Si vous vouliez prouver, uniquement en conduisant, qu’une voiture autonome a moins d’accidents qu’un humain, il vous faudrait parcourir environ 275 millions de kilomètres sans accident mortel, juste pour avoir une confiance statistique équivalente à l’excellent niveau de sécurité humain actuel — une estimation de la RAND Corporation largement citée, qui demanderait à une flotte de cent voitures d’essai plusieurs décennies de conduite continue. Aucun constructeur ne peut faire cela avant une date de lancement, ce qui signifie que “la tester énormément” n’a jamais été la façon dont les voitures de niveau SAE 3 et plus sont validées. Ce qui l’a remplacée est un mélange de simulation, de scénarios synthétiques et de modélisation statistique que l’UE a passé près d’une décennie à construire, chaque projet transmettant ses résultats directement au suivant.
Pourquoi conduire ne suffit pas à prouver quoi que ce soit
Le problème de fond s’appelle le “fossé de validation de la sécurité” : les taux de mortalité actuels des conducteurs humains sont si bas (environ un pour cent millions de kilomètres en Europe) que démontrer une amélioration statistiquement significative exige un kilométrage réel qu’aucune flotte d’essai, aucun budget ni aucun calendrier ne peut raisonnablement fournir. Attendre que suffisamment d’accidents réels et de quasi-accidents s’accumulent naturellement signifierait aussi exposer délibérément le public à un système non validé entre-temps, ce que les régulateurs n’acceptent pas. L’industrie a donc inversé l’approche : au lieu de rouler jusqu’à accumuler assez de données par hasard, elle génère volontairement les scénarios dangereux, rares et statistiquement décisifs — d’abord en simulation, puis sur des pistes d’essai fermées, et seulement ensuite sur route publique pour les cas résiduels que la simulation ne peut pas entièrement capturer.
Le test basé sur des scénarios : rejouer le cas sur un million, un million de fois
La technique de base s’appelle le scenario-based testing : plutôt que d’accumuler des kilomètres génériques, les ingénieurs identifient des situations spécifiques et bien définies — un cycliste qui déboîte derrière une camionnette garée, un changement de voie brusque à vitesse autoroutière, un piéton masqué par le brouillard — et font affronter au système de conduite automatisée des milliers de variantes paramétrées de chacune, en simulation (vitesses, distances, luminosité, météo différentes), avant même d’en tester une seule sur l’asphalte réel. Cela n’est utile que si la bibliothèque de scénarios est réaliste, standardisée et partagée par toute l’industrie plutôt qu’inventée au cas par cas par chaque constructeur — exactement l’écart que les projets européens décrits ci-dessous ont été financés pour combler.
L’autre ingrédient manquant : un modèle réaliste de la façon dont les humains conduisent vraiment
Les scénarios simulés ne valent que par ce à quoi ils sont comparés, et cette référence est un modèle réaliste du comportement de conduite humain ordinaire — à quel point un conducteur réel freine, dévie, hésite ou juge mal un écart dans des conditions données — pas un conducteur idéalisé qui respecte toujours les règles et auquel personne ne ressemble vraiment. Construire et valider cette base de référence comportementale humaine, afin que les performances simulées d’un système autonome puissent être comparées à quelque chose de réel plutôt qu’à une hypothèse, est lui-même devenu un axe de recherche européen dédié, mené en parallèle du travail de génération de scénarios.
La filière de validation de l’UE : quatre projets, un seul cadre continu, 2019-2028
Ce qui rend ce domaine particulier, c’est qu’il ne s’agit pas de quatre financements sans lien sur un thème similaire : c’est un unique Safety Assurance Framework (SAF) construit, testé et étendu en séquence, chaque projet transmettant ses résultats directement au suivant, à travers deux programmes-cadres. Cela a commencé sous H2020 avec HEADSTART (“Harmonised European Solutions for Testing Automated Road Transport”, 2019-2021, 6,0 M€ de contribution CE) : le premier projet européen à définir des procédures partagées de test et de validation pour les fonctions de conduite automatisée, en reliant simulation, piste d’essai et essais réels sur le terrain aux besoins des autorités d’homologation, pas seulement des constructeurs. Horizon Europe a ensuite pris le relais avec SUNRISE (“Safety assUraNce fRamework for connected, automated mobIlity SystEms”, coordonné par IDIADA en Espagne, 13,09 M€ de contribution CE, 2022-2025, SIGNED), qui a construit le véritable cadre d’assurance sécurité harmonisé que HEADSTART n’avait fait qu’esquisser. Une fois ce cadre en place, SYNERGIES (“Real and synthetic scenarios generated for the development, training, virtual testing and validation of CCAM systems”, 18,64 M€ de contribution CE, 2024-2027, SIGNED) l’a mis au travail, conçu explicitement pour mettre en œuvre le cadre de SUNRISE en fédérant plusieurs bases de données de scénarios déjà existantes (dont la Safety Pool Scenario Database de l’industrie, ADScene et StreetWise) en une ressource interopérable unique, plutôt que de laisser chaque constructeur créer ses scénarios à partir de zéro. Le maillon le plus récent, CERTAIN (“Resilient and Continuous Safety Assurance Methodology for CCAM and its HMI Components”, 14,0 M€ de contribution CE, 2025-2028, SIGNED, encore en cours), étend aujourd’hui ce même cadre d’un contrôle ponctuel avant lancement à un processus d’assurance continue qui continue de surveiller le dossier de sécurité d’un système à mesure que des mises à jour logicielles arrivent après que la voiture est déjà en vente — reconnaissant qu’un système de conduite autonome validé une fois au lancement, puis mis à jour à distance pendant des années, a besoin d’un processus de validation qui ne s’arrête pas à la sortie d’usine.
La voie parallèle : modéliser l’humain auquel on se compare
En parallèle de SUNRISE, sous le même appel de 2022, deux autres projets se sont attaqués directement à la moitié du problème liée à la référence humaine : i4Driving (“Integrated 4D driver modelling under uncertainty”, 6,77 M€ de contribution CE, 2022-2026) construit une bibliothèque de simulation modulaire des modèles de comportement de conduite humain pour établir une base de sécurité crédible pour l’évaluation virtuelle, tandis que BERTHA (“BEhavioural ReplicaTion of Human drivers for CCAM”, 7,98 M€ de contribution CE, 2023-2026) développe un modèle comportemental du conducteur validé et scientifiquement fondé que constructeurs et équipementiers peuvent partager comme base commune lorsqu’ils testent comment un système automatisé interagit avec le trafic humain qui l’entoure — la référence manquante que le seul scenario-based testing ne fournit pas.
Ce que cela change vraiment pour l’industrie
Rien de tout cela n’élimine les essais sur route réelle — un système doit tout de même faire ses preuves sur une vraie route, en définitive, la même logique en couches derrière le matériel redondant qui permet à une voiture de tomber en panne en toute sécurité si quelque chose tourne mal sur cette route. Ce que cette filière change, c’est la part du dossier de sécurité qui peut être construite et mise sous contrainte avant qu’un seul kilomètre public ne soit parcouru, et c’est la raison pour laquelle les régulateurs sont de plus en plus disposés à accepter des preuves largement issues de la simulation dans un dossier d’homologation, plutôt que d’exiger uniquement des kilomètres physiques — la seule façon réaliste de résoudre le problème des “275 millions de kilomètres” avant, et non après, que les voitures ne soient déjà en vente.
Photo : © Car-Shooters