Des chercheurs ont mis au point un nouveau système de contrôle ferroviaire basé sur l’intelligence artificielle et utilisant l’apprentissage par renforcement rapide (RRL) pour une gestion plus sûre et plus écoénergétique des réseaux ferroviaires urbains automatisés. Crédit : Professeur Masafumi Miyatake, Université Sophia, Japon

Avec l’expansion continue des villes, le transport ferroviaire est appelé à devenir un élément essentiel des systèmes de mobilité urbaine. Comparé à l’automobile et au transport aérien, le transport ferroviaire est très économe en énergie et son impact environnemental est relativement faible ; il constitue donc un élément important des systèmes de transport durables. C’est pourquoi les chercheurs explorent des technologies de contrôle ferroviaire avancées afin d’améliorer encore l’efficacité opérationnelle, le confort des passagers et la ponctualité, tout en réduisant la consommation d’énergie.

Dans ce contexte, le professeur Masafumi Miyatake, du département d’ingénierie et de sciences appliquées, en collaboration avec le doctorant Mingyu Lyu, de l’École doctorale des sciences et technologies de l’université Sophia au Japon, a étudié un nouveau cadre basé sur l’intelligence artificielle pour le contrôle de la vitesse des trains urbains. Leurs résultats ont été publiés dans IEEE Access .

L’apprentissage par renforcement est une branche de l’intelligence artificielle (IA) qui a attiré l’attention en tant qu’approche prometteuse pour les opérations ferroviaires automatiques, car il permet à un agent d’IA d’apprendre des stratégies de contrôle optimales en interagissant de manière répétée avec un environnement et en améliorant son comportement par essais et erreurs.

Cependant, sa mise en œuvre dans l’exploitation ferroviaire présente plusieurs défis pratiques, notamment des informations incomplètes sur les conditions d’exploitation, l’inertie des trains, les retards de freinage et des exigences de sécurité strictes.

Pour pallier ce problème, des chercheurs ont développé un cadre d’apprentissage par renforcement récurrent basé sur l’algorithme RSAC (Recurrent Soft Actor-Critic). RSAC est une méthode d’intelligence artificielle qui permet aux systèmes de contrôle ferroviaire d’apprendre des habitudes de conduite passées et de s’adapter à l’évolution des conditions ferroviaires.

« Notre algorithme basé sur l’apprentissage par renforcement était capable d’adapter le contrôle de la conduite des trains à une large gamme de conditions de voies et de matériel roulant », explique le professeur Miyatake.

Contrairement aux méthodes d’apprentissage par renforcement classiques, l’approche proposée utilise un réseau neuronal récurrent capable de conserver les informations relatives aux états précédents du train. Ceci permet au système de saisir les relations temporelles liées à l’exploitation du train, telles que les délais de réponse de la traction, l’historique de freinage et les effets d’inertie, améliorant ainsi la prise de décision dans des conditions partiellement observables.

L’équipe a également utilisé une méthode d’apprentissage permettant au système d’IA d’apprendre d’abord à partir d’exemples de conduite experte avant de développer son propre comportement. En étudiant ces schémas de conduite optimisés dès le début de l’entraînement, l’IA a pu apprendre plus vite, prendre de meilleures décisions et développer un contrôle des trains plus stable et efficace.

Par ailleurs, l’équipe a également intégré un filtre de sécurité au système. Ce filtre annule les commandes potentiellement dangereuses générées par l’IA et garantit le respect des contraintes opérationnelles, telles que les limitations de vitesse et la possibilité de freinage. Ce mécanisme assure également un fonctionnement sûr lorsque l’IA est confrontée à des situations inédites.

Le cadre proposé a été évalué au moyen de diverses simulations d’exploitation de réseaux ferroviaires urbains sur une distance d’environ 2 kilomètres entre les stations. L’environnement de simulation a été conçu pour reproduire fidèlement les conditions réelles du réseau, notamment les montées et les descentes, les variations de limitation de vitesse et les horaires d’arrivée des trains.

De plus, le cadre d’IA proposé a été comparé à plusieurs autres algorithmes d’apprentissage par renforcement largement utilisés. Il s’agit notamment de Deep Deterministic Policy Gradient (DDPG), Proximal Policy Optimization (PPO), Twin Delayed Deep Deterministic Policy Gradient (TD3) et Soft Actor-Critic (SAC), couramment utilisés pour entraîner des systèmes de prise de décision autonomes.

« Parmi toutes les méthodes testées, notre cadre de travail a appris plus rapidement et a obtenu de meilleurs résultats que toutes les autres méthodes testées », explique le professeur Miyatake.

La recherche a également démontré une grande efficacité énergétique. Alors que la programmation dynamique atteignait la consommation d’énergie minimale théorique dans des conditions idéales, le système développé a affiché des performances comparables tout en restant adapté à un fonctionnement en temps réel. Parallèlement, les approches d’apprentissage par renforcement classiques ont présenté un comportement moins stable et une consommation d’énergie plus élevée.

Les résultats suggèrent que ce cadre pourrait contribuer à la mise en place de transports publics plus propres et plus pratiques en facilitant une exploitation ferroviaire précise et écoénergétique à un coût relativement faible. L’étude confirme les avantages du transport ferroviaire en tant que système de transport écoénergétique et respectueux de l’environnement, contribuant à un avenir durable.

À l’avenir, cette étude pourrait contribuer à renforcer le rôle des chemins de fer en tant que système de transport durable, soutenant ainsi l’atténuation des changements climatiques et le développement urbain durable.

Ces résultats soulignent également le potentiel des systèmes ferroviaires pilotés par l’IA pour soutenir des transports urbains plus sûrs, plus écologiques et plus fiables dans les futures villes intelligentes.

https://www.sophia.ac.jp/eng/article/news/release/260610_mm/