NVIDIA impose son socle technologique à toute l’industrie du robotaxi

Une pile logicielle et matérielle unifiée pour l’autonomie

NVIDIA ne se contente plus de fournir des composants : le groupe propose désormais une architecture complète, de l’entraînement des modèles d’IA jusqu’au calcul embarqué dans les véhicules, que tous les leaders du robotaxi adoptent. Cette pile, organisée en trois étages, repose sur des briques matérielles et logicielles conçues pour fonctionner ensemble, depuis les centres de données jusqu’aux routes.

Le premier étage, dédié à l’entraînement des modèles, s’appuie sur les systèmes NVIDIA DGX, des serveurs optimisés pour le deep learning. Ces machines permettent de traiter des volumes massifs de données de flotte pour améliorer en continu les modèles de conduite autonome. Par exemple, Tesla utilise ces supercalculateurs pour entraîner ses réseaux de neurones dédiés à l’autonomie.

Le deuxième étage, réservé à la simulation et à la validation, combine deux outils clés : NVIDIA Omniverse et NVIDIA Cosmos. Omniverse permet de reconstruire des scénarios réels à partir de données capteurs, tandis que Cosmos génère des variations synthétiques de ces scénarios (météo, trafic, comportements rares) pour enrichir les jeux de données. Cette approche permet de multiplier par milliers le nombre de cas de conduite critiques, sans avoir à les reproduire physiquement. Sur un benchmark exigeant, l’ajout de données de méta-actions et de raisonnement en chaîne de pensée a réduit l’erreur moyenne de prédiction de trajectoire de 43 %, passant de 2,08 à 1,18 mètres d’écart moyen par rapport à la trajectoire de référence.

Enfin, le troisième étage, celui du calcul embarqué, est assuré par la plateforme NVIDIA DRIVE Hyperion, couplée aux puces DRIVE AGX Thor (basées sur l’architecture Blackwell). Ces systèmes gèrent en temps réel la fusion des données capteurs (14 caméras HD, 9 radars, 3 lidars, 12 ultrasoniques), la perception, le raisonnement et la planification de trajectoire. La redondance des calculateurs et des capteurs garantit une continuité de service même en cas de défaillance partielle.

Qui utilise cette pile ? Presque tout le secteur

L’adoption de cette architecture par les acteurs du robotaxi est quasi systématique. Voici quelques exemples concrets :

Une approche modulaire et ouverte

L’un des atouts de cette plateforme est sa modularité : chaque acteur peut adapter les briques logicielles (modèles Alpamayo, frameworks de simulation, outils de validation) à ses besoins spécifiques. NVIDIA fournit des briques de base (modèles VLA, jeux de données physiques, recettes d’apprentissage par renforcement) que les développeurs peuvent personnaliser. Par exemple, Autobrains utilise sa technologie Agentic AI avec DRIVE Hyperion pour des programmes de robotaxi à Munich et en Asie du Sud-Est.

Cette ouverture permet aussi une interopérabilité entre les différents acteurs. Uber, par exemple, collabore avec des dizaines de partenaires (Autobrains, Avride, Lucid, May Mobility, Mercedes-Benz, Momenta, Nissan, Nuro, Pony.ai, Stellantis, Waabi, Wayve, WeRide, Zoox) pour intégrer leurs solutions sur sa plateforme, tout en s’appuyant sur l’infrastructure NVIDIA.

Pourquoi cette architecture est-elle devenue incontournable ?

Plusieurs facteurs expliquent son adoption massive :

1. La standardisation des workflows : En unifiant entraînement, simulation et calcul embarqué, NVIDIA réduit les frictions entre les différentes étapes du développement d’un système autonome. Les modèles entraînés dans le cloud peuvent être déployés directement dans les véhicules sans réécriture majeure.

2. La gestion des scénarios rares : Les outils de simulation (Omniverse et Cosmos) permettent de générer des millions de variations de cas critiques, ce qui est impossible à réaliser uniquement avec des kilomètres parcourus en conditions réelles.

3. La performance en temps réel : Les puces DRIVE AGX Thor, conçues pour les charges de travail IA modernes, offrent la puissance de calcul nécessaire pour exécuter des modèles VLA (Vision-Language-Action) en bordure, avec une latence maîtrisée.

4. La sécurité et la redondance : L’architecture DRIVE Hyperion intègre des mécanismes de tolérance aux pannes, comme des calculateurs et capteurs redondants, essentiels pour les applications de niveau 4 où aucune intervention humaine n’est possible.

Un écosystème qui s’étend au-delà des robotaxis

Si cette pile est aujourd’hui associée aux robotaxis, ses composants sont aussi utilisés dans d’autres domaines de la robotique autonome. Par exemple, TIER IV et Isuzu déploient des bus autonomes de niveau 4 basés sur DRIVE Hyperion et DRIVE AGX Thor, tandis que Lenovo fournit des contrôleurs de domaine pour des programmes de robotaxi avec SWM.

En résumé

NVIDIA a réussi à imposer une infrastructure commune pour l’autonomie de niveau 4, couvrant l’ensemble du cycle de vie des systèmes robotisés. Cette approche modulaire, ouverte et scalable répond aux besoins des acteurs du robotaxi, qu’ils soient constructeurs automobiles, opérateurs de mobilité ou startups spécialisées. En standardisant les outils d’entraînement, de simulation et de calcul embarqué, NVIDIA accélère le déploiement des flottes autonomes tout en réduisant les coûts et les risques techniques.

La question n’est plus de savoir si cette architecture sera adoptée, mais plutôt quand les derniers acteurs du secteur s’y rallieront.