Pionnier en matière de contrôle efficace du trafic et de solutions énergétiques durables
Dans les couloirs animés du Penn Research in Embedded Computing and Integrated Systems Engineering (PRECISE) Center, des recherches révolutionnaires se déroulent.
Dirigé par Nandan Tumu, doctorant en génie électrique et systèmes (ESE) conseillé par Rahul Mangharam, professeur aux départements d'informatique et de sciences de l'information (CIS) et ESE, et membre fondateur du Centre PRECISE, ce travail promet de transformer la gestion du trafic urbain, avec des implications pour la vie urbaine durable et l'atténuation du changement climatique.
Un voyage ancré dans la curiosité et l'innovation
Le parcours universitaire de Tumu a débuté à l'Université du Connecticut, où il s'est spécialisé en informatique et en philosophie. Cette combinaison unique a jeté les bases solides de ses recherches, alliant une expertise technique à une compréhension profonde et nuancée de l'incertitude et de la connaissance.
Sa fascination pour la quantification de l’incertitude et l’information sur l’apprentissage automatique grâce à la physique est née de ses premiers efforts dans le développement d’algorithmes de contrôle robotique utilisant l’apprentissage par renforcement.
L'un des principaux obstacles à l'approche actuelle de l'apprentissage automatique est la complexité des échantillons, qui se pose la question de la quantité de données nécessaire pour que les algorithmes d'apprentissage atteignent le niveau de performance souhaité. Plus il y a de données, plus il faut d'énergie et plus l'impact sur l'environnement est important.
Pour résoudre ce problème, Tumu a exploré des méthodes plus efficaces et a découvert que l’apprentissage basé sur la physique et contraint pouvait réduire considérablement le besoin d’échantillonnage extensif.
En intégrant cette approche à la prédiction conforme, une méthode de quantification de l’incertitude sans distribution, Tumu a trouvé un moyen de contrôler des systèmes complexes de manière efficace et fiable.
Cette combinaison innovante d’apprentissage contraint et informé par la physique et de prédiction conforme est devenue la force motrice de ses recherches, promettant de libérer le potentiel de systèmes multi-agents plus vastes, tels que des flottes de drones ou des voitures sans conducteur, ou des infrastructures comme les réseaux électriques et les parcs éoliens.
Transformer le trafic urbain grâce à un contrôle prédictif différenciable
L'optimisation des systèmes de transport a été une application motivante pour les recherches de Tumu. En 2023, il a rejoint une équipe des Pacific Northwest National Labs (PNNL) en tant que stagiaire d'été pour développer des méthodes d'apprentissage automatique pour le contrôle des systèmes de circulation.
Dans leur article, « Contrôle prédictif différentiable pour les réseaux routiers urbains à grande échelle », publié sur le arXiv serveur de préimpression, Tumu et ses collaborateurs abordent l'un des problèmes les plus urgents de notre époque : les embouteillages et leur contribution au CO2 Les transports étant l’un des principaux responsables des émissions mondiales, l’optimisation des réseaux de transport est essentielle pour réduire la consommation d’énergie et atténuer le changement climatique.
L'approche innovante de Tumu s'appuie sur le contrôle prédictif différentiable (DPC), une méthodologie d'apprentissage automatique basée sur la physique développée au PNNL, pour faire progresser la gestion du trafic. La plupart des systèmes de contrôle du trafic existants s'appuient sur une variante du contrôle prédictif du modèle (MPC), qui décompose généralement les réseaux routiers en régions, puis prédit et optimise le flux de trafic dans chaque région.
Contrairement au MPC, qui peut être peu évolutif et nécessiter beaucoup de temps pour résoudre les problèmes de flux de trafic, Tumu a constaté que le DPC peut résoudre ces problèmes avec précision et rapidité, offrant une solution plus robuste à la gestion du trafic.
En effet, les comparaisons empiriques avec les méthodes de contrôle prédictif de modèle (MPC) de pointe existantes démontrent la supériorité de l’approche de Tumu.
Comme indiqué dans l'article, le DPC conduit à une réduction de quatre ordres de grandeur du temps de calcul et à une amélioration allant jusqu'à 37 % des performances du trafic. De plus, la robustesse du contrôleur aux changements de scénario garantit une adaptabilité aux changements de modèles de trafic. Ce travail propose non seulement des méthodes de contrôle du trafic plus efficaces, mais vise également à réduire les émissions et à alléger la congestion dans les réseaux urbains à grande échelle.
Impact sur le monde réel et orientations futures
Les implications pratiques des recherches de Tumu seront évaluées grâce à la collaboration du PNNL avec la ville de Coral Gables, en Floride, dans le cadre du projet AutonomIA. L'objectif est de mettre en œuvre ces algorithmes avancés de contrôle du trafic (stratégies de gestion des feux de circulation et des signaux) dans un contexte réel, afin de réduire considérablement le temps de trajet et la consommation d'énergie.
Les résultats obtenus jusqu'à présent sont prometteurs : le projet prévoit une réduction substantielle des retards des véhicules, contribuant ainsi à une baisse de la consommation énergétique globale et à une diminution des émissions de CO2 émissions.
« Cette approche innovante visant à optimiser l'infrastructure de contrôle du trafic existante est une étape cruciale dans la lutte contre le changement climatique », déclare Ján Drgoňa, chercheur en données et l'un des mentors de Tumu au PNNL.
Les recherches de Tumu vont au-delà du trafic urbain. En collaboration avec PNNL, il applique et fait progresser les méthodologies DPC pour améliorer l'efficacité des parcs éoliens existants. « Cette extension s'aligne sur ma vision de recherche globale consistant à développer des algorithmes de contrôle pour les systèmes cyberphysiques en réseau afin d'améliorer l'efficacité et les performances », explique Tumu.
« En intégrant des informations basées sur la physique et la quantification de l'incertitude, je vise à créer des algorithmes de contrôle améliorés qui exploitent les données du monde réel. »
Une vision pour un avenir durable
« Les recherches de Nandan Tumu incarnent des approches mathématiquement rigoureuses et évolutives pour répondre aux défis climatiques critiques et aux défis sociétaux complexes », explique Mangharam.
« En intégrant l’apprentissage automatique basé sur la physique à des méthodologies de contrôle avancées, il met au point des solutions qui promettent de rendre nos environnements urbains plus efficaces et nos systèmes énergétiques plus durables. »
« Son travail témoigne de la puissance de la recherche interdisciplinaire et de son potentiel à conduire des changements significatifs dans notre monde », ajoute le directeur du centre PRECISE, Insup Lee, professeur Cecilia Fitler Moore au CIS.
« Alors que Nandan continue de repousser les limites du possible, ses contributions devraient laisser un impact durable sur le monde universitaire et la société. »
