Acquisition et contexte
Rivian a finalisé l’achat de Third Dimension, une startup britannique fondée en 2024 par Tolga Kart et Piotr Sokolski. L’entreprise, qui compte quinze employés, a levé 7 millions de dollars en financement d’amorçage auprès d’Abstract Ventures, MVP, Soma Capital et Solari Capital. Aucun montant n’a été communiqué pour la transaction, mais l’intégration du personnel britannique dans l’équipe d’autonomie et d’IA dirigée par James Philbin indique une volonté de renforcer les capacités de simulation interne de Rivian.
Technologie de génération 3D
Third Dimension utilise l’intelligence artificielle pour convertir des images et des séquences vidéo en environnements 3D photoréalistes. Initialement conçue pour accélérer le développement de jeux vidéo, la technologie repose sur des réseaux de neurones capables de reconstruire la géométrie et les textures à partir de données 2D. Cette approche contraste avec les simulateurs traditionnels, qui s’appuient sur des moteurs de rendu et des données synthétiques, souvent limitées par un écart perceptible entre le virtuel et le réel. En reproduisant fidèlement le monde physique, l’IA de Third Dimension promet de réduire cet écart.
Intégration aux données de Rivian
Rivian exploite déjà les flux provenant de dizaines de milliers de véhicules – R1S, R1T, vans de livraison et R2 – dont les propriétaires ont activé le partage de caméras externes. Selon Philbin, plus de 400 000 séquences sont téléchargées chaque jour, puis agrégées et anonymisées pour entraîner les modèles de conduite. En couplant ces volumes de données réelles avec la capacité de Third Dimension à générer des mondes 3D, Rivian peut enrichir ses simulateurs avec des scénarios issus de la réalité, sans attendre que les cas limites se manifestent sur la route.
Implications pour la simulation autonome
La combinaison de données massives et de reconstruction AI permet de créer des environnements virtuels où chaque condition de conduite – météo extrême, éclairage nocturne, obstacles imprévus – peut être reproduite à la demande. Cette flexibilité réduit la dépendance aux scénarios synthétiques et accélère la validation des systèmes d’aide à la conduite avancée (ADAS) et du futur robotaxi. Toutefois, la précision de la reconstruction dépend de la qualité des images d’entrée et du coût de calcul nécessaire pour générer des mondes à grande échelle. De plus, la transformation de données réelles en modèles 3D soulève des questions de confidentialité, même si les séquences sont déjà anonymisées.
