L’IA dans les voitures autonomes : fonctionnement réel en 2026

Les voitures autonomes sont « sur le point d’arriver » depuis plus de dix ans. En 2015, plusieurs entreprises promettaient des véhicules totalement autonomes sur les routes publiques dès 2020. Nous sommes en 2026, et la réalité s’est avérée bien plus complexe que ne l’imaginaient optimistes comme sceptiques. Waymo exploite aujourd’hui de véritables robotaxis sans conducteur dans plusieurs villes américaines, assurant des millions de trajets payants sans personne derrière le volant. Cruise, autrefois son principal rival, a dû suspendre ses activités de robotaxis après un grave accident et une perte de confiance des autorités de régulation. Le système Full Self-Driving de Tesla, malgré son nom, exige toujours légalement un conducteur attentif au volant. Enfin, le véhicule neuf moyen vendu cette année embarque plus d’IA d’aide à la conduite qu’un véhicule de recherche il y a dix ans.

La technologie est donc bien réelle, souvent impressionnante et déjà en production. Mais la « conduite autonome » couvre un spectre très large, allant du simple maintien dans la voie jusqu’au fonctionnement entièrement sans conducteur, et l’écart entre ces deux extrêmes est immense. Pour comprendre le rôle de l’IA dans les véhicules autonomes, il faut appréhender ce spectre dans son ensemble : les systèmes d’IA derrière chaque niveau, ainsi que les difficultés concrètes qui rendent la véritable autonomie bien plus complexe qu’il n’y paraît.

Voici comment cela fonctionne réellement.

Une brève histoire des voitures autonomes

Vous pensez que les voitures autonomes sont nées du récent essor de l’IA ? L’ambition est bien plus ancienne. Dès les années 1920, des ingénieurs concevaient déjà des véhicules radioguidés, et les fonctions d’aide à la conduite se sont accélérées après la Seconde Guerre mondiale. La première voiture capable de rouler de manière autonome, bien que limitée, a vu le jour en 1977 au sein du Mechanical Engineering Laboratory de Tsukuba, au Japon. Nous poursuivons donc cet objectif depuis près d’un siècle : gardez cela à l’esprit chaque fois qu’on vous présente cette idée comme une nouveauté.

Où commence véritablement la recherche moderne ? Dans les années 1980. Le projet Navlab de Carnegie Mellon a lancé ses véhicules semi-autonomes en 1984, avec le soutien financier de la DARPA. En Europe, Mercedes-Benz et l’Université de la Bundeswehr à Munich ont mené le projet EUREKA Prometheus à partir de 1987. Les États-Unis ont quant à eux investi 650 millions de dollars dans un programme national d’autoroutes automatisées en 1991. Pendant l’essentiel de cette période, les financements provenaient surtout de la DARPA et de l’armée. Les travaux progressaient comme souvent dans ce type de recherche : méthodiquement, par petites étapes, en améliorant la détection, le contrôle et la conduite de base plutôt que par des ruptures soudaines.

Quand le véritable tournant a-t-il eu lieu ? La plupart des chercheurs citent le DARPA Grand Challenge, en particulier l’édition 2005, qui a donné une impulsion décisive au secteur et formé une grande partie des talents à l’origine de l’industrie commerciale actuelle. Le secteur privé a ensuite pris le relais. La filiale Cruise de GM a commencé ses essais sur route en Californie en 2015. Deux ans plus tard, Waymo lançait le premier service commercial de robotaxis à Phoenix, rapidement suivi par la Chine. Puis la réalité s’est imposée. Cruise a interrompu ses opérations en 2024, et dès 2022, plusieurs grands constructeurs — dont Ford et Volkswagen — ont revu leurs ambitions à la baisse face aux doutes sur la rentabilité économique.

Le schéma reste toujours le même : à presque chaque étape, les progrès techniques réels se sont accompagnés de promesses péremptoires d’autonomie totale qui ne se sont pas matérialisées dans les délais annoncés. Ce décalage entre les annonces et les déploiements effectifs traverse toute l’histoire du secteur. C’est sans doute le repère le plus utile à garder en tête face à chaque nouvelle promesse sur la conduite autonome.

Ce que signifie réellement la « conduite autonome » : les niveaux SAE

La plupart des articles grand public commettent une erreur dès le départ : ils traitent la « conduite autonome » comme une capacité binaire qu’un véhicule possède ou non. En réalité, l’industrie s’appuie sur une classification en six niveaux établie par SAE International. Ces niveaux sont capitaux, car ils font toute la différence entre un véhicule qui vous assiste et un véhicule qui conduit seul.

1. Niveau 0 — aucune automatisation. Le véhicule n’agit pas de lui-même. Tout repose sur le conducteur humain. Cela correspond à la majorité des voitures tout au long de l’histoire automobile.
2. Niveau 1 — assistance à la conduite. Le véhicule intervient sur une seule fonction à la fois : régulateur de vitesse adaptatif pour l’allure ou centrage dans la voie pour la direction, mais jamais les deux simultanément. L’humain conserve l’entière maîtrise de la conduite.
3. Niveau 2 — automatisation partielle. Le véhicule gère à la fois la vitesse et la direction sous la supervision du conducteur. C’est le niveau de l’Autopilot de Tesla, du Super Cruise de GM ou du BlueCruise de Ford. C’est aussi ce que la plupart des gens appellent « conduite autonome », et la principale source de confusion : l’humain reste légalement responsable de la conduite à chaque instant. Le système assiste, il ne conduit pas.
4. Niveau 3 — automatisation conditionnelle. Le véhicule conduit véritablement seul dans des conditions précises et délimitées, et l’humain peut relâcher son attention jusqu’à ce que le système lui demande de reprendre la main. Le Drive Pilot de Mercedes a été le premier système homologué à ce niveau pour le grand public. La reprise en main — le fait de demander à un conducteur déconnecté de réagir soudainement — constitue l’aspect le plus délicat et controversé.
5. Niveau 4 — automatisation élevée. Le véhicule conduit entièrement seul, sans intervention humaine requise, mais uniquement dans une zone géographique prédéfinie (un périmètre urbain géo-délimité, par exemple). C’est le domaine d’exploitation de Waymo. Dans sa zone de service, il n’y a personne au volant. En dehors, le système ne fonctionne pas.
6. Niveau 5 — automatisation complète. Le véhicule est capable de rouler partout où un conducteur humain le ferait, en toutes circonstances, sans aucune restriction ni volant nécessaire. Ce niveau n’existe pas encore. Malgré dix ans de prédictions, aucun acteur n’est sur le point de le commercialiser.

Voici l’élément essentiel à retenir : presque tout ce qui est vendu au grand public sous l’étiquette « conduite autonome » relève du niveau 2, où vous restez le conducteur. Le fonctionnement réellement autonome sans chauffeur, au niveau 4, n’existe que dans des zones rigoureusement cartographiées et géo-délimitées. Quant au niveau 5, cette vision futuriste où une voiture roule partout sans aucune surveillance, il n’est pas pour demain. Une fois cette distinction posée, l’actualité sur les véhicules autonomes devient bien plus lisible.

Quel est le rôle de l’IA dans les véhicules autonomes ?

Pour mesurer l’importance de l’IA dans ce domaine, il est utile d’examiner ce qui l’a précédée. Pendant longtemps, l’automatisation automobile reposait sur des systèmes à base de règles : une logique déterministe écrite à la main de type « si ceci se produit, faire cela ». Ces systèmes présentent de réels atouts. Ils sont prévisibles et permettent d’expliquer précisément chaque décision, un point capital pour la sécurité et le débogage.

Cependant, les systèmes à base de règles butent sur une limite majeure en conduite : ils ne savent pas gérer les situations non anticipées par leurs concepteurs. Or, la circulation est faite d’imprévus permanents. Le monde réel offre une variété infinie de scénarios, et un système contraint par des règles préétablies défaille dès que la réalité sort du cadre. C’est tout l’inverse de ce qu’exige un environnement aussi dynamique et imprévisible que le réseau routier.

C’est ici que l’IA change la donne. Les algorithmes de machine learning, la vision par ordinateur et l’analyse prédictive permettent aux modèles d’apprendre à partir de données plutôt que de dépendre de règles rigides, et de s’adapter à des situations que leurs ingénieurs n’avaient pas programmées. Au lieu d’écrire une règle pour chaque cas de figure, on entraîne les modèles sur d’immenses volumes de données de conduite pour leur apprendre à généraliser face à des contextes inédits. Le système peut ainsi appréhender une diversité de situations réelles bien plus vaste que toute approche à base de règles.

Il existe toutefois un écueil, inhérent à l’ensemble du secteur : les cas les plus complexes — les « edge cases » — étant rares, les modèles exigent des volumes de données colossaux pour apprendre à les traiter. Les spécialistes parlent en milliards de kilomètres parcourus en conditions réelles, ce qui explique pourquoi les données synthétiques et la simulation occupent une place centrale. Impossible d’attendre de rencontrer chaque événement rare sur la route : on les génère donc artificiellement. Dans les véhicules modernes, l’IA assure trois rôles fondamentaux : permettre au véhicule de percevoir son environnement, prendre des décisions de conduite de manière anticipative et piloter les organes physiques du véhicule. Tout le reste découle de ces trois fonctions.

Comment l’IA pilote une voiture : le pipeline central

Derrière chaque système autonome, de l’assistance de niveau 2 aux robotaxis de niveau 4, tourne une même boucle fondamentale, répétée plusieurs fois par seconde : percevoir l’environnement, prédire les évolutions, planifier l’action et l’exécuter. Chaque étape mobilise des techniques d’IA distinctes et comporte ses propres défis techniques.

Perception : comment la voiture voit

La perception permet au véhicule de modéliser son environnement immédiat ; c’est l’étape qui dépend le plus de la vision par ordinateur et du deep learning. La voiture collecte des données brutes issues de multiples capteurs — caméras pour la richesse visuelle, radars pour la vitesse et la distance par tous les temps, lidars pour la géométrie 3D précise, capteurs à ultrasons pour la détection rapprochée — et les fusionne en un modèle cohérent de son environnement. Les réseaux de neurones profonds réalisent le gros du travail : identifier qu’un groupe de pixels correspond à un piéton, un autre à un cycliste, cette forme à un camion à l’arrêt ou ces lignes au marquage au sol. Il s’agit du même type de travail en vision par ordinateur et développement d’IA que celui utilisé pour la reconnaissance visuelle bien au-delà de l’automobile.

La grande divergence philosophique du secteur se situe précisément ici, dans la perception. Tesla a fait le pari du tout-caméra (vision-first), partant du principe que si les humains conduisent avec deux yeux, des caméras associées à des réseaux de neurones performants doivent suffire, qualifiant le lidar d’artifice coûteux. Waymo et la majorité des acteurs du robotaxi ont choisi l’approche inverse, estimant que la précision 3D du lidar est indispensable à la sécurité, du moins tant que les systèmes fondés uniquement sur la vision n’ont pas fait leurs preuves. Les deux technologies équipent des véhicules en circulation. La question de savoir laquelle prévaudra se tranche actuellement sur les routes ouvertes.

Localisation et cartographie : comment la voiture sait où elle se trouve

Savoir ce qui entoure le véhicule ne résout que la moitié de l’équation : la voiture doit aussi connaître sa position exacte, souvent à quelques centimètres près. Le GPS seul est loin d’offrir une telle précision. Les systèmes autonomes associent le GPS à des cartes haute définition préétablies et à la technologie SLAM (localisation et cartographie simultanées), qui permet de confronter les données temps réel des capteurs à une carte de référence pour verrouiller la position. C’est en partie pour cela que les robotaxis de niveau 4 sont géo-délimités : ils dépendent de cartes HD ultra-détaillées de leur zone de service, dont la création et la mise à jour exigent des efforts constants.

Prédiction : comment la voiture anticipe le comportement des autres

C’est sans doute la phase la plus complexe de la conduite, pour les machines comme pour les humains. Il ne suffit pas de repérer un piéton : le véhicule doit déterminer s’il s’apprête à traverser la chaussée. Il doit anticiper si la voiture sur la voie voisine dévie ou change réellement de file, si le cycliste maintiendra sa trajectoire ou si l’automobiliste à un carrefour va céder le passage ou s’engager. Prédire l’intention de chaque usager de la route, chacun ayant ses propres objectifs et son imprévisibilité, représente un défi considérable sur lequel se concentre une grande part de l’ingénierie actuelle.

Planification : comment la voiture décide d’agir

Une fois l’environnement analysé et son évolution anticipée, le véhicule doit décider de l’action à mener : quelle trajectoire adopter, quand accélérer, quand céder le passage, comment aborder un virage à gauche sans priorité ou s’insérer dans un trafic dense. Cette couche associe la planification de trajectoire à la prise de décision comportementale. Elle s’appuie de plus en plus sur l’apprentissage par renforcement et l’apprentissage par imitation, où la politique de conduite s’affine par essais-erreurs en simulation ou par l’analyse de volumes massifs de conduite humaine enregistrée. Ce sont les cas limites — négociations de passage, situations ambiguës non couvertes par le code de la route — qui rendent la planification particulièrement ardue.

Contrôle : comment la voiture exécute les décisions

La dernière étape est la plus mature et, en comparaison, la plus accessible : convertir le plan d’action en commandes physiques vers la direction, l’accélérateur et les freins. Transformer une décision (« changer de file en douceur vers la gauche ») en instructions précises pour les actionneurs relève de l’automatique classique. Dès lors qu’un véhicule perçoit, prédit et planifie de manière fiable, le contrôle constitue rarement le facteur bloquant.

Les technologies au cœur des voitures autonomes

Au-delà de la chaîne perception-contrôle, le fonctionnement d’un véhicule autonome repose sur plusieurs briques technologiques distinctes, ayant chacune développé son propre champ d’ingénierie. Les examiner permet de mieux comprendre ce que ces véhicules intègrent réellement.

Navigation et cartographie

La navigation consiste simplement à utiliser des cartes pour calculer un itinéraire d’un point A à un point B. Pourtant, les approches adoptées sont presque opposées. Certains systèmes se contentent de cartes très légères — connexions routières, sens uniques, autoroutes — et s’en remettent à la perception en temps réel pour le reste. D’autres exigent des cartes d’une précision chirurgicale, intégrant chaque voie, panneau et zone de travaux au centimètre près. Le compromis est évident : les cartes ultra-détaillées renforcent l’autonomie, mais leur création est coûteuse et leur maintenance permanente à mesure que l’environnement évolue — un aspect souvent sous-estimé. À l’inverse, des cartes allégées limitent les mises à jour et le recours au géorepérage. C’est la démarche explorée par le CSAIL du MIT avec MapLite, un système capable de circuler sur des routes de campagne avec un simple GPS et des cartes basiques, précisément pour s’affranchir de la lourde maintenance des cartes 3D annotées à la main.

Capteurs et fusion de données capteurs

La suite de capteurs constitue l’œil du véhicule sur le monde. Elle associe généralement caméras, LiDAR, radars et ultrasons, complétés par un GPS et une centrale inertielle. Pourquoi en combiner autant ? Parce que chacun compense les faiblesses des autres. Le radar traverse une tempête de neige nocturne qui aveuglerait caméras et LiDAR, avec certes moins de précision. Les caméras capturent les couleurs et les textures, mais peinent dès que la luminosité chute. Le LiDAR génère une géométrie 3D précise, mais son coût historique était élevé. Pour harmoniser l’ensemble, le véhicule utilise la fusion de capteurs : combiner les signaux, les recouper et combler les angles morts de chaque équipement. C’est là que se joue le grand débat technique du secteur : Tesla a opté pour le tout-vision avec huit caméras sans aucun LiDAR, tandis que Waymo et la plupart des constructeurs maintiennent le LiDAR au centre de leur architecture en profitant de la baisse de son coût.

Planification de trajectoire

La planification de trajectoire détermine la séquence exacte de manœuvres que le véhicule doit accomplir pour atteindre sa destination. Les méthodes s’échelonnent de la recherche sur graphe, idéale pour les décisions complexes comme le dépassement d’un autre véhicule, aux approches par optimisation qui appliquent des contraintes strictes pour prévenir toute collision. Sous le capot, des techniques comme la grille d’occupation et les algorithmes de couloir de circulation permettent au véhicule d’identifier et d’emprunter l’espace roulable dégagé, délimité par les marquages ou les glissières de sécurité. C’est la couche qui transforme une intention générale en une trajectoire concrète et sans risque de collision.

Surveillance du conducteur

Pour tout système en deçà de l’autonomie totale, suivre le conducteur est tout aussi essentiel que surveiller la route. Les systèmes de surveillance du conducteur évaluent l’attention et la vigilance au moyen de techniques telles que le suivi du regard ou l’obligation d’appliquer un couple sur le volant afin de prouver que les mains y sont réellement posées. L’objectif est de détecter l’écart dangereux entre un conducteur qui supervise en théorie et un autre qui a totalement décroché mentalement — un écueil particulièrement critique au niveau 3, où l’humain peut être invité à reprendre les commandes sans préavis.

Connectivité et mises à jour à distance

De plus en plus, ces véhicules communiquent — entre eux, avec l’infrastructure routière et avec le constructeur. Cette connexion apporte plusieurs atouts tangibles. Les voitures peuvent partager leurs observations sur le trafic et les obstacles. Par ailleurs, les logiciels peuvent être mis à jour à distance (OTA), ce qui permet de déployer correctifs et nouvelles fonctionnalités sans passage au garage. Les constructeurs peuvent même traiter les rappels de cette façon, des opérations qui exigeaient autrefois une visite physique chez un concessionnaire. Le revers de la médaille est que cette connectivité ouvre de véritables failles de sécurité, raison pour laquelle des organismes comme la CEE-ONU ont rédigé des règles dédiées à la gestion des mises à jour logicielles. Pour le dire simplement : la connectivité démultiplie l’efficacité opérationnelle de ces véhicules, et elle explique aussi en grande partie pourquoi la cybersécurité n’est plus un sujet secondaire, mais une exigence prise en compte par les ingénieurs dès la conception.

Les technologies d’IA qui rendent cela possible

Plusieurs méthodes d’IA distinctes s’articulent pour concrétiser la conduite autonome, et leur combinaison évolue de manière très intéressante.

Les réseaux de neurones profonds et la vision par ordinateur forment le socle de la perception. La capacité d’identifier de manière fiable les objets, les voies, les panneaux et les dangers à partir des données des capteurs est ce qui a rendu possible l’autonomie moderne, en s’appuyant sur les mêmes avancées du deep learning qui ont transformé le machine learning dans tous les domaines au cours de la dernière décennie.

Les algorithmes de fusion de capteurs combinent les atouts des caméras, radars, lidars et capteurs à ultrasons en un modèle fiable de l’environnement. Chaque type de capteur présente des limites — les caméras peinent par faible luminosité, le radar reste imprécis, le lidar est coûteux et vulnérable aux intempéries — et la fusion permet au système de compenser les faiblesses individuelles de chaque capteur.

L’apprentissage par renforcement et l’apprentissage par imitation façonnent de plus en plus la politique de conduite — c’est-à-dire la prise de décision sur le comportement à adopter. Plutôt que de coder des règles à la main pour chaque situation, les ingénieurs entraînent les systèmes à acquérir une bonne conduite par l’expérience, qu’elle provienne de la simulation ou de trajets humains enregistrés.

L’évolution vers des réseaux de neurones de bout en bout constitue le changement d’architecture récent le plus marquant. L’approche traditionnelle enchaînait des modules distincts pour la perception, la prédiction et la planification. Les systèmes plus récents, y compris la refonte FSD v12 de Tesla et l’approche retenue par des entreprises comme Wayve, intègrent une plus grande part du pipeline au sein d’un unique grand réseau de neurones qui apprend à faire le lien plus directement entre les signaux des capteurs et les actions de conduite. C’est un pari majeur sur les comportements appris au détriment des règles conçues manuellement.

La simulation et les données synthétiques permettent d’entraîner ces systèmes en toute sécurité. Il serait impossible — et dangereux — de rencontrer chaque cas rare sur les routes réelles ; les entreprises parcourent donc des milliards de kilomètres virtuels en simulation, générant délibérément ces cas limites atypiques (un canapé au milieu de l’autoroute, un piéton déguisé) qu’une voiture pourrait ne croiser qu’une fois par décennie de conduite réelle, mais qu’elle doit néanmoins savoir gérer correctement.

L’Edge AI et le calcul embarqué représentent la nécessité technique incontournable sous-jacente. Tous ces traitements doivent s’effectuer en temps réel, dans le véhicule, sans attendre de réponse d’un serveur distant. C’est la raison pour laquelle les véhicules autonomes embarquent ce qui s’apparente à un véritable supercalculateur, et pourquoi une IA embarquée efficiente est tout aussi indispensable à l’autonomie que les algorithmes eux-mêmes.

Ce qui est réellement déployé en 2026

Oubliez le marketing un instant : voici où en sont vraiment les choses, et qui fait quoi concrètement.

Commençons par Waymo, le leader incontesté du niveau 4. Des robotaxis sans chauffeur, plusieurs métropoles américaines, des millions d’utilisateurs payants, personne au volant — et l’entreprise a publié des données de sécurité démontrant que ses voitures provoquent nettement moins d’accidents corporels que les conducteurs humains sur les mêmes distances. Vous vouliez une preuve que la conduite sans chauffeur fonctionne réellement dans une zone cartographiée ? La voici.

Regardez maintenant du côté de la Chine. Apollo Go de Baidu exploite l’un des plus grands parcs de robotaxis au monde, à travers plusieurs villes, à une échelle comparable ou supérieure aux programmes américains. Les autorités de régulation ont accepté d’autoriser des tests à grande échelle, et les résultats sont là.

Qu’en est-il de Tesla ? Le FSD est de loin le système d’aide à la conduite le plus largement déployé, présent dans des millions de véhicules particuliers. Mais voici la nuance fondamentale à garder en tête : il s’agit toujours d’un niveau 2, et vous devez rester attentif. Ce que toutes ces voitures apportent à Tesla, c’est un avantage en matière de données qu’aucun concurrent ne peut égaler, lui permettant de progresser vers une autonomie accrue. À quel point en est-il réellement ? C’est l’une des questions les plus débattues dans tout le secteur.

Avez-vous déjà entendu parler d’une voiture qui vous autorise légalement à quitter la route des yeux ? C’est le Drive Pilot de Mercedes — l’un des premiers systèmes de niveau 3 homologués pour les particuliers, permettant une véritable conduite sans les mains ni les yeux sur la route, mais dans un cadre très strict (certaines autoroutes, en deçà d’une vitesse définie). Limité, certes. Mais l’étape franchie est historique : c’est le moment où le constructeur, et non vous, assume la responsabilité lorsque le système fonctionne.

Zoox, filiale d’Amazon, a choisi une voie différente. Plutôt que de rétrofiter une voiture classique, elle a conçu de toutes pièces un robotaxi totalement dépourvu de volant, pensé pour l’autonomie dès le départ, et s’oriente désormais vers des trajets ouverts au public. Le pari ? Un véhicule conçu dès le premier jour autour de l’autonomie surpasse un modèle adapté d’une voiture pensée pour un conducteur humain.

Et puis il y a Cruise — l’histoire que tout le secteur cite aujourd’hui comme une mise en garde. Autrefois pionnière, soutenue par GM, que s’est-il passé ? Un grave accident avec un piéton, suivi d’une gestion maladroite auprès des régulateurs qui a durablement entamé sa crédibilité. La leçon ne porte pas vraiment sur la technologie. Elle montre que la confiance — du public comme des régulateurs — est fragile, et qu’une fois perdue, votre programme peut s’éteindre quelle que soit l’excellence technique.

Voici une tendance souvent sous-estimée : le transport routier autonome de marchandises pourrait s’avérer l’opportunité la plus prometteuse à court terme. Aurora et Kodiak se sont concentrés sur les poids lourds sur autoroute, et de solides arguments suggèrent que le transport longue distance sur autoroute atteindra une échelle commerciale viable bien avant les robotaxis urbains — le problème y est plus prévisible que la circulation en centre-ville, et l’intérêt économique est colossal.

Et derrière tout le bruit autour des robotaxis ? L’aide à la conduite de niveau 2 est déjà omniprésente. Régulateur adaptatif, freinage automatique d’urgence, maintien dans la voie, surveillance des angles morts — ces équipements équipent désormais des voitures ordinaires à tous les niveaux de prix. Il est fort probable que vous conduisiez déjà avec une véritable assistance d’IA à vos côtés, que vous la nommiez ainsi ou non.

L’IA dans les robotaxis

Les robotaxis incarnent le visage le plus visible de la conduite autonome, et monter à bord est passé de la curiosité à la routine dans des villes comme San Francisco, Phoenix et Pékin. Alors que de nombreux programmes restent en phase d’expérimentation, certains sont entrés dans une véritable exploitation commerciale publique — les habitants de Wuhan et de Pékin utilisent déjà Apollo Go de Baidu comme moyen de transport quotidien depuis l’obtention des permis d’exploitation, l’entreprise augmentant la taille de sa flotte à un rythme soutenu.

Sur le plan technique, un robotaxi est une démonstration roulante de tout ce qui a été abordé plus haut, orchestrée sous forme de service. Des caméras et des capteurs permettent à l’IA embarquée de reconstituer une vue panoramique à 360 degrés de l’environnement du véhicule. L’unité de calcul embarquée planifie ensuite la trajectoire, évite les collisions, prédit le comportement des autres usagers et guide le véhicule dans les rues de la ville — le tout sans chauffeur. La différence entre un robotaxi et un système d’aide à la conduite grand public ne tient pas seulement aux fonctionnalités ; elle réside dans le fait que le robotaxi ne dispose d’aucun relais humain à bord, ce qui élève considérablement le niveau d’exigence en matière de fiabilité.

Les approches matérielles et logicielles varient. Certaines entreprises ont développé leurs propres moteurs neuronaux pour équiper leurs robotaxis ; d’autres s’appuient sur des plateformes d’IA tierces, NVIDIA étant un fournisseur courant de solutions de calcul de bout en bout convertissant les données des capteurs et des caméras en décisions de conduite. Une nouveauté remarquable réside dans l’intégration de l’IA générative dans l’expérience passager : des plateformes de calcul centralisées capables d’exécuter des modèles génératifs, associées au traitement du langage naturel, commencent à doter les robotaxis d’une véritable personnalité conversationnelle capable d’échanger avec les passagers, de fournir des recommandations en temps réel et de les assister tout au long du trajet. La voiture ne se contente plus de vous conduire ; elle peut désormais dialoguer avec vous sur votre itinéraire.

L’IA dans les transports publics autonomes de masse

Les taxis retiennent l’attention médiatique, mais une part essentielle du travail concret s’effectue dans les transports collectifs. L’IA y fait ses preuves discrètement depuis des années, bien avant que le moindre véhicule ne devienne autonome — en fluidifiant la gestion du trafic, en optimisant les itinéraires et en fiabilisant les horaires. La vraie nouveauté réside dans le fait que les véhicules eux-mêmes commencent à conduire. La technologie en est encore à ses débuts, mais nous pensons que les transports en commun constituent le premier terrain d’adoption à grande échelle : une boucle sur un campus, une navette d’aéroport ou une ligne fixe en centre-ville posent un défi bien plus maîtrisable que de lâcher un véhicule sur le réseau routier ouvert.

Le robobus en est l’exemple le plus parlant. Ces véhicules embarquent leur propre ensemble de caméras et de capteurs, avec une IA locale qui gère l’ensemble de la mission — trouver son chemin, accoster proprement à un arrêt, réguler sa consommation d’énergie et réagir aux événements extérieurs. En intégrant la communication V2X (véhicule-à-tout), un groupe de navettes peut se coordonner en flotte et interpréter son environnement plus intelligemment. C’est là que se situe le terrain idéal pour l’autonomie actuelle : un environnement contrôlé, précisément cartographié et fortement instrumenté. Une ligne de bus qui parcourt le même itinéraire de manière répétée est bien plus simple à automatiser que la complexité improvisée d’une voiture naviguant dans une ville inconnue.

WeRide et Pix Moving figurent parmi les acteurs qui déploient réellement sur le terrain, au-delà des seuls tests. En plus de ses expérimentations sur route ouverte dans des zones dédiées à Pékin, WeRide a mis en service un robobus au Resorts World Sentosa à Singapour — sur un itinéraire fixe, avec de vrais usagers qui montent et descendent le long du parcours. Il s’agit certes de déploiements ciblés, sans aucun doute. Mais ils esquissent un avenir particulièrement convaincant : des navettes autonomes assurant sereinement des liaisons régulières définies, des années avant que la voiture particulière totalement autonome ne fasse son apparition dans votre allée.

Avantages de l’IA dans les véhicules autonomes

Face aux défis réels qui se posent, les bénéfices potentiels des véhicules autonomes sont considérables, et ils expliquent pourquoi tant de capitaux et de talents continuent d’affluer vers ce domaine malgré les aléas.

Une sécurité routière renforcée

Le principal argument en faveur des véhicules autonomes est la sécurité. L’erreur humaine — fatigue, distraction, alcoolémie, simple inattention — est à l’origine de la grande majorité des accidents de la route. Un système d’IA ne ressent pas la fatigue, ne consulte pas son téléphone et ne conduit pas en état d’ébriété. Grâce à ses capacités d’adaptation, à une attention visuelle permanente et à la détection de proximité, un système autonome peut en principe déjouer bon nombre des situations dangereuses provoquées par les défaillances humaines. C’est l’avantage qui, pleinement concrétisé, aura le plus d’impact.

Une mobilité et une accessibilité accrues

Les véhicules autonomes ont le pouvoir de transformer la mobilité pour les personnes dans l’incapacité de conduire — les personnes âgées, les personnes en situation de handicap ou atteintes de pathologies incompatibles avec la conduite. À l’aide de la reconnaissance vocale ou d’une simple application, un véhicule autonome pourrait conduire ces passagers à destination en toute sécurité, leur redonnant ainsi une autonomie dont le système de transport actuel les prive souvent. Les robotaxis partagés pourraient également rendre la mobilité à la demande plus abordable qu’aujourd’hui.

Réduction des embouteillages et des émissions

L’IA peut calculer dynamiquement les itinéraires afin d’éviter les bouchons et gérer les accélérations comme les freinages de façon bien plus fluide et efficiente que la plupart des conducteurs humains, ce qui réduit la consommation de carburant et les émissions. À grande échelle, la coordination des véhicules autonomes pourrait atténuer les phases d’accordéon qui gaspillent une énergie et un temps considérables, avec des retombées environnementales tangibles issues de ces gains d’efficacité.

Une gestion du trafic plus intelligente

Les véhicules équipés de frameworks V2X peuvent communiquer entre eux et avec les infrastructures pour élaborer une vue partagée des conditions de circulation. Ces informations viennent alimenter la planification des itinéraires et l’évitement des ralentissements, ouvrant la voie à des systèmes de gestion du trafic bien plus fluides que les feux tricolores fixes et les conjectures humaines d’aujourd’hui. Ce bénéfice s’accroît à mesure que le nombre de véhicules connectés progresse.

Les défis complexes qui freinent la pleine autonomie

Si le niveau 4 est opérationnel aujourd’hui, pourquoi ne s’est-il pas généralisé ? Parce que le fossé entre « fonctionner sous supervision dans une ville cartographiée et délimitée » et « circuler partout où un humain peut conduire » est jalonné de difficultés majeures, encore largement non résolues.

La longue traîne des cas limites. Un véhicule sait gérer relativement bien les 99 % de situations courantes rencontrées sur la route. C’est le 1 % restant — cette infinie variété de situations atypiques rarissimes — qui s’avère redoutable. Un chevreuil qui surgit, un agent de la circulation aux signaux contradictoires, un matelas tombé d’un camion, un passage sous voie inondé. Il existe une infinité de cas imprévus, et une voiture réellement autonome se doit de tous les gérer en toute sécurité. Traiter cette longue traîne constitue le défi central de tout le secteur.

Les conditions météorologiques défavorables. Fortes pluies, neige, brouillard et éblouissements détériorent les performances des capteurs indispensables aux systèmes autonomes. Le lidar perd en efficacité sous de fortes précipitations ; les caméras peinent en basse luminosité ou face aux reflets ; la neige peut masquer le marquage au sol et les repères visuels sur lesquels s’appuie la navigation. Développer une autonomie tout temps fiable s’avère nettement plus exigeant qu’en conditions clémentes, ce qui explique en partie pourquoi plusieurs expérimentations ont débuté dans des villes sèches et ensoleillées.

L’imprévisibilité des comportements humains. L’élément le plus complexe sur la route reste l’être humain — piétons traversant hors des passages, conducteurs agressifs, cyclistes franchissant les stops, sans oublier les subtils contacts visuels et signaux manuels utilisés pour négocier la priorité. Les machines apprennent encore à décrypter cette chorégraphie sociale improvisée de la circulation routière, et les humains restent d’une imprévisibilité totale.

Le dilemme de la reprise en main. Le compromis du niveau 3 s’avère particulièrement délicat, car il exige d’un humain distrait de reprendre instantanément les commandes, parfois avec seulement quelques secondes d’avertissement. Un conducteur qui vient de visionner un film pendant une heure n’est guère préparé à réagir à une urgence en une fraction de seconde. Concevoir une transition réellement sécurisée relève autant des facteurs humains que d’un défi purement technique.

Vérification et validation. Comment prouver formellement qu’un système de conduite autonome est suffisamment sûr pour être déployé ? Il est impossible de tester chaque cas de figure envisageable. Démontrer statistiquement qu’un système surpasse l’humain en sécurité face à l’immense diversité des scénarios de conduite demeure un problème méthodologique non résolu, et autorités comme constructeurs continuent de définir ce qu’implique un niveau de sécurité « suffisant » en termes mesurables.

Éthique et responsabilité. Lorsqu’une voiture autonome est impliquée dans un accident, qui est responsable : le constructeur, l’éditeur du logiciel, le propriétaire ? Les cadres juridiques peinent encore à s’adapter. Et les cas éthiques particulièrement ardus, bien que rares, soulèvent des questions auxquelles l’ingénierie ne saurait apporter de réponse évidente.

Le coût à grande échelle. Les capteurs et la puissance de calcul nécessaires au fonctionnement d’un robotaxi restent onéreux. Réduire suffisamment le coût du lidar, des caméras et des supercalculateurs embarqués pour intégrer une capacité de niveau 4 dans une voiture grand public abordable, à grande échelle, constitue un défi de taille, même si les prix baissent d’année en année.

Aucun de ces obstacles n’est insurmontable. Ensemble, ils expliquent pourtant pourquoi la réponse honnête à la question « quand les voitures conduiront-elles partout en toute autonomie ? » reste : « plus tard que ce que promettent les plus optimistes ».

Sécurité : le bilan des incidents en conditions réelles

Une analyse lucide de la sécurité de la conduite autonome doit intégrer les incidents aux côtés des statistiques favorables : l’histoire des véhicules autonomes comprend de véritables collisions et des accidents mortels qui ont façonné à la fois la technologie et son cadre réglementaire.

Certaines étapes restent douloureuses à rappeler. Le premier décès connu impliquant une voiture en mode autonome est survenu début 2016, lorsqu’une Tesla sous Autopilot n’a pas freiné face à une semi-remorque traversant une autoroute bien éclairée. Tesla a souligné qu’il s’agissait de sa première collision mortelle sous Autopilot après plus de 130 millions de miles parcourus, et un rapport ultérieur du National Transportation Safety Board (NTSB) a même constaté que le taux d’accidents des véhicules Tesla avait baissé après l’introduction d’Autopilot. Rien de tout cela ne change le fait qu’une personne a perdu la vie et que cet accident a rendu les limites de la technologie impossibles à ignorer. Deux ans plus tard, en mars 2018, une voiture autonome a mortellement fauché un piéton pour la première fois : une femme traversant une route en Arizona, heurtée par un véhicule testé par l’Advanced Technologies Group d’Uber. Un conducteur de sécurité était au volant, mais le rapport final du NTSB a conclu à une distraction de sa part. L’organisme a également mis en cause la « culture de sécurité défaillante » d’Uber et demandé aux régulateurs d’intervenir avant tout nouveau déploiement de véhicules tests sur la voie publique.

L’analyse des données d’accidents se révèle très instructive. La National Highway Traffic Safety Administration (NHTSA) américaine a imposé la déclaration obligatoire des incidents aux constructeurs de véhicules autonomes dès 2021 : les données cumulées se chiffrent en milliers d’incidents, qu’il s’agisse de systèmes totalement autonomes ou d’aide à la conduite — les véhicules Tesla, déployés à une échelle incomparablement plus large, en représentant la majorité. Plusieurs cas parmi les plus graves, notamment des collisions mortelles impliquant le système mains libres BlueCruise de Ford, mettent en lumière une tendance commune et révélatrice : la combinaison d’une automatisation partielle et d’un conducteur humain qui lui a accordé une confiance excessive jusqu’à relâcher son attention. Cette alliance — une automatisation performante mais limitée face à un conducteur déconcentré — représente l’un des modes de défaillance les plus critiques du secteur, expliquant pourquoi la reprise en main au niveau 3 est prise aussi au sérieux.

Précisons ce que ces constats signifient et ce qu’ils ne signifient pas. Ils n’indiquent pas que la technologie s’avère globalement dangereuse. Ils démontrent que le bilan de sécurité reste contrasté et encore en cours d’écriture — et que prétendre que les voitures autonomes sont déjà infaillibles, ou à l’inverse singulièrement mortelles, revient à simplifier à outrance une réalité bien plus complexe.

L’IA conduit-elle vraiment mieux qu’un être humain ?

C’est sans doute la question que vous vous posez le plus — voici donc une réponse franche plutôt qu’un argument commercial. Lorsque les données existent, elles s’avèrent prudemment encourageantes, en insistant sur le terme prudemment. Waymo a publié des chiffres démontrant que ses véhicules subissent nettement moins d’accidents corporels que les conducteurs humains à kilométrage comparable, et les analystes indépendants ayant examiné ces résultats ont globalement confirmé cette tendance. Il ne s’agit d’ailleurs pas d’un simple bilan auto-évalué : des autorités comme la NHTSA suivent ces incidents de près et en publient les conclusions.

Mais que signifie réellement « plus sûr » dans ce contexte ? C’est ici qu’il convient de nuancer. Pour l’heure, cela signifie plus sûr à l’intérieur d’un domaine de fonctionnement précis — des zones cartographiées, géolimitées et par conditions météorologiques globalement clémentes —, et non plus sûr partout, en toutes circonstances. Une vaste méta-analyse parue en 2024 dans Nature Communications a passé en revue des milliers de déclarations de sinistres des deux côtés : elle a conclu que les véhicules autonomes étaient plus sûrs dans la majorité des situations, et nettement plus protecteurs pour les piétons. Sont-ils pour autant systématiquement supérieurs ? Pas tout à fait : la même étude a relevé de vraies faiblesses, révélant que les voitures autonomes subissaient plus d’accidents à l’aube et au crépuscule et géraient moins bien que les humains certaines transitions de faible luminosité. Comparer les deux de manière équitable reste délicat, car les kilomètres parcourus ne sont pas identiques et chaque acteur comptabilise les incidents différemment. N’oublions pas non plus le facteur humain : nous plaçons la barre bien plus haut pour les machines que pour les conducteurs, à juste titre — un accident impliquant un véhicule autonome suscite bien plus d’attention que les milliers de collisions humaines quotidiennes. Des organismes comme l’Institute for Human-Centered AI de Stanford ont détaillé aussi bien les progrès réels que les lacunes persistantes.

Qu’en déduire concrètement ? Qu’il existe une exigence équitable pour évaluer ces systèmes. Il n’a jamais été question de perfection absolue — aucun conducteur, humain ou algorithme, ne l’atteint. Le véritable critère est d’être nettement et manifestement plus sûr qu’un être humain, et dans leurs zones de déploiement, les meilleurs systèmes semblent y parvenir. Ce qui reste à accomplir, c’est d’étendre cette fiabilité à toutes les conditions et sur tous les trajets — une exigence bien plus complexe. Car malgré toutes nos erreurs au volant, le conducteur humain constitue une référence remarquablement difficile à dépasser dès que l’on englobe toute l’imprévisibilité de la conduite réelle.

Réglementation des voitures autonomes

Le cadre juridique s’efforce de rattraper l’évolution des véhicules autonomes depuis leur apparition sur la voie publique, dessinant une mosaïque réglementaire très disparate selon les juridictions. Comprendre ces règles est essentiel, car la réglementation détermine où et à quel rythme cette technologie peut réellement se déployer.

Les États-Unis ont ouvert la voie au niveau des États. Le Nevada est devenu la première juridiction au monde à légiférer sur la conduite autonome en 2011, suivi par de nombreux États américains qui ont fixé leurs propres règles, créant une carte morcelée où ce qui est autorisé dans un État peut être restreint dans l’État voisin. Le Royaume-Uni a mis en place un encadrement des essais en 2013, la France en 2015. Même des traités internationaux historiques ont dû évoluer : la convention de Genève sur la circulation routière, qui partait du principe qu’un humain garde en permanence le contrôle complet d’un véhicule, a été amendée en 2016 pour intégrer les fonctionnalités automatisées.

À l’échelle internationale, une instance de l’ONU appelée WP.29 a élaboré dès 2018, par l’intermédiaire de son groupe sur les véhicules automatisés et connectés, des réglementations précises régissant la dynamique du véhicule, les systèmes d’aide à la conduite, la conduite automatisée et la cybersécurité. Les niveaux de l’SAE sont devenus le vocabulaire de référence commun de ces normes dans la majorité des pays, ce qui explique pourquoi bien nommer ces niveaux dépasse la simple rigueur de forme : ils sont inscrits dans la loi. Le règlement général sur la sécurité de l’Union européenne est entré en vigueur pour les véhicules neufs en 2022, le Japon adoptant le même cadre de la CEE-ONU, tandis que la Chine a développé son propre dispositif réglementaire et sécuritaire pour les données des véhicules intelligents.

Deux enjeux majeurs traversent l’ensemble de cette réglementation. Le premier concerne la responsabilité : le droit actuel cherche encore à déterminer qui est responsable lorsqu’un véhicule autonome cause des dommages — le passager, le propriétaire, le constructeur ou l’éditeur du système de conduite —, l’apprentissage continu de l’IA rendant la question bien plus complexe que pour un produit classique. Le second concerne la transparence marketing. Les régulateurs de plusieurs pays s’opposent fermement aux dénominations commerciales qui survendent les capacités réelles d’un système : ils contestent les appellations suggérant une autonomie complète là où il ne s’agit que d’aide à la conduite, certaines juridictions allant jusqu’à sanctionner sévèrement la publicité trompeuse sur la conduite autonome. La question de terminologie soulevée au début de cet article n’est donc pas une simple source de confusion pour les usagers : c’est un véritable front réglementaire.

Comment l’IA embarquée s’articule avec l’ensemble de la stack technique

Voici un constat pratique pour les entreprises attentives à ce secteur. Développer une stack logicielle complète de conduite autonome est réservé à une poignée d’entreprises exceptionnellement bien capitalisées : ce n’est pas un projet réaliste pour la plupart des organisations. En revanche, l’essor des véhicules autonomes stimule la demande pour tout un éventail de briques d’IA connexes que bien plus d’entreprises peuvent concevoir, exploiter et rentabiliser.

Les systèmes de vision par ordinateur dédiés à la détection d’objets, au contrôle qualité et à la surveillance visuelle s’appliquent à l’industrie manufacturière, à la logistique, à la sécurité, au commerce de détail et à des dizaines d’autres secteurs, en s’appuyant sur les mêmes méthodes fondamentales que la vision automobile. L’Edge AI et l’intégration de capteurs IoT — exécuter l’IA efficacement sur l’équipement et fusionner les données multi-capteurs en temps réel — correspondent précisément aux compétences recherchées pour les produits connectés et les infrastructures intelligentes. De même, les environnements de simulation et les pipelines de données synthétiques servant à entraîner les modèles de conduite offrent une valeur précieuse dès lors que les données réelles sont rares ou coûteuses à collecter.

La gestion de flotte, la télématique, la maintenance prédictive et les infrastructures de données nécessaires aux acteurs de la mobilité représentent des défis logiciels dont l’importance grandit avec l’avènement des véhicules autonomes. Tous sont parfaitement à la portée d’un partenaire spécialisé en développement d’IA. Si les véhicules captent l’attention médiatique, c’est bien l’écosystème logiciel de perception, de capteurs et de traitement de données qui ouvre des opportunités concrètes à un bien plus grand nombre d’entreprises.

L’expertise en IA automobile de 22 Software se positionne précisément sur ce créneau connexe : la vision par ordinateur, le machine learning, les données de capteurs et d’IoT, ainsi que les solutions d’IA qui accompagnent les véhicules connectés et automatisés, plutôt que sur la stack de conduite entièrement autonome elle-même.

Les prochaines évolutions de l’IA dans les voitures autonomes

Plusieurs grandes tendances se dessinent pour les années à venir dans la conduite autonome.

Les réseaux de neurones de bout en bout s’imposent comme l’architecture dominante. L’évolution des pipelines modulaires conçus manuellement vers de grands réseaux de neurones apprenant directement la conduite devrait se poursuivre, selon la même dynamique qui a transformé d’autres domaines de l’IA.

Les modèles vision-langage-action commencent à intégrer un raisonnement inspiré des LLM à la conduite. Un courant de recherche émergent applique les capacités de raisonnement des grands modèles de langage aux véhicules autonomes, visant des systèmes capables de mieux appréhender des situations inédites en raisonnant avec souplesse plutôt qu’en se limitant aux schémas rencontrés lors de l’apprentissage.

Les services de robotaxis se déploient ville par ville. À court terme, la trajectoire réaliste ne passe pas par un basculement soudain vers une autonomie universelle, mais par l’élargissement progressif et maîtrisé des zones géolimitées où circulent les véhicules de niveau 4, ville par ville, après validation minutieuse.

Le transport de fret autonome sur autoroute devrait atteindre une échelle commerciale avant le déploiement généralisé des robotaxis urbains, porté par la prévisibilité relative des autoroutes et par l’intérêt économique majeur du transport longue distance.

Les technologies de perception et de capteurs conçues pour l’automobile convergent avec la robotique au sens large. Les avancées en matière de vision, de fusion de capteurs et de prise de décision en temps réel développées pour les véhicules autonomes alimentent directement les robots d’entrepôt, les robots de livraison, les drones et la robotique humanoïde, conférant à la recherche sur l’autonomie une utilité bien au-delà de l’automobile.

Les cadres réglementaires mûrissent, mais de façon inégale. Les différents pays et même les différents États américains adoptent des approches très divergentes pour autoriser les véhicules autonomes : cette diversité réglementaire continuera de déterminer où la technologie progressera le plus rapidement au cours des prochaines années.

L’accès au niveau 5 reste un horizon lointain. La voiture totalement autonome, capable de rouler partout sans volant et qui a tant marqué l’imaginaire collectif, n’arrivera peut-être pas avant une décennie ou davantage, si tant est qu’elle voie le jour sous cette forme. L’avenir le plus probable à court terme prendra la forme d’un réseau croissant de zones de niveau 4 et d’une assistance de niveau 2 et 3 toujours plus aboutie, plutôt que l’avènement soudain d’une autonomie totale partout.

En résumé

L’IA dans les voitures autonomes est une réalité tangible, remarquable et déjà en production aujourd’hui — mais uniquement dans les limites strictes de ce qu’elle sait gérer. Les robotaxis sans conducteur de Waymo démontrent que l’autonomie de niveau 4 fonctionne dans une zone cartographiée et géolimitée. Des millions de systèmes de niveau 2 prouvent que l’assistance par IA rend la conduite ordinaire plus sûre et plus confortable. Et le fossé immense entre ces deux réalités, conjugué aux difficultés persistantes des cas rares, des intempéries, du comportement humain imprévisible et de la validation de sécurité, explique pourquoi une autonomie complète généralisée reste bien plus lointaine que ne le laissent croire les titres de presse.

La technologie est passée de la science-fiction à la réalité concrète sur nos routes, ce qui constitue une véritable réussite. Mais la « conduite autonome » est un continuum, pas un simple interrupteur : situer avec précision chaque système sur cette échelle fait toute la différence entre un regard éclairé et un discours promotionnel. Le constat lucide en 2026 est que la conduite autonome est à la fois plus réelle que ce qu’admettent les sceptiques et moins aboutie que ce que prétendent ses partisans.

Pour les entreprises, l’opportunité pratique réside moins dans le développement de la stack de conduite que dans les capacités d’IA requises par l’ère autonome — vision par ordinateur, edge AI, IoT et systèmes de données de capteurs, ainsi que l’infrastructure logicielle liée aux véhicules connectés et automatisés. Si vous travaillez sur un projet dans ce domaine connexe, contactez notre équipe. Nous développons des systèmes d’IA, de machine learning et de vision par ordinateur pour la production, et nous pouvons vous aider à définir ce qui est concrètement réalisable pour votre cas d’usage.