{"id":8445,"date":"2025-02-18T09:45:00","date_gmt":"2025-02-18T08:45:00","guid":{"rendered":"https:\/\/numalis.com\/?p=8445"},"modified":"2025-03-07T09:54:02","modified_gmt":"2025-03-07T08:54:02","slug":"ia-dans-les-voitures-autonomes","status":"publish","type":"post","link":"https:\/\/numalis.com\/fr\/ia-dans-les-voitures-autonomes\/","title":{"rendered":"L’IA dans les voitures autonomes"},"content":{"rendered":"\n

Les v\u00e9hicules autonomes gagnent en popularit\u00e9 et sont sur le point de devenir une r\u00e9alit\u00e9. Le d\u00e9veloppement des voitures autonomes a commenc\u00e9 au d\u00e9but du XXe si\u00e8cle, mais les progr\u00e8s industriels significatifs n’ont commenc\u00e9 que dans les ann\u00e9es 2010, avec des entreprises comme Google et General Motors (GM) qui investissent massivement dans la technologie1<\/a><\/sup>. Ces v\u00e9hicules visent \u00e0 transformer les transports en am\u00e9liorant la prise de d\u00e9cision, en optimisant la consommation de carburant et en favorisant la s\u00e9curit\u00e9 routi\u00e8re. <\/p>\n\n\n\n

Les v\u00e9hicules autonomes s’appuient sur diverses technologies, notamment les radars, les capteurs et l’intelligence artificielle (IA), pour naviguer sur les routes sans intervention humaine. L’IA joue un r\u00f4le crucial en permettant aux voitures autonomes de prendre des d\u00e9cisions en temps r\u00e9el et de s’adapter \u00e0 l’\u00e9volution des conditions routi\u00e8res.<\/p>\n\n\n\n

Si les v\u00e9hicules autonomes promettent de remodeler l’avenir des transports, leur succ\u00e8s d\u00e9pend de la capacit\u00e9 \u00e0 surmonter d’importants obstacles techniques, r\u00e9glementaires et soci\u00e9taux. Cet article explore les principales applications de l’IA dans les v\u00e9hicules autonomes, en soulignant les avantages et les d\u00e9fis associ\u00e9s \u00e0 cette technologie transformatrice. <\/p>\n\n\n\n

\u00c9tat actuel et perspectives d’avenir<\/h2>\n\n\n\n

Au cours de la derni\u00e8re d\u00e9cennie, le d\u00e9veloppement de la technologie de conduite autonome a connu un essor fulgurant, propuls\u00e9 par des perc\u00e9es dans les domaines de l’intelligence artificielle (IA), de l’apprentissage automatique (ML) et de l’apprentissage profond (DL). Ces technologies de pointe permettent aux ing\u00e9nieurs de relever les d\u00e9fis complexes li\u00e9s \u00e0 la perception de la sc\u00e8ne, au contr\u00f4le des mouvements, \u00e0 la planification de la trajectoire et \u00e0 l’arbitrage du comportement dans les v\u00e9hicules autonomes.<\/p>\n\n\n\n

La Society of Automotive Engineers (SAE) a \u00e9tabli un cadre qui d\u00e9finit six niveaux d’automatisation de la conduite, allant du niveau 0 au niveau 5. Au fur et \u00e0 mesure que les niveaux progressent, la n\u00e9cessit\u00e9 d’une intervention humaine diminue2<\/a><\/sup>.<\/p>\n\n\n\n

Un v\u00e9hicule de niveau 1 dispose d’une seule fonction, comme le r\u00e9gulateur de vitesse, pour g\u00e9rer sa vitesse.<\/p>\n\n\n\n

Au niveau 2, les technologies d’assistance telles que le r\u00e9gulateur de vitesse adaptatif, l’alerte de franchissement de ligne et les syst\u00e8mes de maintien de la trajectoire font appel \u00e0 l’IA.<\/p>\n\n\n\n

Le niveau 3 fait largement appel \u00e0 l’IA pour les syst\u00e8mes de navigation et de d\u00e9cision, ce qui permet aux syst\u00e8mes du v\u00e9hicule d’exercer un plus grand contr\u00f4le. Il comprend \u00e9galement une s\u00e9rie de capteurs et de dispositifs pour la collecte de donn\u00e9es. Seule une poign\u00e9e d’entreprises en Europe et en Am\u00e9rique du Nord offrent publiquement ce niveau d’autonomie avec autorisation de conduire3<\/a><\/sup>.<\/p>\n\n\n\n

Les syst\u00e8mes de niveau 4 peuvent faire presque tout ce que les syst\u00e8mes de niveau 5 peuvent faire, bien qu’ils soient limit\u00e9s par les conditions g\u00e9ographiques et m\u00e9t\u00e9orologiques, o\u00f9 les conducteurs humains doivent prendre le relais4<\/a><\/sup>.<\/p>\n\n\n\n

Le niveau 5 repr\u00e9sente les v\u00e9hicules enti\u00e8rement autonomes qui ne n\u00e9cessitent aucune intervention ou surveillance humaine5<\/a><\/sup>.<\/p>\n\n\n\n

Les entreprises leaders dans le domaine des v\u00e9hicules autonomes (AV)<\/h2>\n\n\n\n

Les progr\u00e8s dans le domaine de la conduite autonome sont rapides, avec des constructeurs automobiles g\u00e9ants, des entreprises d’IA et des startups qui se disputent tous une part du g\u00e2teau. Toutes ces entreprises promettent de nouvelles fa\u00e7ons pour les consommateurs de vivre la mobilit\u00e9. <\/p>\n\n\n\n

Voici quelques-unes des principales entreprises \u00e0 la pointe du d\u00e9veloppement des voitures autonomes. <\/p>\n\n\n\n

Zoox : <\/strong>Soci\u00e9t\u00e9 administr\u00e9e par Amazon, les v\u00e9hicules \u00e9lectriques de Zoox utilisent la vision par ordinateur pour analyser leur environnement. Les fonctions avanc\u00e9es de la soci\u00e9t\u00e9 permettent de d\u00e9tecter les pi\u00e9tons \u00e0 l’aide de leur t\u00e9l\u00e9phone et d’interpr\u00e9ter les flashs lumineux des autres voitures 6<\/a><\/sup>.<\/p>\n\n\n\n

Waymo :  <\/strong>Filiale d’Alphabet (la soci\u00e9t\u00e9 m\u00e8re de Google), Waymo d\u00e9veloppe des voitures autonomes \u00e9quip\u00e9es d’une s\u00e9rie de capteurs et de logiciels aliment\u00e9s par l’IA. Le syst\u00e8me de vision et les algorithmes d’apprentissage automatique de l’entreprise offrent de multiples capacit\u00e9s, ce qui permet au v\u00e9hicule de r\u00e9agir en toute s\u00e9curit\u00e9 \u00e0 des situations de circulation r\u00e9elles7<\/a><\/sup>. <\/p>\n\n\n\n

Tesla : <\/strong>Tesla a mis au point un r\u00e9seau neuronal de pilotage automatique qui int\u00e8gre diverses simulations de v\u00e9hicules r\u00e9els. La solution d’IA de l’entreprise peut d\u00e9tecter des objets, estimer la profondeur et effectuer une segmentation s\u00e9mantique8<\/a><\/sup>.<\/p>\n\n\n\n

Pony.ai : <\/strong>Pony.ai construit des capacit\u00e9s de v\u00e9hicules autonomes pour les camions-robots, les taxis-robots et les v\u00e9hicules personnels. L’entreprise utilise l’IA pour diverses fonctionnalit\u00e9s, notamment la localisation, les caract\u00e9ristiques cartographiques, la perception de la sc\u00e8ne et la pr\u00e9diction9<\/a><\/sup>. <\/p>\n\n\n\n

Cruise : <\/strong>Propri\u00e9t\u00e9 de General Motors, Cruise utilise des mod\u00e8les complexes d’apprentissage automatique dans son moteur d’IA pour aider les v\u00e9hicules \u00e9lectriques \u00e0 d\u00e9velopper une compr\u00e9hension dynamique et des capacit\u00e9s de prise de d\u00e9cision. L’entreprise utilise \u00e9galement des cadres d’apprentissage continu pour am\u00e9liorer la s\u00e9curit\u00e9 et la fiabilit\u00e910<\/a><\/sup>.<\/p>\n\n\n\n

D’autres entreprises notables ouvrent la voie \u00e0 l’IA pour les v\u00e9hicules autonomes, notamment Baidu, Mercedes-Benz et Motional.<\/p>\n\n\n\n

Technologies cl\u00e9s de l’IA pour la conduite autonome<\/h2>\n\n\n\n

Voici quelques fa\u00e7ons par lesquelles l’IA contribue \u00e0 rendre les v\u00e9hicules autonomes.<\/p>\n\n\n\n

Perception :<\/strong> Le lidar, le radar, les cam\u00e9ras, le GPS et divers capteurs collectent en permanence diff\u00e9rentes formes de donn\u00e9es. Les informations fournies par ces sources de donn\u00e9es aident le v\u00e9hicule \u00e0 comprendre son environnement et \u00e0 fonctionner en toute s\u00e9curit\u00e9. La vision par ordinateur, qui implique la d\u00e9tection et l’\u00e9talonnage des mouvements, permet aux v\u00e9hicules de d\u00e9tecter les objets.<\/p>\n\n\n\n

Des algorithmes de DL, tels que les r\u00e9seaux neuronaux convolutifs (CNN) et les r\u00e9seaux neuronaux r\u00e9currents (RNN), sont appliqu\u00e9s aux donn\u00e9es 3D collect\u00e9es pour aider le v\u00e9hicule \u00e0 comprendre sa sc\u00e8ne11<\/a><\/sup>. Gr\u00e2ce \u00e0 ces informations, le v\u00e9hicule peut planifier des man\u0153uvres, percevoir l’environnement et prendre des d\u00e9cisions.<\/p>\n\n\n\n

D\u00e9tection et changement de voie : <\/strong>Le changement de voie est l’un des probl\u00e8mes les plus complexes pour les AV en raison de la nature impr\u00e9visible des usagers de la route. La vision artificielle est un \u00e9l\u00e9ment essentiel des capacit\u00e9s de d\u00e9tection des voies de circulation en utilisant des techniques de segmentation pour d\u00e9terminer les lignes et les courbes. <\/p>\n\n\n\n

De nombreux algorithmes de r\u00e9seaux neuronaux, tels que line-CNN, spatial-CNN, deep-CNN et 3D CNN, peuvent exploiter les informations temporelles et spatiales fournies pour identifier avec pr\u00e9cision les voies sur la route. Par exemple, Tesla utilise un r\u00e9seau neuronal appel\u00e9 Hydranet pour la d\u00e9tection des voies et les capacit\u00e9s de changement de voie12<\/a><\/sup>. <\/p>\n\n\n\n

Pr\u00e9voyance :<\/strong> Les v\u00e9hicules autopilot\u00e9s doivent pr\u00e9voir comment les agents routiers identifi\u00e9s (pi\u00e9tons, cyclistes et v\u00e9hicules) peuvent agir. Il s’agit d’une autre t\u00e2che difficile compte tenu de la dynamique de chaque agent et de la mani\u00e8re dont leur interaction entra\u00eene des r\u00e9sultats diff\u00e9rents. Des algorithmes DL tels que CNN et RNN ont \u00e9t\u00e9 utilis\u00e9s pour traiter les donn\u00e9es et pr\u00e9voir les trajectoires. <\/p>\n\n\n\n

Nvidia a form\u00e9 un r\u00e9seau neuronal profond (RNN) predictionNet qui anticipe et pr\u00e9dit les trajectoires des agents routiers13<\/a><\/sup>. La sortie du mod\u00e8le de pr\u00e9diction est une s\u00e9rie de trajectoires\/\u00e9v\u00e9nements not\u00e9s avec leur probabilit\u00e9 d’occurrence.<\/p>\n\n\n\n

L’IA dans les Robotaxis <\/h2>\n\n\n\n

Monter dans un robotaxi est devenu de plus en plus populaire dans des villes comme San Francisco et P\u00e9kin. Bien que la plupart des robotaxis soient encore en phase de test, les habitants de Wuhan et de P\u00e9kin les utilisent d\u00e9j\u00e0 pour les transports publics apr\u00e8s que les autorit\u00e9s ont accord\u00e9 des permis \u00e0 Apollo Go de Baidu. L’entreprise technologique vise \u00e0 d\u00e9ployer 1 000 robotaxis \u00e0 Wuhan d’ici \u00e0 la fin de 202414<\/a><\/sup>. <\/p>\n\n\n\n

Les robotaxis utilisent des cam\u00e9ras et des capteurs, ce qui permet \u00e0 l’IA de reconstruire une vue \u00e0 360 degr\u00e9s de l’environnement du v\u00e9hicule. En outre, le moteur informatique bas\u00e9 sur l’IA \u00e0 l’int\u00e9rieur du v\u00e9hicule peut planifier le trajet, \u00e9viter les collisions, pr\u00e9dire divers sc\u00e9narios et naviguer dans les rues de la ville. <\/p>\n\n\n\n

De nombreuses entreprises ont d\u00e9velopp\u00e9 leurs propres moteurs de r\u00e9seaux neuronaux pour soutenir l’intelligence et l’autonomie des robotaxis. D’autres se sont appuy\u00e9es sur des plateformes tierces bas\u00e9es sur l’IA, fournies par des soci\u00e9t\u00e9s comme Nvidia. Ces puissants moteurs informatiques d’IA sont con\u00e7us pour convertir les donn\u00e9es re\u00e7ues des capteurs et des cam\u00e9ras en informations exploitables.<\/p>\n\n\n\n

Nvidia offre \u00e0 ses partenaires des solutions de bout en bout pour le d\u00e9veloppement de l’audiovisuel. L’entreprise a r\u00e9cemment d\u00e9voil\u00e9 une nouvelle plateforme informatique centralis\u00e9e capable d’ex\u00e9cuter des applications d’IA g\u00e9n\u00e9rative. En int\u00e9grant cette plateforme au traitement du langage naturel (NLP), les robotaxis seront en mesure d’avoir des personas personnalis\u00e9s qui engagent le dialogue, fournissent des recommandations en temps r\u00e9el et offrent une assistance aux passagers15<\/a><\/sup>.<\/p>\n\n\n\n

L’IA dans les syst\u00e8mes autonomes de transport public de masse<\/h2>\n\n\n\n

L’IA a contribu\u00e9 \u00e0 r\u00e9soudre certains probl\u00e8mes complexes dans le domaine des transports de masse, tels que la gestion du trafic, l’optimisation des itin\u00e9raires et l’optimisation des horaires. Les chercheurs \u00e9tendent les capacit\u00e9s de l’IA aux v\u00e9hicules de transport public autonomes. Bien qu’elle n’en soit qu’\u00e0 ses d\u00e9buts, cette technologie promet d’assurer la navette des personnes dans des zones urbaines sp\u00e9cifiques, telles que les campus.<\/p>\n\n\n\n

Les robobus sont un excellent exemple de v\u00e9hicules de transport de masse utilisant l’IA pour diff\u00e9rents syst\u00e8mes. Arm\u00e9s d’une s\u00e9rie de capteurs et de cam\u00e9ras, les syst\u00e8mes d’IA embarqu\u00e9s sont charg\u00e9s de fonctions telles que la navigation, l’accostage pr\u00e9cis, la gestion de l’\u00e9nergie et du trafic. L’int\u00e9gration des capacit\u00e9s V2X dans les robobus permettra d’optimiser la gestion de la flotte et de mieux r\u00e9agir \u00e0 leur environnement.<\/p>\n\n\n\n

Des entreprises comme WeRide et Pix Moving ont fait des progr\u00e8s significatifs dans la production de mini navettes autonomes. Outre les essais sur route ouverte dans des zones d\u00e9sign\u00e9es \u00e0 P\u00e9kin, WeRide op\u00e8re \u00e0 Resorts World Sentosa, \u00e0 Singapour. Le robobus circule sur un tron\u00e7on de 1,2 km, transportant et d\u00e9posant des passagers en cours de route16<\/a><\/sup>.<\/p>\n\n\n\n

Avantages de l’IA dans les v\u00e9hicules autonomes<\/h2>\n\n\n\n

Am\u00e9lioration de la s\u00e9curit\u00e9 routi\u00e8re et r\u00e9duction des accidents :<\/strong> Les erreurs humaines, telles que la fatigue, le sommeil et la distraction, sont les principales causes de la plupart des accidents.<\/p>\n\n\n\n

Les v\u00e9hicules autonomes aliment\u00e9s par l’IA peuvent r\u00e9duire consid\u00e9rablement les accidents et les incidents r\u00e9sultant d’erreurs humaines. Gr\u00e2ce \u00e0 ses capacit\u00e9s d’adaptation, \u00e0 ses capacit\u00e9s visuelles et \u00e0 son analyse de la d\u00e9tection de proximit\u00e9, l’IA permet aux AV de fonctionner en toute s\u00e9curit\u00e9 et d’\u00e9viter les sc\u00e9narios dangereux.<\/p>\n\n\n\n

Une mobilit\u00e9 accrue :<\/strong> Les AV peuvent changer la fa\u00e7on dont les personnes handicap\u00e9es, les personnes \u00e2g\u00e9es et les personnes pr\u00e9sentant des conditions m\u00e9dicales se d\u00e9placent. Gr\u00e2ce \u00e0 la reconnaissance vocale ou \u00e0 des applications mobiles, le v\u00e9hicule peut guider ces groupes en toute s\u00e9curit\u00e9 jusqu’\u00e0 leur destination. Par ailleurs, les robotsaxis de covoiturage peuvent constituer une alternative abordable et pratique aux modes de transport traditionnels.<\/p>\n\n\n\n

R\u00e9duction des embouteillages et de l’impact sur l’environnement :<\/strong> Les AV peuvent d\u00e9tecter et \u00e9viter le trafic gr\u00e2ce \u00e0 des capacit\u00e9s de routage dynamique, de planification d’itin\u00e9raire et de man\u0153uvre. L’IA dans les AV peut g\u00e9rer l’\u00e9nergie en optimisant le freinage et l’acc\u00e9l\u00e9ration, limitant ainsi la consommation de carburant. Cette strat\u00e9gie \u00e9cologique r\u00e9duit les \u00e9missions de gaz \u00e0 effet de serre.<\/p>\n\n\n\n

Am\u00e9lioration de la gestion du trafic : <\/strong>Les voitures auto-conduites utilisant des cadres V2X peuvent communiquer avec d’autres agents routiers pour comprendre les conditions de circulation. Ces informations peuvent aider \u00e0 planifier les itin\u00e9raires et \u00e0 \u00e9viter les zones encombr\u00e9es.<\/p>\n\n\n\n

D\u00e9fis<\/h2>\n\n\n\n

Limites techniques et cas particuliers : <\/strong>Parmi les difficult\u00e9s techniques auxquelles se heurtent les AV, on peut citer les limites de la puissance de calcul embarqu\u00e9e, la pr\u00e9cision de la perception, les probl\u00e8mes de localisation et le mat\u00e9riel. Il est \u00e9galement difficile de simuler des cas de figure rares qui pourraient se produire dans le monde r\u00e9el.<\/p>\n\n\n\n

Obstacles r\u00e9glementaires et probl\u00e8mes de responsabilit\u00e9 :<\/strong> Il y a un manque de clart\u00e9 quant aux responsabilit\u00e9s en cas d’accident d’un AV. Il est par ailleurs difficile d’adapter les lois existantes aux v\u00e9hicules autopilot\u00e9s. Pour att\u00e9nuer ce probl\u00e8me, les parties prenantes doivent \u00e9laborer un cadre global de gestion de la responsabilit\u00e9. En suivant des cadres normalis\u00e9s, les l\u00e9gislateurs peuvent \u00e9tablir des lois qui donnent la priorit\u00e9 \u00e0 la s\u00e9curit\u00e9 humaine et encouragent l’innovation.<\/p>\n\n\n\n

Confiance et acceptation des consommateurs :<\/strong> Les voitures autonomes font l’objet d’un examen minutieux chaque fois qu’elles sont impliqu\u00e9es dans des accidents. Par exemple, les robotsaxis de Cruise ont essuy\u00e9 des critiques \u00e0 San Francisco \u00e0 la suite de deux accidents distincts17<\/a><\/sup>. De tels incidents ne font que renforcer la m\u00e9fiance de la communaut\u00e9 \u00e0 l’\u00e9gard de la s\u00e9curit\u00e9.<\/p>\n\n\n\n

Les entreprises doivent donner la priorit\u00e9 \u00e0 la s\u00e9curit\u00e9 des utilisateurs lors de la conception afin de favoriser l’acceptation par les consommateurs et de proc\u00e9der \u00e0 des tests rigoureux.\u00a0<\/p>\n\n\n\n

Dilemmes \u00e9thiques : <\/strong>Les syst\u00e8mes d’IA dans les AV peuvent \u00eatre confront\u00e9s \u00e0 des situations moralement difficiles, les obligeant \u00e0 choisir entre des situations ambigu\u00ebs. Par exemple, choisir entre prot\u00e9ger les passagers \u00e0 bord ou les pi\u00e9tons en cas d’accident. Les parties prenantes doivent \u00e9laborer des cadres et des normes acceptables pour r\u00e9soudre certains des dilemmes moraux les plus urgents.<\/p>\n\n\n\n

Conclusion<\/h2>\n\n\n\n

Gr\u00e2ce aux progr\u00e8s de l’IA, la technologie des v\u00e9hicules autonomes a connu des avanc\u00e9es significatives. Le secteur a largement adopt\u00e9 les algorithmes de DL, r\u00e9volutionnant le cadre de perception, de planification et d’ex\u00e9cution. Par cons\u00e9quent, l’IA a permis diverses applications dans les v\u00e9hicules autonomes, allant de la reconnaissance des voies \u00e0 la sensibilisation \u00e0 l’environnement.<\/p>\n\n\n\n

Ces d\u00e9veloppements ont ouvert la voie \u00e0 des projets innovants tels que les taxis autonomes et les robobus. Alors que nous continuons \u00e0 exploiter le potentiel de l’IA, les entreprises doivent maintenir une approche centr\u00e9e sur l’humain, en donnant la priorit\u00e9 \u00e0 l’am\u00e9lioration de la mobilit\u00e9 et de la s\u00e9curit\u00e9 dans leurs impl\u00e9mentations technologiques.<\/p>\n\n\n

  1. Navigating The Future of AI in Self-Driving Cars | Udacity<\/a> \u21a9\ufe0e<\/a><\/li>
  2. A Survey of Deep Learning Techniques for Autonomous Driving<\/a> \u21a9\ufe0e<\/a><\/li>
  3. Mercedes Says Level 4 Autonomous Driving Will Be a Reality This Decade | U.S. News<\/a> \u21a9\ufe0e<\/a><\/li>
  4. Toward a Self-Driving Future: Japan Green-Lights Level 4 Autonomous Vehicles | Nippon.com<\/a> \u21a9\ufe0e<\/a><\/li>
  5. Mercedes Says Level 4 Autonomous Driving Will Be a Reality This Decade | U.S. News<\/a> \u21a9\ufe0e<\/a><\/li>
  6. The \u2018full-stack\u2019 :: behind autonomous driving<\/a> \u21a9\ufe0e<\/a><\/li>
  7. How our cars drive – Waymo One Help<\/a> \u21a9\ufe0e<\/a><\/li>
  8. AI & Robotics | Tesla<\/a> \u21a9\ufe0e<\/a><\/li>
  9. Technology – Pony.ai<\/a> \u21a9\ufe0e<\/a><\/li>
  10. Autonomous Vehicle Technology | Driverless Cars | Cruise<\/a> \u21a9\ufe0e<\/a><\/li>
  11. Deep learning for object detection and scene perception in self-driving cars: Survey, challenges, and open issues – ScienceDirect<\/a> \u21a9\ufe0e<\/a><\/li>
  12. Applications of Computer Vision in Autonomous Vehicles: Methods, Challenges and Future Directions<\/a> \u21a9\ufe0e<\/a><\/li>
  13. All the Right Moves: How PredictionNet Helps Self-Driving Cars Anticipate Future Traffic Trajectories – NVIDIA<\/a> \u21a9\ufe0e<\/a><\/li>
  14. All the Right Moves: How PredictionNet Helps Self-Driving Cars Anticipate Future Traffic Trajectories – NVIDIA<\/a> \u21a9\ufe0e<\/a><\/li>
  15. Generative AI Developers Harness NVIDIA Technologies to Transform In-Vehicle Experiences<\/a> \u21a9\ufe0e<\/a><\/li>
  16. Singapore Launches Autonomous Shuttle Service, WeRide Robobus Becomes a New Attraction at Resorts World Sentosa<\/a> \u21a9\ufe0e<\/a><\/li>
  17. How Many Waymo, Cruise Driverless Cars Have Crashed?<\/a> \u21a9\ufe0e<\/a><\/li><\/ol>\n\n\n

    <\/p>\n","protected":false},"excerpt":{"rendered":"

    Les v\u00e9hicules autonomes gagnent en popularit\u00e9 et sont sur le point de devenir une r\u00e9alit\u00e9. Le d\u00e9veloppement des voitures autonomes a commenc\u00e9 au d\u00e9but du XXe si\u00e8cle, mais les progr\u00e8s industriels significatifs n’ont commenc\u00e9 que dans les ann\u00e9es 2010, avec des entreprises comme Google et General Motors (GM) qui investissent massivement dans la technologie. Ces […]<\/p>\n","protected":false},"author":8,"featured_media":8439,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"none","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"[{\"content\":\"Navigating The Future of AI in Self-Driving Cars | Udacity<\/a>\",\"id\":\"c0c46fbb-9ab1-4f96-bede-83065c5cda30\"},{\"content\":\"A Survey of Deep Learning Techniques for Autonomous Driving<\/a>\",\"id\":\"114c48d4-6971-42b5-b75f-34882706caa9\"},{\"content\":\"Mercedes Says Level 4 Autonomous Driving Will Be a Reality This Decade | U.S. News<\/a>\",\"id\":\"fe6c0236-4e3d-44d8-9bfb-1132e1ca68e5\"},{\"content\":\"Toward a Self-Driving Future: Japan Green-Lights Level 4 Autonomous Vehicles | Nippon.com<\/a>\",\"id\":\"db5a3968-f46f-446e-97a6-664633f5d897\"},{\"content\":\"Mercedes Says Level 4 Autonomous Driving Will Be a Reality This Decade | U.S. News<\/a>\",\"id\":\"971acb33-8db0-444e-8f12-406ec901e741\"},{\"content\":\"The \u2018full-stack\u2019 :: behind autonomous driving<\/a>\",\"id\":\"a61b4b98-9abb-43aa-bc84-5441dd87e832\"},{\"content\":\"How our cars drive - Waymo One Help<\/a>\",\"id\":\"34d3998d-409c-493f-97f0-c3901800f39c\"},{\"content\":\"AI & Robotics | Tesla<\/a>\",\"id\":\"7b8ad311-0ed8-4d86-971b-ee8835357e0a\"},{\"content\":\"Technology - Pony.ai<\/a>\",\"id\":\"88603528-3999-4254-9033-5b00f519fa62\"},{\"content\":\"Autonomous Vehicle Technology | Driverless Cars | Cruise<\/a>\",\"id\":\"a7edbc24-453f-405f-88a6-eea91dc533e1\"},{\"content\":\"Deep learning for object detection and scene perception in self-driving cars: Survey, challenges, and open issues - ScienceDirect<\/a>\",\"id\":\"baab7d2c-2e60-4f15-93a1-b6dd1891bdaa\"},{\"content\":\"Applications of Computer Vision in Autonomous Vehicles: Methods, Challenges and Future Directions<\/a>\",\"id\":\"5ee2d0e4-d777-413d-a8c7-f089b2a9e2c6\"},{\"content\":\"All the Right Moves: How PredictionNet Helps Self-Driving Cars Anticipate Future Traffic Trajectories - NVIDIA<\/a>\",\"id\":\"d68790e8-1030-4395-88cd-c546cc30500f\"},{\"content\":\"All the Right Moves: How PredictionNet Helps Self-Driving Cars Anticipate Future Traffic Trajectories - NVIDIA<\/a>\",\"id\":\"26ab0c4c-509d-4ce5-a2b9-2187600e7be4\"},{\"content\":\"Generative AI Developers Harness NVIDIA Technologies to Transform In-Vehicle Experiences<\/a>\",\"id\":\"8bcd32e0-bf02-4b65-a76e-dcfc1b4ad722\"},{\"content\":\"Singapore Launches Autonomous Shuttle Service, WeRide Robobus Becomes a New Attraction at Resorts World Sentosa<\/a>\",\"id\":\"bb93d449-bb93-457d-8b10-5332ff3a546f\"},{\"content\":\"How Many Waymo, Cruise Driverless Cars Have Crashed?<\/a>\",\"id\":\"8c905305-3afc-42db-8b5d-04ef3ac20911\"}]"},"categories":[149],"tags":[203],"class_list":["post-8445","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia-et-industrie","tag-transport"],"acf":[],"_links":{"self":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts\/8445","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/comments?post=8445"}],"version-history":[{"count":0,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/posts\/8445\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/media\/8439"}],"wp:attachment":[{"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/media?parent=8445"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/categories?post=8445"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/numalis.com\/fr\/wp-json\/wp\/v2\/tags?post=8445"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}