IA explicable avec AEE pour la prédiction de l'affaiblissement de chemin V2I

Pourquoi des liaisons voiture‑route plus intelligentes comptent

Les voitures modernes communiquent de plus en plus avec l’environnement routier, envoyant et recevant des messages sans fil vers les feux de circulation, les unités au bord de la route et d’autres infrastructures. Ces liaisons contribuent aux alertes de sécurité, à la gestion du trafic et, à terme, à la conduite autonome. Mais les rues urbaines sont des environnements radio très complexes : bâtiments élevés, arbres, ponts et poids lourds peuvent affaiblir ou bloquer le signal. Cet article montre comment prédire cet affaiblissement du signal de façon non seulement précise, mais aussi compréhensible pour les ingénieurs et les régulateurs qui doivent pouvoir faire confiance à ces systèmes.

Voir les données avant de faire confiance au modèle

Les auteurs partent d’une vaste campagne de mesures à Bologne, en Italie, où des véhicules équipés d’antennes ont circulé dans 24 scènes urbaines différentes — routes droites, ronds‑points, rues bordées d’arbres, ponts et zones à fort trafic — tout en communiquant avec des émetteurs en bord de route. À partir de ces mesures, ils dérivent la « perte de chemin » (path loss), une mesure de l’atténuation du signal entre la route et la voiture. Avant de construire un modèle prédictif, ils réalisent une analyse exploratoire des données soignée : tracés de distributions, vérification des corrélations et division des données en sept études de cas représentatives telles que visibilité directe, vues obstruées et végétation. Cette étape révèle bruit, valeurs aberrantes et motifs cachés qui doivent être traités pour des prédictions fiables.

Assainir le chaos radio du monde réel

Les données radio du monde réel sont pleines d’irrégularités causées par des erreurs de mesure, des réflexions sur les bâtiments et des obstructions soudaines par des véhicules en mouvement. Les chercheurs conçoivent une chaîne de prétraitement pour dompter ce chaos. D’abord, ils mettent à l’échelle toutes les caractéristiques d’entrée — comme la distance, la position du véhicule et la vitesse — afin qu’elles soient comparables. Ensuite, ils éliminent les valeurs aberrantes en appliquant une règle statistique robuste qui écarte les mesures extrêmes et incohérentes. Enfin, ils appliquent un filtre de Kalman optimisé, un outil classique de la théorie du contrôle, pour lisser le signal en fonction de la distance tout en préservant ses tendances sous‑jacentes. En ajustant les paramètres du filtre pour maximiser la performance des modèles en aval, ils montrent que ce nettoyage peut réduire l’erreur de prédiction de plus de moitié et révéler des motifs stables que les modèles peuvent apprendre.

Ouvrir la boîte noire de l’IA

Les formules traditionnelles pour la planification radio, comme les modèles 3GPP et à double pente, sont simples et transparentes mais ne captent souvent pas la complexité des villes denses. En revanche, des méthodes d’apprentissage automatique populaires telles que les forêts aléatoires et XGBoost atteignent une grande précision mais agissent comme des boîtes noires : elles donnent des prédictions avec peu d’explication. Cet article se concentre sur une voie médiane : des modèles « boîte de verre » qui restent mathématiquement assez simples pour être interprétés tout en capturant des comportements non linéaires. Les auteurs testent trois de ces modèles — Explainable Boosting Machines, modèles additifs généralisés et modèles neuronaux additifs généralisés — aux côtés d’algorithmes classiques en boîte noire et de formules traditionnelles, en utilisant des séparations strictes entraînement–test et une validation croisée à 5 volets sur tous les scénarios.

Ce qui provoque la perte de signal sur les routes réelles

En combinant leurs données nettoyées avec des modèles interprétables, les auteurs peuvent identifier ce qui importe le plus pour la perte de chemin en milieu urbain. La distance entre le véhicule et l’unité en bord de route domine, sans surprise, mais les coordonnées GPS précises du véhicule et le moment temporel contribuent aussi, reflétant comment la configuration des rues et les flux de trafic façonnent le canal. Pour les scènes complexes — comme des portions sans visibilité directe (NLOS) derrière des bâtiments, sous des ponts, à travers des couvertures d’arbres ou au milieu de gros camions — les modèles boîte de verre égalent ou talonnent légèrement les meilleurs modèles boîte noire en précision, tout en montrant clairement comment chaque facteur pousse la prédiction vers le haut ou vers le bas. L’étude évalue également le temps de calcul et la consommation d’énergie, concluant que ces modèles interprétables sont suffisamment rapides et légers pour un déploiement en temps réel dans les unités au bord de la route et les dispositifs embarqués.

Construire des réseaux véhicules plus sûrs et plus transparents

Pour un lecteur non spécialiste, le message principal est que nous pouvons désormais prédire avec précision et clarté la qualité avec laquelle une voiture entendra la route dans des villes encombrées. Plutôt que de s’appuyer sur une IA opaque que personne ne comprend entièrement, ce cadre utilise l’exploration des données, le filtrage du bruit et des modèles explicables pour fournir une précision proche de l’état de l’art tout en montrant exactement quels facteurs importent. Cette transparence est cruciale pour les systèmes Vehicle‑to‑Everything, critiques pour la sécurité, où ingénieurs, régulateurs et même des tribunaux peuvent avoir besoin d’auditer les décisions. Le travail suggère une voie vers des réseaux voiture‑route 5G/6G futurs qui sont non seulement rapides et fiables, mais aussi responsables et plus faciles à concevoir, tester et approuver.

Citation: Ameur, M.B., Chebil, J., Habaebi, M.H. et al. Explainable AI with EDA for V2I path loss prediction. Sci Rep 16, 4954 (2026). https://doi.org/10.1038/s41598-026-34987-8

Mots-clés: véhicule-vers-infrastructure, prédiction de l'affaiblissement de chemin, IA explicable, canaux sans fil, 5G V2X