Les drones et l'IA pour lutter contre les bouchons
© iStock
Les embouteillages sont la maladie des grandes agglomérations. Comment les soigner sans étendre le réseau routier? Un défi que tente de relever la recherche.
D’après le dernier classement mondial du fabricant de GPS TomTom, Genève est la ville de Suisse dans laquelle les pendulaires perdent le plus d’heures dans les bouchons: 141 heures par an. Classée dans le top 20 mondial, elle devance Zurich (116 heures), et de beaucoup Lausanne (86 heures), Bâle (83 heures) ou Berne (43 heures). On y roule aussi le moins vite 19,1 km/h en moyenne contre 27 km/h à Lausanne ou 42,4 km/h à Berne.
La gestion intelligente du trafic est une des clés pour améliorer la fluidité de la circulation, en particulier dans les villes. À l’EPFL, le Laboratoire des systèmes de transports urbains (LUTS) s’est spécialisé dans l’analyse du trafic urbain en intégrant les nouvelles technologies. Les drones se sont ainsi naturellement ajoutés à l’arsenal des villes, composé de caméras, boucles d’induction magnétiques et autres senseurs. «Le problème est que les moyens traditionnels se concentrent essentiellement sur les voitures et souvent avec les limitations temporelles et spatiales, remarque Manos Barmpounakis, chercheur postdoc au LUTS. Avec les drones, on peut lever beaucoup des obstacles de ces senseurs. Ils offrent un panorama beaucoup plus large, complet et détaillé de l’état général d’un réseau routier.»
En 2018, une équipe du LUTS a conduit une expérience pionnière en faisant voler un escadron de drones au-dessus d’Athènes pour collecter une importante masse de données et analyser le trafic. Tout en respectant la confidentialité, les drones ne pouvant distinguer aucune plaque d’immatriculation ni aucun visage. Les scientifiques ont analysé les données et développé des méthodes utilisant des algorithmes pour identifier les types de véhicules (voiture, camion, bus, moto, vélo, etc.) et leurs trajectoires.
On ne pourra prédire un accident, mais s’il advient, on pourra prédire comment le réseau réagit
«Avec l’aide de l’IA, il est possible de reconnaître, localiser et suivre précisément presque tous les véhicules sur un large périmètre, détaille Weijiang Xiong, doctorant au LUTS qui s’attache ainsi à la prévention des embouteillages. En combinant ces deux sources, nous pouvons faire de bien meilleures prédictions de trafic. Nous n’en sommes qu’au début, mais avec des méthodes de prédiction efficaces et des données fiables, nous pourrons anticiper des mesures et, par exemple, réguler les feux une demi-heure avant que le bouchon n’arrive dans une zone. On ne pourra prédire un accident, mais s’il advient, on pourra prédire comment le réseau réagit.»
Pour adapter le modèle à une ville, il faut d’abord col-lecter des données locales afin de l’ajuster et l’affiner à un cas spécifique. «Si la congestion est un problème universel, ce qui la provoque varie d’un lieu à l’autre. C’est là que les données entrées sont déterminantes», souligne Manos Barmpounakis. Grâce aux drones, les scientifiques peuvent compléter les données existantes. Ces outils peuvent être déployés dans n’importe quelle ville, de manière efficace, économique, respectueuse de l’environnement et optimale, et ainsi nourrir le modèle.
Mesurer les décibels
Offrant une meilleure vision du contexte, les données des drones peuvent aussi servir, par exemple, à analyser les comportements de conduite, toujours dans le respect de la confidentialité. «Nous avons fait des études sur les phénomènes de changement de voie, les interactions entre les usagers, explique le postdoc. Les drones sont les seuls instruments capables de nous communiquer des informations là-dessus. Les données individuelles vont nous montrer qu’un véhicule a freiné à bloc, mais on ne sait pas pourquoi. Avec les drones, on peut voir si c’est parce qu’une moto lui a coupé la route, si c’est un piéton ou si c’est parce que le feu était en train de passer au rouge.»
Des drones pour la sécurité, le trafic multimodal, les comportements de conduite, mais ils se révèlent aussi utiles pour mesurer la qualité de l’air ou évaluer les émissions sonores. Ces dernières sont le sujet de recherche de Jasso Espadaler Clapés. «En connaissant le profil cinématique des véhicules (position, vitesse, accélération) et le type de véhicule (électrique ou thermique), on peut estimer les émissions sonores ou atmosphériques. En couplant ces informations, on peut estimer combien de décibels les véhicules produisent et, avec certains modèles algorithmiques, les relier au bruit que l’on entend effectivement dans la rue. Car le bruit n’est pas perçu de la même façon si l’on est à un mètre ou à dix mètres d’un véhicule. Nous créons ainsi des cartes du bruit à l’aide des données acquises par les drones et pouvons identifier les zones critiques.»
Du laboratoire à la start-up
«Nous ne travaillons pas sur une solution directe qui peut être mise en place du jour au lendemain, précise Manos Barmpounakis. Nous étudions des questions en amont: dans quelle mesure les drones peuvent être utiles pour contrôler le trafic? Quel avantage quantitatif ces données nous donnent-elles pour la prévision? Quelles sont les opportunités fournies par l’IA? Les cas pratiques en découleront ensuite.»
Le LUTS a mené cependant plusieurs expériences pilotes non seulement à Athènes, mais aussi à Nairobi ou Manchester, toujours dans un but de recherche. Mais du laboratoire est né un spin-off, MobiLysis, qui applique les méthodes établies à des cas concrets. La Ville de Pully ou le Canton de Genève ont déjà collaboré avec MobiLysis pour améliorer leurs problèmes de trafic. Par ailleurs, MobiLysis participe à des projets européens d’envergure. Dans le cadre du projet pilote Acumen, la start-up a collecté divers paramètres (les trajectoires des véhicules, les vitesses, l’accélération, les flux, etc.) à Helsinki. Ils seront utilisés, par exemple, pour l’étalonnage du logiciel de simulation du trafic du jumeau numérique de la capitale finlandaise.
Les mathématiques au service des prédictions
Si la sociologie s’attache à comprendre les motivations de ce qui nous meut aujourd’hui, les mathématiques cherchent à modéliser ces comportements afin de pouvoir appréhender, prédire et anticiper les besoins de mobilité. Mais comment faire pour traduire en algorithme une course au supermarché, un trajet vers un cours de piano, un aller-retour au bureau?Les modèles classiques se concentrent habituellement sur les déplacements des individus, origine-destination, en regardant le motif, le mode de transport et l’itinéraire. Dans le Laboratoire de transport et mobilité de l’EPFL (TRANSP-OR), dirigé par Michel Bierlaire, les scientifiques ont choisi une autre méthode: s’intéresser aux activités des personnes — travail, courses, loisirs, etc. — et de leurs proches, et ce non seulement au fil de la journée, mais aussi au cours de leur vie.
C’est le modèle qu’a développé Janody Pougala, doctorante au TRANSP-OR en 2024. La jeune ingénieure s’est focalisée sur les activités des individus intégrant les changements de comportements issus des dimensions aléatoires qui régissent aussi leurs vies. Ces aspects sont d’autant plus importants que nous avons des modes de vie de plus en plus hétérogènes. Le développement du télétravail ou le covoiturage, par exemple, ont profondément modifié notre manière de nous déplacer. Tout comme l’amélioration des infrastructures donne l’opportunité d’habiter plus loin de son lieu de travail. Le nouveau cadre a été testé avec succès sur le modèle exploratoire de prédiction existant des CFF et pour un projet de planification urbaine à Zurich, qui imagine comment la ville fonctionnerait avec 50% de mobilité douce.
Cependant, nos besoins en déplacements se situent non seulement au niveau de l’individu, mais aussi du ménage. Cet aspect est déterminant, car il inclut une dimension de planification détaillée des horaires et des choix de déplacements basée sur l’optimisation. En tenir compte permet de simuler diverses interactions au sein d’un ménage, telles que l’attribution du véhicule privé aux membres du foyer, le partage des tâches ménagères, l’accompagnement, la participation à des activités communes et le covoiturage. C’est pourquoi les chercheurs ont intégré cette dimension à leur modèle. Il s’agit d’un cadre général applicable à différentes compositions de ménage et de ressources en mobilité disponibles.
«Les résultats montrent que les modèles calibrés au niveau du ménage produisent des distributions des horaires quotidiens qui reflètent mieux les données observées que celles basées uniquement sur des modèles au niveau individuel, argumente Negar Rezvany, qui vient de défendre sa thèse sur le sujet. De plus, le cadre est capable de simuler des distributions réalistes des activités quotidiennes et d’estimer des paramètres significatifs à partir des données tout en s’ancrant dans la théorie comportementale.»
Un difficile accès aux données
Un des écueils à la modélisation mathématique reste l’accès aux données. Pour des questions de confidentialité et de moyens, il est difficile de mesurer les activités des individus. Les scientifiques ont alors recours à des populations «synthétiques» qui présentent les caractéristiques statistiques de la population réelle. «Dans un projet de collaboration avec les CFF, on analyse par exemple leurs données pour constituer des populations synthétiques et ensuite élaborer des scénarios d’avenir», détaille Michel Bierlaire. Ce type de modèle intéresse notamment l’Office fédéral du développement territorial (ARE), en charge des questions liées à la politique de mobilité. On peut aussi les utiliser pour modéliser des scénarios tels qu’une nouvelle pandémie ou une crise économique. «L’enjeu est de trouver les bonnes variables pour des prédictions non seulement en termes de lieux, mais aussi de temps, poursuit le professeur. La mobilité se mesure en effet sur toute une vie, car les choix de mobilité se font le plus souvent à des périodes charnières de l’existence.»
Dans sa thèse, Negar Rezvany a ainsi étendu son analyse aux décisions à long terme et à la dynamique urbaine, en étudiant le cas transnational du Luxembourg. La doctorante a établi un cadre qui inclut différentes temporalités: le choix du mode de transport, qui évolue rapidement, la relocalisation résidentielle, qui se déroule sur un horizon moyen, et le développement des infrastructures, qui progresse lentement. «En suivant l’évolution des indicateurs clés, le cadre sert d’outil indicatif pour comprendre le comportement du système, anticiper les tendances futures et évaluer les impacts à long terme des interventions politiques», précise-t-elle dans sa thèse.
Cet article a été publié dans l'édition de mars 2026 du magazine Dimensions, qui met en avant l’excellence de l’EPFL par le biais de dossiers approfondis, d’interviews, de portraits et d’actualités. Le magazine est distribué gratuitement sur les campus de l’EPFL.