Des chercheurs de l'Université technologique de Delft, en collaboration avec Waymo, ont mis au point un nouveau modèle prédictif capable de simuler avec précision les réflexes des conducteurs face à des situations de danger routier. Publié le 10 juin dans Nature Communications, cette étude unifie la perception, la prise de décision et l'exécution dans un seul cadre cohérent. Contrairement aux modèles existants qui analysent séparément le temps de réaction ou la trajectoire, cette approche intègre l'ensemble des mécanismes de conduite pour anticiper l'évolution d'une situation critique et déterminer simultanément la meilleure stratégie d'évitement, qu'il s'agisse de freiner, de braquer ou des deux. Pour valider leur outil, l'équipe l'a confronté à trois scénarios de danger récurrents : freinage brutal d'un véhicule avant, intrusion inattendue en sens inverse et manquement à la priorité. Le système a reçu les mêmes données visuelles que les conducteurs humains et a reproduit fidèlement leurs temps de réaction ainsi que leurs choix comportementaux. En intégrant explicitement les limites cognitives et physiques humaines, il génère des réactions de conduite naturellement réalistes. Waymo exploite déjà ces résultats pour comparer objectivement les performances de ses véhicules autonomes à celles des conducteurs humains. Cette avancée offre des perspectives majeures pour la régulation et le développement des technologies de conduite autonome. Arkady Zgonnikov, maître de conférences à l'Université de Delft, précise que le modèle permettra d'évaluer scientifiquement si les voitures autonomes sont effectivement plus sûres que les humains, un enjeu central pour les autorités de contrôle. Il facilitera également l'instauration de normes claires et mesurables pour les constructeurs automobiles. Mauricio Peña, directeur de la sécurité chez Waymo, ajoute que cet outil encourage une évaluation partagée de la capacité d'évitement des collisions, posant les bases d'une industrie routière plus sécurisée, mieux réglementée et fondée sur des données comparatives rigoureuses.