Dans le cadre d’Interface, la revue trimestrielle éditée par INSA Alumni (Institut Nationale des Sciences Appliquées), Marouane Benaziz (promo RE GMA 10) et Sébastien Saliou (RE GE 97) ont écrit à 4 mains un article sur la robotisation dans les transports.
Interface
Article « Nos voitures sont des robots » par la revue Interface
Chez Acsystème, nous développons depuis une dizaine d’années des aides à la conduite et notamment des régulateurs de vitesse et de trajectoires latérales.
Depuis le début de notre aventure dans ce domaine, nos méthodes et outils de travail évoluent pour relever les défis qui accompagnent le besoin de nos clients de rendre les véhicules de plus en plus intelligents et autonomes.
Pour mieux classifier le degré d’autonomie des véhicules, SAE (Society of Automotive Engineers) à défini 5 niveaux d’autonomie croissante représentée sur la figure ci-dessous.
SAE
Définition des niveaux d’autonomie par SAE
Certains constructeurs déclinent le niveau 2 en trois sous-niveaux (qui n’apparaissent pas dans le tableau SAE):
Aujourd’hui la plupart des véhicules vendus en Europe sont de niveau 1 ou 2. À partir du niveau 1, on peut considérer la voiture comme un robot. Elle est équipée de capteurs (caméra, radar), d’actionneurs (direction assistée électrique, accélérateur, freins) et d’un logiciel qui traite les informations, décide et agit.
Les fonctions d’aide à la conduite que l’on trouve sur les véhicules de niveau 1 ou 2 sont plus ou moins nombreuses selon la gamme du véhicule. Nous avons cartographié les principales fonctions existantes et expliqué plus en détail leur signification dans cet article.
Acsystème
Cartographie des fonctions d’aides à la conduite par Acsystème
Durant les prochaines années, le niveau 2+ sera couramment proposé dans la gamme des constructeurs automobiles. Les modèles premium qui proposent le niveau 3 restent à la marge. Enfin, aux États-Unis, à San Francisco, les robots taxis (niveau 4) circulent en zone géographiques restreintes et sous autorisation spécifique.
Les constructeurs cherchent à aller progressivement de plus en plus loin dans l’autonomisation des véhicules pour plusieurs raisons
Sécurité routière
Les systèmes d’aides à la conduite ont un temps de réaction plus court que les humains, ce qui permet de freiner plus tôt et plus efficacement. Ils contribuent à réduire drastiquement les accidents de la route. Les normes internationales, européennes et nationales, évoluent pour accompagner ces progrès et imposent l’ajout de fonctions de sécurité. Aujourd’hui tous les véhicules vendus en Europe sont équipés de fonctions de freinage d’urgence, d’aide au maintien dans la voie et d’une alerte de perte vigilance du conducteur.
Le confort
Le régulateur de vitesse et le maintien dans la voie réduisent la fatigue. À partir du niveau 3, dans certaines conditions, la conduite peut être déléguée, ce qui laisse du temps au conducteur pour d’autres activités (consulter ses messages, regarder un film, etc.).
Avantage concurrentiel et d’innovation
Certains constructeurs comme Tesla se différencient par leurs technologies. Ainsi la conception des véhicules tend vers des architectures électroniques centralisées plus puissantes et modulaires laissant une grande place au logiciel dans le véhicule (Software Defined Vehicle). Le véhicule devient un « smartphone sur roues » capable de recevoir de nouvelles fonctionnalités au fil du temps.
Nouveaux modèles économiques
Les mises à jour à distance (over-the-air) créent de nouvelles opportunités :
Les constructeurs peuvent aussi créer des services de mobilités (robotaxis ou navettes autonomes).
Au quotidien, ce besoin croissant d’autonomisation nous pousse à adopter de nouvelles méthodes de travail (intégration continue), chercher à développer l’utilisation de l’intelligence artificielle pour nos besoins et améliorer le confort du conducteur et son acceptation de ces technologies.
Intégration et déploiement continus
Les besoins croissants de nouvelles fonctionnalités, qui interagissent avec d’autres systèmes (IHM, moteur, frein, volant, …) nécessitent des méthodes de développement et de s’assurer que le code livré respecte les normes de qualité et qu’il a été testé et validé par simulations. C’est un processus incontournable pour proposer à terme, de manière sûre et régulière, des mises à jour logicielles du véhicule.
Ce processus automatise toutes les manipulations et les tests informatiques que doivent subir nos algorithmes avant d’être embarqués sur un véhicule :
Une fois ces vérifications faites au niveau d’un composant logiciel, le code est ensuite assemblé automatiquement avec les autres composants logiciels, puis des tests et simulations sont à nouveau exécutés. Si tous les tests sont passés, le code est prêt à être embarqué pour des tests sur banc HIL et/ou véhicule.
Concrètement, lorsque le développeur a fini de développer une fonctionnalité ou a résolu un bug, le processus est capable de faire automatiquement toutes les vérifications citées précédemment et délivre un code prêt à être installé sur véhicule.
Les technologies de capteurs (caméra, radar, lidar) et les moyens informatiques évoluent rapidement et permettent de gérer des cas d’usages de plus en plus complexes. Pour traiter ce genre de situations, l’usage de l’IA parait déterminant.
Le machine learning est aujourd’hui couramment utilisé pour le traitement d’images provenant des caméras pour reconnaitre les lignes et obstacles. En revanche, son usage dans la planification de trajectoire et le contrôle véhicule reste limité dans l’industrie, où dominent encore les approches rule-based, fondées sur des règles explicites. Cependant, avec la complexité des situations de vie que l’on souhaite gérer (comme le franchissement d’une intersection par exemple), cette approche montre ses limites.
L’alternative au rule-based est l’usage algorithmes de machine learning. Certains proposent des approches extrêmes « End to End AI » qui consistent à mettre en place un réseau de neurones qui prend en entrée les données des capteurs, de localisation et qui donne en sortie les actions sur la direction, le moteur et les freins. L’avantage est qu’il n’y a plus de code écrit à la main, cependant ces approches posent des questions en termes de validation formelle et une certaine opacité en cas de problème. De plus, ces modèles nécessitent des millions de kilomètres pour l’apprentissage et la validation. Aussi, la tendance principale serait plutôt d’utiliser une approche hybride qui combine à la fois du rule-based pour le contrôle et du machine learning pour certaines fonctions de planification et de supervision.
Même les meilleures technologies ne seront utiles que si les utilisateurs leur font confiance. Aujourd’hui, malheureusement beaucoup de conducteurs désactivent les aides à la conduite car ils les jugent trop intrusives. Sur les aides à la conduite de niveau 1 ou 2, la particularité est que la voiture est dirigée par deux entités : le conducteur et le système d’aide à la conduite. L’objectif principal est donc de rechercher une harmonie entre le conducteur et le système. Il faut que le système soit capable de rassurer le conducteur, effectuer des manoeuvres ou l’aider lorsque c’est nécessaire mais sans être trop intrusif. Le partage de contrôle entre le système et le conducteur est un problème complexe sur lequel nous travaillons.
Nos voitures sont déjà des robots capables d’effectuer certaines tâches de manière autonome. Le cadre réglementaire favorable et les évolutions technologiques nous ouvrent la porte pour concevoir et imaginer les algorithmes qui les rendront encore plus sûres, plus autonomes et évolutives.
Marouane Benaziz & Sébastien Saliou, avril 2026
