Lors d’une intervention donnée dans le cadre d’un événement technologique en ligne, Rémy Agier, ingénieur et docteur en intelligence artificielle, cofondateur de Visual Behaviour, livre une analyse approfondie des défis majeurs de la robotique et des véhicules autonomes.
À travers un survol historique, technique et stratégique, il remet en question les idées reçues sur la conduite automatisée. Son exposé éclaire le passage progressif de simples automatismes industriels vers ce qu’il nomme la grande autonomie, tout en exposant les limites des méthodologies actuelles.
Ce qu’il faut retenir
- L’autonomie n’est pas un simple problème d’action mais un immense défi d’observation, où la perception et la compréhension d’un environnement dynamique priment sur les commandes physiques du véhicule.
- La recette magique historique associant capteurs LiDAR et apprentissage profond touche à un plafond de verre, incapable d’absorber la multiplicité des situations rares imprévisibles sur la route.
- L’avenir de la robotique repose sur des intelligences génériques et l’apprentissage hybride, s’inspirant du développement humain pour permettre une véritable adaptation aux milieux non structurés.
Comprendre la frontière entre automatisme et autonomie
L’automatisme constitue le socle des révolutions industrielles passées. Il s’épanouit dans des cadres parfaitement contrôlés et hautement structurés.
Dans ces environnements, les trajectoires et les tâches restent entièrement prédéterminées. Même les entrepôts de logistique moderne utilisant des flottes de robots fonctionnent sur des règles d’automatismes strictes, sans véritable créativité ni gestion de l’imprévu.
L’autonomie commence là où le contrôle absolu du milieu s’efface. La voiture autonome représente le premier grand champ de bataille de cette transition, bien qu’elle évolue encore dans un cadre semi-structuré régi par le code de la route et le marquage au sol.
La grande autonomie désigne la capacité des systèmes à évoluer dans des contextes non structurés et non contrôlés. Cela concerne les travaux agricoles, la livraison au pas de la porte ou la robotique industrielle collaborative.
L’expérience de la voiture autonome et ses limites actuelles
Le défi historique lancé par la DARPA au début des années 2000 a révélé l’extrême complexité du problème. La majorité des véhicules engagés ne parvenaient pas à parcourir plus d’un kilomètre sans flancher.
Cette compétition a mis en évidence le fait que conduire est une tâche d’observation plutôt que d’action. Les commandes mécaniques d’un véhicule restent simples, mais interpréter le monde environnant exige une analyse en temps réel permanente.
Une formule perçue comme magique a émergé. Elle combine l’utilisation de capteurs LiDAR 3D pour la télémétrie et des algorithmes de machine learning pour reconnaître les obstacles.
Pourtant, malgré des investissements colossaux chiffrés en milliards de dollars, le véhicule totalement autonome tarde à se généraliser. Les acteurs du secteur se heurtent à la complexité des cas rares.
Les différentes philosophies industrielles face à l’autonomie
Chaque constructeur et acteur de la tech adopte une stratégie distincte pour résoudre l’équation de la conduite sans chauffeur.
Tesla fait le pari du tout-caméra en rejetant catégoriquement le LiDAR. L’entreprise concentre ses efforts sur la fusion d’une multitude de modèles d’intelligence artificielle spécialisés dans des tâches précises.
La démarche de Comma AI vise la simplicité et la sobriété matérielle. Elle s’appuie sur l’apprentissage bout en bout au moyen d’un unique modèle embarqué dans un smartphone.
Waymo choisit la voie inverse en équipant ses véhicules d’un appareillage extrêmement lourd et coûteux. La société cible immédiatement une autonomie complète, restreinte toutefois à des zones urbaines cartographiées au millimètre près.
L’échec et la revente de la division dédiée d’Uber illustrent les doutes qui planent sur les méthodes actuelles. Dépenser des sommes colossales ne suffit plus à garantir une progression linéaire des performances.
Le problème des cas rares et la limite des données
Les réseaux de neurones classiques souffrent d’une faiblesse intrinsèque face aux événements inhabituels de la route.
Chaque cas rare pris individuellement semble négligeable. Cependant, l’accumulation d’une infinité d’événements inhabituels crée une probabilité quasi quotidienne d’incident que le système ne sait pas interpréter.
Nourrir les algorithmes avec des bases de données annotées trouve rapidement ses limites. On ne peut pas photographier ni anticiper toutes les anomalies possibles de la vie réelle.
Un drame impliquant un véhicule de test a démontré qu’un modèle peut réinitialiser son interprétation d’un obstacle mal identifié, échouant ainsi à prévoir sa trajectoire.
Vers des intelligences génériques et de nouvelles approches
Pour dépasser ces impasses, la recherche s’oriente vers des architectures inspirées d’autres domaines de l’intelligence artificielle.
Les modèles de langage naturel comme GPT ont montré l’intérêt d’une compréhension globale avant toute spécialisation. Ces réseaux maîtrisent les structures fondamentales avant d’être ajustés à une tâche précise.
L’apprentissage par renforcement a fait ses preuves dans des jeux complexes comme le Go. Il permet à un système de progresser par tâtonnements en interagissant directement avec son environnement.
Un être humain n’apprend pas à conduire en vingt heures à partir de zéro. Il consacre près de deux décennies à comprendre le fonctionnement physique du monde avant d’adapter ses connaissances à la conduite.
La robotique de demain devra bâtir des modèles capables d’extraire des concepts symboliques et de simplifier la perception de l’environnement, à l’image du cerveau humain.
Responsabilité juridique et acceptation des risques
Le déploiement de machines autonomes soulève d’inévitables questions de responsabilité en cas d’accident.
La dilution de la responsabilité rend difficile l’identification d’un coupable unique entre le constructeur, le développeur du logiciel, le fournisseur de données ou l’utilisateur.
La certification progressive par les constructeurs et la régulation législative ouvriront la voie à une adoption graduelle. Les systèmes d’aide à la conduite ont déjà prouvé leur capacité à réduire drastiquement la mortalité routière.
Les compagnies d’assurance adapteront leurs modèles économiques à mesure que les statistiques démontreront une fiabilité supérieure à celle des conducteurs humains.
