Depuis l’annonce de Green Light en 2021, la consommation de combustible a diminué de 10 à 20 % sur les lieux tests. Depuis, de nombreuses villes comme Rio de Janeiro et Jakarta ont bénéficié du programme. Ce dernier sera d’ailleurs plus étendu en 2024. Il permet de réduire les émissions de gaz et la pollution due à la circulation routière.
La circulation routière représente une part significative des rejets de gaz à effet de serre dans le monde entier. Les intersections posent un problème majeur. La pollution y est jusqu’à 29 fois supérieure qu’ailleurs sur les routes.
Green Light qui bénéficie de l’intelligence artificielle tout en utilisant les informations de Maps permet d’améliorer la coordination des feux de signalisation. Il réduit des temps d’attente aux feux, réduisant ainsi la fréquence des arrêts et des accélérations brusques nécessaires aux automobiles. À l’heure actuelle, Green Light est opérationnel dans 70 intersections. Il est réparti sur quatre continents et douze villes, dont l’Inde (Bangalore), l’Israël (Haïfa) et l’Allemagne (Hambourg).
Green light réduit la pollution sur la circulation routière
Aux carrefours, environ 50% de ces émissions proviennent des véhicules repartant brusquement après un arrêt. Parfois, les départs et les arrêts ne peuvent être évités. Mais une optimisation de la configuration des feux de signalisation permet d’en limiter la fréquence. Un conseil avisé pour les autorités locales serait de consulter un consultant informatique afin d’optimiser cette coordination.
Avant Green Light, les villes n’avaient que deux choix pour y remédier : les décomptes manuels de voitures ou la mise en place d’équipement dédié. Ces méthodes ne donnent pas toutes les données importantes et ont de plus un coût élevé.
Green Light de Google quant à elle tire parti des données de Maps et de l’IA pour :
- Analyser les comportements de conduite ;
- Exploiter sa vaste connaissance des réseaux routiers mondiaux ;
- Proposer des recommandations avisées aux ingénieurs de la circulation urbaine pour améliorer l’écoulement du trafic.
Générer des séries de feux verts est possible en améliorant les intersections et en synchronisant les intersections voisines. Cela contribue à réduire les arrêts et les redémarrages. Cette approche a diminué la pollution et la consommation de combustible pour des déplacements mensuels évalués à environ 30 millions.
Green Light illustre l’effort de Google Research à exploiter l’intelligence artificielle pour combattre le changement climatique. Il améliore de manière significative la qualité de vie dans plusieurs villes et pourrait reproduire l’exploit à l’échelle mondiale.
Green light souhaite s’étendre encore plus !
Lors de son annonce initiale en 2021, le projet n’avait été expérimenté qu’en Israël : dans ses 4 carrefours. Le programme a été effectué en collaboration avec l’entreprise des routes nationales du Pays. Au cours de ces essais, Google a constaté une réduction des temps d’arrêt aux carrefours et une économie de carburant de 10 à 20 %. L’aide d’un consultant informatique est alors recommandée pour exploiter pleinement ces résultats encourageants.
Depuis Israël, le projet s’est élargi, couvrant désormais 12 villes partenaires à travers le globe. Green Light s’est étendu en Indonésie (Jakarta), en Angleterre (Manchester), au Brésil (Rio de Janeiro).
Durant une conférence de presse, la vice-présidente de Google précise que Green Light a :
« contribué à éviter plus de 2,4 millions de tonnes d’émissions de carbone, soit l’équivalent du retrait de la circulation d’environ 500 000 voitures à carburant pendant une année entière ».
Selon elle, les essais à Manchester ont engendré une certaine amélioration. Les résultats ont montré une optimisation de 18 % des émissions et de la qualité de l’air.
Actuellement, Green Light souhaite se développer. La vice-présidente en charge de la géodurabilité de Google l’a d’ailleurs affirmé :
« Aujourd’hui, nous sommes heureux de vous annoncer que nous prévoyons d’étendre le programme à d’autres villes en 2024 ».
Green light offre des suggestions adaptées selon la ville, en utilisant des données de soutien pour chaque conseil. Il permettra aux utilisateurs de les accepter ou de les refuser.
