SafeTraffic Copilot, l’IA qui simule les risques d’accident aux carrefours

Un carrefour ne devient pas dangereux par hasard. La géométrie de la route, la durée des feux, la densité du trafic, la météo, la visibilité ou encore les comportements de conduite peuvent se cumuler jusqu’à provoquer un accident. Le problème est que ces facteurs sont trop nombreux et trop imbriqués pour être étudiés un par un avec des méthodes classiques. Des ingénieurs de l’Université Johns Hopkins proposent donc de confier cette tâche à une intelligence artificielle baptisée SafeTraffic Copilot.

L’ambition de l’outil est très concrète : aider les responsables des infrastructures et les autorités publiques à anticiper les risques plutôt qu’à réagir une fois les accidents survenus. SafeTraffic Copilot ne se limite pas à dresser une carte des zones à surveiller. Il doit aussi répondre à des questions de planification du type : que pourrait-il se produire si la durée d’un feu changeait, si l’organisation d’un carrefour était modifiée ou si les conditions locales évoluaient ?

À la date du 23 octobre 2025, cette recherche s’inscrit dans un contexte préoccupant pour le Maryland. Les décès sur les routes y ont progressé sur la dernière décennie, passant de 466 en 2013 à 621 en 2023, d’après les chiffres repris dans la présentation des travaux. Les chercheurs espèrent que l’IA pourra rendre les décisions de sécurité routière plus rapides, plus précises et surtout mieux adaptées à chaque lieu.

SafeTraffic Copilot, une IA pensée pour les décisions locales

SafeTraffic Copilot est développé par une équipe de Johns Hopkins menée notamment par Hao « Frank » Yang, auteur principal des travaux et professeur de génie civil. Son principe est de transformer une grande masse de données hétérogènes en éléments exploitables pour les urbanistes, ingénieurs des transports et décideurs.

Dans la sécurité routière, l’analyse ne peut pas se réduire à une seule cause, comme la vitesse ou l’état de la chaussée. Un accident peut résulter de l’interaction entre un marquage peu lisible, une pluie forte, un flux inhabituel de véhicules, une manœuvre risquée et une configuration routière complexe. C’est précisément cette combinaison que l’outil cherche à modéliser.

L’une de ses fonctions les plus notables est la simulation de scénarios. Les chercheurs donnent l’exemple d’un feu de circulation dont la durée passerait de 20 à 30 secondes. À partir de ce changement, SafeTraffic Copilot peut estimer le nombre d’accidents susceptibles de se produire à un carrefour donné. L’intérêt n’est pas de promettre une certitude mathématique, mais d’offrir un moyen de comparer les conséquences probables de plusieurs choix d’aménagement ou de régulation.

Plus de 66 000 accidents pour apprendre les facteurs de risque

Pour entraîner leur système, les chercheurs ont rassemblé les descriptions de plus de 66 000 accidents. Le corpus ne se résume pas à des statistiques brutes. Il inclut des informations descriptives sur les conditions routières, des variables numériques telles que les taux d’alcoolémie, ainsi que des images satellites et des photographies prises sur le terrain.

Cette diversité compte beaucoup. Deux accidents enregistrés au même endroit peuvent avoir des causes très différentes. À l’inverse, des accidents géographiquement éloignés peuvent présenter des signaux comparables : une sortie mal conçue, une circulation dense à certaines heures, un défaut de visibilité ou des comportements dangereux récurrents.

Les modèles de langage avancés jouent ici un rôle de traitement et de mise en relation. Ils peuvent aider à exploiter des données qui ne sont pas toutes présentées dans le même format, notamment les descriptions textuelles d’accidents. L’objectif est de faire émerger des associations difficiles à repérer à la main dans des dizaines de milliers de dossiers.

Cela ne signifie pas que l’IA découvre seule une cause certaine à chaque accident. En sécurité routière, une corrélation statistique ne suffit pas à établir une causalité. Un facteur peut être souvent présent dans les données sans expliquer, à lui seul, tous les accidents constatés. C’est pourquoi les résultats doivent être confrontés à l’expertise des ingénieurs, aux observations sur le terrain et aux contraintes propres à chaque ville.

Pourquoi les scores de confiance sont essentiels

L’un des obstacles majeurs à l’usage de l’IA dans les domaines sensibles est son opacité. Un système peut produire une recommandation ou une prévision très convaincante sans qu’il soit immédiatement possible de savoir dans quelle mesure cette réponse est solide. Cette difficulté est particulièrement sensible lorsqu’il s’agit de sécurité routière, car une décision d’aménagement peut concerner des milliers d’usagers.

SafeTraffic Copilot propose donc des scores de confiance associés à ses prédictions. En pratique, ils servent à indiquer le degré de certitude que le système attribue à une estimation. Une prévision étayée par de nombreuses données comparables et cohérentes ne doit pas être considérée de la même manière qu’une estimation issue de cas rares ou incomplets.

Pour Hao « Frank » Yang, cette prise en compte explicite de l’incertitude est importante. Elle répond à un frein identifié dans l’adoption de l’IA pour les usages à haut risque : les décideurs hésitent à s’appuyer sur un outil qui ressemble à une boîte noire. Un score de confiance ne rend pas une prévision infaillible, mais il aide à savoir si elle mérite une investigation supplémentaire, un test limité ou une action plus immédiate.

De la carte des accidents à la question « que se passerait-il si ? »

Les États et les villes emploient déjà des méthodes d’apprentissage automatique pour repérer les secteurs accidentogènes. Ces approches peuvent être utiles pour classer des zones selon leur niveau de danger ou pour détecter des tendances dans l’historique des accidents. Mais elles répondent moins directement à une question opérationnelle : quelle modification faut-il envisager, et quel effet peut-on en attendre ?

C’est sur ce point que SafeTraffic Copilot cherche à se distinguer. Selon Yang, l’outil s’appuie sur les possibilités de l’IA générative pour explorer des situations hypothétiques. Au lieu de seulement dire qu’un carrefour présente un risque élevé, il peut examiner l’effet potentiel d’un paramètre modifié, comme le temps d’un feu de circulation.

Cette capacité de simulation pourrait intéresser les collectivités qui disposent de moyens limités. Modifier un carrefour, installer une nouvelle signalisation ou revoir un cycle de feux demande du temps et de l’argent. Un outil de prévision ne dispense pas des études de terrain, mais il peut aider à hiérarchiser les interventions et à concentrer les analyses humaines là où elles sont le plus nécessaires.

Ce que les données du Maryland révèlent sur les comportements à risque

La recherche prend une résonance particulière au Maryland, où les données citées témoignent d’une hausse marquée de la mortalité routière au cours des années 2010 et au début des années 2020. Au moment de la publication, 381 personnes avaient déjà perdu la vie sur les routes de l’État depuis le début de l’année 2025.

Les modèles examinés par l’équipe de Johns Hopkins mettent particulièrement en évidence l’alcool et la conduite agressive. Ces facteurs sont présentés comme les plus redoutables dans les analyses des chercheurs. La présentation des travaux indique qu’ils sont associés à un nombre d’accidents trois fois supérieur à celui lié à d’autres causes prises séparément.

Ce constat rappelle une limite fondamentale des solutions techniques : une IA peut mieux repérer les risques et tester virtuellement des aménagements, mais elle ne peut pas, à elle seule, empêcher une personne de conduire après avoir consommé de l’alcool ou d’adopter un comportement dangereux. La prévention, les contrôles, la conception des infrastructures et l’éducation routière restent complémentaires.

L’apport possible de l’outil se situe donc aussi dans la compréhension des interactions. Par exemple, un comportement agressif peut être d’autant plus dangereux dans un carrefour mal lisible ou lorsque les flux de circulation sont mal synchronisés. Une politique de sécurité plus efficace consiste précisément à ne pas isoler ces paramètres.

Une adaptation possible à d’autres pays et à d’autres usages de la route

Hao « Frank » Yang souhaite que les retombées de la recherche profitent directement à Baltimore et au Maryland, mais il envisage aussi une extension à d’autres territoires. Cette perspective pose un défi majeur : les habitudes de circulation, les infrastructures et les types de véhicules varient fortement d’un pays à l’autre.

Les chercheurs citent notamment le cas de pays asiatiques où les motos occupent une place centrale dans le trafic. Les comportements à prendre en compte, les manœuvres fréquentes et les interactions entre véhicules ne sont pas forcément comparables à ceux observés dans une ville américaine. Un modèle construit à partir de données du Maryland ne peut donc pas être appliqué tel quel ailleurs.

L’intérêt des grands modèles de langage et des approches génératives, selon l’équipe, est de mieux intégrer les informations propres à chaque contexte. Pour être utile à l’international, SafeTraffic Copilot devrait toutefois être alimenté par des données locales suffisamment détaillées : descriptions d’accidents, règles de circulation, état des infrastructures, pratiques de mobilité et caractéristiques des usagers.

Cette exigence est aussi une question d’équité. Un système entraîné dans un seul environnement risque de mal évaluer les dangers dans des territoires où les routes, les véhicules et les usages diffèrent. L’adaptation locale n’est pas une option de confort, c’est une condition de fiabilité.

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

SafeTraffic Copilot illustre une évolution de l’IA appliquée aux infrastructures : passer de l’analyse rétrospective, qui explique les accidents passés, à un outil d’aide à la décision capable de tester des scénarios. Cette promesse est significative, mais elle devra être vérifiée dans des conditions réelles.

Plusieurs questions seront décisives. La première concerne la qualité et la mise à jour des données. Une route transformée, de nouveaux comportements de mobilité ou un changement durable de trafic peuvent rendre rapidement moins pertinentes des données anciennes. La deuxième porte sur l’interprétation des scores de confiance : les collectivités devront disposer des compétences nécessaires pour ne pas transformer une estimation en certitude.

Enfin, il faudra observer si les simulations conduisent à des améliorations mesurables sur le terrain. L’enjeu n’est pas seulement de produire une prévision techniquement impressionnante. Il est de réduire durablement les accidents et les décès, sans laisser les responsables publics dépendre d’un système qu’ils ne peuvent ni comprendre ni évaluer.

Pour les chercheurs de Johns Hopkins, la trajectoire est néanmoins claire : utiliser la puissance de l’IA pour rendre visibles les risques avant qu’ils ne se transforment en drames. Dans un domaine où chaque décision d’aménagement peut toucher la vie quotidienne de milliers de personnes, cette capacité d’anticipation mérite une attention particulière.