Des caméras adaptatives pour mieux surveiller le trafic sans gaspiller d’énergie

Une caméra de circulation n’a pas nécessairement besoin de fonctionner avec la même intensité à trois heures du matin et aux abords d’un carrefour encombré aux heures de pointe. C’est l’idée au cœur d’une recherche publiée en 2024 dans l’IEEE Internet of Things Journal. Des scientifiques de l’Université nationale d’Incheon, en Corée du Sud, y proposent une méthode pour faire varier l’activité d’un réseau de caméras en fonction de l’état du trafic.

L’objectif n’est pas de transformer chaque caméra en un dispositif autonome qui déciderait seule de tout ce qu’elle filme. Il s’agit plutôt d’organiser un ensemble de caméras afin de conserver les zones importantes sous observation, tout en évitant de mobiliser inutilement toutes les unités lorsque la circulation est calme. Les auteurs appellent cette approche la surveillance fluide augmentée, ou augmented fluid surveillance.

Dans un contexte où les villes cherchent à mieux piloter leurs infrastructures connectées, le sujet recouvre deux préoccupations concrètes : disposer d’informations exploitables sur les flux de véhicules et maîtriser l’énergie nécessaire aux équipements de terrain. L’étude reste fondée sur des simulations, mais elle dessine une piste pour rendre les réseaux de capteurs urbains plus adaptatifs.

Pourquoi les caméras fixes atteignent-elles leurs limites ?

Les systèmes traditionnels de vidéosurveillance routière sont généralement installés selon un plan fixe. Chaque appareil couvre une portion définie de route, de carrefour ou d’accès à une infrastructure. Cette organisation apporte une couverture constante, ce qui est utile, mais elle ne tient pas toujours compte des grands écarts d’affluence au fil d’une journée, d’une semaine ou d’un événement exceptionnel.

Un axe urbain peut être chargé le matin et le soir, puis largement dégagé le reste du temps. À l’inverse, un accident, des travaux ou une manifestation peuvent déplacer brusquement les besoins de surveillance vers une zone qui, habituellement, paraît secondaire. Faire fonctionner l’intégralité d’un réseau sans interruption simplifie la gestion, mais peut aussi signifier que des équipements restent actifs sans apporter de valeur supplémentaire immédiate.

C’est cette rigidité que les chercheurs cherchent à dépasser. Ils partent du constat qu’une infrastructure de surveillance ne devrait pas seulement produire des images : elle devrait pouvoir adapter sa couverture aux variations du scénario de circulation. Dans leur approche, l’adaptation porte d’abord sur l’activation et la désactivation de caméras réparties dans une zone surveillée.

Cette logique s’inscrit dans le domaine plus large de l’Internet des objets, qui relie des capteurs, des caméras et des systèmes informatiques capables de collecter puis de traiter des données. Appliquée aux transports, elle pourrait notamment alimenter des outils de supervision routière. Elle ne remplace pas, à elle seule, les décisions des autorités compétentes ni les autres instruments de gestion du trafic, tels que la signalisation ou les régulations de circulation.

Ce que propose l’équipe de l’Université nationale d’Incheon

Les travaux sont menés par des chercheurs de l’Université nationale d’Incheon sous la direction du professeur associé Hyunbum Kim. L’article scientifique, signé notamment par Minsoo Kim, s’intitule Augmented Fluid Surveillance Using Grid Sensing for Intelligent Transportation Service. Il a été publié dans l’IEEE Internet of Things Journal en 2024.

Le système imaginé s’appuie sur un réseau de caméras à objectif unique organisées selon une grille dynamique. Le mot « dynamique » est central : l’implantation des caméras constitue le cadre de départ, mais leur état de fonctionnement n’est pas figé. Certaines unités peuvent être maintenues allumées, tandis que d’autres sont sollicitées ou mises au repos selon le niveau de trafic.

Les auteurs formalisent ce défi sous le nom de MaxAugmentFluSurv, pour Maximum Augmented Fluid Surveillance Efficiency. Derrière cette appellation, le problème est assez intuitif : comment choisir les caméras à utiliser pour obtenir une surveillance aussi efficace que possible, tout en couvrant les zones nécessaires et en évitant une dépense d’énergie superflue ?

Cette question relève de l’optimisation. Un algorithme reçoit des règles, des contraintes et des informations sur l’état du trafic, puis cherche une répartition pertinente des ressources disponibles. Ici, la ressource n’est pas un nombre abstrait de calculs informatiques : ce sont les caméras réellement actives dans le réseau de surveillance.

La promesse est donc conditionnelle : lorsque l’activité routière baisse, le système peut réduire le nombre de caméras en fonctionnement. Lorsque le trafic augmente, il peut renforcer la surveillance en activant davantage d’unités. Cette modulation vise à éviter un choix binaire entre une couverture maximale permanente et une surveillance insuffisante.

Deux algorithmes pour répartir les caméras

La recherche compare deux méthodes algorithmiques. Elles poursuivent le même but général, mais ne répartissent pas de la même façon les rôles entre les caméras de la grille.

La première se nomme Random-Value-Camera-Level Algorithm. Les chercheurs l’appliquent à une grille de 3 x 3. Dans cette configuration, certaines caméras restent systématiquement actives afin de garantir un socle de couverture. Les autres peuvent changer d’état selon le niveau de trafic. En période de forte circulation, le système mobilise davantage de caméras. Quand le volume de véhicules diminue, il en utilise moins.

Ce principe est important, car couper indistinctement des caméras pour économiser de l’énergie ferait disparaître des informations utiles. Le maintien de certaines unités en fonctionnement sert précisément à préserver une observation minimale de la zone, y compris lorsque la circulation est faible.

La seconde méthode porte le nom de ALL-Random-With-Weight Algorithm. Elle introduit une répartition plus souple des fonctions en attribuant un poids ou un rôle aux caméras selon leur emplacement dans la grille. Les caméras considérées comme stratégiques demeurent actives, tandis que les autres adaptent leur activité aux variations constatées dans le trafic.

Autrement dit, toutes les positions ne sont pas traitées de manière identique. Une caméra située à un endroit particulièrement important pour la couverture peut être prioritaire. Ce choix cherche à concilier deux impératifs qui peuvent entrer en tension : disposer d’une observation suffisamment complète et limiter le nombre d’appareils actifs quand ils ne sont pas nécessaires.

Que montrent les simulations ?

Les chercheurs ont soumis leurs deux algorithmes à des simulations couvrant différentes conditions de trafic. Les résultats décrits dans l’étude indiquent que les deux approches peuvent ajuster l’emploi des caméras aux fluctuations de la circulation.

Le bénéfice mis en avant est double. Durant les périodes de faible trafic, le réseau peut diminuer sa consommation énergétique en désactivant certaines caméras. Durant les périodes de circulation plus intense, il peut en activer davantage pour maintenir une surveillance robuste. L’étude ne fournit pas, dans les éléments présentés, de pourcentage de réduction énergétique ou de gain chiffré à généraliser à toutes les villes : il faut donc éviter d’y voir une estimation directe des économies réalisables sur un réseau existant.

Cette nuance est essentielle. Des simulations permettent de tester des scénarios, de comparer des stratégies et d’identifier des mécanismes prometteurs avant un déploiement. Elles ne reproduisent pas nécessairement toutes les contraintes d’une rue réelle : angles morts, météo, pannes, travaux, qualité des télécommunications, entretien des appareils, règles locales de gestion des données ou comportements imprévus des usagers.

Les auteurs présentent leur modèle comme une manière d’optimiser l’utilisation des caméras tout en économisant de l’énergie. Pour une collectivité ou un opérateur, l’intérêt théorique est clair : faire varier les ressources techniques avec les besoins plutôt que de dimensionner leur activité sur le seul moment de congestion maximale.

Du trafic aux foules et à la sécurité industrielle

Bien que l’étude cible les services de transport intelligents, son principe peut intéresser d’autres environnements où l’activité varie fortement dans le temps et dans l’espace. Les chercheurs citent notamment la surveillance des foules, la réponse aux situations de crise et la sécurité industrielle parmi les applications envisageables.

Dans chacun de ces cas, la difficulté ressemble à celle du trafic : déployer des capteurs en quantité suffisante pour ne pas manquer une situation importante, sans pour autant faire fonctionner de manière uniforme tous les équipements à tout moment. Un site industriel peut connaître des périodes de production plus intenses. Un espace public peut voir sa fréquentation augmenter rapidement lors d’un événement. Un système adaptatif chercherait alors à concentrer ses moyens là où ils sont les plus utiles.

Ce transfert ne va toutefois pas de soi. Un dispositif conçu pour compter ou suivre les variations de véhicules ne répond pas automatiquement aux besoins d’un lieu accueillant des piétons ou d’un site sensible. Les objectifs de sécurité, les contraintes opérationnelles et les types de données manipulées changent d’un contexte à l’autre. Les performances doivent donc être testées séparément pour chaque usage.

Le sujet soulève aussi une question de confiance. Une meilleure efficacité énergétique ou une couverture plus réactive ne dispense pas les déployeurs de définir clairement la finalité du système, le traitement des images, la durée de conservation des données et les garanties prévues pour les personnes filmées. L’optimisation technique ne tranche pas, à elle seule, les enjeux de vie privée et de gouvernance qui accompagnent la vidéosurveillance dans l’espace public.

Ce qu’il faut surveiller avant un passage au réel

La prochaine étape annoncée par les chercheurs consiste à tester la technologie dans des environnements réels. C’est à ce moment que les promesses de la simulation pourront être confrontées aux conditions concrètes de terrain. Il faudra notamment vérifier que les mécanismes d’activation conservent une couverture fiable lorsqu’un changement de trafic est soudain ou localisé.

L’équipe évoque aussi l’intégration future de l’apprentissage profond afin d’améliorer les performances du système. Cette famille de méthodes d’intelligence artificielle est couramment utilisée pour analyser des données complexes, dont des images. Dans le cadre de cette recherche, elle pourrait servir à raffiner l’adaptation du réseau, mais elle fait partie des pistes de travaux futurs, non d’une capacité déjà démontrée par les résultats présentés.

Pour les villes intelligentes, l’enjeu dépasse le seul interrupteur d’une caméra. Un réseau réellement utile devrait pouvoir s’articuler avec les outils de supervision des transports et fournir des informations suffisamment fiables pour aider à comprendre les flux routiers. Mais il devra également rester sobre, maintenable et encadré.

Cette recherche montre surtout qu’une infrastructure urbaine peut être pensée comme un système modulable. Au lieu d’une surveillance identique en permanence, les caméras pourraient à terme ajuster leur mobilisation à la situation observée. La pertinence de cette vision dépendra désormais de sa validation sur le terrain, de la qualité de ses résultats et des règles appliquées à son déploiement.