Une nouvelle méthode de planification pourrait rendre les flottes de taxis électriques sans conducteur plus efficaces et plus fiables.
infohightech ·
Les flottes de taxis électriques autonomes pourraient rendre les transports plus efficaces et durables, à condition que les véhicules soient capables de prendre en permanence des décisions intelligentes concernant leurs itinéraires et leurs recharges. Des chercheurs de l’Université de technologie Chalmers, en Suède, ont mis au point une nouvelle méthode d’optimisation permettant un contrôle quasi optimal des flottes à grande échelle, tout en tenant compte des incertitudes inhérentes aux systèmes de transport réels.
Le développement des flottes de taxis autonomes progresse rapidement et devrait rendre le transport de passagers plus sûr, plus écologique et plus efficace. Selon un rapport, le transport partagé de passagers électriques autonomes à grande échelle – ce que l’on appelle la mobilité autonome électrique à la demande – peut réduire le coût par trajet d’un individu jusqu’à 60 % par rapport aux taxis traditionnels, tout en réduisant considérablement les émissions par trajet. Cependant, la gestion d’une telle flotte est extrêmement complexe.
« Avec les flottes de taxis autonomes, des déséquilibres dans les réseaux de circulation urbains peuvent rapidement apparaître. Le matin, par exemple, tout le monde veut se rendre en centre-ville, et l’après-midi, c’est l’inverse. »
« Les voitures autonomes doivent alors circuler à vide pour prendre des passagers aux heures de pointe du matin et de l’après-midi. Dans le cas des véhicules électriques, des arrêts ponctuels pour la recharge sont nécessaires. Cependant, déterminer où et pendant combien de temps recharger reste une question complexe », explique Sten Elling Tingstad Jacobsen, docteur en ingénierie des systèmes de contrôle du département de génie électrique de l’université de technologie Chalmers en Suède.
L’article est publié dans la revue Transportation Research Part C: Emerging Technologies .
Optimisation de la disponibilité et de la recharge des véhicules
Le déséquilibre entre le nombre de taxis disponibles et la demande de transport peut nuire à la fluidité du trafic en ville. Par conséquent, sans stratégies efficaces de gestion des flottes, les services de mobilité autonome risquent d’allonger les temps d’attente et les files d’attente, aggravant ainsi les embouteillages urbains.
Dans sa thèse de doctorat, Jacobsen développe des méthodes basées sur les données pour améliorer l’exploitation des flottes de taxis électriques autonomes. Ses recherches combinent des techniques d’apprentissage automatique pour la prévision de la demande de transport avec des modèles d’optimisation avancés pour la planification et la gestion des flottes. Il étudie également comment l’apprentissage par renforcement profond, une forme d’intelligence artificielle qui apprend par l’interaction et l’expérience, peut être utilisé pour la prise de décisions en temps réel dans des systèmes de transport complexes.
La première partie de la recherche porte sur la manière dont les véhicules vides devraient être positionnés en ville afin d’être disponibles dès qu’un autre voyageur en aura besoin. La seconde partie se concentre sur les défis supplémentaires posés par les flottes de taxis autonomes électriques, qui nécessitent des recharges régulières.
La demande de transport et la disponibilité des bornes de recharge dans différents quartiers de la ville sont prédites grâce à une méthode d’apprentissage automatique appelée réseaux de neurones bayésiens (BNN), basée sur l’historique des trajets de taxis à San Francisco et Chicago.
Contrairement à de nombreux modèles d’apprentissage automatique, les BNN fournissent également des estimations de l’incertitude de leurs prédictions. Cette information permet une gestion de flotte plus fiable lorsque les habitudes de déplacement réelles diffèrent des prévisions, par exemple en cas de conditions météorologiques exceptionnelles.
L’apprentissage automatique sert uniquement à fournir des prévisions, tandis que les décisions relatives aux déplacements des véhicules et à leurs recharges sont prises par un modèle d’optimisation transparent, doté d’objectifs et de contraintes clairement définis. L’IA contribue ainsi à la prise de décision sans la prendre seule.
L’étude compare également trois types de véhicules électriques présentant des capacités de batterie et des niveaux d’efficacité énergétique différents, et examine l’impact de ces différences sur les performances de la flotte et la disponibilité des services.
« Comme la demande, les conditions de circulation et la disponibilité des véhicules évoluent constamment, le problème global devient rapidement trop complexe pour être résolu directement. Notre approche relève ce défi en décomposant le problème en sous-problèmes plus petits et plus faciles à gérer, qui peuvent être résolus efficacement puis combinés pour estimer le déploiement optimal de la flotte à l’échelle de la ville. De cette manière, nous obtenons une solution très proche de l’optimum tout en restant réalisable sur le plan informatique », explique Jacobsen.
Coordination de très grandes flottes
Des services de taxis autonomes sont déjà en service dans plusieurs villes des États-Unis et de Chine, mais la gestion de flottes importantes dans des environnements urbains complexes reste un défi.
« Les flottes de véhicules autonomes rencontrent encore des difficultés dans des conditions de circulation incertaines et complexes, ainsi que lors des interactions avec les conducteurs humains. Notre méthode robuste peut contribuer à améliorer la coordination du trafic et à favoriser une mobilité autonome plus fiable et plus sûre », explique Balázs Kulcsár, professeur au département de génie électrique et responsable de l’étude.
L’un des principaux atouts de cette méthode réside dans sa capacité à s’adapter à de grandes flottes tout en permettant une prise de décision rapide. Selon Jacobsen, cette approche est conçue pour rester efficace même face aux incertitudes qui caractérisent les systèmes de transport urbains réels.
« De nombreuses études existantes abordent des problématiques similaires de gestion de flottes et de logistique. Notre travail se distingue par la prise en compte explicite des incertitudes propres aux grandes villes et l’optimisation des opérations de flotte en conséquence. Nous avons également développé et testé ce cadre pour différents types de véhicules, le rendant à la fois flexible et robuste. Ceci permet aux flottes de véhicules autonomes de s’adapter plus efficacement aux conditions changeantes tout en maintenant des services de transport performants et fiables. »