Une voiture autonome, également appelée véhicule autonome, est un véhicule routier équipé de capteurs, de calcul et de logiciels qui lui permettent de percevoir son environnement et de contrôler la direction, l'accélération et le freinage avec une intervention humaine réduite ou éliminée. La Society of Automotive Engineers définit six niveaux d'automatisation de la conduite, du niveau 0, sans automatisation, au niveau 2, avec automatisation partielle nécessitant une supervision constante du conducteur, jusqu'au niveau 5, avec automatisation totale dans toutes les conditions sans conducteur humain ; au milieu des années 2020, aucun système déployé commercialement n'avait atteint de manière fiable le niveau 5, et la plupart des systèmes disponibles publiquement fonctionnaient au niveau 2 ou, dans des zones géolocalisées limitées, au niveau 4.
De la DARPA au déploiement commercial
La recherche moderne sur la conduite autonome remonte au DARPA Grand Challenge, une série de courses pour véhicules autonomes à travers un terrain désertique organisée par la DARPA en 2004 et 2005, après qu'aucune équipe n'ait terminé le premier parcours ; le vainqueur de 2005, Stanley de Stanford, dirigé par Sebastian Thrun, et le défi urbain de 2007 qui a suivi ont contribué à former les talents et la base technologique de l'industrie moderne. Google a lancé son projet de voiture autonome en 2009 sous la direction de Thrun, qui a été scindé en Google DeepMind et la société sœur Waymo en 2016. Waymo est devenue la première entreprise à exploiter un service commercial de robotaxi sans conducteur, sans conducteur de sécurité humain, lancé à Phoenix, en Arizona, en 2020, puis étendu à San Francisco, Los Angeles et d'autres villes américaines. Cruise, soutenu par General Motors, a exploité un service de robotaxi concurrent jusqu'à ce qu'un incident de traînement de piéton à San Francisco en 2023 entraîne une suspension nationale de sa flotte et des changements majeurs de direction et de stratégie.
L'approche de Tesla
Tesla, sous la direction d'Elon Musk, a suivi une voie technique différente, s'appuyant sur la Computer vision basée sur des caméras plutôt que sur les capteurs lidar utilisés par Waymo et la plupart des autres développeurs, et déployant progressivement ses fonctionnalités d'assistance à la conduite, commercialisées sous les noms Autopilot et Full Self-Driving, sur les véhicules de consommation plutôt que de restreindre la technologie à une petite flotte de robotaxis géolocalisés. Malgré la marque « Full Self-Driving », le système a nécessité une supervision active du conducteur tout au long de son déploiement public et reste classé comme une automatisation de niveau 2 ; cette approche et son marketing ont attiré un examen réglementaire, y compris des enquêtes de la National Highway Traffic Safety Administration américaine sur des accidents impliquant cette fonctionnalité.
Approche technique
Les systèmes de conduite autonome combinent généralement plusieurs types de capteurs, caméras, radar et, dans la plupart des approches autres que celle de Tesla, lidar, fusionnés par un logiciel de perception basé sur la vision par ordinateur et, de plus en plus, sur des modèles appris de Neural network plutôt que sur des règles purement codées à la main. Les couches de planification de trajectoire et de contrôle traduisent ensuite l'environnement perçu en décisions de conduite, les systèmes récents utilisant de plus en plus des modèles appris de bout en bout qui mappent plus directement les entrées des capteurs aux actions de conduite, une approche conceptuellement liée à la poussée plus large vers un contrôle appris, plutôt que conçu à la main, dans la Robotics.
Le problème de la longue traîne
L'obstacle technique central à l'autonomie complète est souvent décrit comme la longue traîne : la grande majorité des situations de conduite sont routinières et déjà gérées de manière fiable, mais un petit ensemble, effectivement illimité, de cas limites rares, marquages routiers inhabituels, conducteurs erratiques, comportements imprévisibles des piétons ou conditions météorologiques inconnues, continue de provoquer des défaillances, et couvrir suffisamment de cette traîne pour égaler ou dépasser la sécurité humaine dans toutes les conditions s'est avéré bien plus difficile que les premières prédictions de l'industrie des années 2010 ne l'avaient anticipé. Cet écart entre la capacité démontrée dans des conditions courantes et la robustesse dans des cas rares reflète des défis de fiabilité similaires observés dans d'autres domaines de l'IA, y compris la Hallucination (AI) dans les systèmes de Large language model, et a repoussé à plusieurs reprises les délais de déploiement complet du niveau 5 dans toute l'industrie.