentissage par renforcement traduisent ensuite ces prévisions en décisions de phases de signalisation qui minimisent le retard cumulé des véhicules et les longueurs de files d'attente.

Les premiers travaux universitaires remontent à la fin des années 2000, lorsque des chercheurs de Carnegie Mellon et de l'Université du Texas ont démontré des contrôleurs de trafic adaptatifs qui surpassaient les plans à temps fixe de 15 à 20 % pendant les heures de pointe. Au milieu des années 2010, des systèmes tels que SCOOT (Split, Cycle and Offset Optimization Technique) et SCATS (Sydney Coordinated Adaptive Traffic System) fonctionnaient déjà depuis des décennies, mais leurs optimisations en boucle fermée étaient généralement heuristiques plutôt que basées sur l'apprentissage. Le lancement en 2016 du système « SURTRAC » de Pittsburgh a marqué le premier déploiement à grande échelle de l'apprentissage par renforcement : des dispositifs en périphérie aux intersections individuelles ont appris des politiques locales qui ont ensuite été coordonnées par un programmateur central, réduisant les temps de trajet sur les artères clés d'environ 25 % lors des tests sur le terrain.

Les déploiements ultérieurs ont élargi à la fois la portée et la technique. À Hangzhou, en Chine, un moteur d'IA nommé « City Brain » ingère les flux de 5 000 caméras et ajuste 12 000 feux dans toute la ville, réalisant une réduction signalée de 10 % de la durée moyenne des trajets. Le système adaptatif Green Link Determining (GLIDE) de Singapour, introduit en 2019, utilise la ré-identification des véhicules et l'estimation de la longueur des files d'attente pour modifier en temps réel l'allocation du temps de vert, ce qui entraîne une réduction de 12 % des retards aux heures de pointe congestionnées. Aux États-Unis, l'initiative « AI for Traffic Management » de la Federal Highway Administration a introduit des algorithmes adaptatifs à Austin, Pittsburgh et Los Angeles, où les premiers résultats montrent que les longueurs de files d'attente diminuent de 18 à 22 % sur les corridors équipés.

Au-delà de la réduction des retards, ces systèmes visent à réduire les émissions en limitant les cycles d'arrêt et de redémarrage. Une étude de simulation publiée en 2021 dans Transportation Research Part D a estimé qu'un contrôle adaptatif à l'échelle de la ville pourrait réduire les émissions de CO₂ d'environ 5 % et celles de NOₓ de 7 % dans un réseau métropolitain de taille moyenne. La priorité aux véhicules d'urgence — d'abord testée à Kansas City en 2018 — renforce encore les indicateurs de sécurité en accordant la priorité aux feux tout en préservant les phases vertes pour les phases conflictuelles.

Cependant, des défis restent à relever. Les problèmes de qualité des données — flux de capteurs manquants, occlusions de caméras et usurpation malveillante — peuvent dégrader les performances du modèle. Les politiques au niveau des intersections doivent être harmonisées entre les districts pour éviter la migration des embouteillages ; l'apprentissage conjoint avec les véhicules connectés promet d'atténuer ce problème en fournissant des informations plus riches sur la demande en amont. Les préoccupations relatives à la vie privée et à la cybersécurité ont incité les villes à adopter des architectures d'apprentissage fédéré où les vidéos brutes ne quittent jamais les nœuds locaux en périphérie. Les barrières économiques, en particulier dans les municipalités à faible revenu, persistent : les rénovations matérielles peuvent dépasser 2 500 USD par tête de signal, bien que les modèles de contrôleur en tant que service basé sur le cloud commencent à réduire les coûts d'entrée.