Les cas limites qui retardent la conduite autonome depuis des années

Lorsqu'un véhicule autonome prend la route, il passe 99,9 % de sa vie à faire toujours la même chose : avancer dans sa voie, s'arrêter au feu rouge, garder ses distances avec le véhicule qui le précède. Mais la vraie question est la suivante : que se passe-t-il dans ce tout petit reste, autrement dit dans ces moments étranges qui surviennent une fois tous les millions de kilomètres ? Ce sont précisément ces moments qui retardent la promesse d'une conduite autonome "prête demain" - et dans cet article, j'expliquerai pourquoi ils ne sont toujours pas résolus.
Qu'est-ce qu'un cas limite, et pourquoi la longue traîne est-elle autre chose ?
Commençons par clarifier la terminologie, car ces deux concepts sont souvent confondus. Un cas limite (edge case) est un scénario rare qui échappe aux données d'entraînement d'un système de conduite autonome : une échelle renversée sur l'autoroute, un geste inhabituel d'un agent de la circulation, des conditions météorologiques exceptionnelles. Ceux-ci peuvent être prédéfinis, du moins en théorie.
La longue traîne (long tail), elle, est un concept plus inquiétant : la somme de tout ce à quoi vous ne pourriez même pas penser. Des chantiers qui changent du jour au lendemain, un matelas qui dégringole d'un pick-up sous la pluie, ce scénario au bout de la traîne auquel personne n'a jamais songé à l'inscrire sur une liste de problèmes. Si le cas limite est un puzzle, la longue traîne est comme une boîte dont vous ignorez le nombre de pièces.
La rareté aussi a ses variétés. La première, ce sont les classes rares : des objets que l'on croise rarement sur les routes, comme un âne ou une ambulance. La seconde, plus insidieuse, ce sont les scénarios rares : Le second type est bien plus difficile à détecter, car chaque composant est déjà défini dans le système ; le problème vient de leur combinaison. Les experts répartissent les cas limites en quatre grandes catégories :
environnementales (météo, conditions lumineuses), liées aux objets (objets rares), comportementales (usagers de la route imprévisibles) et propres aux capteurs (défaillances matérielles, angles morts). Chaque catégorie est à elle seule un casse-tête ; ensemble, elles expliquent pourquoi la traîne est si longue. tout cela ensemble explique pourquoi la file d'attente est si longue.
À la une
- Un système avec une précision de 99 % peut rencontrer environ un scénario dangereux qu'il ne peut pas résoudre toutes les 10.000 miles de conduite.
- Dans un jeu de données courant, il existe 493.322 annotations de voitures, mais seulement 49 annotations d'ambulances.
- Les 30 classes d'objets les plus rares apparaissent chacune moins de 250 fois dans les données étiquetées publiques de 344.966 images.
- Si les systèmes autonomes conduisaient comme des humains, ils ne pourraient éviter qu'environ un tiers de tous les accidents.
Pourquoi cette traîne est-elle si longue ? Comprendre l'ampleur de la rareté demande un peu de mathématiques.

Une précision de 99 %, ça semble formidable, n'est-ce pas ? Mais faites le calcul : Mais faites le calcul : un système de cette précision rencontre environ une fois tous les 10.000 miles un scénario dangereux qu'il ne parvient pas à résoudre seul. Même pour un usage quotidien, ce chiffre est énorme - et pour l'autonomie complète, il est de taille catastrophique, car le seuil de sécurité exige des taux d'erreur ultra-faibles.
Le tableau côté données est encore plus frappant. Le benchmark SearchAD, fruit d'une collaboration entre Mercedes-Benz et l'université d'Esslingen, a examiné 423.798 images provenant de 11 jeux de données de conduite : 90 catégories rares, 513.265 annotations manuelles. Le résultat ? Chacune des 30 classes les plus rares apparaît moins de 250 fois dans les 344.966 images de données annotées accessibles au public. Dans une entreprise spécialisée qui cherchait ces cas rares à la main, le travail a pris huit mois, avec plus d'une minute consacrée en moyenne à chaque image et au moins deux examens par image.
| Classe d'objet | Nombre d'annotations dans l'exemple de jeu de données |
|---|---|
| Voiture | 493.322 |
| Poussette | 1.072 |
| Ambulance | 49 |
Ce tableau montre l'asymétrie du monde lui-même : les voitures sont partout, les ambulances presque nulle part. Et le problème ne se limite pas à la découverte : la recherche basée sur les étiquettes ne renvoie que des classes prédéfinies. Si personne n'a étiqueté un piéton portant un sac poubelle sous la pluie, aucune requête cherchant ces données ne pourra le retrouver. Les métriques globales de réussite peuvent aussi masquer les reculs sur les classes rares derrière un score général élevé.
Et si on collectait plus de données ?
La réponse est non à une écrasante majorité, et la raison tient en une phrase : l'asymétrie des données est celle du monde. L'immense majorité des données de conduite collectées sur les routes est remplie de comportements banals - maintien dans la voie, respect des feux, route droite. Quand vous doublez la taille du jeu de données, vous ajoutez surtout deux fois plus d'exemples banals ; les cas rares s'enfoncent encore plus profondément dans la queue. C'est le problème classique des rendements décroissants : augmenter la puissance de calcul et les données ne donne pas le rendement suffisant aux taux d'erreur ultra-faibles.
Et si on recréait les scénarios rares sur scène ? C'est là qu'intervient le deuxième mur : la plupart des cas rares sont dangereux ou impossibles. Mettre en scène un piéton surgissant derrière un camion n'est même pas envisageable. De plus, la queue est ouverte - sans point final, donc le moment où l'on pourra dire "nous avons tout terminé" n'arrivera jamais.
La simulation est donc une brillante assistante, mais pas une sauveuse. Sur route réelle, aucun nombre de tests ne peut garantir à lui seul la sécurité ; et produire artificiellement des événements rares est en soi un problème d'ingénierie difficile. L'approche de Waymo est ici remarquable : l'équipe reconstitue des scénarios de collision ayant eu une issue fatale dans le monde réel et place le Waymo Driver à la place du véhicule déclencheur de la collision. En simulation, il les a toutes évitées. Impressionnant - mais réussir sur des scénarios définis ne signifie pas épuiser la queue entière.
Comment les constructeurs abordent-ils le même problème ?
Mobileye : Une intelligence artificielle qui traque les échecs
Les deux véhicules présentés par Mobileye en 2026 apportent une solution systématique au problème. Meteor, analyste de données par IA multi-agents, parcourt des millions d'heures de vidéos de conduite en utilisant des plongements de modèles vision-langage et un raisonnement automatique. Et ce qu'il recherche est intéressant : des miracles singuliers dits « cygne noir », mais des échecs reproductibles - des schémas récurrents comme les piétons partiellement masqués ou les usagers de la route ambiguës. La chaîne découverte, hypothèse, interrogation de scénarios, validation et données d'entraînement est traitée automatiquement. Le système compagnon Genario, lui, convertit chaque échec validé en scénario synthétique photoréaliste et le multiplie avec des variantes nuit/jour, pluie, neige, glace, brouillard. Derrière tout cela, il y a plus de 25 ans d'expérience, plus de 230 millions de véhicules et un flux de données de 8 millions de véhicules par jour.
Waymo : Un périmètre restreint, des règles strictes
La stratégie de Waymo consiste non pas à raccourcir la file d'attente, mais à réduire le domaine où elle peut s'engager. Son Operational Design Domain (ODD), c'est-à-dire son domaine de conception opérationnelle ; il est défini par la géographie, le type de route, la plage de vitesse, la météo et l'heure de la journée. Selon les dossiers réglementaires de l'entreprise, son domaine cible inclut les routes dont la limite de vitesse va jusqu'à 65 mph. Les véhicules fonctionnent en totale autonomie ; les opérateurs humains à distance ne conduisent pas le véhicule avec un joystick, ils fournissent uniquement des directives de haut niveau. En octobre 2026, elle a également publié un nouveau cadre concernant des exercices de gestion d'incidents pour se préparer aux situations imprévues. Le message de la direction est clair : les véhicules autonomes peuvent réduire les accidents de façon spectaculaire mais ne peuvent pas atteindre 100 %, et il faut en parler ouvertement et honnêtement. Les données de l'entreprise montrent que le nombre d'accidents par million de miles de ses robotaxis est bien plus faible que lors des années précédentes. Autre observation : les définitions de l'ODD et les concepts de sécurité peuvent être réutilisés dans plusieurs villes - cette flexibilité interroge aussi sur les limites du domaine.
Tesla et NVIDIA : Deux paris différents
Tesla a parié que des milliards de miles de données du monde réel provenant de millions de véhicules finiront par éclaircir la file d'attente. Dans les versions Full Self-Driving (Supervised), les utilisateurs signalent moins d'interventions et, selon l'entreprise, le FSD réduit de plus de 80 % la probabilité de collision due à l'erreur humaine - mais ces données propres à l'entreprise et la question de la validation indépendante sont controversées ; Tesla n'a jamais publié de données officielles de désengagement. Les rapports des utilisateurs, bien qu'anecdotiques, sont riches en indices : une obligation de reprendre la main devant un camion qui change de voie, ou un système qui approche à grande vitesse d'un camion de chantier arrêté sur la voie de gauche.
NVIDIA, elle, regarde dans la direction opposée : raisonner sur les situations inconnues grâce à la simulation et à une intelligence généralisable. Le projet Alpamayo-R1 a montré que le modèle entraîné avec des données de raisonnement améliore jusqu'à 12 % la précision de planification sur les cas difficiles et réduit de 35 % les collisions imminentes. Aucune des deux philosophies - pas plus que l'exploration de données guidée par hypothèses de Mobileye ou l'approche d'IA de bout en bout de Wayve - n'a encore fait ses preuves comme solution définitive. Personne n'a vu la fin de la file d'attente.
L'intervention humaine à distance : Filet de sécurité ou faiblesse ?
La garantie pratique des entreprises de robotaxis, c'est la téléopération : l'intervention à distance d'un opérateur humain lorsque le système est mis à rude épreuve ou tombe en panne. Une audience du Sénat américain a révélé que les sociétés de robotaxi comptent précisément là-dessus. Il existait déjà, au sein de l'industrie, une conviction que les robotaxis de Cruise nécessitaient de fréquentes interventions d'opérateurs distants.
Mais ce filet de sécurité a un escalier. Dans le modèle Waymo, l'opérateur distant ne fournit qu'une supervision de haut niveau ; il ne prend pas le volant. Lors du lancement du robotaxi de Tesla à Austin, en revanche, il est indiqué que le personnel d'assistance distant peut prendre un contrôle temporaire à des vitesses de 2 mph et moins et conduire le véhicule à distance, et un rapport de 2025 d'une agence des transports d'un État documente que Tesla a adopté l'exploitation à distance pour les rares cas limites et environnements contraignants. Les connexions 5G et 6G à faible latence rendent ces modèles techniquement possibles. La question est la suivante : le fait qu'un humain puisse résoudre les scénarios que le système ne peut pas résoudre est-il une véritable solution, ou ne faisons-nous que déplacer le problème vers une file d'attente invisible ?
Que dit le droit entre la promesse et la réalité ?
Ici, les choses se compliquent, car un accident impliquant un rare cas limite soulève une question non seulement technique mais aussi juridique. Aux États-Unis, la NHTSA a publié en avril 2026 une mise à jour des règles relatives aux systèmes de conduite autonome. Sur le plan juridique, il existe une distinction intéressante : le fait qu'un véhicule soit conforme aux normes de sécurité ne le rend pas infaillible ; l'allégation de négligence est une voie juridique tout à fait différente, et c'est précisément là que les avocats des plaignants jouent. Selon un guide juridique préparé au Texas, l'argument utilisé dans les procès est l'écart entre la promesse de l'entreprise et ce que la voiture fait réellement. Le risque technique soulevé par Brookings se rattache au même point : les erreurs imprévisibles dans les systèmes de perception et de prédiction peuvent amener le véhicule à faire la mauvaise chose au mauvais moment.
Les niveaux de la norme J3016 de la SAE mettent aussi la promesse face à la réalité. Sur l'échelle allant du niveau 0 au niveau 5, la grande majorité des véhicules sur les routes se situe toujours au niveau 1 ou au niveau 2. Le niveau 3 crée un changement de charge majeur en transférant la responsabilité du conducteur au fabricant. Quant au niveau 5, certains experts pensent comme ceci : des véhicules fonctionnant partout où un humain peut conduire n'existeront jamais. Un article scientifique de 2026 propose même une classification supplémentaire fondée sur l'environnement et la situation, en soutenant que les niveaux actuels ne reflètent pas la capacité réelle dans le monde réel.
La file d'attente peut-elle être épuisée ? La réponse honnête
Je vais te le dire de la façon la plus claire : Les cas limites sont des scénarios statistiquement extrêmement rares mais imprévisibles qui retardent l'atteinte par la conduite autonome de l'autonomie totale promise ; ni la collecte infinie de données ni la simulation ne peuvent à elles seules épuiser cette file d'attente ouverte. Le camp optimiste détient de vrais accidents : les données de Waymo montrent que le nombre d'accidents par million de miles a réellement diminué, et la génération de scénarios synthétiques de Mobileye réduit systématiquement la file d'attente. Le camp pessimiste détient aussi des faits : si tu conduis comme les humains, tu ne peux éviter qu'environ un tiers des accidents; selon certains organismes de sécurité, l'absence de conducteur n'est pas encore au rendez-vous, des échecs réguliers subsistent sur des tâches de base. Et le prochain débat est déjà à la porte: si nous résolvons d'une manière ou d'une autre les cas extrêmes, comment garantirons-nous cette fois l'exactitude des modèles d'IA génératifs?
Voici ma lecture: la conduite autonome n'est pas une course, c'est un travail d'élimination au fil d'un cordon. Parcourir chaque jour des milliers de kilomètres sans incident n'impressionne personne; ce qui fait la différence, c'est ce que tu fais face à ce moment étrange qui survient une fois par million de miles. Et ce que tu feras à ce moment-là, personne ne le sait encore le jour où tu imagines ce scénario. Penses-tu que les robotaxis viendront à bout de cette file d'attente, ou qu'ils resteront toujours à un pas de distance? J'ai hâte de connaître ton avis dans les commentaires.
Sources
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)