Stratégie d'infrastructure routière intelligente multi-agents basée sur l'IA adaptative pour la gestion décentralisée du trafic routier urbain

Adaptive AI-based multi-agent intelligent road infrastructure strategy for decentralized urban road traffic management

• Auteur / Autrice : Michel Sauvage
• Direction : Jérôme HÄrri
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut EURECOM
• Partenaire(s) de recherche : Equipe de recherche : Systèmes de Communication

Mots clés

Mots clés libres

Infrastructure routière intelligente

Multi-agents

Ia

Intelligent road infrastructure

Based multi-agent

Ia

Résumé

Cette thèse se concentre sur l'analyse de la problématique du développement et de l'optimisation d'une infrastructure de feux de circulation connectée, réactive et entièrement décentralisée dans le but d'améliorer la fluidité du trafic et de réduire la pollution. Si les feux de circulation intelligents réactifs visant à optimiser les feux de circulation individuels ont été bien étudiés, l'interaction avec des infrastructures de signalisation potentiellement concurrentes ayant divers objectifs complémentaires ou opposés reste un défi. En particulier, l'IA a été étudiée pour apprendre les schémas de circulation et adapter les politiques de feux de circulation. Toutefois, si les prédictions de l'IA peuvent être modifiées par la décision d'une autre IA, les approches telles que l'apprentissage par renforcement pourraient même ne pas converger, ce qui entraînerait des décisions locales et globales faibles. Par conséquent, des stratégies d'IA coopératives seraient nécessaires, ce qui est actuellement un domaine de recherche ouvert, d'abord à partir des mécanismes mêmes de prédiction, ainsi qu'en limitant la quantité de données nécessaires à une telle coopération.

This thesis focuses on the analysis of the problematic to develop and optimize connected, reactive and fully decentralized traffic light infrastructure with the objective to improve traffic fluidity and reduced pollution. If reactive smart traffic lights to optimize individual traffic lights have been well studied, the interaction with potentially competing signaling infrastructure with various complementary or opposite objectives remains challenging. In particular, AI has been studied to learn traffic patterns and adapt the traffic light policies. However, if AI predictions can be altered by the decision of a different AI, approaches such as reinforcement learning might not even converge leading to both weak local and global decisions. Accordingly, cooperative AI strategies would be required, which is currently an open research area, first from the very mechanisms to predict the prediction, as well as limiting the amount of data required to such cooperation.