Deux prépublications, un même problème : piloter malgré l’incertitude
Deux nouvelles prépublications déposées sur arXiv le 12 mai 2026 s’attaquent à un angle très concret de la conduite autonome : que doit faire un véhicule lorsque sa propre localisation, les objets autour de lui et l’évolution du terrain ne sont connus qu’imparfaitement?
La première, intitulée « Multistep Belief Space Dynamics Learning For Risk-Aware Control », propose un cadre d’apprentissage pour prédire des dynamiques distributionnelles sur plusieurs étapes et les exploiter dans un contrôle prédictif par modèle, ou MPC. Les auteurs affirment avoir testé leur approche sur un grand jeu de données de conduite hors route réelle, puis l’avoir déployée sur un véhicule grandeur nature en conditions difficiles. Le cœur de l’idée est simple à formuler, mais difficile à industrialiser : au lieu de prédire une seule trajectoire probable, le système apprend comment l’incertitude elle-même se propage dans le temps.
La seconde, « Belief-Space Residual Risk for Automated Driving under Localization Uncertainty », traite le risque résiduel lorsque le véhicule ne connaît pas exactement sa propre pose. Les auteurs modélisent cette pose comme une distribution gaussienne et reformulent le risque résiduel comme une espérance calculée sur cette distribution de croyance. Dans leur cadre, l’incertitude de localisation du véhicule est fusionnée avec celle des objets environnants pour estimer des probabilités de collision par particules.
Ces deux travaux ne doivent pas être lus comme une démonstration définitive de sûreté. arXiv est un serveur de prépublications : la mise en ligne rapide favorise la circulation scientifique, mais ne remplace pas l’évaluation par les pairs. Le second article indique toutefois, selon sa notice arXiv, une acceptation à IEEE Intelligent Transportation Systems Conference 2026, ce qui en fait un travail en voie de publication formelle, sans que la version finale IEEE soit encore le document de référence public.
Ce que signifie vraiment l’« espace de croyances »
Dans un système autonome classique présenté en laboratoire, le monde peut sembler net : la voiture a une position, les obstacles ont une position, la trajectoire optimale est calculée. Sur route ouverte, en forêt, sur chantier, en ville dense ou sous mauvaise météo, cette netteté disparaît. Les capteurs ont du bruit, les cartes haute définition peuvent être incomplètes, le GPS peut se dégrader, les obstacles peuvent être partiellement masqués et les humains agissent rarement selon un modèle parfait.
L’espace de croyances consiste à représenter l’état du monde non pas comme une vérité ponctuelle, mais comme une distribution de possibilités. Le véhicule ne dit plus seulement : « je suis ici ». Il dit plutôt : « je suis probablement ici, avec telle incertitude latérale, telle incertitude longitudinale et telle orientation probable ». Cette nuance change tout pour la planification. Un virage qui semble sûr avec une position exacte peut devenir risqué si l’incertitude de localisation chevauche une bordure, une voie adjacente ou un obstacle.
C’est précisément le pont que cherchent à construire les deux prépublications. L’une apprend comment ces croyances évoluent sur plusieurs pas de temps afin de piloter de manière moins naïve. L’autre intègre explicitement l’incertitude de pose dans une mesure de risque résiduel, c’est-à-dire le risque qui subsiste après les choix de conception, de perception, de planification et de contrôle.
Du risque de collision au risque résiduel
La notion de risque résiduel est centrale dans la sûreté des systèmes automatisés. Elle ne prétend pas que le risque tombe à zéro. Elle cherche plutôt à quantifier ce qui reste, à vérifier si ce reste est acceptable, et à documenter pourquoi.
Les travaux antérieurs sur les métriques de criticité, notamment la revue publiée chez Springer Nature dans « Criticality Metrics for Automated Driving », ont montré à quel point la mesure de la sécurité comportementale reste un sujet de recherche. Le temps avant collision, les distances de sécurité, les probabilités d’impact ou les marges dynamiques capturent chacun une partie du problème, mais rarement l’ensemble de la scène.
Le rapport TNO « Towards a Quantitative Safety Metric for Autonomous Vehicles » proposait déjà de décomposer le risque opérationnel selon la probabilité d’un danger, la sévérité potentielle et la capacité d’évitement du véhicule. La nouvelle prépublication sur le risque résiduel en espace de croyances ajoute une couche importante : si la pose même du véhicule est incertaine, le calcul du risque doit intégrer cette incertitude dès le départ, et non l’ajouter comme une marge de sécurité approximative à la fin.
Cette approche est cohérente avec les préoccupations de l’ISO 21448, la norme SOTIF, qui cible les dangers issus d’insuffisances fonctionnelles même en absence de panne matérielle ou logicielle classique. Une voiture peut fonctionner comme prévu et pourtant être dangereuse si ses capteurs, ses modèles ou sa spécification ne couvrent pas correctement une situation raisonnablement prévisible.
Pourquoi le MPC revient au centre du jeu
Le contrôle prédictif par modèle, ou MPC, est une technique bien connue : à chaque instant, le système simule plusieurs futurs possibles, choisit une action optimale sur un horizon court, applique la première action, puis recommence. Son avantage est sa capacité à intégrer contraintes, objectifs et dynamique du véhicule.
Le problème est que le MPC devient beaucoup plus difficile lorsque le futur n’est pas seulement incertain, mais distributionnel. Il ne suffit plus de prévoir où le véhicule ira; il faut prévoir comment les distributions d’erreur évolueront. La prépublication « Multistep Belief Space Dynamics Learning For Risk-Aware Control » insiste justement sur la structure du modèle appris. Selon les auteurs, l’ablation de cette structure dégrade les résultats, ce qui suggère que l’apprentissage brut ne suffit pas toujours : il faut guider le modèle par une architecture compatible avec la physique et l’usage temps réel.
C’est un message important pour l’industrie. Les véhicules autonomes ne pourront pas se contenter d’un grand réseau neuronal qui imite des conducteurs humains. Ils auront besoin de modules capables d’expliquer, de borner et de justifier leurs choix dans des scénarios rares. Le contrôle en espace de croyances donne un langage mathématique à cette prudence.
Le laboratoire ne ressemble pas à la rue
La NHTSA rappelle que les systèmes de conduite automatisée de niveaux 3 à 5 visent à exécuter l’ensemble de la tâche dynamique de conduite dans un domaine opérationnel défini. Or ce domaine opérationnel, souvent appelé ODD, est la frontière entre une démonstration impressionnante et un produit déployable.
Le monde réel impose des écarts que les vidéos de démonstration masquent souvent : marquages effacés, travaux temporaires, neige, pluie, feuilles, poussière, piétons imprévisibles, objets tombés de camions, véhicules d’urgence, zones GPS difficiles, comportements agressifs d’autres conducteurs. Les données de crash collectées par la NHTSA dans le cadre de son Standing General Order montrent aussi que l’interprétation de la sécurité exige beaucoup de prudence : les rapports dépendent des seuils de déclaration, des capacités de télémétrie, de la connaissance par le fabricant de l’événement et de la qualité des champs renseignés.
Les annonces d’entreprises ajoutent un autre niveau de complexité. Waymo publie un cadre de dossier de sécurité et des comparaisons de performance avec des conducteurs humains dans certaines zones d’exploitation. Mobileye promeut de son côté le modèle Responsibility-Sensitive Safety, qui formalise des règles comme la distance sûre, la gestion des coupures de voie et la prudence en visibilité limitée. Ces documents sont utiles, car ils exposent des méthodes industrielles. Mais ils restent des sources d’acteurs intéressés : ils doivent être lus comme des éléments d’argumentaire technique, non comme une validation indépendante.
Un enjeu qui dépasse l’automobile
Même si les deux prépublications ciblent l’automobile et la conduite hors route, leur logique intéresse aussi la robotique d’exploration. Dans l’exploration spatiale, un rover doit souvent naviguer avec une localisation imparfaite, des cartes partielles, un sol incertain et des délais de communication. La différence est que l’environnement est moins peuplé d’humains, mais les conséquences d’une erreur peuvent être irréversibles pour une mission.
C’est pourquoi le sujet entre naturellement dans une veille technologique plus large : apprendre des dynamiques en espace de croyances et quantifier un risque résiduel sous incertitude sont des briques transversales pour tout système autonome qui doit agir loin du contrôle humain direct.
Ce que cela annonce pour la suite
À court terme, ces travaux devraient surtout influencer la recherche et les bancs d’essai avancés. Les constructeurs et opérateurs ne basculeront pas immédiatement leur pile logicielle vers ces formulations. Pour franchir le cap industriel, il faudra prouver la robustesse sur davantage de scénarios, mesurer le coût de calcul, démontrer la stabilité en temps réel et surtout relier ces métriques à des exigences de sécurité compréhensibles par les régulateurs.
À moyen terme, l’enjeu sera l’auditabilité. Un véhicule autonome ne devra pas seulement éviter l’accident; il devra expliquer pourquoi sa décision était raisonnable compte tenu de ce qu’il croyait savoir. Les modèles en espace de croyances peuvent aider à produire cette trace : quelles hypothèses, quelles incertitudes, quelles probabilités de collision et quelle marge de risque au moment de la décision.
La prudence reste donc essentielle. Ces prépublications ne prouvent pas que la conduite autonome est résolue. Elles montrent plutôt que la communauté scientifique déplace le centre de gravité : moins de promesses générales sur l’intelligence artificielle, plus de formalisation du risque, de l’incertitude et des conditions réelles de contrôle. C’est probablement là que se jouera l’écart entre la voiture autonome de laboratoire et le système autonome réellement exploitable.