En juin 2026, le Forum mondial pour l’harmonisation des réglementations sur les véhicules, sous l’égide de la CEE-ONU, a adopté le premier cadre réglementaire mondial spécifique aux véhicules entièrement autonomes. Ce texte impose des critères communs pour valider non seulement les capteurs, mais aussi les algorithmes de perception et de décision embarqués. Le véhicule autonome sort ainsi du domaine expérimental pour entrer dans celui de la certification industrielle.
Capteurs et perception : ce que le véhicule autonome voit vraiment
Un véhicule autonome ne se contente pas d’une caméra frontale. Il superpose plusieurs couches de perception pour construire une représentation tridimensionnelle de son environnement en temps réel.
A lire aussi : Quel sera l'avenir de la circulation routière avec les voitures autonomes ?
Les capteurs principaux se répartissent en trois familles complémentaires :
- Les caméras haute résolution, souvent disposées sur tout le périmètre du véhicule, captent les informations visuelles (panneaux, marquages au sol, piétons, feux). Elles restent sensibles aux conditions d’éclairage et aux intempéries.
- Le LiDAR (Light Detection and Ranging) émet des impulsions laser pour mesurer la distance et la forme des objets environnants. Il génère un nuage de points très précis, même dans l’obscurité, mais perd en efficacité sous forte pluie ou neige.
- Les radars à ondes millimétriques détectent la vitesse et la distance des objets, y compris à travers le brouillard. Leur résolution spatiale reste plus faible que celle du LiDAR.
Aucun de ces capteurs ne suffit seul. C’est la fusion de leurs données, traitée par des algorithmes dédiés, qui permet au système de lever les ambiguïtés. Un piéton partiellement masqué par un poteau peut échapper à la caméra, mais le LiDAR détecte sa silhouette. À l’inverse, le radar confirme qu’un objet statique repéré par le LiDAR n’est pas un véhicule en mouvement.
Lire également : Les propriétaires de Tesla sont-ils satisfaits de leurs voitures ?
Algorithmes de décision : du signal brut au choix de trajectoire
La perception ne représente que la moitié du problème. Une fois l’environnement cartographié, le système doit prédire le comportement des autres usagers, planifier une trajectoire et exécuter les commandes de direction, d’accélération et de freinage.
Cette chaîne de décision s’appuie sur des réseaux de neurones entraînés à partir de milliards de kilomètres de données de conduite, complétés par des règles codées en dur pour les situations critiques (freinage d’urgence, arrêt face à un obstacle fixe). L’algorithme ne reproduit pas la conduite humaine, il optimise une fonction de sécurité en évaluant des centaines de scénarios par seconde.
Le cadre réglementaire adopté par la CEE-ONU en 2026 change la donne sur ce point précis. Le processus de validation ne repose plus seulement sur des essais routiers locaux. Il impose une méthodologie harmonisée à l’échelle de plusieurs dizaines de pays pour juger la fiabilité des algorithmes de perception et de décision. Les constructeurs doivent démontrer que leur système gère correctement un ensemble de scénarios standardisés, et pas uniquement les conditions de leur marché national.
Le problème des cas limites
Les situations rares (objet inconnu sur la chaussée, comportement imprévisible d’un cycliste, chantier non signalé) restent le point faible des systèmes actuels. Les données disponibles ne permettent pas de conclure que les algorithmes gèrent ces cas aussi bien qu’un conducteur expérimenté. Waymo, qui exploite des véhicules autonomes de niveau 4 sans conducteur, continue d’accumuler des données terrain pour affiner ces marges.
Niveaux d’autonomie : ce que le conducteur contrôle encore
La classification SAE, souvent citée, distingue six niveaux (de 0 à 5). En pratique, la frontière qui compte est celle entre le niveau 2 et le niveau 3.
Au niveau 2 (automatisation partielle), le système gère l’accélération, le freinage et le maintien de voie, mais le conducteur doit surveiller la route en permanence. C’est le cas de la plupart des aides à la conduite commercialisées aujourd’hui.
Au niveau 3 (automatisation conditionnelle), le véhicule prend en charge l’ensemble de la conduite dans des conditions définies (autoroute, vitesse limitée, bonne météo). Le conducteur peut détourner son attention, mais doit reprendre le contrôle à la demande du système. Cette bascule a une conséquence juridique directe : la responsabilité en cas d’accident passe du conducteur au constructeur tant que le système est activé et dans son domaine opérationnel.
Les niveaux 4 et 5 suppriment progressivement le besoin d’un conducteur humain. Le niveau 5, qui correspondrait à une autonomie totale en toute circonstance, n’existe sur aucun véhicule commercial à ce jour.
Validation et certification des systèmes autonomes : le chantier technique méconnu
Tester un véhicule autonome ne se résume pas au faire rouler sur circuit. La validation combine trois approches complémentaires.
La simulation constitue la base. Les constructeurs font parcourir à leurs algorithmes des milliards de kilomètres virtuels, dans des environnements générés numériquement, pour couvrir un spectre de situations bien plus large que les essais réels. Les logiciels de simulation reproduisent des scénarios de conduite complexes (intersection dense, piéton surgissant, conditions météo dégradées) et mesurent la réponse du système.
Les essais sur piste fermée vérifient ensuite le comportement physique du véhicule (temps de réaction du freinage, précision du braquage) dans des situations contrôlées. Les essais sur route ouverte, enfin, confrontent le système à la variabilité réelle du trafic.
Le cadre CEE-ONU impose désormais que ces trois volets soient documentés selon une méthodologie commune. Un constructeur ne peut plus se contenter de publier un nombre de kilomètres parcourus sans accident. Il doit prouver la couverture de scénarios critiques et la robustesse de ses algorithmes face aux cas limites identifiés.
Les retours terrain divergent
Les statistiques d’accidents des flottes autonomes restent un sujet sensible. Certains opérateurs communiquent des taux de sinistralité inférieurs à ceux des conducteurs humains, mais les conditions d’exploitation (zones urbaines à faible vitesse, météo favorable, géofencing strict) rendent la comparaison directe fragile. Comparer un robotaxi en zone géolocalisée à un conducteur humain en conditions variées reste méthodologiquement discutable.
Le véhicule autonome fonctionne grâce à une superposition de capteurs, d’algorithmes d’apprentissage et de règles de sécurité codées. Son déploiement à grande échelle dépend moins de la technologie embarquée que de la capacité des régulateurs à certifier des systèmes dont le comportement repose sur des modèles statistiques, par nature incomplets.
