Nous avons déjà expliqué comment une voiture autonome perçoit le monde — l’étape de perception qui construit un modèle en temps réel de tout ce qui entoure le véhicule. Ce modèle, aussi précis soit-il, est inutile à lui seul : il doit être transformé en décision, encore et encore, plusieurs fois par seconde. C’est la deuxième étape du pipeline percevoir, penser, agir que traverse chaque véhicule automatisé, et c’est sans doute la plus difficile, car “penser” pour une voiture signifie prédire ce que des humains imprévisibles sont sur le point de faire, puis choisir une action qu’un tribunal pourrait plus tard demander de justifier.
Des objets à une histoire : la prédiction
La perception remet à l’étape “penser” une liste d’objets — voitures, cyclistes, piétons — chacun avec une position et une vitesse. C’est un instantané, pas un plan, et une voiture ne peut pas agir sur un instantané : elle doit savoir où ce cycliste se dirige, pas seulement où il se trouve en ce moment. La prédiction de comportement prend l’historique récent du mouvement et le contexte — ce piéton regarde-t-il son téléphone, le clignotant de cette voiture est-il allumé, sommes-nous dans une zone scolaire à 15h — et projette plusieurs scénarios plausibles pour les prochaines secondes, pour chaque acteur de la route simultanément. Les conducteurs humains font une version de cela instinctivement et en permanence ; l’encoder dans un système qui doit avoir raison presque tout le temps, et être sûr dans les rares occasions où il se trompe, est l’essentiel de ce qui rend difficile la décision automatisée.
De la prédiction à une trajectoire : la planification
Une fois que la voiture dispose d’un avenir prédit pour tous les autres usagers de la route, la planification de trajectoire génère le propre chemin du véhicule à travers cet avenir prédit : une ligne fluide, physiquement réalisable, qui atteint la destination tout en conservant une marge de sécurité par rapport à la trajectoire prédite de chaque autre acteur, en respectant le code de la route, et en restant confortable pour les occupants. La planification doit se faire en continu, car chacune de ces prédictions sur les autres usagers de la route est révisée à mesure que de nouvelles données des capteurs arrivent, ce qui signifie que la trajectoire planifiée de la voiture est silencieusement recalculée en permanence, et non décidée une seule fois par manœuvre.
Le problème de la boîte noire
Les systèmes modernes de planification et de prédiction s’appuient de plus en plus sur des modèles de deep learning entraînés sur d’énormes jeux de données de conduite, et ils y excellent, en termes strictement mesurables — mais le raisonnement interne d’un réseau de neurones est notoirement difficile à expliquer entièrement, même pour ses propres ingénieurs. C’est un problème sérieux dès qu’une voiture autonome est impliquée dans un incident : un régulateur, un assureur ou un tribunal finira par demander pourquoi la voiture a freiné, fait une embardée, ou ne l’a pas fait, et “le modèle a pondéré ces caractéristiques ainsi” est rarement une réponse acceptable à elle seule. Cela a poussé tout un champ de recherche, l’IA explicable (XAI), spécifiquement dans la conduite autonome : l’objectif n’est pas seulement une décision précise, mais une décision dont le raisonnement peut être reconstitué et défendu après coup.
Où va l’état de l’art : la recherche européenne sur la décision fiable
Trois volets véritablement différents de ce problème font chacun l’objet d’une recherche dédiée financée par l’UE. AIthena (2022-2025, 6,00M€, coordonné par Vicomtech en Espagne, partenariat CCAM Horizon Europe) construit une IA explicable spécifiquement pour le développement et les tests CCAM, en étudiant l’interprétabilité au niveau des données, du modèle et des résultats, afin que l’IA d’une voiture autonome puisse être digne de confiance et auditable plutôt que traitée comme une boîte noire inexplicable produisant des résultats “meilleurs que l’humain” dont personne ne peut rendre compte. interACT (2017-2020, 5,53M€, coordonné par le DLR, le Centre aérospatial allemand) s’est attaqué à un manque différent : les véhicules automatisés détectent bien les obstacles, mais se sont historiquement montrés incapables de communiquer leurs propres intentions aux humains qui les entourent ; interACT a donc étudié comment un véhicule autonome devrait interpréter les signaux implicites émis par les autres usagers de la route — et comment il devrait signaler son propre prochain mouvement en retour — spécifiquement pour le trafic mixte où véhicules automatisés et conduits par des humains partagent la route. Le volet purement algorithmique du “penser” a lui aussi sa propre recherche dédiée : EMP (2019-2021, 2,49M€, développé par le spécialiste suisse de la planification de mouvement Embotech), financé via l’instrument PME de l’EIC, a porté vers l’automobile un moteur de planification de mouvement déterministe et basé sur la physique, déjà éprouvé dans l’aérospatiale et la robotique industrielle, générant des trajectoires certifiables en temps réel — pour des manœuvres allant du voiturier automatique aux pilotes autoroutier et urbain — capables de tourner sur des calculateurs automobiles standards plutôt que sur le matériel spécialisé qu’un tel logiciel de planification exigeait auparavant. C’est la couche qui transforme une scène prédite et une manœuvre choisie en une trajectoire réelle et praticable.
Pourquoi cela compte plus qu’une fiche technique
Un véhicule autonome qui perçoit parfaitement mais décide mal n’est pas significativement plus sûr qu’un véhicule aux capteurs moins bons mais au jugement meilleur — c’est pourquoi cette étape, et non les spécifications brutes des capteurs, concentre l’essentiel de l’écart restant vers une conduite de Niveau 4 véritablement fiable. Une fois la décision prise, cependant, elle doit encore devenir une commande réelle de direction, de freinage ou d’accélération que le matériel de la voiture peut exécuter en toute sécurité — et c’est le dernier maillon du pipeline, à venir dans le prochain article.
Photo : © Car-Shooters