Une IA hiérarchique pour mieux piloter énergie, trafic et véhicules autonomes

Dans une ville, toutes les décisions ne sont pas prises sur un pied d’égalité. Un opérateur de réseau électrique peut modifier une consigne, des carrefours sont réglés par une autorité centrale, puis les véhicules et les usagers s’adaptent. Dans ces environnements où les choix des uns conditionnent ceux des autres, une intelligence artificielle qui traiterait tous les acteurs comme des égaux risquerait de passer à côté d’une part essentielle du problème.

Au 24 septembre 2025, des chercheurs du College of Engineering and Computer Science de la Florida Atlantic University présentent un cadre conçu pour mieux refléter cette réalité. Leur approche, développée par Zhen Ni et Xiangnan Zhong, vise le contrôle de systèmes complexes comprenant des décideurs placés à différents niveaux d’autorité. Elle associe l’apprentissage par renforcement, une branche de l’IA où un agent apprend à agir en fonction des conséquences de ses choix, et un modèle issu de la théorie des jeux appelé jeu de Stackelberg-Nash.

L’objectif ne consiste pas à remplacer, d’un coup, les responsables humains des infrastructures. Il s’agit plutôt de fournir une méthode de décision et de coordination capable de fonctionner dans des contextes mouvants, où l’information est incomplète, les ressources de calcul limitées et les rôles clairement hiérarchisés.

Pourquoi les systèmes complexes posent un problème particulier

Un système complexe ne se résume pas à une machine comportant beaucoup de pièces. C’est un ensemble dans lequel plusieurs acteurs prennent des décisions qui se répondent, parfois avec des objectifs différents et des informations partielles. Le comportement global dépend alors de la séquence des décisions autant que de chaque décision isolée.

Les infrastructures urbaines en offrent une illustration directe. Dans un réseau électrique intelligent, l’entreprise qui exploite le réseau peut décider de certaines consignes ou de certains mécanismes de gestion. Les ménages, les entreprises et les équipements connectés ajustent ensuite leur consommation en conséquence. Dans la circulation, un système central peut définir le fonctionnement des feux, tandis que les véhicules réagissent à ces signaux, à la densité du trafic et aux actions des autres conducteurs.

Dans le cas de véhicules autonomes, les interactions sont encore plus nombreuses : chaque véhicule doit interpréter son environnement et prendre une décision, tout en tenant compte de règles communes, d’éventuelles consignes de coordination et des comportements attendus des autres machines. Concevoir un contrôle efficace revient donc à organiser des décisions interdépendantes, et non simplement à optimiser une action unique.

Les méthodes classiques d’intelligence artificielle et d’optimisation peuvent, dans certains cas, supposer que les acteurs décident au même moment et exercent une influence comparable. Cette simplification est utile pour résoudre certains problèmes, mais elle devient moins pertinente lorsque l’un des acteurs fixe d’abord un cadre auquel les autres doivent répondre.

Une IA qui tient compte de la hiérarchie des décisions

Le cœur de la proposition des chercheurs est de représenter explicitement une relation entre un agent « leader » et des agents « suiveurs ». Le leader prend une décision initiale. Les suiveurs observent ou subissent les conséquences de cette décision, puis choisissent à leur tour l’action qui répond le mieux à leur situation. Cette succession est centrale : elle reflète une hiérarchie que les modèles supposant une décision simultanée ne décrivent pas toujours.

Pour structurer cette relation, Zhen Ni et Xiangnan Zhong s’appuient sur un jeu de Stackelberg-Nash. Dans une lecture simple, le principe de Stackelberg permet de modéliser le fait qu’un acteur agit en premier, en anticipant les réponses des autres. La notion d’équilibre de Nash désigne quant à elle une situation stratégique dans laquelle aucun participant ne peut améliorer son résultat en modifiant seul son choix, compte tenu des choix des autres.

Appliqué au contrôle par IA, ce cadre cherche donc à apprendre des stratégies qui prennent en compte à la fois l’initiative du décideur principal et les réactions optimales des agents placés en aval. La méthode ne prétend pas que tous les acteurs poursuivent spontanément un même but. Elle organise plutôt leurs interactions à partir de leurs rôles respectifs.

L’apprentissage par renforcement apporte la dimension adaptative. Au lieu de programmer manuellement toutes les réponses possibles, les agents apprennent au fil de leurs interactions avec leur environnement. Ils évaluent les effets de leurs actions et ajustent progressivement leur stratégie. C’est une approche particulièrement intéressante lorsque le nombre de situations possibles rend impraticable la définition préalable de règles exhaustives.

Réduire les calculs grâce à des décisions déclenchées par événements

Un système de contrôle sophistiqué peut rapidement devenir coûteux en puissance de calcul. Si une IA recalcule sans cesse la meilleure décision, même lorsque l’état du réseau, de la route ou de la flotte n’a pas réellement changé, elle mobilise des ressources informatiques et énergétiques qui pourraient être évitées.

C’est pourquoi le cadre présenté intègre un mécanisme déclenché par événements. L’idée est de ne mettre à jour une décision que lorsqu’un changement le justifie. En d’autres termes, le système ne réagit pas mécaniquement à chaque instant : il cherche à détecter les moments où une adaptation est réellement nécessaire.

Cette logique est importante pour des applications qui doivent fonctionner en continu. Dans un réseau électrique ou un système de mobilité, les données peuvent arriver sans interruption. Or, traiter intégralement chaque nouveau signal ne garantit pas toujours une amélioration proportionnelle de la décision. Limiter les mises à jour aux événements pertinents peut donc diminuer la charge de calcul sans abandonner l’objectif de stabilité.

Cette composante répond à une contrainte concrète : les infrastructures dites intelligentes doivent concilier performance décisionnelle et sobriété des ressources. Une solution très efficace en théorie, mais trop lourde à exécuter, serait difficile à déployer à grande échelle.

Que montrent les simulations réalisées par les chercheurs ?

Les chercheurs indiquent avoir validé leur approche à l’aide d’analyses théoriques et d’études par simulation. Ces travaux montrent que le cadre peut maintenir la stabilité du système, atteindre des résultats stratégiques optimaux et réduire les calculs non nécessaires.

La stabilité est un enjeu majeur en contrôle automatisé. Une IA qui modifierait constamment ses décisions de façon incohérente pourrait dégrader le fonctionnement du système qu’elle pilote. Dans un contexte énergétique, cela pourrait se traduire par des ajustements trop brusques. Dans le trafic ou la conduite autonome, des décisions instables risqueraient d’être particulièrement problématiques. Le fait que les auteurs examinent ce point est donc déterminant.

Il faut néanmoins interpréter ces résultats avec précision. Une simulation permet de tester une méthode dans des scénarios définis, de comparer des stratégies et d’étudier leurs propriétés mathématiques. Elle ne reproduit pas toute la diversité du monde réel : pannes de capteurs, données manquantes, comportements imprévus, règles locales, contraintes réglementaires et évolution des usages font partie des défis d’un déploiement opérationnel.

Les résultats présentés constituent ainsi une étape de recherche, non la démonstration qu’un réseau urbain entier pourrait dès maintenant être confié à cette IA. La prochaine difficulté consiste à confronter le cadre à des situations plus vastes et plus proches des conditions réelles.

Quels usages pourraient bénéficier de cette approche ?

Les applications envisagées par l’équipe concernent d’abord les domaines dans lesquels une décision centrale doit être articulée avec de multiples réponses locales. Les réseaux énergétiques intelligents sont un cas naturel. La demande électrique varie en fonction des heures, des habitudes de consommation et des équipements utilisés. Un système de contrôle qui comprend la relation entre l’opérateur et les consommateurs pourrait contribuer à mieux coordonner ces ajustements.

La gestion du trafic est un autre terrain pertinent. Les feux de circulation, les panneaux intelligents ou les outils de pilotage urbain influencent les trajectoires de milliers de véhicules. Mais les véhicules ne réagissent pas tous de manière identique, et l’autorité qui règle les signaux ne possède jamais une information parfaite sur les intentions individuelles. Un modèle tenant compte de l’incertitude et de la hiérarchie peut être mieux adapté à cette distribution des rôles.

Enfin, les flottes de machines autonomes pourraient tirer parti d’une telle coordination. La recherche cite les systèmes de véhicules autonomes, mais le raisonnement concerne plus largement tout ensemble de machines devant agir localement tout en respectant une organisation commune. Le défi est de conserver une autonomie de réaction tout en évitant que des décisions indépendantes produisent un résultat collectif inefficace.

Les promesses sont importantes : optimiser l’utilisation de l’énergie, améliorer la fiabilité de systèmes autonomes et adapter plus finement des infrastructures aux variations de leur environnement. Elles ne dispensent toutefois pas d’exigences fortes en matière de sécurité, de tests et de supervision.

Ce qu’il faut surveiller avant un passage à grande échelle

L’équipe de Florida Atlantic University souhaite étendre son modèle afin de le tester à plus grande échelle dans des scénarios réels. C’est l’étape qui permettra de mesurer l’écart entre de bons résultats de simulation et une utilité effective sur le terrain.

Plusieurs questions seront alors décisives. Le mécanisme restera-t-il efficace lorsque le nombre d’agents augmentera fortement ? Les décisions demeureront-elles robustes face à des données incomplètes ou à des événements inattendus ? Quel niveau de contrôle humain faudra-t-il conserver dans les infrastructures essentielles ? Enfin, la baisse des calculs promise par le mécanisme déclenché par événements se vérifiera-t-elle dans des installations opérationnelles, avec leurs contraintes matérielles et de sécurité ?

La recherche de Zhen Ni et Xiangnan Zhong met surtout en lumière une évolution du contrôle par IA : au lieu d’imaginer des agents abstraits tous équivalents, elle part du constat que les réseaux, les villes et les machines sont organisés par des responsabilités inégales. Si cette représentation hiérarchique résiste aux essais grandeur nature, elle pourrait fournir un outil utile pour coordonner des infrastructures où l’intelligence ne dépend pas seulement de la vitesse de calcul, mais aussi de la compréhension des rapports entre les décideurs.