Le secteur des transports demeure une des principales sources de pollution atmosphérique et de changement climatique sur notre planète. Avec environ 59 % de la consommation mondiale de pétrole et 22 % des émissions de CO2, il est essentiel de développer des stratégies pour diminuer la consommation de carburant des véhicules. Cela pourrait contribuer à réduire la pollution tout en faisant face aux pénuries d’énergie à l’échelle mondiale.

Une approche innovante pour un problème global

Des chercheurs de l’Université des sciences et technologies de Hong Kong se sont attaqués à ce défi en concevant un modèle de calcul basé sur l’apprentissage par renforcement. Ce modèle, détaillé dans un article récemment publié sur le serveur de préimpression arXiv, vise à optimiser la consommation de carburant dans des situations de suivi de voiture, surtout lorsque des véhicules semi-automatisés et autonomes sont présents sur la route.

Hui Zhong, co-auteur de l’étude, a déclaré à Tech Xplore : « L’inspiration pour ce rapport est issue de la demande croissante de solutions de transport durables et économes en énergie ». En effet, les embouteillages et les comportements de conduite inefficaces aggravent la consommation de carburant et les émissions. Les chercheurs ont donc voulu trouver des moyens d’atténuer ces problématiques.

Développement et fonctionnement d’EcoFollower

L’objectif principal des travaux de Zhong et de son équipe était de créer un modèle informatique pour optimiser la consommation de carburant lors du suivi de voiture. Ce modèle doit garantir une distance de sécurité entre les véhicules ainsi qu’un flux de trafic efficace. C’est ainsi qu’ils ont développé EcoFollower, un modèle d’apprentissage par renforcement profond.

Selon Zhong, « EcoFollower est conçu pour optimiser la consommation de carburant pendant la conduite ». Le modèle apprend en continu de son environnement, ajustant les distances de suivi et les schémas d’accélération pour adopter un comportement de conduite économe en carburant. Sa caractéristique distinctive réside dans sa capacité à équilibrer l’efficacité énergétique tout en maintenant une circulation fluide et sécurisée.

Une avancée par rapport aux modèles traditionnels

Les modèles classiques se concentrent souvent exclusivement sur la sécurité ou la fluidité de la circulation. EcoFollower, en revanche, vise également à réduire la consommation de carburant, apportant une solution plus complète aux enjeux de la conduite moderne.

Évaluation et résultats prometteurs

Les chercheurs ont testé leur modèle en utilisant l’ensemble de données Next Generation Simulation (NGSIM), qui compile des informations de trafic recueillies dans divers environnements. Les résultats des tests préliminaires ont révélé que EcoFollower pouvait significativement réduire la consommation de carburant dans toutes les situations testées.

« Nous avons démontré que l’apprentissage par renforcement peut être appliqué efficacement à des scénarios de conduite réels pour diminuer la consommation de carburant », a déclaré Zhong. Les résultats indiquent qu’ EcoFollower pourrait réduire la consommation de carburant de 10,42 % par rapport aux situations de conduite habituelles. Ce chiffre représente une avancée majeure pour réduire les émissions globales et promouvoir des options de transport durable.

Perspectives d’avenir pour EcoFollower

Dans un avenir proche, le modèle EcoFollower pourrait être intégré dans des systèmes avancés d’aide à la conduite (ADAS) et dans des systèmes de conduite autonome. Cela permettrait d’augmenter leur efficacité tout en réduisant leur impact environnemental. Les chercheurs ont également l’intention de poursuivre l’optimisation de ce modèle pour en améliorer encore les performances.

Conclusion

La recherche autour de EcoFollower illustre comment l’intelligence artificielle peut jouer un rôle crucial dans la transition vers des transports plus durables. Grâce à des innovations telles que celles-ci, nous avons l’opportunité de transformer notre manière de nous déplacer tout en protégeant notre planète.

« Bien que ses performances soient déjà supérieures à celles du mode de conduite intelligent (IDM) traditionnel et qu’il réduise la consommation de carburant de 10,42 % par rapport aux scénarios de conduite réels, davantage de scénarios et d’ensembles de données sont nécessaires pour tester davantage et améliorer sa généralisation et sa robustesse », a ajouté Zhong. « Par exemple, dans un environnement de circulation à autonomie mixte, le comportement des véhicules conduits par des humains diffère de celui des véhicules autonomes, ce qui pourrait avoir un impact sur les performances du modèle. »

Plus d’informations : Hui Zhong et al, EcoFollower : un modèle de suivi de voiture respectueux de l’environnement prenant en compte la consommation de carburant, arXiv (2024). DOI : 10.48550/arxiv.2408.03950

Article proposé par:

Franck Ribiere

Basé en France entre Aix-en-Provence et Marseille, Franck est un informaticien passionné par l'intelligence artificielle, avec une expertise en développement logiciel web. Toujours à l'affût des dernières avancées, il s'efforce de proposer les infos les + pertinentes.