Faciliter la circulation en ville grâce à l’intelligence artificielle
Derrière chaque bouchon, un freinage de trop, une hésitation : des perturbations que l'IA apprend aujourd'hui à contenir, à condition de disposer des bonnes données et infrastructures. Des solutions existent déjà à l’étranger telles que des feux adaptatifs, des vitesses variables ou du ramp metering. Pour les collectivités françaises, l'enjeu est désormais de s'en emparer avec méthode. […]
Derrière chaque bouchon, un freinage de trop, une hésitation : des perturbations que l'IA apprend aujourd'hui à contenir, à condition de disposer des bonnes données et infrastructures. Des solutions existent déjà à l’étranger telles que des feux adaptatifs, des vitesses variables ou du ramp metering. Pour les collectivités françaises, l'enjeu est désormais de s'en emparer avec méthode.
Un freinage brusque, une hésitation, un changement de voie : il suffit de peu pour paralyser un axe entier. Sur ce terrain, l'intelligence artificielle ouvre de nouvelles perspectives. Cet outil est capable d'impacter le flux de manière fine et anticipatoire. Pour les collectivités, la question est pratique : sur quels leviers l'IA peut réellement agir, et comment en tirer parti concrètement ?
Entretien avec Negin Alisoltani, Chargée de recherche, Université Gustave Eiffel, COSYS-GRETTIA
Fluidifier le trafic routier grâce à l’IA
Les embouteillages ont des causes multiples, au-delà des seuls accidents ou incidents conséquents. Bien souvent, ce ne sont que des conséquences d'erreurs humaines : un freinage brusque, une hésitation, ou des changements de voie trop fréquents. Ces micro-perturbations génèrent ce que l'on appelle le stop-and-go (alternance entre accélérations et freinages). Tous ces paramètres déstabilisent l'ensemble du flux routier.
L’efficacité de l’intelligence artificielle repose sur des données en temps réel : capteurs, caméras, véhicules connectés. En s’appuyant sur ces infrastructures numériques, ces outils peuvent aujourd'hui détecter un problème de flux en amont. Ces derniers sont également capables de déclencher des actions avant que le ralentissement ne se transforme en bouchon.
L'intelligence artificielle fait ses preuves sur deux dimensions. Premièrement, la prévention des incidents. En détectant en amont une perturbation, l'IA permet d'anticiper une future congestion et d'y apporter une réponse avant que ce phénomène ne s'installe. De surcroît, même si une faible proportion de véhicules est équipée, l'équipement peut contribuer à atténuer les effets de stop-and-go. Dès lors que les automobilistes adoptent une vitesse stable, un freinage progressif et une distance régulière, ces véhicules stabilisent le trafic autour d'eux.
Deuxièmement, l'enjeu concerne aussi la réduction des émissions. Fluidifier le trafic, c'est aussi réduire la consommation d'énergie. Le stop-and-go est particulièrement néfaste pour l’environnement. Le stop-and-go force le moteur à multiplier les accélérations brutales, moments où la combustion est la plus polluante. Chaque redémarrage consomme du carburant supplémentaire par rapport à une vitesse fluide. Les freinages répétés libèrent en plus des microparticules de pneus et de plaquettes, persistantes dans l'air et les sols.
Néanmoins, le déploiement à grande échelle suppose un renforcement des infrastructures connectées et une augmentation du nombre de véhicules équipés. En France, les dispositifs de conseil de vitesse dynamique sur autoroute restent encore peu développés.
Des cas d'usages inspirants à l'international et en France
La plupart des exemples d'applications de l'intelligence artificielle au trafic routier ont lieu à l'étranger. Aux États-Unis, sur l'autoroute I-24 à Nashville, un test grandeur nature a utilisé un petit nombre de véhicules équipés de stratégies de contrôle pour lisser les vagues de stop-and-go, avec des résultats mesurables non seulement sur le flux, mais aussi sur la consommation d'énergie. Ce type de démarche illustre concrètement ce que peut produire le passage de la prévision à l'action.
Par exemple, au Royaume-Uni, des feux adaptatifs sont déployés depuis plusieurs années dans de nombreuses villes. Ces systèmes peuvent s’appuyer sur des capteurs, des modèles de trafic, des méthodes d’optimisation et, de plus en plus, sur l’intelligence artificielle pour s’ajuster en temps réel selon le trafic.
En Amérique du Nord, les faisceaux de route adaptatifs constituent une avancée en matière de sécurité routière. La lumière s'atténue ou s'éteint sélectivement dès la détection d'autres usagers, qu'il s'agisse de véhicules, de piétons ou de cyclistes. En éclairant en priorité les zones inoccupées de la chaussée, ce système améliore la détection des usagers vulnérables la nuit et contribue activement à la prévention des collisions.
Aux Pays-Bas et en Allemagne, ils ont opté pour une gestion active du trafic sur certaines autoroutes avec des vitesses variables. Les objectifs sont de stabiliser le flux et de réduire le stop-and-go.
Le ramp metering (comptage des accès) s'inscrit dans cette même logique de régulation. Dans les pays scandinaves ainsi qu'aux États-Unis, des bretelles d'entrée d'autoroutes sont régulées avec des feux de circulation, ce qui permet d'éviter de « casser » le flux au niveau des insertions.
Côté français, de nombreuses applications concernent le covoiturage et l’autopartage, notamment à Lyon, Paris et dans d’autres villes. Ces outils sont souvent développés par des opérateurs privés ; l’enjeu pour les collectivités est donc de mieux les orienter vers des objectifs publics de durabilité, d’accessibilité et de réduction de la congestion.

Visualisation hybride d’un système de suivi basé sur l’IA pour observer le trafic, reconstruire des trajectoires et évaluer des stratégies de fluidification dans une plateforme de type jumeau numérique.

Illustration de l’impact d’un système de covoiturage conçu avec des outils d’IA sur la congestion à Lyon.
Les avancées de la recherche
La première étape est de passer de prévoir à agir. L'enjeu est d’intervenir : consignes de vitesse, insertions optimisées, incitations adaptées. Ces opérations peuvent avoir un impact significatif sur le flux.
Ensuite, c'est le passage à grande échelle. Or, aucune collectivité ne dispose d'une maîtrise totale de son réseau. Les outils développés doivent donc être efficaces, y compris dans des conditions de supervision limitées.
L'étape suivante est de placer l'énergie et les émissions de CO2 au cœur des objectifs. L'ambition est de limiter l'énergie gaspillée et les émissions générées.
Enfin, la confiance et la sécurité constituent des conditions non négociables au déploiement de ces technologies. L'IA doit être adaptative face à la diversité des situations : conditions météorologiques, incidents imprévus… La résilience des systèmes est une exigence à part entière. Cette robustesse doit pouvoir être évaluée à partir d'indicateurs simples et opérationnels : variation de vitesse, fréquence de freinage, consommation d'énergie, fiabilité du système.
Par ailleurs, la durabilité n'a pas toujours été intégrée comme critère central dans la conception de ces systèmes, qu'il s'agisse des applications de covoiturage ou des outils de gestion du trafic. Or, c'est précisément vers cela qu'il faut tendre.
À l’échelle des collectivités
La première condition est de définir un axe précis et un objectif : réduire les stop-and-go, diminuer les émissions de CO2… Faute d'objectif clair, il est difficile d'identifier les leviers pertinents.
À partir de là, les collectivités peuvent avancer par étapes, en s'appuyant sur des indicateurs simples et en ajustant progressivement leur approche. Cette transition numérique peut aussi ouvrir la voie à de nouveaux comportements de mobilité : covoiturage, autopartage.
Par la suite, mieux vaut viser un contrôle ciblé plutôt que exhaustif. Quelques leviers bien choisis suffisent souvent à améliorer l'ensemble du système.
Les collectivités ont enfin tout intérêt à se rapprocher des chercheurs. Des solutions d'IA sont déjà développées et validées, en simulation, parfois en expérimentation réelle. Ces dernières peuvent être testées sur des cas concrets en lien direct avec les autorités locales.
L’Université Gustave Eiffel travaille déjà sur ces questions, en lien avec des acteurs publics, des opérateurs de transport et des territoires. Ces travaux de recherche peuvent contribuer à tester et adapter des solutions d’IA à différents contextes locaux.