Ce qui définit un véhicule autonome aujourd'hui

Les véhicules autonomes, souvent appelés automobilistes, représentent un changement fondamental dans la façon dont nous pensons à la mobilité. Ces machines comptent sur une pile sophistiquée de capteurs, l'informatique à bord et l'intelligence artificielle pour percevoir leur environnement et prendre des décisions de conduite sans intervention humaine directe. La Société des ingénieurs automobiles (SAE) définit six niveaux d'automatisation de conduite, du niveau 0 (pas d'automatisation) au niveau 5 (automatisation complète sous toutes les conditions).

La promesse fondamentale d'autonomie n'est pas seulement la commodité, mais elle est le potentiel de réduire de façon spectaculaire les quelque 1,35 million de morts de la circulation qui se produisent chaque année dans le monde, dont la grande majorité sont attribuées à l'erreur humaine. En éliminant le conducteur humain distrait, fatigué ou altéré de la boucle de contrôle, les systèmes autonomes pourraient sauver des dizaines de milliers de vies chaque année. Au-delà de la sécurité, la technologie autoconduite promet de remodeler les villes, de réduire la congestion par un flux de trafic optimisé, et de fournir la mobilité aux personnes âgées et handicapées qui ne peuvent pas conduire elles-mêmes.

La pile de capteurs : comment les véhicules autonomes voient le monde

Pour que le véhicule puisse naviguer en toute sécurité, il doit d'abord percevoir son environnement avec une extrême précision et fiabilité, grâce à une combinaison de capteurs complémentaires, chacun avec des forces et des faiblesses distinctes. Aucun type de capteur ne suffit pour toutes les conditions, de sorte que les systèmes autonomes modernes fusionnent des données provenant de sources multiples pour construire un modèle robuste et redondant du monde.

LiDAR: Peinture sur le monde en 3D

LiDAR, qui est synonyme de détection et de ranging de la lumière, tire des millions d'impulsions laser par seconde et mesure le temps qu'il leur faut pour revenir après avoir réfléchi des objets. Cela crée des nuages denses en temps réel qui permettent au véhicule de détecter la forme, la position et le mouvement précis des obstacles, piétons, cyclistes et autres véhicules, même dans l'obscurité totale. Les unités LiDAR précoces étaient des tambours à rotation volumineux et coûteux, mais la technologie a évolué rapidement. Les capteurs LiDAR modernes à l'état solide sont plus petits, moins chers et plus durables, avec des entreprises comme Luminar, Hesai et Innoviz qui produisent des unités qui peuvent être intégrées dans les véhicules de production.

Radar : voir par la météo

Les capteurs radar émettent des ondes radio et analysent les réflexions pour déterminer la distance, la vitesse et l'angle des objets. Leur avantage clé est la robustesse : les ondes radio pénètrent le brouillard, la pluie, la neige et la poussière bien mieux que les lasers visibles ou infrarouges. Les systèmes radar modernes automobiles fonctionnent à 77 GHz et peuvent détecter des objets à des distances supérieures à 250 mètres. Ils sont exceptionnellement bons pour mesurer la vitesse relative des autres usagers de la route, une entrée critique pour des distances sûres et un freinage d'urgence. La principale limite du radar est la résolution angulaire; il ne peut pas distinguer les détails fins ou lire les panneaux routiers.

Caméras : le rôle critique de la vision

Les caméras fournissent les informations les plus précises sur la pile de capteurs, captant la couleur, la texture et le contraste. Ces données visuelles sont essentielles pour interpréter les marquages de voies, les feux de circulation, les panneaux routiers et distinguer entre un sac plastique et une roche sur la route. Les véhicules autonomes modernes utilisent des gammes de caméras positionnées autour de la voiture pour atteindre une connaissance de la situation à 360 degrés. Les données sont traitées par des réseaux neuraux profonds formés sur des millions d'images marquées. Ces réseaux effectuent des tâches comme la segmentation sémantique (labellisant chaque pixel comme « route », « voiture », « piéton », «sky», etc.), la détection d'objets et la classification.

L'IA et l'apprentissage automatique : le cerveau derrière la roue

Les systèmes de conduite autonomes modernes utilisent plusieurs types de réseaux neuronaux fonctionnant de concert. Les réseaux de perception convertissent les données de capteur en un modèle d'environnement, identifiant les objets, leurs positions, leurs vitesses et leurs trajectoires prédites. Les réseaux de prévision prévoient ce que ces objets feront ensuite – ce sera-t-il un piéton qui traversera la rue? La voiture devant changera-t-elle de voie? Les réseaux de planification déterminent-ils ensuite le chemin et les actions du véhicule, en tenant compte des règles de circulation, du confort et de la sécurité.

Ces réseaux sont formés à d'énormes ensembles de données réelles sur la conduite, contenant souvent des petaoctets d'enregistrements de capteurs étiquetés. Des entreprises comme Waymo ont conduit des millions de kilomètres sur les routes publiques et des milliards de plus en simulation pour former leurs systèmes. L'apprentissage du renforcement est de plus en plus utilisé pour enseigner les manœuvres complexes de véhicules comme la fusion sur les autoroutes ou la navigation non protégée des virages à gauche dans la circulation lourde. Les «cas de bord» – scénarios rares ou inattendus que les données de formation ne couvrent pas – demeurent l'un des défis les plus difficiles. Par exemple, rencontrer un canapé qui est tombé d'un camion, un piéton en costume de dinosaure ou un policier dirigeant la circulation avec des signaux manuels.

État actuel des systèmes de pilotage automatique: joueurs et approches

La course au déploiement de véhicules autonomes a produit un paysage diversifié d'entreprises, chacune poursuivant des stratégies techniques et commerciales distinctes. Bien qu'aucune entreprise n'ait encore atteint l'autonomie complète de niveau 5, des progrès significatifs ont été réalisés dans des domaines opérationnels limités.

Waymo : Le pionnier du capteur

Waymo, filiale d'Alphabet, est largement considérée comme le leader technique de l'autonomie de niveau 4. Sa flotte de véhicules autonomes Jaguar I-PACE exploite un service de robotaxi commercial totalement sans conducteur dans certaines parties de Phoenix, San Francisco et Los Angeles. L'approche de Waymo repose sur une suite de capteurs hautement redondante incluant LiDAR (à longue portée et à courte portée), radar et caméras multiples. La stratégie de l'entreprise met l'accent sur la sécurité par une validation étendue, avec des milliards de miles de conduite simulée et des millions de miles du monde réel. Les véhicules de Waymo ont démontré la capacité à gérer des environnements urbains complexes, y compris des zones de construction, des véhicules d'urgence, et une circulation piétonne dense, bien qu'ils soient toujours confrontés à des défis sous de fortes pluies et certains scénarios inhabituels.

Tesla: Vision uniquement à l'échelle

Le logiciel « Full Self-Driving » (FSD) de Tesla, actuellement en beta test avec des centaines de milliers de clients, fonctionne au niveau 2, ce qui signifie que le conducteur doit rester attentif et être prêt à prendre le relais à tout moment. L'avantage de Tesla est sa flotte de collecte massive de données; chaque véhicule Tesla avec le matériel Autopilot envoie des données anonymes à l'entreprise, créant un ensemble de données de formation inégalé. Le système a montré une amélioration rapide, avec des versions récentes capables de naviguer dans des rues urbaines complexes, des cercles de circulation et des intersections. Cependant, les critiques pointent sur les accidents impliquant FSD et se demandent si un système vision seule peut atteindre la sécurité nécessaire pour un fonctionnement sans conducteur réel, en particulier dans des conditions météorologiques défavorables ou à faible luminosité sans redondance de capteur supplémentaire.

Croisière : Ambitions de Roboaxi Urbain

Cruise, détenue en majorité par General Motors, exploitait un service de robotaxi sans conducteur commercial à San Francisco, Austin et Phoenix avant un incident de grande envergure en octobre 2023, a conduit à une suspension de ses opérations et un rappel de sa flotte. L'incident, dans lequel un véhicule de croisière a traîné un piéton qui avait été heurté par une autre voiture, a soulevé de sérieuses questions sur les pratiques de sécurité de l'entreprise et la conformité réglementaire. L'approche de Cruise utilise une combinaison de LiDAR, radar, caméras, et comme Waymo, il compte sur l'assistance à distance pour les cas de bord. L'entreprise a depuis restructuré son leadership et travaille à reconstruire la confiance avec les régulateurs. L'épisode sert de conte de mise en garde sur les défis du déploiement de technologies autonomes à l'échelle dans des environnements urbains complexes et souligne l'importance critique d'un développement robuste de cas de sécurité, de rapports transparents et d'une gestion opérationnelle prudente.

Mobileye : le modèle fournisseur

Mobileye, filiale Intel, adopte une approche différente en fournissant une technologie de conduite autonome aux constructeurs automobiles plutôt que d'exploiter sa propre flotte. Son système, basé sur une combinaison de caméras, radars et LiDAR, est conçu pour être intégré dans les véhicules de production de BMW, Volkswagen, Nissan, et d'autres. La stratégie de Mobileye met l'accent sur la « sécurité sensible à la responsabilité » (RSS), un modèle mathématique qui officialise le comportement de conduite sécuritaire et assure que le système ne causera pas d'accident. L'entreprise développe un système d'autoconduite complet appelé « Mobileye Drive » et prévoit lancer des services de robotaxi commercial en partenariat avec plusieurs constructeurs automobiles et fournisseurs de mobilité.

Les défis sur la voie de l'autonomie complète

Malgré des progrès techniques impressionnants, plusieurs obstacles redoutables subsistent avant que les véhicules autonomes ne deviennent une caractéristique omniprésente de la vie quotidienne.Ces défis s'étendent à la technologie, la réglementation, l'infrastructure et la société.

Cas de bord technique et problèmes de longue durée

Les systèmes autonomes formés sur des ensembles de données massives peuvent gérer 99 % des situations de conduite, mais le 1% restant comprend des cas de bord infiniment variés et souvent impossibles à anticiper. Un enfant qui poursuit une balle dans la rue, un ouvrier de construction agitant un panneau d'arrêt, un policier dirigeant le trafic avec des gestes à la main, ou un morceau de débris tombant d'un camion – ce sont des scénarios qui peuvent apparaître une fois dans un million de kilomètres mais doivent être manipulés en toute sécurité. La simulation aide, mais elle ne peut pas reproduire pleinement la complexité et l'imprévisibilité du monde réel. De nombreux systèmes gèrent l'incertitude en ralentissant ou en s'éloignant, mais un comportement trop prudent peut créer ses propres risques de sécurité et frustrer les passagers.

Les obstacles réglementaires et juridiques

Aux États-Unis, la National Highway Traffic Safety Administration (NHTSA) a publié des directives volontaires mais n'a pas encore établi de normes fédérales de sécurité complètes pour les systèmes de conduite autonomes, ce qui laisse les entreprises de naviguer dans un patchwork de réglementations au niveau de l'État, dont certaines interdisent ou restreignent sévèrement l'exploitation autonome des véhicules. En Europe et en Asie, il existe une complexité réglementaire similaire, les pays adoptant des approches différentes en matière de responsabilité, de délivrance de permis et de processus d'approbation. Une question cruciale non résolue est la responsabilité : si un véhicule autonome cause un accident, qui est responsable? Le fabricant, le développeur de logiciels, l'exploitant ou l'occupant humain? Les lois actuelles sont mal équipées pour gérer ces scénarios, et l'incertitude juridique crée un risque important pour les entreprises qui investissent dans la technologie.

Cybersécurité et confidentialité des données

Les véhicules autonomes sont essentiellement des centres de données sur roues, connectés à Internet et équipés de dizaines de capteurs et d'ordinateurs puissants.Cette connectivité crée des risques importants pour la cybersécurité.Une attaque réussie sur les systèmes de contrôle d'un véhicule pourrait avoir des conséquences catastrophiques, permettant éventuellement à un attaquant de désactiver les freins, de détourner la direction ou d'éteindre les systèmes de sécurité.L'industrie doit mettre en œuvre des mesures de cybersécurité robustes, y compris des systèmes de démarrage sécurisé, de signature de code, de sécurité matérielle et de mise à jour en direct qui résistent aux manipulations.Au-delà de la sécurité, les préoccupations de confidentialité sont importantes.Les véhicules autonomes recueillent de grandes quantités de données sur leur environnement, y compris des images de personnes, des bâtiments, des plaques d'immatriculation et d'autres informations sensibles.

Perception et confiance du public

Les enquêtes montrent sans cesse qu'une majorité de personnes hésitent ou ne veulent pas rouler dans un véhicule totalement autonome. Les accidents de grande envergure, même rares, reçoivent une large couverture médiatique et créent des impressions négatives durables. Les gens craignent naturellement de perdre le contrôle et de mettre leur sécurité entre les mains de logiciels qu'ils ne comprennent pas ou ne font pas confiance. Pour bâtir la confiance, il faut un long bilan de sécurité, de transparence dans la communication sur les performances en matière de sécurité et de compréhension claire des limites de la technologie. Les déploiements précoces dans des zones limitées où les opérateurs formés peuvent aider à acclimater le public à la technologie.

Infrastructure et incidences sur les écosystèmes urbains

L'adoption généralisée de véhicules autonomes ne se fera pas dans le vide; elle nécessitera des changements d'infrastructure et aura des effets profonds sur l'urbanisme et la société.Les voies dédiées aux véhicules autonomes, l'amélioration des marquages routiers et la communication normalisée des signaux de circulation par la technologie véhicule-infrastructure (V2I) peuvent grandement améliorer la sécurité et l'efficacité des systèmes autonomes. Les intersections intelligentes qui communiquent avec les véhicules qui approchent, l'attribution dynamique des voies et la signalisation numérique lisibles par la vision de la machine sont tous des investissements d'infrastructure qui pourraient accélérer le déploiement.Les villes peuvent avoir besoin de repenser les structures de stationnement, car les véhicules autonomes peuvent déposer des passagers et se garer dans des lots éloignés ou même rentrer chez elles, ce qui pourrait réduire la nécessité de stationnement dans des centres urbains denses.

Incidences économiques et sur l'emploi

La transition vers des véhicules autonomes créera des gagnants et des perdants dans toute l'économie. L'impact le plus direct sera sur les près de 4 millions de conducteurs de camions, de chauffeurs de taxi, de chauffeurs de camion et de chauffeurs de véhicules aux États-Unis seulement. Le déplacement de ces travailleurs nécessitera un programme de recyclage et de soutien social important pour les aider à passer à de nouveaux rôles. Parallèlement, l'industrie automobile autonome créera de nouveaux emplois dans le domaine de l'ingénierie logicielle, de la fabrication de capteurs, des opérations de flotte, de la surveillance à distance et de l'entretien du système. L'effet net sur l'emploi est incertain, mais la transition risque de perturber de nombreuses collectivités.

L'industrie de l'assurance sera également transformée. À mesure que la responsabilité de la conduite des véhicules passe de l'homme à la machine, l'assurance automobile passera de la responsabilité personnelle aux produits de responsabilité civile et à l'assurance de la flotte commerciale. Les primes diminueront probablement pour les conducteurs humains à mesure que les taux d'accidents baisseront, mais la structure du marché changera fondamentalement. Les taux d'accidents des véhicules autonomes sont déjà nettement inférieurs à ceux des conducteurs humains sur une base par kilomètre, et à mesure que la technologie arrivera à maturité, les coûts d'assurance pourraient devenir une fraction négligeable du coût de la mobilité.

La route à l'horizon : une transition progressive

Les applications à court terme les plus claires sont les services de robotaxi géofencés opérant dans des zones urbaines favorables et bien aménagées. Des entreprises comme Waymo ont démontré que des opérations sans conducteur sont techniquement réalisables dans des domaines limités, et ces services vont progressivement s'étendre à plus de villes et à des conditions plus difficiles. L'industrie du camionnage verra probablement l'autonomie d'abord sur les routes longues, où l'environnement de conduite est plus structuré et prévisible. Les camions autonomes peuvent réduire la consommation de carburant par une conduite optimisée, éliminer la nécessité de pauses de repos des conducteurs et améliorer la sécurité en réduisant la fatigue humaine. Cependant, la transition sera progressive, les conducteurs humains seront encore nécessaires pour les segments complexes de premier et dernier milles dans les zones urbaines pour un avenir prévisible.

À moyen terme, les systèmes de niveau 3 qui permettent la conduite manuelle dans des conditions spécifiques deviendront plus courants dans les véhicules de consommation. Ces systèmes traiteront la conduite sur route, les embouteillages et le stationnement, mais le conducteur humain doit être prêt à prendre le relais lorsque le système atteint ses limites. Le niveau 3 présente ses propres défis, en particulier autour du problème de la « transmission » – comment faire pour qu'un conducteur distrait puisse reprendre le contrôle en toute sécurité lorsque le système se désactive. Mercedes-Benz a déjà reçu l'approbation réglementaire d'un système de niveau 3 en Allemagne et au Nevada, et d'autres constructeurs automobiles suivent. La vision à long terme de l'autonomie de niveau 5 – véhicules qui peuvent conduire partout où un humain peut, dans toutes les conditions – demeure un objectif pour un avenir lointain, si cela est réalisable.

Pour plus de détails sur le paysage technique et réglementaire des véhicules autonomes, voir la page NHTSA sur les véhicules automatisés pour les directives officielles de sécurité, et la norme SAE J3016 pour la définition définitive des niveaux d'autonomie. Le Rapport de sécurité de Waymo fournit un examen détaillé de l'approche d'une entreprise en matière de déploiement sécuritaire, tandis que l'analyse de la sécurité des véhicules autonomes de RAND Corporation offre une perspective indépendante rigoureuse sur les défis de la preuve de la sécurité pour la technologie autoconduite.