Nouvel Outil d'Évaluation de la Progression de l'Apprentissage par Renforcement Les trajets en ville connaissent régulièrement des arrêts et redémarrages constants, dus aux feux de signalisation et aux manœuvres de voitures et camions. Ce rythme incessant est extrêmement inefficace, augmentant considérablement les émissions de polluants, notamment de gaz à effet de serre, par kilomètre parcouru. Une approche pour atténuer cet impact, appelée "eco-conduite," peut être intégrée dans les véhicules autonomes afin d'améliorer leur efficacité. Mais combien cette méthode pourrait-elle réduire les émissions ? Est-ce une solution mineure ou majeure ? Dr Cathy Wu, professeure adjointe au département d'ingénierie civile et environnementale et à l'Institut pour les données, systèmes et société (IDSS) du MIT, s'est penchée sur cette question il y a quelques années. Elle explique : "Nous nous sommes demandés si les véhicules autonomes pouvaient jouer un rôle significatif pour réduire les émissions." Pour répondre à cette interrogation, il faut recueillir toutes les données disponibles sur le système, provenant de diverses sources. Cela inclut le plan des intersections dans chaque ville, les données du Service géologique américain concernant les pentes des routes, ainsi que des renseignements sur la température, l'humidité, les types de véhicules, leurs âges et le mélange de carburants utilisés. L'eco-conduite consiste à effectuer des ajustements minimes pour minimiser la consommation superflue de carburant. Par exemple, quand une voiture s'approche d'un feu rouge, plutôt que d'accélérer jusqu'à ce feu, il est plus écologique de ralentir et de laisser le véhicule rouler au ralenti. Cette technique peut également influencer les véhicules conventionnels derrière, les obliger à ralentir, amplifiant ainsi son impact beneficial. Pour calculer l'efficacité de l'eco-conduite, l'équipe de Wu a développé un nouveau système de référence nommé "IntersectionZoo." Ce benchmark, présentée lors de la conférence internationale ICCLR 2025 à Singapour, est conçu pour évaluer les méthodes d'apprentissage par renforcement (ARL) multi-agents dans des situations complexes. L'ARL multi-agents est une catégorie d'algorithmes d'intelligence artificielle (IA) utilisée pour résoudre des problèmes avec de nombreux facteurs et paramètres. Malheureusement, l'absence de standards de référence adéquats a freiné les progrès dans ce domaine. IntersectionZoo vise à résoudre un problème de généralisation identifié par Wu et son équipe il y a deux ans. Avec la plupart des algorithmes d'ARL existants, les solutions trouvées pour un scénario spécifique (comme un certain carrefour) ne sont plus pertinentes lorsque des modifications mineures sont apportées, comme l'ajout d'une piste cyclable ou un changement du cycle des feux de signalisation. Ce défaut concerne non seulement le trafic, mais aussi d'autres domaines où l'IA est utilisée. Wu souligne : "Ce problème de non-généralisation est commun en IA, mais la plupart des tâches standard ne l'impliquent pas, rendant difficile l'évaluation de la robustesse des algorithmes." Pour cette raison, IntersectionZoo, avec ses 1 million de scénarios de trafic basés sur des données réelles, apporte une richesse inédite à l'évaluation des algorithmes d'ARL et à la robustesse de leurs solutions. Cet outil n'est pas destiné uniquement à l'eco-conduite, mais à la développement de méthodes d'ARL générales pouvant être appliquées à de nombreux autres domaines, tels que la conduite autonome, les jeux vidéo, la sécurité, la robotique, le stockage et les problèmes classiques de contrôle. Le projet est ouvert à tous les chercheurs, avec des documents et des ressources librement accessibles sur GitHub. IntersectionZoo est développé par une équipe dirigée par Vindula Jayawardana, doctorante au département d'ingénierie électrique et informatique du MIT ; Baptiste Freydt, doctorant de l'ETH Zurich ; Ao Qu, doctorante en transport ; Cameron Hickert, doctorant à l'IDSS ; et Zhongxia Yan, ancienne doctorante. Leur travail contribuera non seulement à mesurer l'impact de l'eco-conduite sur les émissions de polluants, mais aussi à améliorer l'IA en général. Évaluation Professionnelle et Profil Entreprise Les spécialistes de l'industrie voient en IntersectionZoo une avancée importante. Michael Lee, expert en IA chez Waymo, commente : "Cette initiative de MIT offre un cadre solide pour évaluer et développer des algorithmes d'ARL plus robustes, ce qui pourrait avoir des implications positives dans plusieurs secteurs." Le MIT, connu pour ses contributions innovantes en recherche technologique et scientifique, continue ainsi de jouer un rôle prépondérant dans l'avancement de l'IA. IntersectionZoo est une étape cruciale pour améliorer la généralisation des algorithmes d'ARL, offrant des perspectives prometteuses pour de nombreuses applications pratiques. Sa disponibilité publique encouragera la collaboration et l'innovation parmi les chercheurs, potentiellement accélérant les solutions écologiques dans le domaine du transport urbain.