Les voitures plus intelligentes ne sauvent toujours pas les piétons

En 2024, 7 080 piétons ont été tués et plus de 71 000 blessés sur les routes américaines. Les décès de cyclistes ont atteint leur niveau le plus élevé depuis au moins 1980. Les décès totaux sur la route ont baissé en dessous de 40 000 pour la première fois depuis 2020. Mais presque tout ce progrès a bénéficié aux occupants des véhicules. Les piétons et les cyclistes meurent toujours à des taux proches des records historiques.

C’est cette différence qui est l’histoire. Les fonctionnalités d’assistance à la conduite ont réduit de manière mesurable les décès des occupants des véhicules au cours de la dernière décennie. Ils n’ont pas fait la même chose pour les usagers de la route vulnérables, et la raison vient de la ligne de visée, et non du comportement du conducteur. Un ensemble de capteurs monté sur un véhicule est limité par la géométrie du châssis. Les endroits où les piétons et les cyclistes sont les plus à risque sont précisément les endroits où les capteurs embarqués sont structurellement les plus faibles. Les intersections occultées. Les passages piétons en milieu de pâté de maisons. Les coins aveugles. Les zones scolaires où un enfant se faufile entre les voitures garées. Cette limite s’applique de la même manière à un conducteur humain qui regarde à travers le pare-brise, à un système de freinage automatique qui lit un radar orienté vers l’avant, et à n’importe quel futur empilement autonome que nous mettons sur un véhicule.

Pendant la majeure partie de la dernière décennie, toute la conversation autour des véhicules connectés, de la mobilité autonome et de la robotique urbaine a été une conversation Véhicule-à-Tout (V2X). L’idée est que le véhicule parle à d’autres véhicules, à des équipements routiers, aux téléphones des piétons et au réseau. Des ensembles de capteurs plus importants, de meilleurs modèles, plus de calculs embarqués, plus de redondance — tout centré sur le véhicule lui-même. Ce cadrage a produit des progrès réels. Il a également imposé un plafond à ce que la perception centrée sur le véhicule peut faire pour les piétons et les cyclistes.

La prochaine phase de ce travail a une forme différente. Appelez-le Infrastructure-à-Tout, ou I2X. L’intersection, le corridor et les infrastructures environnantes perçoivent et prévoient au nom de tout ce qui se déplace à travers eux. I2X est la moitié la plus difficile du problème. C’est également là que le cas de sécurité se ferme enfin.

V2X a un plafond de sécurité, et nous le touchons maintenant

L’approche centrée sur le véhicule a été lisible pour les investisseurs, les constructeurs automobiles et les régulateurs d’une manière que l’infrastructure n’a pas. Les progrès peuvent être mesurés en fonction du nombre de capteurs, des paramètres de modèle et des taux de désengagement. Cela rentre parfaitement dans une présentation. La pile V2X a mûri en conséquence. Les normes V2X cellulaires sont réelles, les unités routières sont déployées sur des dizaines de corridors, et les principaux acteurs de l’industrie automobile et de la technologie versent des capitaux importants dans les plates-formes de perception coopérative.

Ce capital a produit des gains réels, encore une fois principalement pour les occupants des véhicules. Il n’a pas comblé l’écart pour les usagers de la route vulnérables, et la communauté de recherche est de plus en plus claire sur les raisons. Une étude empirique récente sur les systèmes de perception coopérative V2X identifie six modèles d’erreur récurrents dans les systèmes autonomes à agent unique, la plupart enracinés dans la même limitation : un véhicule ne peut pas percevoir au-delà de sa ligne de visée. Les occultations, les intersections hors de la ligne de visée, la dégradation météorologique, les cas de bord qui n’apparaissent pas dans les données d’entraînement. Des recherches distinctes axées sur la sécurité des piétons et des cyclistes parviennent à la même conclusion sous un angle différent : la localisation des piétons et des cyclistes est le mode de défaillance que les capteurs montés sur les véhicules sont structurellement mauvais pour résoudre.

Plus de LiDAR aide. Plus de radar aide. De meilleurs modèles aident. Rien de tout cela ne change la géométrie sous-jacente. Un ensemble de capteurs monté sur un véhicule aura toujours des limitations de ligne de visée, et la ligne de visée empire à mesure que la densité urbaine augmente. Les endroits où nous avons besoin que l’autonomie soit la plus sûre sont précisément les endroits où la perception centrée sur le véhicule est structurellement la plus faible.

I2X inverse la polarité

Infrastructure-à-Tout commence avec une prémisse différente. La route, l’intersection, le corridor et les infrastructures environnantes ne sont pas des surfaces passives attendant d’être perçues. Ils deviennent des couches d’intelligence actives qui perçoivent, interprètent et diffusent les conditions vers l’extérieur. Un véhicule qui approche d’une intersection occultée n’a pas besoin de voir autour du coin avec ses propres capteurs. Le coin voit pour lui. Un robot de livraison qui travaille sur un trottoir n’a pas besoin d’anticiper le piéton derrière un camion garé. Le poteau de lumière sait déjà que le piéton est là.

C’est le côté du problème que nous construisons chez Surge. Nos déploiements sont des nœuds de perception de bord LiDAR seuls montés sur les infrastructures urbaines existantes : poteaux de lumière, têtes de signalisation et toits. Aucune caméra, aucune image et aucune donnée d’identification personnelle capturée au moment de la détection. Nous appelons la position « Anonyme par la physique », car le LiDAR capture le mouvement et la géométrie, et non les visages, les plaques d’immatriculation ou l’identité. La sortie est un flux en temps réel de localisation, de vitesse et de trajectoire. Ce même flux est utile à un ingénieur de la circulation routière d’une ville, à une pile de véhicules autonomes, à un routeur logistique et à un chercheur en sécurité, le tout à partir d’une seule empreinte de capteur.

Deux choix de conception comptent pour le cas de sécurité. Le premier est que la perception d’infrastructure est multi-locataire par défaut. Un ensemble de capteurs monté sur un véhicule est point à point et sert un client à la fois. Un nœud LiDAR sur un poteau de lumière sert tous les véhicules, tous les drones et toutes les applications de sécurité des piétons qui ont besoin des données, simultanément. L’économie ressemble plus à une tour de cellules qu’à un puits de pétrole. Le second est que la couverture au niveau du corridor compte plus que la couverture au niveau de l’intersection. Les nœuds isolés sont utiles. Les corridors réseau sont défendables, car la sécurité des piétons, la formation des véhicules autonomes et la réponse aux urgences dépendent tous de la continuité, et non d’instantanés.

La perception en temps réel est le plancher. La prédiction est le plafond.

L’opportunité plus profonde n’est pas la couche en temps réel. La perception en temps réel résout les cas de sécurité évidents, et cela seul est précieux. Le verrouillage plus profond vient lorsque les modèles d’IA forment sur des données d’infrastructure continues sur des mois et des années, et non sur des instantanés épisodiques que les véhicules capturent.

Les données des véhicules sont, par leur nature, éparses et discontinues. Une voiture passe à travers une intersection quelques fois par jour au plus. Elle voit une tranche. Un nœud d’infrastructure regarde la même intersection 24 heures sur 24, tous les jours, pendant des années. Il voit la distribution complète. Le même endroit à travers l’heure de pointe, les tempêtes, la construction, les pannes, les événements et les changements saisonniers. C’est un type de données de formation fondamentalement différent, et il produit un type de modèle fondamentalement différent.

À mesure que ces données s’accumulent, le système cesse d’être réactif et devient prédictif. Le modèle de démarche de quelqu’un sur le point de quitter le bord du trottoir sans regarder. Le profil de décélération d’un véhicule qui va bientôt passer un feu rouge. La géométrie de convergence qui précède un quasi-accident entre un bus qui tourne et un vélo dans la bande cyclable. Ce sont des signaux précurseurs. Ils sont observable statistiquement. Ils n’existent pas dans les rapports d’accidents parce qu’ils ne sont pas des accidents. Ce sont des événements précurseurs et se produisent des ordres de grandeur plus souvent que les accidents eux-mêmes. Les accidents sont épars. Les quasi-accidents sont abondants. Les systèmes d’infrastructure observent les comportements précurseurs que les bases de données d’accidents ne capturent jamais. Un véhicule qui traverse une intersection ne les verra jamais à grande échelle. L’infrastructure qui vit à l’intersection les voit constamment.

C’est le véritable déverrouillage de la sécurité. La promesse de la mobilité connectée a toujours été que nous pourrions intervenir avant un accident, et non le documenter après. Les capteurs embarqués plus la communication réactive véhicule-à-tout vous amènent partiellement là. Une couche prédictive formée sur des données d’infrastructure continues, multi-modales et résidentes est ce qui vous amène le reste du chemin. La même logique, incidemment, s’applique du côté de l’énergie, où des sociétés comme HEVO montrent que les flottes entièrement autonomes ont besoin d’infrastructure pour livrer de l’énergie ainsi que de la perception. Domaine différent, même conclusion : le monde doit faire un travail que le véhicule ne peut pas faire seul.

Un système nerveux pour l’environnement urbain

Lorsque vous faites un pas en arrière par rapport à tout déploiement individuel, ce que ce travail construit réellement est quelque chose que les villes n’ont jamais vraiment eu : un système nerveux. Les villes ont déjà du béton, de l’acier, des réseaux électriques et de la fibre. Ce qui leur manque est une couche qui perçoit, se souvient et prédit en temps réel à travers l’environnement physique.

I2X est cette couche. Un nœud LiDAR sur un poteau de lumière fonctionne comme une neuron sensoriel. Le calcul de bord se comporte comme un réflexe local, suffisamment rapide pour agir sans attendre les systèmes centralisés. Au fil du temps, un réseau de nœuds construit une mémoire institutionnelle à l’échelle urbaine : la façon dont les intersections se comportent, où les quasi-accidents se produisent, comment les flux changent pendant les tempêtes, les pannes, la construction ou les urgences.

Les applications suivent naturellement. Une alerte de sécurité des piétons dans une zone scolaire est un réflexe. Un ajustement du signal de trafic basé sur le flux observé est une réponse apprise. Une recommandation de routage prédictive pour un véhicule d’urgence dépend à la fois de la perception et de la mémoire. La logistique, la gestion des urgences, la résilience climatique et la formation des véhicules autonomes deviennent tous plus faciles lorsque la ville peut observer et apprendre en continu de ses propres opérations. Le but n’est pas d’ajouter plus de caméras ou de tableaux de bord. Le but est de donner à l’environnement urbain la capacité qu’il n’a jamais eue : la capacité de percevoir, de se souvenir et de réagir en temps réel.

L’infrastructure change les économies de l’autonomie

Lorsque la couche d’intelligence migre du véhicule à l’infrastructure, les économies de l’autonomie et des opérations urbaines changent de trois manières importantes.

Premièrement, la courbe de coûts du matériel de véhicule embarqué a enfin un endroit où aller. Aujourd’hui, chaque véhicule autonome est invité à transporter tout le problème de perception et la plupart du problème de sécurité sur son châssis. C’est pourquoi la facture des matériaux pour un véhicule autonome ressemble à ce qu’elle est. Lorsque l’infrastructure livre la perception sur les derniers 100 mètres et la prédiction par-dessus, le véhicule devient plus léger, moins cher et plus facile à certifier. La même logique s’applique aux drones, aux robots de trottoir et à n’importe quel autre facteur de forme autonome attendant que son économie unitaire se ferme.

Deuxièmement, le marché adressable pour tout déploiement d’infrastructure individuel s’étend de manière spectaculaire. Un nœud LiDAR sur un poteau de lumière qui sert à l’équipe d’ingénierie de la circulation d’une ville, à un transporteur logistique national, à un opérateur de navette autonome, à un chercheur en sécurité et à un souscripteur d’assurance est un actif fondamentalement différent qu’un capteur qui sert un seul locataire. L’infrastructure partagée se compose d’une manière que les solutions ponctuelles ne le font pas.

Troisièmement, l’histoire de financement devient lisible pour le capital institutionnel qui a historiquement financé les ports, les tours, la fibre et les services publics. Entre nous, nous apportons un leadership opérationnel dans le déploiement d’infrastructures connectées et plus de deux décennies d’expérience dans le financement de projets d’infrastructure dans des entreprises telles que Integrated Roadways, Black & Veatch et Diode Ventures. Le modèle est familier. Une fois qu’une classe d’actifs produit plusieurs flux de revenus contractuels, à long terme, à partir d’une seule empreinte physique, le coût du capital baisse, la durée s’étend et le déploiement s’accélère. C’est le moment que nous approchons avec l’infrastructure intelligente. Le capital a attendu la lisibilité, et non la technologie.

La route apprend à réfléchir

Les chiffres de décès réels ne bougeront pas matériellement tant que nous n’arrêterons pas de demander au véhicule de faire tout le travail. La décennie d’investissement centré sur le véhicule a produit des normes, des déploiements et des gains significatifs pour les occupants des véhicules. Il n’a pas déplacé l’aiguille pour les personnes les plus exposées aux conséquences des véhicules se trompant, et la raison structurelle est intégrée à la géométrie du problème.

Le prochain chapitre est l’infrastructure vers l’extérieur. Les routes qui perçoivent. Les intersections qui prévoient. Les corridors qui apprennent et interviennent avant que les accidents n’arrivent. Ajoutez le côté énergie plus tard, sur la même empreinte physique, et vous avez le substrat pour l’autonomie en tant que système et non en tant que produit. Plus important encore, vous avez l’infrastructure que les villes peuvent utiliser pour tout le reste qu’elles ont essayé de résoudre au cours des vingt dernières années.

V2X a appris aux véhicules à parler. I2X est la ville qui apprend à ressentir, à réfléchir et à penser à l’avance.