Chalmers : planifier des flottes de taxis électriques autonomes

Chaque matin, tout le monde veut se rendre au centre-ville. Chaque après-midi, le flux s'inverse. Pour une flotte de taxis autonomes, cela signifie que des voitures vides doivent rouler jusqu'à l'endroit où attendent les prochains passagers, et que les voitures électriques doivent aussi s'arrêter pour se recharger. Des chercheurs de l'université de technologie de Chalmers, en Suède, ont mis au point une méthode d'optimisation conçue pour ce problème à l'échelle d'une ville entière, qui continue de fonctionner quand la circulation ne se comporte pas comme prévu.

Les enjeux sont réels. Selon un rapport cité par les chercheurs, le transport électrique partagé et autonome à grande échelle peut réduire le coût par trajet de 60 % au maximum pour chaque utilisateur, par rapport aux taxis traditionnels, tout en diminuant nettement les émissions par trajet. Ce gain dépend d'une gestion efficace de la flotte. Sans contrôle efficace, notent les chercheurs, le décalage entre les taxis disponibles et la demande peut allonger les temps d'attente et les files, et aggraver les embouteillages urbains. Comme le souligne l'auteur principal, Sten Elling Tingstad Jacobsen, « où et combien de temps recharger est une question difficile ».

La méthode combine deux outils. Des réseaux de neurones bayésiens, une technique d'apprentissage automatique, prévoient la demande de trajets et la disponibilité des bornes de recharge dans chaque quartier de la ville, à partir de données historiques de courses de taxi à San Francisco et à Chicago. Contrairement à de nombreux modèles d'apprentissage automatique, ils estiment aussi le degré d'incertitude de leurs propres prédictions, ce qui est utile lorsque les déplacements réels s'écartent des prévisions, par exemple lors d'un épisode météorologique inhabituel. Un modèle d'optimisation transparent, aux objectifs et contraintes clairement définis, décide ensuite où vont les véhicules et quand ils se rechargent. L'IA éclaire ces décisions au lieu de les prendre seule. Pour garder le calcul maniable, le problème est découpé en parties plus petites, résolues séparément puis recombinées. Selon Jacobsen, le résultat est « très proche de l'optimum tout en restant praticable sur le plan du calcul ».

Ce qui distingue ce travail, selon Jacobsen, c'est qu'il prend explicitement en compte les incertitudes propres à une grande ville et optimise la flotte en conséquence, et que le cadre a été développé et testé pour différents types de véhicules. L'étude compare trois types de véhicules électriques, dotés de batteries de tailles et d'efficacités énergétiques différentes, et examine comment ces écarts influencent les performances de la flotte et la disponibilité du service. L'équipe étudie également l'apprentissage par renforcement profond, une forme d'IA qui apprend par l'interaction, comme moyen de prendre des décisions en temps réel. L'annonce ne donne aucun chiffre sur les gains de la méthode par rapport à d'autres approches de planification, et ne précise pas quand elle pourrait être utilisée en dehors de l'étude.

Pour les exploitants de flottes et les urbanistes, le gain concret serait de réduire les trajets à vide et le nombre de voitures immobilisées en attente, à condition que la méthode tienne au-delà des données historiques. Des services de taxis autonomes fonctionnent déjà dans plusieurs villes des États-Unis et de Chine, où la gestion de grandes flottes dans une circulation complexe reste difficile. Balázs Kulcsár, le professeur qui a dirigé l'étude, affirme que l'objectif est une mobilité autonome plus fiable et plus digne de confiance. Savoir si cela atteindra le service quotidien dépendra d'essais que les travaux ne rapportent pas encore.