Les véhicules autonomes, également appelés auto-automobiles, ont rapidement évolué de la science-fiction à une réalité tangible au cours de la dernière décennie.Ces véhicules reposent sur une fusion sophistiquée de capteurs, d'intelligence artificielle et d'algorithmes complexes pour percevoir leur environnement, prendre des décisions et naviguer sans intervention humaine.Les promoteurs de la technologie mettent en évidence son potentiel de réduire de façon spectaculaire les accidents de la circulation – dont plus de 90 % sont causés par l'erreur humaine – tout en améliorant la mobilité des personnes âgées et des personnes handicapées, en réduisant la congestion et en réduisant les émissions grâce à des modes de conduite optimisés.

Comprendre les niveaux d'autonomie

Pour encadrer la discussion, il est essentiel de comprendre la classification standard définie par SAE International dans sa norme J3016. Cette taxonomie définit six niveaux d'automatisation de conduite, du niveau 0 (pas d'automatisation) au niveau 5 (automatisation complète dans toutes les conditions). La plupart des véhicules de consommation sur la route disposent aujourd'hui de capacités de niveau 1 (par exemple, régulateur de vitesse adaptatif) ou de niveau 2 (par exemple, Tesla Autopilot, Super Cruise) où le conducteur humain doit superviser en tout temps. Les systèmes de niveau 3 comme Mercedes-Benz Drive Pilot permettent l'automatisation conditionnelle où le véhicule gère tous les conducteurs dans des conditions spécifiques mais s'attend à ce que le conducteur prenne le relais sur demande.

Progrès technologiques récents

Technologie de capteur

Au cours des dernières années, le matériel de capteurs a fait des progrès remarquables. Les capteurs Lidar (Light Detection and Ranging), autrefois des unités mécaniques très coûteuses et coûtant des dizaines de milliers de dollars, sont maintenant disponibles en tant qu'appareils à l'état solide à une fraction du coût.Les sociétés comme Luminar, Velodyne et Innoviz ont introduit des systèmes lidars compacts qui fournissent des nuages de points 3D à haute résolution, essentiels pour détecter les piétons, les cyclistes et d'autres obstacles à longue portée. ]Les capteurs Radar, longtemps utilisés pour la commande de croisière adaptative, ont amélioré la résolution angulaire et peuvent maintenant détecter les objets fixes de façon fiable. Cameras[, avec une meilleure portée dynamique et des performances faibles en lumière, combinés au traitement avancé des signaux d'image, permettent une reconnaissance robuste des objets.

Intelligence artificielle et apprentissage automatique

Les réseaux neuronaux profonds, en particulier les réseaux neuronaux convolutionnels (RCN) pour le traitement des images et les transformateurs pour les données séquentielles, sont utilisés pour la détection d'objets, la classification, le suivi et la prédiction du chemin. Des systèmes comme la pile de perception de Waymo peuvent identifier non seulement les véhicules et les piétons, mais aussi les panneaux routiers, les feux de circulation, les zones de construction et même les gestes manuels des agents de la circulation. La formation de ces modèles nécessite d'énormes ensembles de données – des millions de milles de données réelles de conduite complétées par des milliards de milles de simulation de conduite dans des environnements virtuels.

Matériel informatique

Les exigences calculatrices de la conduite autonome en temps réel sont immenses. Les véhicules autonomes modernes sont équipés de plusieurs unités de calcul haute performance, souvent avec des GPU ou des accélérateurs d'IA dédiés, qui traitent les téraoctets de données de capteur par seconde. Des entreprises comme NVIDIA avec ses plates-formes Drive Orin/Thor, Mobileye avec ses puces EyeQ et le matériel conçu sur mesure de Tesla fournissent la puissance de calcul nécessaire tout en respectant les normes de sécurité automobile (ISO 26262). La tendance est vers des contrôleurs de domaine qui consolident les fonctions, réduisent le câblage et la latence.

Défis techniques

Fusion et perception des capteurs

Bien que les capteurs individuels se soient améliorés, le défi de combiner leurs sorties en une représentation cohérente et fiable de l'environnement demeure redoutable. Les capteurs ont des forces et des faiblesses différentes : les caméras sont excellentes pour la texture et la couleur mais luttent contre les intempéries; le lidar fournit une profondeur précise mais se dégrade dans les pluies abondantes, le brouillard ou la neige; le radar pénètre dans les conditions météorologiques mais a une résolution angulaire plus faible.L'algorithme de fusion doit concilier des données contradictoires – par exemple lorsqu'une caméra détecte un objet mais le lidar ne produit pas – et produire un score de confiance.La fusion radar-caméra-lidar est un domaine de recherche actif, notamment pour assurer la performance dans toutes les conditions météorologiques.

Prise de décisions dans des environnements complexes

La conduite implique une prise de décision constante dans l'incertitude.Les véhicules autonomes doivent prévoir le comportement des autres usagers de la route – les conducteurs humains peuvent changer de voie sans signalisation, les piétons peuvent se tromper, les cyclistes peuvent se tromper.Les modèles de prédiction du comportement, souvent en utilisant des réseaux neuronaux récurrents ou des réseaux neuronaux graphes, tentent de prévoir plusieurs trajectoires possibles pour chaque agent.Le système de planification choisit alors un chemin sûr et efficace, souvent en utilisant des techniques d'optimisation comme le contrôle prédictif du modèle (MPC) ou la recherche A*. La manipulation des virages à gauche non protégés sur plusieurs voies de circulation, se fusionnant sur une route pendant l'heure de pointe, ou naviguant sur un rond-point chaotique sans marquage clair de voie sont des cas de bord classiques qui exigent un raisonnement sophistiqué.

Sécurité, redondance et validation

La sécurité est la préoccupation primordiale. Les systèmes autonomes doivent être prouvés sûrs au-delà de tout doute raisonnable, une tâche beaucoup plus complexe que la sécurité traditionnelle des véhicules. L'industrie suit le processus de sécurité de la fonctionnalité prévue (SOTIF) (ISO 21448) parallèlement à la sécurité fonctionnelle (ISO 26262). Cela nécessite l'identification de scénarios dangereux pour les deux défauts du système (p. ex., défaillance d'un capteur) et les limitations de performance (p. ex., incapacité à détecter un objet sombre la nuit). La redondance est intégrée à chaque sous-système critique : freinage, direction, puissance et informatique. Par exemple, les véhicules de Waymo ont des moteurs de direction primaires et secondaires, des circuits de freinage doubles et plusieurs systèmes informatiques indépendants de sorte que si l'un échoue, un autre peut prendre le relais sans perte de contrôle.

Cartographie et localisation

Les véhicules hautement autonomes (niveau 4 et 5) reposent sur des cartes haute définition (HD) qui contiennent des informations de niveau centimètre sur la géométrie des routes, les marquages des voies, les panneaux de signalisation et les repères 3D. Ces cartes sont créées à l'aide de véhicules de levé équipés de lidar, de caméras et de GPS, et doivent être mises à jour fréquemment à mesure que les conditions routières changent. La localisation – déterminant la position précise du véhicule dans la carte – utilise les données de capteur (appariement des nuages de points de glissement, odométrie visuelle, GPS) pour obtenir une précision à quelques centimètres.

Considérations réglementaires et éthiques

Évolution des lois et des normes

Aux États-Unis, la National Highway Traffic Safety Administration (NHTSA) a publié des directives volontaires mais n'a pas encore établi de normes fédérales complètes de sécurité pour les véhicules autonomes. Des États comme la Californie, l'Arizona et le Texas ont testé des terrains, chacun ayant ses propres procédures de délivrance de permis et de rapports. En Europe, la Commission économique pour l'Europe (CEE) a adopté des règlements pour les systèmes automatisés de maintien des voies de niveau 3 (ALKS) et de niveau 4 pour les applications de navettes à basse vitesse. La Chine a poursuivi avec dynamisme la normalisation et le déploiement, avec Beijing et Shanghai délivrant des licences pour les services de robotaxi commercial.

Prise de décisions éthiques

La question éthique la plus débattue est peut-être la suivante : comment un véhicule autonome devrait-il se comporter dans des scénarios d'accident inévitables, le « problème de la circulation » appliqué à la conduite. Le véhicule devrait-il prioriser la sécurité de ses occupants sur les piétons? Doit-il réduire au minimum les dommages globaux, même si cela signifie nuire à ses propres passagers? Bien que ces dilemmes entraînent des discussions philosophiques convaincantes, de nombreux ingénieurs soutiennent que de tels choix sont extrêmement rares en conduite réelle; l'obligation éthique principale est de prévenir les accidents en premier lieu par une conception et un fonctionnement sûrs. Néanmoins, il existe de véritables préoccupations éthiques : comment programmer la réponse du véhicule à un enfant qui court dans la rue contre un cerf, ou comment gérer des collisions inévitables lorsque le freinage est insuffisant.

Cybersécurité et confidentialité des données

En tant que véhicules connectés, définis par des logiciels, les voitures autonomes sont des cibles potentielles de cyberattaques. Un acteur malveillant pourrait tenter de détourner le contrôle du véhicule, des données de capteur corrompues ou voler des données sensibles. Les conséquences d'une attaque réussie pourraient être catastrophiques. Pour atténuer les risques, les ingénieurs conçoivent des architectures sécurisées avec des modules de sécurité matérielle (MSS), des mécanismes de mise à jour en direct authentifiés par l'infrastructure à clé publique et la segmentation du réseau qui isole les fonctions critiques des systèmes de divertissement.Les programmes de tests de pénétration et de divulgation de vulnérabilité sont courants. De plus, les véhicules autonomes recueillent des quantités massives de données sur l'environnement et les passagers, soulevant des préoccupations en matière de protection de la vie privée.

Infrastructure et connectivité

Les véhicules autonomes ne fonctionnent pas dans le vide; ils dépendent des infrastructures. Les véhicules à tout (V2X)] les communications, y compris les véhicules à véhicule (V2V) et les véhicules à infrastructure (V2I), peuvent accroître l'autonomie en fournissant des données au-delà des capteurs du véhicule, par exemple un signal de circulation diffusant sa phase et son chronométrage, ou un avertissement de voiture en aval d'un véhicule arrêté devant. Bien que les communications à courte portée (DSRC) aient été privilégiées au départ, de nombreuses régions adoptent des systèmes cellulaires C-V2X, qui tirent parti des réseaux 4G et 5G. Toutefois, un déploiement généralisé nécessite des investissements dans les unités routières et l'infrastructure cellulaire.

Perspectives d'avenir

Malgré les formidables défis, la trajectoire des véhicules autonomes reste positive, bien que le calendrier soit plus tempéré que ce que l'on peut suggérer. Le service de pilotage de Waymo, totalement autonome (sans conducteur de sécurité), à Phoenix et à San Francisco, démontre que les opérations de niveau 4 sont réalisables dans des zones géographiques spécifiques où les conditions sont favorables. Cruise a exploité la robotique commerciale à San Francisco, et le service Apollo Go de Baidu s'est étendu à de nombreuses villes chinoises.

Nous verrons probablement le déploiement de véhicules autonomes se développer d'abord dans des environnements étroitement contrôlés : zones urbaines géofencées, voies réservées aux camions autonomes sur les routes, lignes de navette à basse vitesse sur les campus ou les zones du centre-ville. La propriété des consommateurs de véhicules entièrement autonomes demeure plus éloignée, compte tenu des obstacles liés aux coûts et à la réglementation. Cependant, les progrès cumulatifs en matière de capteurs, de calcul et d'IA, combinés aux leçons tirées des déploiements précoces, placent l'industrie pour surmonter nombre des défis d'ingénierie actuels.

Pour plus de détails sur les normes de sécurité des véhicules autonomes, consultez la page NHTSA Automated Vehicles page. Pour les dernières techniques de fusion des capteurs, reportez-vous au sujet IEEE des véhicules autonomes du spectre. Pour les lignes directrices éthiques, voir Institut des ingénieurs en électricité et en électronique (IEEE) Initiative mondiale sur l'éthique des systèmes autonomes et intelligents.