CoLMIN: LLM-based Multi-Decision Path Negotiation for Cooperative Autonomous Driving

Conduire une voiture seul est un acte de jugement solitaire, mais conduire dans une foule est une conversation constante et silencieuse. Pendant des décennies, les ingénieurs ont tenté d'apprendre aux machines à avoir cette conversation, espérant que si les voitures pouvaient partager leurs intentions et coordonner leurs mouvements, le trafic serait plus fluide et plus sûr. Les premières tentatives reposaient sur des règles rigides ou des formules mathématiques complexes, mais celles-ci peinaient souvent face à l'imprévisibilité désordonnée de la vie réelle. Plus récemment, des chercheurs ont commencé à utiliser des modèles de langage étendus — de puissants systèmes informatiques entraînés sur de vastes quantités de textes humains — pour aider les voitures à se « parler » entre elles. Ces systèmes peuvent raisonner à travers des situations complexes comme un conducteur humain le ferait, en pesant les options et en négociant qui doit passer en premier. Cependant, une faille critique est apparue dans ces nouvelles approches : lorsque les voitures négocient, elles restent souvent bloquées. Si deux véhicules proposent un plan unique et fixe et ne sont pas d'accord, ils ont tendance à s'entêter, refusant de céder jusqu'à ce que la négociation échoue, ce qui peut mener à une collision ou à un embouteillage.

Pour résoudre ce problème, une équipe de chercheurs a développé un nouveau cadre appelé CoLMIN, qui change la manière dont les véhicules autonomes négocient. Au lieu de forcer chaque voiture à choisir un seul chemin vers l'avant et à le défendre, CoLMIN encourage chaque véhicule à générer plusieurs options différentes et sûres simultanément. Imaginez un groupe de personnes essayant de décider où manger ; si tout le monde insiste sur un seul restaurant, le groupe pourrait ne jamais se mettre d'accord. Mais si tout le monde suggère quelques endroits différents, le groupe a beaucoup plus de chances de trouver une solution qui convienne à tout le monde. De la même manière, CoLMIN permet aux voitures de présenter un menu d'actions possibles à leurs voisines. Le système évalue ensuite ces options, cherchant la combinaison qui garantit la sécurité de tous et une circulation efficace. Si les suggestions initiales ne mènent pas à un accord, le système ne se contente pas de répéter le même argument. Il utilise une « réflexion superficielle » pour offrir des conseils rapides et spécifiques sur la façon d'améliorer les plans, et si les voitures semblent toujours obstinées, un mécanisme de « réflexion profonde » intervient pour leur rappeler de considérer des stratégies entièrement nouvelles, évitant ainsi qu'elles ne se retrouvent piégées dans des boucles improductives.

Les chercheurs ont testé ce système dans une simulation informatique de haute fidélité d'une ville animée, opposant leur nouvelle méthode aux technologies existantes dans dix scénarios difficiles, incluant des intersections complexes et des changements de voie délicats. Les résultats ont montré que CoLMIN était nettement plus efficace que les méthodes précédentes. Dans les tests de changement de voie les plus difficiles, le nouveau système a amélioré la sécurité de 8 % et a augmenté le taux de réussite global de la conduite de 13 % par rapport à la meilleure alternative. Les simulations ont révélé que l'ancienne façon de négocier menait souvent à une impasse, où les voitures se figeaient ou s'écrasaient parce qu'elles étaient trop confiantes dans leur plan unique et rigide. À l'inverse, l'approche multi-options a permis aux véhicules de faire preuve de flexibilité, trouvant un terrain d'entente qui maintenait la circulation sans collisions. Le système s'est avéré robuste même lorsque d'autres éléments imprévisibles, tels que les piétons et les cyclistes, ont été ajoutés au mélange, maintenant des performances élevées là où d'autres méthodes échouaient.

Ce qui rend cette approche particulièrement prometteuse n'est pas seulement qu'elle fonctionne mieux, mais la manière dont elle fonctionne. Le système ne repose pas sur une décision unique et parfaite prise en une fraction de seconde. Au lieu de cela, il imite la capacité humaine à reconsidérer et à s'adapter. Lorsque la simulation montrait qu'un plan proposé était dangereux ou inefficace, le système fournissait un retour immédiat pour ajuster la trajectoire. Si les voitures continuaient à argumenter sur le même point, le module de réflexion profonde analysait l'historique de la conversation, identifiait que les véhicules étaient trop obstinés et les guidait vers un nouvel ensemble de choix. Ce processus de génération de plusieurs chemins, d'évaluation et de réflexion sur les erreurs passées a permis aux voitures d'atteindre un accord stable bien plus rapidement qu'auparavant. En fait, la nouvelle méthode a réduit le nombre de cycles de négociation nécessaires pour parvenir à un accord et a considérablement abaissé le taux de comportement trop confiant et inflexible.

Bien que ces résultats soient actuellement limités aux simulations informatiques, ils offrent une voie claire pour l'avenir de la conduite autonome. Les chercheurs reconnaissent que les routes du monde réel impliquent du bruit, des délais de communication et des conducteurs humains qui ne suivent pas toujours les règles, des facteurs plus difficiles à modéliser qu'un environnement numérique contrôlé. Cependant, le succès de CoLMIN dans ces simulations suggère que la clé d'une conduite coopérative et sûre réside dans la flexibilité. En s'éloignant de l'idée qu'une voiture doit avoir un plan parfait et en embrassant la réalité selon laquelle il existe souvent de nombreuses bonnes façons de résoudre un problème de circulation, ce nouveau cadre nous rapproche d'un avenir où nos véhicules pourront naviguer dans le monde ensemble, non pas seulement comme des machines suivant du code, mais comme des participants à une conversation intelligente et partagée.