Contexte et objectifs
Waymo annonce son entrée officielle au Canada avec un projet de service de transport à la demande prévu pour 2028. L’entreprise vise à placer ses premiers véhicules autonomes sur les rues de Toronto après une phase de validation manuelle. Cette initiative s’appuie sur un investissement dans des installations locales et la création de centaines d’emplois, notamment en maintenance de flotte, conduite de validation et support client.
Processus de déploiement technique
Le déploiement débute par la cartographie haute définition du réseau routier torontois. Waymo utilise ses capteurs lidar, radar et caméras pour générer des modèles 3D précis, indispensables à la localisation du Waymo Driver. Une fois la cartographie achevée, des spécialistes de la conduite autonome prennent le volant pour tester les algorithmes de perception et de planification dans des conditions réelles. Cette étape de validation, réalisée avec des conducteurs humains, permet d’ajuster les paramètres de la pile logicielle afin de garantir une adaptation fluide aux spécificités locales, telles que les marquages au sol et les règles de priorité particulières.
Gestion de flotte et partenariats
Waymo collabore avec Element Fleet Management, société torontoise spécialisée dans les solutions intelligentes de gestion de flottes. Element assure la logistique du parc, la planification des entretiens et le suivi des performances en temps réel via une plateforme cloud. Le partenariat s’appuie également sur des relations existantes avec le Canada Pension Plan Investment Board, investisseur de longue date, et Magna International, fabricant de composants automobiles. Cette chaîne de valeur intégrée vise à soutenir une montée en échelle progressive, tout en maintenant la disponibilité opérationnelle des véhicules.
Analyse des performances de sécurité
Waymo cite plus de 400 millions de kilomètres parcourus en mode entièrement autonome dans ses zones d’exploitation actuelles. Sur cet historique, le taux d’accidents graves est réduit de 95 % – soit une diminution d’un facteur 20 – par rapport aux conducteurs humains. Cette amélioration résulte d’une combinaison de redondance capteurielle, de modèles de décision basés sur le machine learning et de procédures de validation continue. Toutefois, la transition vers un environnement urbain dense comme Toronto introduit de nouveaux défis : interactions avec les cyclistes, variations climatiques et densité de piétons. La phase de conduite manuelle prévue permet de collecter des données supplémentaires pour affiner les modèles de prédiction de comportements vulnérables, réduisant ainsi les marges d’erreur avant le passage complet à l’autonomie.
