Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
Cette revue systématique synthétise plus de 100 travaux pour présenter une taxonomie unifiée en neuf thèmes qui intègre les modèles de fondation, l'IA agentielle et les systèmes V2X coopératifs, se distinguant des enquêtes antérieures en abordant conjointement le compromis raisonnement-efficacité, les écarts entre simulation et réalité, ainsi que la gouvernance de la sécurité au sein d'une perspective d'architecture cognitive globale pour la conduite autonome.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La route vers une véritable voiture autonome a longtemps été pavée d'un type spécifique d'ingénierie : une chaîne de montage rigide où une pièce informatique voit le monde, une autre décide de l'action à entreprendre, et une troisième tourne le volant. Pendant des années, cette approche modulaire a suffisamment bien fonctionné pour faire avancer les voitures, mais elle a peiné face à la nature désordonnée et imprévisible de la vie réelle. Un conducteur humain ne se contente pas de voir un feu rouge ; il comprend le contexte d'une zone de travaux, l'intention d'un piéton qui traverse imprudemment et l'urgence d'une ambulance qui approche, tout en expliquant ses actions à un passager. Pour combler le fossé entre le code rigide et l'intuition humaine, les chercheurs ont commencé à se tourner vers une nouvelle classe d'intelligence artificielle connue sous le nom de modèles de fondation (foundation models). Il s'agit de systèmes massifs entraînés sur de vastes quantités de textes et d'images, capables de comprendre conjointement le langage et la vision. Appliqués à la conduite, ils promettent de transformer les véhicules, passant de simples machines automatisées à des partenaires cognitifs capables de raisonner sur des situations de trafic complexes, d'expliquer leurs choix en français courant et de s'adapter à des scénarios qu'ils n'ont jamais rencontrés auparavant.
Une revue exhaustive publiée en septembre 2026 par une équipe de chercheurs issus d'institutions d'Inde, de Malaisie, des Émirats arabes unis et d'Arabie saoudite cartographie ce paysage en mutation rapide. Les auteurs, dirigés par A. Srinivaas et Jeswin K F, ne se sont pas contentés de lister de nouveaux gadgets ; ils ont mené une analyse systématique de plus de cent études récentes pour comprendre comment ces puissants modèles de langage et de vision sont tissés dans la structure de la conduite autonome. Leur travail révèle que le domaine s'éloigne des systèmes de perception isolés pour se diriger vers une « architecture cognitive » unifiée. Dans cette nouvelle vision, la voiture ne se contente pas de réagir aux capteurs, mais raisonne activement sur le monde, utilise des outils pour recueillir des informations et collabore avec d'autres véhicules et l'infrastructure urbaine pour naviguer en toute sécurité.
La revue souligne une évolution significative dans la manière dont ces systèmes sont construits. Les premières tentatives reposaient sur des modules distincts pour la vision et la pensée, mais les recherches les plus récentes se concentrent sur les modèles Vision-Langage-Action (Vision-Language-Action models). Ces systèmes combinent la capacité de voir une scène, de comprendre le langage qui la décrit et de contrôler directement les mouvements du véhicule dans un processus unique et cohérent. Par exemple, au lieu de simplement détecter un piéton, un système utilisant ces modèles peut comprendre un panneau indiquant « Zone Scolaire » et raisonner qu'il doit ralentir, même si le piéton n'est pas encore visible. Les chercheurs ont constaté que des cadres comme DriveMLM et TeLL-Drive démontrent déjà la capacité d'améliorer la prise de décision et de réduire le temps de réflexion de la voiture. Dans un test spécifique utilisant un environnement de simulation appelé CARLA, un modèle nommé DriveMLM a amélioré les scores de conduite de 4,7 points, spécifiquement sur le score de conduite « CARLA Town05 Long », en alignant mieux sa compréhension visuelle avec ses décisions de planification.
Cependant, le chemin vers un avenir pleinement autonome n'est pas sans obstacles importants, et la revue prend soin de distinguer ce qui fonctionne dans une simulation informatique de ce qui fonctionne dans une rue réelle. Les auteurs pointent du doigt un « écart simulation-réalité » persistant. Bien que de nombreux modèles avancés performent de manière impressionnante dans des mondes virtuels comme CARLA ou nuScenes, ils peinent souvent lorsqu'ils sont transférés dans des conditions réelles. L'écart est substantiel ; dans certains cas, la performance des systèmes de perception coopérative chute de l'ordre de 40 pour cent lors du passage d'un environnement simulé au monde réel. Cela s'explique par le fait que les données parfaites et prévisibles d'une simulation ne peuvent pas capturer pleinement l'imprévisibilité chaotique du trafic, de la météo et du comportement humain. De plus, les caractéristiques mêmes qui rendent ces modèles intelligents — leur capacité à raisonner à travers des chaînes de pensée complexes — les rendent également lents. Le temps nécessaire à un grand modèle de langage pour « réfléchir » peut être trop long pour les décisions de l'ordre de la fraction de seconde requises lors d'une urgence, créant un compromis difficile entre intelligence et vitesse.
Une autre conclusion critique de la revue est l'absence d'un cadre de sécurité unifié. Actuellement, les contrôles de sécurité, la communication entre les véhicules et l'intelligence artificielle elle-même sont souvent traités comme des problèmes distincts. Les chercheurs soutiennent que pour que ces systèmes soient dignes de confiance, ils doivent adopter une approche holistique qui intègre la vérification de la sécurité directement dans le processus de raisonnement. Ils notent que bien que des progrès aient été réalisés grâce à l'utilisation de jumeaux numériques — des répliques virtuelles hautement détaillées de villes — pour tester ces systèmes, il n'existe aucun moyen standardisé de mesurer à quel point ces mondes numériques correspondent à la réalité. Sans cette norme, il est difficile de certifier qu'une voiture est réellement sûre pour la voie publique. La revue aborde également le concept émergent d'« IA agentique », où la voiture agit comme un agent indépendant doté d'une mémoire et de la capacité d'utiliser des outils. Bien que cela offre la promesse de véhicules capables d'apprendre de l'expérience et de collaborer entre eux, les auteurs avertissent que ces systèmes n'en sont qu'à leurs balbutiements et font face à des défis d'interopérabilité et de fiabilité.
L'article conclut en traçant une feuille de route claire pour l'avenir, soulignant que la prochaine génération de conduite autonome ne sera pas définie par une seule percée, mais par l'intégration de plusieurs technologies complexes. Les chercheurs suggèrent que l'avenir réside dans des systèmes hybrides qui combinent la vitesse des systèmes de contrôle traditionnels avec la puissance de raisonnement des grands modèles de langage, le tout soutenu par des réseaux de communication robustes permettant aux voitures de communiquer entre elles et avec l'infrastructure urbaine. Ils insistent sur le fait que pour que ces systèmes deviennent une réalité, l'industrie doit résoudre le problème de rendre ces modèles puissants assez rapides pour une utilisation en temps réel, assez sûrs pour être certifiés et assez transparents pour que les humains puissent leur faire confiance. Le voyage d'une voiture qui suit simplement une voie à une voiture qui comprend le monde et raisonne sur celui-ci est bien engagé, mais le dernier kilomètre nécessite de résoudre certains des défis les plus difficiles de l'intelligence artificielle et de l'ingénierie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.