RACER (Rational Artificial Intelligence Car-following Model Enhanced by Reality) est un modèle de suivi de véhicule basé sur l'apprentissage profond, conçu pour prédire le comportement au volant d'un régulateur de vitesse adaptatif (ACC). Contrairement aux modèles existants, RACER intègre efficacement les contraintes de conduite rationnelle (RDC), un principe fondamental de la conduite réelle, pour fournir des résultats de prédiction remarquablement précis et réalistes. Il surpasse les modèles existants tels que l'OVRV (Optimal Velocity Relative Velocity), le réseau neuronal de suivi de véhicule (NN) et le réseau neuronal d'information physique de suivi de véhicule (PINN) sur des indicateurs clés tels que l'accélération, la vitesse et l'intervalle, et affiche une conformité parfaite sans violation des RDC. Cela souligne l'importance cruciale de l'intégration des contraintes physiques dans les modèles d'IA, notamment pour améliorer la sécurité routière. Cela ouvre également la voie à de futurs tests de modèles sur des données de conduite humaine, suggérant le potentiel d'induire un comportement au volant plus sûr et plus rationnel. La polyvalence du modèle, qui peut intégrer des contraintes dérivées supplémentaires et un large éventail d'applications architecturales, renforce son attrait et son impact au sein de la communauté scientifique.
