L’IA PEUT-ELLE TRANSFORMER LES FEUX DE CIRCULATION ?

Un carrefour vide vous retient au rouge tandis que la file s’allonge derrière vous. Ce petit échec de bon sens se répète dans toute la ville. L’intelligence artificielle promet des feux adaptés à la situation présente. Oui, elle peut aider, mais les preuves sont plus nuancées qu’une solution universelle aux embouteillages.

Les feux adaptatifs précèdent l’essor actuel de l’IA

La régulation adaptative recueille des données de circulation, évalue la situation et ajuste les réglages. L’administration fédérale américaine des routes la décrit comme une technologie déjà établie. « Adaptatif » ne signifie pas automatiquement apprentissage automatique : des règles ou une optimisation peuvent suffire. Des capteurs et des communications fiables restent indispensables. Source: www.fhwa.dot.gov

L’IA peut apporter des prévisions ou rechercher de meilleurs plans de feux. Mais un carrefour n’est pas un problème isolé. Libérer une file peut envoyer des véhicules vers une rue déjà bloquée. Un système utile doit tenir compte des carrefours voisins et de la demande, avec des objectifs et des contraintes définis par les ingénieurs.

Ce que l’essai de Pittsburgh a réellement montré

Le premier essai SURTRAC couvrait neuf carrefours du quartier East Liberty à Pittsburgh. Un article de Carnegie Mellon publié en 2013 rapportait des baisses pondérées d’environ 25 % du temps de trajet et 40 % de l’attente, par comparaison de parcours avant et après installation. La baisse d’environ 21 % des émissions était modélisée, pas mesurée dans toute la ville. Source: www.ri.cmu.edu

Ces résultats sont encourageants, mais un petit déploiement évalué avant et après ne constitue pas une garantie randomisée pour tous les réseaux. La demande, les travaux et la qualité des réglages précédents peuvent modifier la comparaison. Une ville devrait examiner la référence et la méthode d’évaluation avant de transformer un pourcentage en promesse d’achat.

Green Light illustre une autre approche

Green Light de Google utilise l’IA et les tendances de déplacement de Google Maps pour recommander des changements que les ingénieurs examinent et appliquent. Google évoque un potentiel initial allant jusqu’à 30 % d’arrêts en moins et 10 % d’émissions de gaz à effet de serre en moins, évaluées par modèles. Ce ne sont ni des moyennes garanties ni des conclusions indépendantes sur la sécurité. Source: sites.research.google

La distinction compte. Un logiciel qui conseille un ingénieur n’est pas déployé comme un logiciel qui commande directement chaque phase en temps réel. Les deux peuvent être utiles, mais l’intégration, le suivi et les responsabilités diffèrent. « Feux à IA » est une formule trop large pour décrire un achat sans ces précisions.

Un meilleur trajet pour qui ?

Un essai pertinent doit mesurer les personnes, pas seulement les voitures : voyageurs des bus, piétons, cyclistes et accès des secours doivent entrer dans les objectifs. Les temps de traversée et l’accessibilité doivent rester des contraintes techniques impératives. Moins d’arrêts automobiles ne prouve pas la sécurité. Les exigences de confidentialité doivent préciser les données collectées, conservées et partagées, sans supposer que les caméras sont obligatoires.

Les recommandations de la FHWA signalent que les systèmes adaptatifs apportent parfois peu de progrès face à des réglages existants déjà optimisés. Maintenance, référence crédible et essai réversible sont donc essentiels. L’IA peut mieux coordonner un espace routier limité ; elle ne supprime pas tous les goulets ni ne décide seule des priorités de transport. Une modernisation réussie part d’un objectif public et vérifie si la technologie le sert. Source: ops.fhwa.dot.gov

À lire également: La révolution des robotaxis.