Une nouvelle étude menée par l'Université du Michigan, publiée récemment dans Nature Communications, démontre que l'intégration de données de quasi-accidents avec les données de collisions réelles peut améliorer la sécurité des algorithmes de véhicules autonomes jusqu'à 90 %. Ces résultats offrent une voie prometteuse pour accélérer la validation technologique et renforcer l'acceptation du public, freinée depuis des années par des inquiétudes légitimes en matière de sécurité. Bien que plus de 160 milliards de dollars aient été investis dans la conduite autonome pour réduire les quelque 40 000 décès annuels sur les routes américaines, la méfiance des consommateurs persiste. La clé réside dans l'entraînement des algorithmes de contrôle. Ceux-ci nécessitent d'énormes volumes de données issues des tests réels et des simulations pour apprendre à réagir dans toutes les situations de circulation. Cependant, les ingénieurs font face à ce que l'on appelle le problème du balancier en intelligence artificielle : la correction d'un défaut de comportement en révèle immédiatement un autre, ou en crée un nouveau complètement différent. Traditionnellement, la solution consistait à accumuler massivement des données d'accidents pour montrer au réseau neuronal ce qu'il ne doit pas faire. Mais cette approche ignore un levier tout aussi précieux. L'équipe de recherche, dirigée par Henry Liu, responsable du centre Mcity et de l'Institut de recherche sur les transports de l'Université du Michigan, a démontré que les quasi-accidents sont des scénarios tout aussi critiques. Dans les simulations, ces événements évités de justesse se produisent mille fois plus souvent que les collisions réelles. En combinant systématiquement les échecs avec ces manœuvres réussies de dernière seconde, la performance de sécurité du véhicule autonome s'est améliorée de 90 % lors des tests au centre Mcity. Cette méthode permet également de contourner la malédiction de la rareté, un obstacle majeur dans les essais routiers traditionnels. Rassembler suffisamment de données réelles sur les collisions ou les presque-collisions nécessiterait des centaines de millions, voire des milliards de kilomètres de conduite. Grâce à l'optimisation des données d'entraînement par intelligence artificielle, les chercheurs ont réduit la distance de test nécessaire de 99,9 %. En validant cette approche, les travaux de l'Université du Michigan fournissent aux constructeurs et aux développeurs une méthode robuste pour prouver la fiabilité des systèmes de conduite autonome de niveau quatre et cinq. La capacité à générer des scénarios de sécurité critiques de manière virtuelle et économique devrait accélérer les homologations, réduire les coûts de développement et, in fine, rapprocher la société de la promesse d'une mobilité plus sûre et entièrement automatisée.