Choix des yeux du véhicule autonome : une bataille de capteurs, de stratégies et de compromis

D’ici 2030, le marché des véhicules autonomes devrait dépasser 2 200 milliards de dollars, avec des millions de voitures naviguant sur les routes en utilisant l’IA et des systèmes de capteurs avancés. Pourtant, au milieu de cette croissance rapide, un débat fondamental reste sans réponse : quels capteurs sont les mieux adaptés pour la conduite autonome — lidars, caméras, radars ou quelque chose de complètement nouveau ?

Cette question est loin d’être académique. Le choix des capteurs affecte tout, de la sécurité et des performances au coût et à l’efficacité énergétique. Certaines entreprises, comme Waymo, misent sur la redondance et la variété, en équipant leurs véhicules d’un ensemble complet de lidars, de caméras et de radars. D’autres, comme Tesla, poursuivent une approche plus minimaliste et rentable, en s’appuyant lourdement sur les caméras et l’innovation logicielle.

Explorons ces stratégies divergentes, les paradoxes techniques qu’elles rencontrent et la logique commerciale qui guide leurs décisions.

Pourquoi les machines plus intelligentes exigent des solutions énergétiques plus intelligentes

C’est effectivement une question importante. J’ai rencontré un dilemme similaire lorsque j’ai lancé une startup liée aux drones en 2013. Nous essayions de créer des drones capables de suivre les mouvements humains. À l’époque, l’idée était en avance, mais il est rapidement devenu clair qu’il y avait un paradoxe technique.

Pour qu’un drone suive un objet, il doit analyser les données des capteurs, ce qui nécessite une puissance de calcul — un ordinateur embarqué. Cependant, plus l’ordinateur doit être puissant, plus la consommation d’énergie est élevée. Par conséquent, une batterie avec une plus grande capacité est nécessaire. Cependant, une batterie plus lourde augmente le poids du drone, et plus de poids nécessite encore plus d’énergie. Un cycle vicieux apparaît : l’augmentation de la puissance nécessite une consommation d’énergie plus élevée, un poids et un coût plus élevés.

Le même problème s’applique aux véhicules autonomes. D’une part, vous voulez équiper le véhicule de tous les capteurs possibles pour collecter le plus de données possible, les synchroniser et prendre les décisions les plus précises. D’autre part, cela augmente considérablement le coût et la consommation d’énergie du système. Il est important de considérer non seulement le coût des capteurs eux-mêmes, mais également l’énergie nécessaire pour traiter leurs données.

La quantité de données augmente, et la charge de calcul croît. Naturellement, au fil du temps, les systèmes de calcul sont devenus plus compacts et plus économes en énergie, et les logiciels sont devenus plus optimisés. Dans les années 80, le traitement d’une image 10×10 pixels pouvait prendre des heures ; aujourd’hui, les systèmes analysent des vidéos 4K en temps réel et effectuent des calculs supplémentaires sur l’appareil sans consommer une énergie excessive. Cependant, le dilemme de performance persiste, et les entreprises de véhicules autonomes améliorent non seulement les capteurs, mais également le matériel de calcul et les algorithmes d’optimisation.

Traitement ou perception ?

Les problèmes de performance où le système doit décider quelles données supprimer sont principalement dus à des limitations de calcul plutôt qu’à des problèmes avec les capteurs LiDAR, caméra ou radar. Ces capteurs fonctionnent comme les yeux et les oreilles du véhicule, capturant en continu de grandes quantités de données environnementales. Cependant, si l’ordinateur embarqué “cerveau” manque de puissance de calcul pour gérer toutes ces informations en temps réel, cela devient accablant. Par conséquent, le système doit donner la priorité à certaines flux de données par rapport à d’autres, en ignorant potentiellement certains objets ou scènes dans certaines situations pour se concentrer sur des tâches de plus haute priorité.

Ce goulet d’étranglement computationnel signifie que même si les capteurs fonctionnent parfaitement, et souvent ils ont des redondances pour assurer la fiabilité, le véhicule peut toujours avoir du mal à traiter efficacement toutes les données. Blâmer les capteurs n’est pas approprié dans ce contexte, car le problème réside dans la capacité de traitement des données. L’amélioration du matériel de calcul et l’optimisation des algorithmes sont des étapes essentielles pour atténuer ces défis. En améliorant la capacité du système à gérer de grandes quantités de données, les véhicules autonomes peuvent réduire la probabilité de manquer des informations critiques, conduisant à des opérations plus sûres et plus fiables.

Systèmes LiDAR, caméra et radar : avantages et inconvénients

Il est impossible de dire qu’un type de capteur est meilleur qu’un autre — chacun sert son propre but. Les problèmes sont résolus en sélectionnant le capteur approprié pour une tâche spécifique.

Le LiDAR, bien qu’il offre une cartographie 3D précise, est coûteux et a du mal dans les conditions météorologiques défavorables comme la pluie et le brouillard, qui peuvent disperser ses signaux laser. Il nécessite également des ressources computationnelles importantes pour traiter ses données denses.

Les caméras, bien que rentables, sont fortement dépendantes des conditions d’éclairage, fonctionnant mal dans les faibles lumières, les éblouissements ou les changements rapides d’éclairage. Elles manquent également de perception de la profondeur inhérente et ont du mal avec les obstacles tels que la saleté, la pluie ou la neige sur l’objectif.

Le radar est fiable pour détecter les objets dans diverses conditions météorologiques, mais sa faible résolution le rend difficile à distinguer les petits objets ou les objets espacés de près. Il génère souvent de fausses positives, détectant des éléments non pertinents qui peuvent déclencher des réponses inutiles. De plus, le radar ne peut pas déchiffrer le contexte ou aider à identifier les objets visuellement, contrairement aux caméras.

En exploitant la fusion de capteurs — en combinant les données du LiDAR, du radar et des caméras — ces systèmes acquièrent une compréhension plus holistique et plus précise de leur environnement, ce qui améliore à la fois la sécurité et la prise de décision en temps réel. La collaboration de Keymakr avec les principaux développeurs d’ADAS a montré à quel point cette approche est cruciale pour la fiabilité du système. Nous avons constamment travaillé sur des ensembles de données diversifiés et de haute qualité pour soutenir la formation et l’affinement des modèles.

Waymo contre Tesla : une histoire de deux visions autonomes

Dans le domaine des véhicules autonomes, peu de comparaisons suscitent autant de débat que Tesla et Waymo. Les deux sont des pionniers de l’avenir de la mobilité — mais avec des philosophies radicalement différentes. Alors, pourquoi une voiture Waymo ressemble-t-elle à un vaisseau spatial équipé de capteurs, tandis que Tesla semble presque dépourvue de capteurs externes ?

Examinons la voiture Waymo. Il s’agit d’une Jaguar de base modifiée pour la conduite autonome. Sur son toit se trouvent des dizaines de capteurs : lidars, caméras, systèmes laser tournants (appelés “spinners”) et radars. Il y en a vraiment beaucoup : des caméras dans les rétroviseurs, des capteurs sur les pare-chocs avant et arrière, des systèmes de vision à longue portée — tout cela est synchronisé.

Si un tel véhicule est impliqué dans un accident, l’équipe d’ingénieurs ajoute de nouveaux capteurs pour collecter les informations manquantes. Leur approche consiste à utiliser le maximum de technologies disponibles.

Alors, pourquoi Tesla ne suit-elle pas la même voie ? L’une des principales raisons est que Tesla n’a pas encore lancé son Robotaxi sur le marché. De plus, leur approche se concentre sur la minimisation des coûts et l’innovation. Tesla pense que l’utilisation de lidars est impraticable en raison de leur coût élevé : le coût de fabrication d’une caméra RGB est d’environ 3 dollars, tandis qu’un lidar peut coûter 400 dollars ou plus. De plus, les lidars contiennent des pièces mécaniques — miroirs tournants et moteurs — qui les rendent plus susceptibles de défaillance et de remplacement.

Les caméras, en revanche, sont statiques. Elles n’ont pas de pièces mobiles, sont beaucoup plus fiables et peuvent fonctionner pendant des décennies jusqu’à ce que le boîtier se dégrade ou que l’objectif s’estompe. De plus, les caméras sont plus faciles à intégrer dans la conception d’une voiture : elles peuvent être cachées à l’intérieur du corps, rendues presque invisibles.

Les approches de production diffèrent également de manière significative. Waymo utilise une plate-forme existante — une Jaguar de production — sur laquelle les capteurs sont montés. Ils n’ont pas le choix. Tesla, en revanche, fabrique des véhicules à partir de zéro et peut planifier l’intégration des capteurs dans le corps dès le départ, les cachant de la vue. Formellement, ils seront répertoriés dans les spécifications, mais visuellement, ils seront presque imperceptibles.

Actuellement, Tesla utilise huit caméras autour de la voiture — à l’avant, à l’arrière, dans les rétroviseurs et les portes. Utiliseront-ils des capteurs supplémentaires ? Je le pense.

Sur la base de mon expérience en tant que conducteur Tesla qui a également pris place dans des véhicules Waymo, je pense que l’intégration de lidars améliorerait le système de conduite autonome de Tesla. Il me semble que le FSD de Tesla manque actuellement d’une certaine précision lors de la conduite. L’ajout de la technologie lidar pourrait améliorer sa capacité à naviguer dans des conditions difficiles comme un éblouissement solaire important, de la poussière en suspension ou du brouillard. Cette amélioration rendrait potentiellement le système plus sûr et plus fiable par rapport à une confiance exclusive envers les caméras.

Mais du point de vue commercial, lorsqu’une entreprise développe sa propre technologie, elle vise à obtenir un avantage concurrentiel — un avantage technologique. Si elle peut créer une solution qui est dramatiquement plus efficace et moins chère, elle ouvre la porte à la domination du marché.

Tesla suit cette logique. Musk ne veut pas emprunter le chemin d’autres entreprises comme Volkswagen ou Baidu, qui ont également réalisé des progrès considérables. Même des systèmes comme Mobileye et iSight, installés dans les voitures plus anciennes, démontrent déjà une autonomie décente.

Mais Tesla vise à être unique — et c’est la logique commerciale. Si vous n’offrez rien de radicalement meilleur, le marché ne vous choisira pas.