Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
Every morning, everyone wants to travel into the city center. Every afternoon, the flow reverses. For a self-driving taxi fleet, that means empty cars driving to wherever the next passengers wait, and electric cars must also stop to recharge. Researchers at Chalmers University of Technology in Sweden have now developed an optimization method built for this problem at the scale of a whole city, one that keeps working when traffic does not behave as forecast.
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.
The stakes are real. According to a report cited by the researchers, large-scale shared, self-driving electric passenger transport can reduce an individual's cost per trip by up to 60% compared with traditional taxis, while also cutting emissions per trip significantly. The gain depends on the fleet being managed well. Without efficient control, the researchers note, the mismatch between available taxis and demand can increase waiting times and queue lengths, and worsen urban congestion. As lead author Sten Elling Tingstad Jacobsen puts it, "where and how long to charge is a difficult question."
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 ».
The method combines two tools. Bayesian neural networks, a machine learning technique, forecast travel demand and charger availability in each part of the city, using historical taxi trip data from San Francisco and Chicago. Unlike many machine learning models, they also estimate how uncertain their own predictions are, which helps when real travel patterns differ from forecasts, for example during unusual weather. A transparent optimization model, with clearly defined goals and constraints, then decides where vehicles go and when they charge. The AI supports those decisions rather than making them on its own. To keep the calculation tractable, the problem is split into smaller parts that are solved separately and then combined. Jacobsen says the result is "very close to optimum while remaining computationally practical."
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 ».
What distinguishes the work, according to Jacobsen, is that it explicitly accounts for the uncertainties of a large city and optimizes fleet operations accordingly, and that the framework was developed and tested for different types of vehicles. The study compares three electric vehicle types with different battery sizes and energy efficiency, and examines how those differences affect fleet performance and service availability. The team also investigates deep reinforcement learning, a form of AI that learns through interaction, as a way to make decisions in real time. The announcement does not give a figure for the method's gains over other planning approaches, and it does not say when it could be used outside the study.
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.
For fleet operators and city planners, the practical gain would be fewer empty trips and fewer cars stuck waiting, if the method holds up beyond historical data. Autonomous taxi services already run in several cities in the United States and China, where managing large fleets in complex traffic remains difficult. Balázs Kulcsár, the professor who supervised the study, says the aim is more reliable and trustworthy autonomous mobility. Whether that reaches everyday service depends on tests the research does not yet report.
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.