Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

Sur la route, un peloton est simplement une file de voitures circulant de près les unes des autres, se déplaçant comme une seule unité. Depuis des décennies, les ingénieurs rêvent de véhicules automatisés capables de faire cela parfaitement, en maintenant des distances et des vitesses exactes pour économiser du carburant et prévenir les embouteillages. Mais le monde réel n'est pas une simulation. Pendant encore longtemps, ces voitures automatisées partageront l'autoroute avec des conducteurs humains, créant un environnement de trafic mixte. Ce mélange crée un problème complexe : les conducteurs humains sont imprévisibles. Ils réagissent différemment au trafic, certains sont agressifs et collent au véhicule de devant, tandis que d'autres sont prudents et gardent une marge de sécurité importante. Leurs réactions ne sont pas seulement aléatoires ; elles sont façonnées par des années d'habitude et de style personnel. Lorsqu'une voiture automatisée tente de suivre un humain, ou lorsqu'un humain suit une voiture automatisée, le système doit tenir compte de cet élément humain. Si la voiture automatisée ignore le style de l'humain, elle pourrait freiner trop brusquement ou suivre de trop près, provoquant un vacillement ou un arrêt inattendu de toute la file de voitures. L'objectif est de créer un système qui ne se contente pas de forcer chaque voiture à conduire de la même manière, mais un système qui comprenne et s'adapte à la personnalité unique du conducteur de devant.

Des chercheurs de plusieurs universités chinoises, notamment l'Université de Jiaotong de l'Est de la Chine et l'Université de technologie de Zhejiang, ont développé une nouvelle façon de gérer ces files de voitures mixtes. Ils appellent leur approche une stratégie de contrôle « ancrée sur l'humain » (human-anchored). Au lieu d'essayer de construire un modèle mathématique parfait de la pensée de chaque humain — ce qui est presque impossible car le comportement humain est si désordonné et variable — ils ont décidé de laisser les données parler d'elles-mêmes. Ils ont construit un système qui apprend directement des mouvements réels des voitures. En observant comment un véhicule répond à la voiture qui le précède au fil du temps, le système crée une carte de la dynamique de la route sans avoir besoin de connaître le poids spécifique de la voiture ou le temps de réaction exact du conducteur. Cette méthode basée sur les données permet à l'ordinateur de prédire ce qui va se passer ensuite en se basant sur ce qui s'est passé auparavant, contournant ainsi efficacement le besoin de formules complexes et sujettes à l'erreur sur la psychologie humaine.

Le cœur de leur innovation réside dans la manière dont ils gèrent le conducteur humain. Les chercheurs ont réalisé que, bien que chaque conducteur soit différent, ils suivent souvent des modèles reconnaissables. Certains conduisent de manière agressive, d'autres modérément et d'autres de manière conservatrice. Pour capturer cela, ils ont utilisé un outil d'apprentissage sophistiqué qui agit comme un observateur très aiguisé. Cet outil, qui combine deux techniques d'apprentissage différentes, observe la vitesse, l'accélération et la distance du véhicule par rapport à celui de devant. Il filtre le bruit causé par les routes accidentées ou les erreurs de capteurs, un peu comme on nettoie un signal radio parasité pour entendre la musique clairement. Une fois les données nettoyées, le système identifie le style de conduite. Il ne se contente pas de deviner ; il classe le conducteur dans une catégorie spécifique basée sur son comportement réel sur la route.

Une fois que le système connaît le style du conducteur, il modifie le comportement des voitures automatisées. Si le conducteur de devant est agressif et aime conduire de près, les voitures automatisées derrière ajustent leur distance cible pour correspondre à cette préférence, plutôt que de forcer une distance standard et sûre qui pourrait sembler non naturelle ou pousser le conducteur humain à freiner soudainement. Si le conducteur est prudent, les voitures automatisées lui laissent plus d'espace. Les chercheurs appellent cela une « politique de conduite flexible ». Il ne s'agit pas de faire en sorte que les voitures automatisées conduisent de manière imprudente ; il s'agit de faire en sorte qu'elles conduisent d'une manière qui semble naturelle pour le conducteur humain, ce qui, en retour, rend toute la file de circulation plus fluide. Le système établit des limites souples pour la proximité des voitures et la vitesse de leur accélération, mais ces limites varient selon la personne qui conduit.

Pour tester si cette idée fonctionne, l'équipe ne s'est pas contentée de simulations informatiques ; elle a construit un environnement de test réaliste. Ils ont utilisé un simulateur de conduite où trente-quatre volontaires humains, d'un âge moyen de trente et un ans et ayant au moins deux ans d'expérience de conduite, ont pris le volant. Ces conducteurs contrôlaient l'une des voitures d'une file de trois, tandis que les deux autres étaient contrôlées par le nouveau logiciel. Les chercheurs ont comparé leur nouveau système « ancré sur l'humain » à deux autres méthodes : un système de contrôle automatisé standard qui traite tous les conducteurs de la même manière, et un système basé sur les données légèrement plus avancé qui ne tient toujours pas compte des styles individuels. Le test impliquait des scénarios de trafic complexes où la voiture de tête accélérait et ralentissait, forçant la file à réagir.

Les résultats ont montré une différence claire. Le système standard et le système avancé basé sur les données avaient tous deux du mal à maintenir la file stable. Les voitures dépassaient leur distance cible, s'éloignant trop avant de freiner brusquement pour rattraper le retard, créant un effet de ricochet de changements de vitesse qui se propageait dans la file. En revanche, le nouveau système ancré sur l'humain maintenait l'espacement beaucoup plus près de la distance souhaitée de 50 mètres. Les voitures automatisées suivaient le mouvement du conducteur humain sans les mouvements saccadés ou oscillatoires observés dans les autres tests. La vitesse des voitures restait fluide, évitant les pics de vélocité brusques qui mènent souvent à l'inconfort ou aux accidents. Même lorsque le conducteur humain était agressif, le système s'adaptait, maintenant la stabilité sans forcer l'humain à changer son comportement.

L'étude a également examiné la performance du système avec différents types de conducteurs. Lorsque le conducteur humain était conservateur, le système maintenait les erreurs d'espacement très faibles, garantissant une conduite sûre et stable. Lorsque le conducteur était agressif, le système maintenait tout de même le contrôle, bien que les erreurs d'espacement soient légèrement plus grandes, ce qui est attendu lorsqu'on suit un conducteur qui aime réduire la distance. Crucialement, le système a empêché ces petites erreurs de s'amplifier à mesure qu'elles se déplaçaient le long de la file de voitures. En ingénierie du trafic, c'est ce qu'on appelle la « stabilité de la chaîne » (string stability), et c'est vital pour prévenir les embouteillages qui partent d'un simple coup de frein. La nouvelle méthode a prouvé qu'en respectant le style du conducteur humain, les voitures automatisées pouvaient en fait rendre l'ensemble du groupe plus sûr et plus confortable.

Cette recherche démontre que l'avenir du contrôle du trafic ne nécessite pas que les humains deviennent des robots. Au contraire, il nécessite que les robots deviennent plus conscients de l'humain. En utilisant les données pour comprendre les habitudes de conduite individuelles et en ajustant la réponse automatisée en conséquence, les chercheurs ont montré une voie vers une coexistence plus fluide et plus sûre entre l'homme et la machine sur la route. Le système a réussi à équilibrer le besoin de sécurité avec le désir d'une expérience de conduite personnalisée, prouvant qu'un peu de compréhension aide grandement à maintenir la fluidité du trafic.