Apprentissage automatique dans les véhicules autonomes : guide 2026

Résumé rapide : L'apprentissage automatique est la technologie fondamentale qui permet aux véhicules autonomes de percevoir leur environnement, de prendre des décisions en temps réel et de se déplacer en toute sécurité sans intervention humaine. Grâce à des algorithmes d'apprentissage profond, des réseaux neuronaux et d'immenses ensembles de données provenant de capteurs tels que des caméras et des LiDAR, les voitures autonomes apprennent à identifier les objets, à prédire le comportement des piétons et à optimiser leurs stratégies de conduite. L'étude Brain4Cars de Stanford a démontré que l'anticipation des manœuvres basée sur l'apprentissage automatique a permis d'améliorer la précision, passant de 77,41 % à 90,51 %, illustrant ainsi les progrès rapides de cette technologie vers des transports autonomes plus sûrs et plus fiables.

Les voitures autonomes ne relèvent plus de la science-fiction. Elles circulent déjà dans nos rues, traitent des millions de données par seconde et prennent des décisions en une fraction de seconde qui submergeraient les conducteurs humains.

Mais voilà le hic : rien de tout cela ne se fait par programmation traditionnelle. On ne peut pas programmer un logiciel avec des règles pour chaque scénario possible ; il y a tout simplement trop de variables. C’est pourquoi les véhicules autonomes s’appuient sur l’apprentissage automatique pour apprendre à conduire par eux-mêmes.

Selon Facts & Factors, le marché mondial des véhicules autonomes était estimé à 1 400 milliards de dollars en 2020 et devrait dépasser 1 400 milliards de dollars d’ici 2026, avec un taux de croissance annuel composé (TCAC) de 22,71 milliards de dollars. Cette croissance fulgurante reflète à la fois les avancées technologiques et la confiance croissante du secteur dans les systèmes basés sur l’apprentissage automatique.

Ce guide explique précisément comment l'apprentissage automatique transforme les données des capteurs en une conduite autonome sûre et fiable, de la perception et de la prédiction aux systèmes de contrôle et aux tests en conditions réelles.

Comprendre le rôle de l'apprentissage automatique dans la conduite autonome

L'apprentissage automatique diffère fondamentalement du développement logiciel conventionnel. Les programmes traditionnels suivent des instructions explicites : si un capteur détecte un objet à moins de X mètres, exécuter l'action Y.

Les voitures autonomes sont confrontées à des situations imprévues : un piéton déguisé, un matelas qui s’envole d’un camion, un policier qui dirige la circulation manuellement à l’aide de signaux.

Les algorithmes d'apprentissage automatique apprennent des modèles à partir d'ensembles de données massifs plutôt que de suivre des règles prédéfinies. Le véhicule traite des milliers de kilomètres de données de conduite, identifiant les corrélations entre les entrées des capteurs et les réponses de conduite optimales.

Comme l'a souligné un data scientist de renom lors de discussions sur le développement des véhicules autonomes : “ 90%, voire plus, de l'apprentissage automatique concerne les données et leur traitement. Le dernier petit pourcentage est constitué des algorithmes. ”

Cette réalité axée sur les données façonne tous les aspects du développement des véhicules autonomes.

Les trois piliers des systèmes autonomes pilotés par l'apprentissage automatique

L'apprentissage automatique dans les voitures autonomes opère dans trois domaines interconnectés :

• Perception transforme les données brutes des capteurs en une compréhension sémantique. Les réseaux neuronaux profonds identifient les véhicules, les piétons, le marquage au sol, les feux de circulation et les obstacles routiers à partir d'images de caméras et de nuages de points LiDAR.
• La prédiction anticipe le comportement des autres usagers de la route. Ce piéton va-t-il s'engager sur le passage piéton ? Le véhicule adjacent est-il sur le point de changer de voie ? Les modèles d'apprentissage automatique, entraînés sur les habitudes de conduite humaine, génèrent des prévisions probabilistes des mouvements futurs.
• La planification et le contrôle déterminent les actions du véhicule en fonction des données de perception et des prédictions. Les algorithmes d'apprentissage par renforcement optimisent le choix de la trajectoire, l'ajustement de la vitesse et les manœuvres afin d'atteindre les destinations de manière sûre et efficace.

Ces systèmes fonctionnent en parallèle, alimentant en données en continu via des chaînes de traitement qui fonctionnent en millisecondes.

Concevoir des systèmes d'apprentissage automatique pour véhicules autonomes grâce à une IA supérieure

Les systèmes de véhicules autonomes dépendent de données de capteurs à grande échelle, de la vision par ordinateur, de modèles de prédiction et de flux de travail opérationnels en temps réel. IA supérieure Ils peuvent aider les équipes à structurer leurs projets d'apprentissage automatique pour la recherche sur les véhicules autonomes et le développement de logiciels. Leurs services comprennent le conseil en IA, l'apprentissage automatique, l'apprentissage profond, le développement de la vision par ordinateur, l'ingénierie logicielle en IA, le développement de preuves de concept et l'évaluation de modèles.

AI Superior peut accompagner les projets de véhicules autonomes grâce à :

• Analyse des ensembles de données des capteurs, des images et des opérations
• Développement de systèmes de détection, de classification ou de prédiction
• Définition des cas d'utilisation de la vision par ordinateur et de l'apprentissage automatique
• Construction de prototypes de véhicules de démonstration de faisabilité
• Évaluation des performances opérationnelles et de la fiabilité du modèle
• Soutien au déploiement et à l'optimisation de l'IA
• Intégration de la planification dans les environnements logiciels existants

Pour les véhicules autonomes, cela peut s'appliquer à la détection d'objets, à la prédiction d'itinéraire, à l'analyse des capteurs, à la surveillance du trafic, aux systèmes de perception visuelle et aux modèles d'aide à la décision du véhicule.

Parlez à un supérieur de l'IA à propos du flux de développement.

Apprentissage profond pour la perception : apprendre aux voitures à voir

La perception représente le défi fondamental de la conduite autonome. Les véhicules autonomes doivent interpréter leur environnement avec une fiabilité quasi humaine, et ce, quelles que soient les conditions météorologiques et d'éclairage.

La vision par ordinateur, alimentée par des réseaux neuronaux convolutifs (CNN), s'est imposée comme l'approche dominante.

Détection et classification d'objets

Les modèles d'apprentissage profond traitent les flux vidéo des caméras pour identifier et catégoriser les objets présents dans l'environnement de conduite. Ces réseaux apprennent des représentations hiérarchiques des caractéristiques : les premières couches détectent les contours et les textures, tandis que les couches plus profondes reconnaissent des motifs complexes comme la forme des véhicules ou la posture des piétons.

Plusieurs architectures de détection d'objets se sont révélées efficaces :

• YOLO (You Only Look Once) traite les images entières en une seule passe, atteignant des performances en temps réel adaptées au calcul embarqué.
• Faster R-CNN utilise des réseaux de proposition de régions pour concentrer les ressources de calcul sur les zones susceptibles de contenir des objets.
• EfficientDet équilibre précision et efficacité grâce à une mise à l'échelle composée de l'architecture du réseau

Des chercheurs du MIT travaillant sur des systèmes de perception améliorés soulignent que les véhicules autonomes ont besoin d'une perception robotique plus précise pour accélérer les progrès en matière de sécurité. Leurs développements algorithmiques visent à protéger à la fois les véhicules autonomes et les autres usagers de la route grâce à une détection d'objets plus fiable.

Soyons francs : le défi ne consiste pas seulement à détecter les objets, mais aussi à maintenir une détection fiable quelles que soient les conditions. Un piéton partiellement caché par une voiture en stationnement. Des panneaux de signalisation recouverts de neige. Des motos qui remontent les files dans un trafic dense.

Segmentation sémantique pour la compréhension de scènes

Au-delà de la simple identification d'objets distincts, les véhicules autonomes ont besoin d'une compréhension de leur environnement au niveau du pixel. La segmentation sémantique attribue chaque pixel d'une image à une catégorie : surface carrossable, trottoir, végétation, ciel, bâtiment.

Cette compréhension fine de la scène permet une planification précise de la trajectoire. Le véhicule sait exactement où il peut rouler en toute sécurité et quelles zones représentent des obstacles ou des zones interdites.

Les réseaux comme DeepLab et U-Net excellent dans cette tâche, utilisant des architectures encodeur-décodeur qui capturent à la fois des informations sémantiques de haut niveau et des détails spatiaux précis.

Fusion de capteurs et apprentissage multimodal

Aucun capteur ne permet à lui seul de connaître parfaitement l'environnement. Les caméras offrent une grande richesse d'informations visuelles, mais peinent à percevoir la profondeur. Le LiDAR génère des nuages de points 3D précis, mais ne fournit aucune donnée de couleur ni de texture. Le radar traverse le brouillard et la pluie, mais sa résolution est plus faible.

Les modèles d'apprentissage automatique fusionnent les données provenant de multiples capteurs, combinant leurs atouts complémentaires. Les réseaux neuronaux multimodaux traitent simultanément les entrées des caméras, du LiDAR, du radar et du GPS, apprenant les corrélations entre les différents types de capteurs.

Les recherches menées par le projet Brain4Cars de Stanford illustrent cette approche multisensorielle : “ Le contexte nécessaire à l’anticipation des manœuvres provient de multiples capteurs installés sur le véhicule. ” Leur système de bout en bout intègre les flux vidéo des caméras, les données GPS et la dynamique du véhicule pour prédire les intentions du conducteur.

Cette fusion assure la robustesse du système. Si un capteur tombe en panne ou fournit des données non fiables, le système continue de fonctionner grâce aux autres entrées.

Prédiction : Anticiper le comportement humain

La détection des objets ne résout que la moitié du problème. Les véhicules autonomes doivent prédire comment ces objets vont se déplacer, notamment les humains, dont le comportement est imprévisible.

Les piétons changent brusquement de direction. Les conducteurs changent de voie de manière impulsive. Les cyclistes évitent les nids-de-poule. Les modèles de prédiction d'apprentissage automatique apprennent ces comportements à partir de données d'observation.

Prévision de trajectoire

Les modèles de prédiction de trajectoire estiment les positions futures des véhicules, des piétons et des cyclistes en fonction de leurs mouvements actuels et de leurs comportements historiques.

Ces systèmes utilisent généralement des réseaux de neurones récurrents (RNN) ou des architectures de type transformateur qui traitent des données séquentielles. Le réseau observe le mouvement d'un objet pendant plusieurs secondes, puis génère des prédictions probabilistes de sa position dans les 1 à 10 secondes à venir.

Les recherches Brain4Cars de Stanford démontrent une anticipation des manœuvres avec une précision améliorée de 77,4% à 90,5% et un rappel de 71,2% à 87,4%, avec des améliorations signalées dans les capacités d'anticipation des manœuvres.

Il ne s'agit pas d'améliorations mineures : elles représentent la différence entre la conduite réactive et la conduite proactive. Cette fenêtre d'anticipation de 3,5 secondes offre au véhicule autonome suffisamment de temps pour ajuster sa trajectoire en toute sécurité.

Reconnaissance d'intention

Comprendre les intentions des usagers de la route ne se limite pas à suivre leurs déplacements. Un véhicule qui ralentit peut être en train de se garer, de se préparer à tourner ou de réagir à un danger invisible.

Les modèles de reconnaissance d'intention analysent les indices contextuels : activation des clignotants, schémas des feux de freinage, positionnement du véhicule par rapport au marquage des voies, voire de subtils mouvements du volant visibles à travers le pare-brise.

La recherche Brain4Cars a utilisé des approches Structural-RNN pour capturer ces dépendances spatio-temporelles complexes, atteignant un score F1 de 80% pour l'anticipation des manœuvres.

Les modèles d'apprentissage automatique qui comprennent l'intention humaine permettent aux véhicules autonomes de circuler dans des environnements de circulation mixte où les véhicules conduits par des humains restent prédominants.

Prise en compte des erreurs humaines

C'est là que les choses deviennent intéressantes : les véhicules autonomes doivent anticiper non seulement le comportement humain typique, mais aussi les erreurs humaines.

Un conducteur distrait par son téléphone. Un piéton qui traverse un trottoir sans regarder. Un cycliste qui grille un feu rouge. Les données d'entraînement doivent inclure ces événements anormaux pour que les modèles d'apprentissage automatique apprennent à les reconnaître et à y réagir.

Les recherches visant à apprendre aux véhicules autonomes à prendre en compte les erreurs de conduite utilisent des réseaux neuronaux profonds, des données de drones et des unités de surveillance routière pour améliorer leur perception. L'objectif est de doter les véhicules autonomes d'un “ septième sens ” qui imite la capacité des conducteurs humains expérimentés à identifier les situations à risque avant qu'elles ne s'aggravent.

Cette capacité est cruciale pour la sécurité. Les véhicules autonomes ne doivent pas se contenter de réagir aux événements ; ils doivent anticiper les risques et se positionner de manière à les minimiser.

Les algorithmes d'apprentissage automatique au service des véhicules autonomes

Les différentes approches d'apprentissage automatique remplissent des fonctions distinctes au sein des systèmes de conduite autonome. Les choix architecturaux reflètent des compromis entre précision, efficacité de calcul et besoins en données d'entraînement.

Réseaux de neurones convolutifs (CNN)

Les réseaux de neurones convolutifs (CNN) dominent les tâches de perception visuelle. Leur architecture reflète le traitement visuel biologique, avec des couches de neurones qui réagissent à des caractéristiques de plus en plus abstraites.

Les premières couches convolutionnelles détectent des motifs simples : contours, angles, dégradés de couleurs. Les couches plus profondes combinent ces motifs en représentations complexes : roues, fenêtres, visages, formes de panneaux de signalisation.

Les modèles pré-entraînés comme ResNet, VGG et Inception servent de points de départ. L'apprentissage par transfert permet aux développeurs d'affiner ces réseaux sur des jeux de données spécifiques à la conduite plutôt que de les entraîner à partir de zéro — un gain de temps crucial compte tenu du coût de calcul élevé de l'entraînement des réseaux profonds.

Réseaux neuronaux récurrents et transformateurs

La prise de décision séquentielle exige des modèles qui conservent le contexte temporel. Les RNN et leurs variantes (LSTM, GRU) traitent les données de séries temporelles tout en préservant les informations sur les états précédents.

Pour les véhicules autonomes, cette perception temporelle permet de comprendre la dynamique des mouvements. La trajectoire d'un piéton au cours des trois dernières secondes fournit le contexte nécessaire pour prédire son prochain déplacement.

Les architectures Transformer, initialement développées pour le traitement automatique du langage naturel, ont récemment gagné en popularité dans le domaine de la conduite autonome. Leurs mécanismes d'attention permettent au modèle de se concentrer dynamiquement sur les caractéristiques spatiales et temporelles pertinentes.

Apprentissage par renforcement pour le contrôle

Alors que l'apprentissage supervisé entraîne les modèles sur des exemples étiquetés, l'apprentissage par renforcement (RL) enseigne aux systèmes par essais et erreurs dans des environnements simulés.

Les agents d'apprentissage par renforcement reçoivent des récompenses pour les comportements souhaitables (conduite souple, respect du code de la route, itinéraires optimisés) et des pénalités pour les comportements indésirables (freinage brusque, infractions au code de la route, collisions). Sur des millions de kilomètres simulés, l'agent apprend les stratégies qui maximisent la récompense à long terme.

L'apprentissage par renforcement profond combine les réseaux neuronaux et l'apprentissage par renforcement, permettant aux agents d'apprendre directement à partir d'entrées de capteurs de haute dimension sans fonctionnalités conçues manuellement.

Mais voici le problème : l’apprentissage par renforcement pur exige un temps de simulation considérable et peut engendrer des comportements imprévisibles pendant l’entraînement. La plupart des entreprises de véhicules autonomes utilisent l’apprentissage par renforcement de manière sélective, en le combinant avec l’apprentissage supervisé et des algorithmes de contrôle traditionnels.

Méthodes d'ensemble et fusion de modèles

Les véhicules autonomes de série s'appuient rarement sur un seul modèle. Les approches d'ensemble combinent les prédictions de plusieurs réseaux neuronaux, en votant ou en moyennant leurs sorties pour améliorer la fiabilité.

Si cinq modèles entraînés indépendamment s'accordent sur le fait qu'un objet est un piéton, la fiabilité est accrue. En cas de divergence des prédictions, le système signale l'incertitude et peut adopter des comportements plus prudents.

Cette redondance offre des marges de sécurité essentielles pour les décisions de vie ou de mort.

Données d'entraînement : le fondement de l'autonomie pilotée par l'apprentissage automatique

La qualité des modèles d'apprentissage automatique dépend de la qualité des données utilisées pour leur entraînement. Les véhicules autonomes nécessitent des volumes sans précédent de données d'entraînement diversifiées et correctement étiquetées.

Stratégies de collecte de données

Les entreprises de véhicules autonomes exploitent des flottes d'essai qui collectent en continu des données de capteurs. Chaque kilomètre parcouru génère des gigaoctets d'images de caméras, de relevés LiDAR, d'échos radar, de traces GPS et de données télémétriques du véhicule.

Les recherches de Stanford sur Brain4Cars ont utilisé de vastes données de conduite pour entraîner leurs modèles d'anticipation des manœuvres — un corpus substantiel, mais largement inférieur aux ensembles de données utilisés par les leaders du secteur.

Le marché des données générées par les véhicules devrait peser entre $450 et $750 milliards d'ici 2030, reflétant à la fois la valeur des données et l'ampleur des opérations de collecte.

La pandémie de COVID-19 a perturbé les efforts de collecte de données. En Chine, pays qui devrait devenir le plus grand marché mondial de véhicules autonomes, les ventes de voitures connectées ont diminué pendant la pandémie, ralentissant temporairement l'accumulation de données de conduite en conditions réelles.

Défis liés à l'annotation et à l'étiquetage

Les données brutes des capteurs nécessitent une annotation avant de pouvoir être utilisées pour l'entraînement de modèles d'apprentissage supervisé. Des annotateurs humains doivent tracer des cadres de délimitation autour des véhicules, marquer les limites des voies, classifier les panneaux de signalisation et étiqueter les positions des piétons sur des millions d'images vidéo.

Ce processus d'étiquetage est coûteux, long et sujet aux erreurs. L'étiquetage d'une seule heure d'images de conduite peut nécessiter jusqu'à 800 heures de travail humain.

Les techniques d'apprentissage semi-supervisé et d'apprentissage actif contribuent à alléger cette charge. Les modèles entraînés sur des données étiquetées limitées génèrent des prédictions sur des données non étiquetées, et les experts humains n'examinent que les prédictions incertaines ou corrigent les erreurs, ce qui améliore considérablement l'efficacité de l'étiquetage.

Données synthétiques et simulation

Les environnements de simulation génèrent une quantité infinie de données d'entraînement sans les coûts de collecte liés au monde réel. Les moteurs de rendu photoréalistes créent des scénarios de conduite virtuels avec des étiquettes générées automatiquement.

Les simulateurs modélisent des cas particuliers rares, difficiles à reproduire en situation de conduite réelle : conditions météorologiques défavorables, types de véhicules inhabituels, situations d’urgence, piétons au comportement erratique.

L'écart entre les données simulées et les données réelles demeure un défi : les modèles entraînés exclusivement sur des données synthétiques peuvent parfois échouer face à la complexité du monde réel. Les approches d'apprentissage par transfert contribuent à combler cet écart entre simulation et réalité.

Confidentialité et sécurité des données

Les véhicules autonomes collectent une grande quantité de données sur leur environnement, notamment des images de personnes, de véhicules et de lieux. Les réglementations relatives à la protection de la vie privée, comme le RGPD, imposent des limites à la collecte, au stockage et à l'utilisation de ces données.

Les techniques d'anonymisation floutent les visages et les plaques d'immatriculation. Les approches d'apprentissage fédéré permettent d'entraîner des modèles sur des ensembles de données distribués sans centraliser les informations sensibles. Ces approches favorisent l'amélioration collaborative des modèles tout en préservant la confidentialité dans le contexte des véhicules autonomes.

Les problèmes de sécurité ne se limitent pas à la protection de la vie privée. Des attaques malveillantes pourraient manipuler les données des capteurs pour provoquer des erreurs de classification — par exemple, de subtiles perturbations qui induisent les réseaux neuronaux en erreur et leur font prendre des panneaux d’arrêt pour des panneaux de limitation de vitesse.

Des techniques d'entraînement robustes et des systèmes de détection d'anomalies contribuent à se défendre contre ces menaces.

Applications réelles et environnements de test

Les modèles d'apprentissage automatique passent des laboratoires de recherche aux routes publiques grâce à des protocoles de test rigoureux et des environnements de déploiement soigneusement sélectionnés.

Environnements de test contrôlés

Les navettes autonomes assurant le dernier kilomètre dans des environnements contrôlés constituent de précieux terrains d'essai. Ces déploiements réduisent l'utilisation de la voiture et améliorent l'accessibilité, tout en permettant aux ingénieurs d'affiner la localisation, la communication véhicule-infrastructure (V2X) et l'interaction homme-machine, loin des perturbations de la circulation urbaine.

Des pistes d'essai fermées reproduisent de manière répétée des scénarios spécifiques : intersections, insertions sur autoroute, zones de travaux. Les ingénieurs vérifient systématiquement que les modèles d'apprentissage automatique réagissent correctement aux variations des conditions météorologiques, de l'éclairage et de la densité du trafic.

Stratégies de déploiement progressif

La plupart des programmes de véhicules autonomes suivent un déploiement progressif : en commençant par des environnements contraints et en s’étendant progressivement à des scénarios plus complexes.

Les opérations de géorepérage limitent la circulation des véhicules à des zones cartographiées avec précision et présentant des conditions favorables : terrain plat, beau temps et marquage au sol clair. À mesure que la fiabilité des systèmes est démontrée, les zones d’opération s’étendent.

SAE International définit les niveaux d'automatisation de 0 (aucune automatisation) à 5 (automatisation complète). Les référentiels “ Niveau 2+ ” de SAE visent à rendre la conduite automatisée rentable et généralisée grâce à des améliorations progressives des capacités, plutôt qu'à atteindre immédiatement une autonomie complète.

Mode ombre et autonomie parallèle

Le mode « ombre » permet aux systèmes autonomes de fonctionner aux côtés des conducteurs humains sans prendre le contrôle du véhicule. Le système d'apprentissage automatique traite les données des capteurs et génère des décisions de contrôle, mais ce sont les interventions humaines qui dirigent réellement la voiture.

Les ingénieurs comparent les décisions du système aux actions du conducteur humain, identifiant les divergences et les cas limites où le modèle d'apprentissage automatique se serait comporté différemment, souvent de manière incorrecte.

Cette approche permet de recueillir en toute sécurité des données sur les performances des systèmes d'apprentissage automatique dans un trafic réel, sans risque d'incidents de sécurité.

Cadres réglementaires et validation de la sécurité

Son déploiement nécessite une approbation réglementaire. Les exigences en matière de démonstration de sécurité varient selon les juridictions avant d'autoriser les essais sur route ouverte.

En Europe, les cadres réglementaires exigent la preuve du comportement sûr des véhicules autonomes, et non une simple auto-certification. Les constructeurs doivent démontrer que leurs systèmes peuvent gérer les cas limites et les scénarios inhabituels avec une fiabilité extrêmement élevée.

Le développement par SAE International de normes d'ontologie et de lexique pour les systèmes de conduite automatisée contribue à établir une terminologie et des cadres de test communs – une infrastructure essentielle pour la validation réglementaire.

Le Conseil national de la sécurité des transports (NTSB) tient à jour des bases de données sur les incidents impliquant des véhicules autonomes, fournissant des données permettant de comprendre les modes de défaillance et d'améliorer les protocoles de sécurité.

Tendances actuelles et orientations futures

L'apprentissage automatique pour les véhicules autonomes continue d'évoluer rapidement. Plusieurs tendances redéfinissent les priorités de développement et les approches techniques.

Apprentissage de bout en bout

Les architectures de conduite autonome traditionnelles décomposent le problème en modules distincts : perception, prédiction, planification, contrôle. Chaque composant est développé et testé indépendamment.

Les approches d'apprentissage de bout en bout remplacent ce processus par un réseau neuronal unique qui associe directement les entrées des capteurs aux sorties de contrôle. Les recherches de Stanford sur Brain4Cars décrivent une IA multimodale de bout en bout où “ un modèle génératif associe les entrées aux actions de contrôle ”.”

Ces systèmes apprennent des représentations latentes de la stratégie de conduite sans modéliser explicitement les étapes intermédiaires. Leurs partisans affirment que cette approche gère mieux les cas limites, car le système dans son ensemble est optimisé pour l'objectif ultime : une conduite sûre.

Les sceptiques rétorquent que les modèles de bout en bout sont des boîtes noires, ce qui rend le débogage difficile et la validation de la sécurité quasi impossible.

Mécanismes de l'attention et explicabilité

Les réseaux neuronaux fonctionnent traditionnellement comme des boîtes noires : des données y entrent, des décisions en sortent, mais le processus de raisonnement reste opaque.

Les mécanismes d'attention offrent une transparence partielle. Ces composants apprennent à se concentrer sur les caractéristiques d'entrée pertinentes, et la visualisation des cartes d'attention révèle ce que le modèle considère comme important lors de la prise de décision.

Les techniques d'IA explicable aident les ingénieurs à comprendre le comportement des modèles et à identifier les modes de défaillance. Si un détecteur d'objets classe incorrectement un vélo, les visualisations de l'attention peuvent révéler que le modèle s'est concentré sur le bruit de fond plutôt que sur le vélo lui-même, ce qui permet d'améliorer l'augmentation des données ou l'architecture.

Les organismes de réglementation exigent de plus en plus d'explications avant d'approuver le déploiement public de systèmes autonomes.

Informatique neuromorphique et intelligence artificielle en périphérie

Le traitement des données de capteurs par des réseaux neuronaux profonds exige une puissance de calcul considérable. Les véhicules autonomes actuels sont équipés d'accélérateurs d'IA spécialisés consommant des centaines de watts.

Les puces neuromorphiques imitent l'architecture neuronale biologique, traitant l'information par pics temporels plutôt que par valeurs continues. Ces conceptions promettent des gains considérables en matière d'efficacité énergétique, un facteur essentiel pour l'autonomie et le refroidissement des véhicules électriques.

Les approches d'intelligence artificielle en périphérie (Edge AI) déportent davantage de calculs directement dans les capteurs. Les caméras intelligentes dotées d'accélérateurs de réseaux neuronaux intégrés effectuent la détection d'objets localement, ne transmettant que des informations sémantiques de haut niveau plutôt que des flux vidéo bruts.

Apprentissage tout au long de la vie et adaptation en ligne

Les modèles d'apprentissage automatique actuels sont entraînés hors ligne sur des ensembles de données historiques, puis déployés avec des paramètres fixes. Le système n'apprend pas de nouvelles expériences après son déploiement.

Les systèmes d'apprentissage continu mettent à jour en permanence leurs modèles en fonction des données récemment recueillies, s'adaptant ainsi aux nouveaux environnements et à l'évolution des schémas de trafic.

Cette fonctionnalité permettrait aux véhicules autonomes de fonctionner dans diverses régions géographiques sans nécessiter un entraînement spécifique pour chaque lieu. Un véhicule entraîné principalement en Californie pourrait ainsi s'adapter aux conditions de conduite hivernales du Massachusetts grâce à l'apprentissage en ligne.

Mais attention ! L’apprentissage en ligne comporte des risques pour la sécurité. Les mises à jour des modèles peuvent dégrader les performances ou introduire des comportements inattendus. Les cadres de validation doivent garantir que l’apprentissage continu améliore la sécurité au lieu de la compromettre.

Communication véhicule-à-tout (V2X)

Les modèles d'apprentissage automatique fonctionnent actuellement uniquement à partir des informations recueillies par les capteurs embarqués. La communication V2X permet aux véhicules de partager des données entre eux et avec l'infrastructure.

Un véhicule capable de détecter le verglas dans un virage pourrait alerter les véhicules qui approchent. Les feux de circulation pourraient diffuser la durée des phases pour optimiser la traversée des intersections. Les véhicules d'urgence pourraient annoncer leur arrivée, incitant ainsi les véhicules autonomes à leur céder le passage.

Les modèles d'apprentissage automatique qui intègrent des données V2X permettent d'obtenir de meilleures prédictions et une meilleure planification en accédant à des informations au-delà de leur horizon de capteurs immédiat.

Défis et limites

Malgré des progrès remarquables, l'apprentissage automatique dans les véhicules autonomes se heurte à d'importants obstacles techniques et pratiques.

Le problème de la longue traîne

Les modèles d'apprentissage automatique excellent dans les scénarios bien représentés dans les données d'entraînement. Ils peinent en revanche face à des cas particuliers rares : un cerf traversant la route, un ballon d'enfant roulant sur la chaussée, des engins de chantier bloquant partiellement une voie.

Les conducteurs humains gèrent ces situations grâce à leur bon sens et à leur intuition physique. Les systèmes d'apprentissage automatique actuels sont dépourvus de cette compréhension contextuelle.

Les modèles de bout en bout qui perçoivent l'agencement 3D à partir d'images de caméra contribuent à résoudre les problèmes complexes en apprenant des représentations plus générales de la géométrie et de la physique de la scène. Cependant, des solutions complètes restent encore à trouver.

Vulnérabilité adverse

Les réseaux neuronaux peuvent être trompés par des exemples adverses : des entrées soigneusement conçues pour provoquer des erreurs de classification. L’ajout d’un bruit imperceptible à l’image d’un panneau stop peut amener le réseau à le classer comme un panneau cédez le passage.

Les attaques physiques adverses constituent une menace réelle. Des chercheurs ont démontré que le placement d'autocollants spécifiques sur les panneaux d'arrêt pouvait tromper les détecteurs d'objets.

Des techniques d'entraînement robustes atténuent partiellement cette vulnérabilité, mais aucune protection complète n'existe. Les chercheurs en sécurité continuent de découvrir de nouvelles failles de sécurité.

Contraintes de calcul et d'énergie

Le traitement en temps réel des flux de données de capteurs haute résolution par des réseaux neuronaux profonds exige d'énormes ressources de calcul. L'inférence doit s'effectuer en quelques millisecondes ; les recherches de Brain4Cars ont atteint un temps d'inférence de 3,6 millisecondes, mais des modèles plus complexes pourraient nécessiter un temps plus long.

La consommation d'énergie est un facteur crucial pour les véhicules électriques autonomes. La forte consommation des accélérateurs d'IA réduit l'autonomie et nécessite des systèmes de refroidissement supplémentaires.

Les techniques d'optimisation telles que la quantification de modèles, l'élagage et la distillation des connaissances permettent de compresser les réseaux en versions plus petites et plus rapides, avec une perte de précision minimale. Ces modèles compressés permettent une inférence embarquée en temps réel.

Biais et équité des ensembles de données

Les modèles d'apprentissage automatique héritent des biais présents dans les données d'entraînement. Si les ensembles de données contiennent moins d'exemples de piétons à la peau foncée, les détecteurs d'objets risquent d'être moins performants pour détecter ces personnes, ce qui représente un écart inacceptable en matière de sécurité.

Les biais géographiques affectent également les performances. Les modèles entraînés principalement sur les routes américaines peuvent avoir des difficultés à s'adapter aux différences de conduite, de signalisation et d'infrastructures dans d'autres pays.

Des ensembles de données diversifiés et représentatifs contribuent à atténuer les biais, mais la collecte de données véritablement équilibrées pour tous les groupes démographiques et toutes les régions géographiques demeure un défi.

Incertitude réglementaire

Les cadres réglementaires relatifs aux véhicules autonomes sont encore en cours d'élaboration. Les exigences varient selon les juridictions, ce qui complexifie la mise en conformité des entreprises opérant à l'international.

Des organismes de normalisation comme SAE International développent des ontologies et des cadres de test, mais aucun consensus réglementaire global n'a encore émergé.

Cette incertitude complique la planification des produits à long terme et les décisions d'investissement.

Considérations de sécurité et d'éthique

Les systèmes d'apprentissage automatique qui prennent des décisions de vie ou de mort soulèvent de profondes questions de sécurité et d'éthique.

Validation et tests

Combien de kilomètres d'essais démontrent qu'un véhicule autonome est plus sûr qu'un conducteur humain ? Aux États-Unis, on compte en moyenne un décès pour 100 millions de kilomètres parcourus par un conducteur humain.

Prouver avec une certitude statistique qu'un système autonome dépasse ce niveau de sécurité exige des milliards de kilomètres d'essais, ce qui est irréalisable par les seuls essais physiques.

Les tests basés sur des scénarios en simulation permettent de raccourcir les délais de validation. Les travaux de SAE International sur le développement de logiciels sûrs pour véhicules autonomes visent à établir des méthodologies de vérification combinant essais physiques, simulation et vérification formelle.

Le dilemme du tramway en code

Les véhicules autonomes seront inévitablement confrontés à des situations où certains dommages seront inévitables. Le véhicule devrait-il privilégier la sécurité des passagers ou minimiser les dommages globaux pour tous les usagers de la route ?

Ces dilemmes éthiques ne peuvent être résolus par la seule ingénierie. Ils nécessitent un consensus sociétal qui se reflète dans les cadres réglementaires et le droit de la responsabilité.

Les modèles d'apprentissage automatique intègrent implicitement des choix éthiques à travers leurs données d'entraînement et leurs fonctions de récompense. Les ingénieurs doivent donc concevoir consciemment ces systèmes de manière à refléter des principes éthiques convenus, plutôt que de laisser les décisions éthiques émerger accidentellement des tendances observées dans les données.

Responsabilité et obligation de rendre des comptes

Lorsqu'un véhicule autonome cause un accident, qui est responsable ? Le propriétaire du véhicule ? Le constructeur ? L'ingénieur en apprentissage automatique qui a entraîné le modèle ? L'entreprise qui a collecté les données d'entraînement ?

Les cadres de responsabilité traditionnels partent du principe que les conducteurs humains prennent les décisions. Les systèmes autonomes répartissent la prise de décision entre les logiciels, les capteurs et les données d'apprentissage, ce qui complexifie l'attribution des responsabilités.

Les modèles d'assurance et les cadres juridiques continuent d'évoluer pour répondre à ces questions.

Déplacement d'emploi

Les véhicules autonomes menacent des millions d'emplois liés à la conduite : chauffeurs routiers, chauffeurs de taxi, livreurs. Les conséquences économiques et sociales de ces suppressions d'emplois exigent des mesures politiques proactives.

Les partisans des véhicules autonomes affirment qu'ils créeront de nouveaux emplois dans la gestion de flottes, l'assistance à distance, la maintenance des véhicules et le développement de l'apprentissage automatique. Leurs détracteurs rétorquent que ces nouveaux emplois ne permettront pas de remplacer les travailleurs déplacés par des salaires équivalents.

Questions fréquemment posées