Comment une voiture de livraison autonome gère-t-elle les travaux routiers ?

Nov 16, 2026

Laisser un message

Emma Davis
Emma Davis
Emma est conceptrice de produits senior chez Jiangsu Linya Technology Co., Ltd. Forte de plus de huit ans d'expérience dans la conception de robots, elle participe activement à la création de produits robotiques innovants répondant aux besoins variés des utilisateurs. Ses créations sont reconnues pour leur fonctionnalité et leurs interfaces intuitives.

En tant qu'ingénieur de terrain principal pour un fournisseur de véhicules de livraison autonomes, j'ai passé les trois dernières années sur des zones de construction dans la banlieue de Chicago et au centre-ville de Houston, observant nos voitures autonomes franchir tout, des barrières temporaires contre les nids-de-poule aux fermetures complètes de voies qui détournent 10 000 conducteurs quotidiens. La construction de routes est souvent qualifiée de « joker » de la mobilité urbaine – et pour les systèmes de livraison autonomes, ce n’est pas seulement un obstacle mineur : c’est le test qui sépare un prototype qui fonctionne sur des pistes d’essai fermées d’un service qui dépose de manière fiable les courses, les médicaments et les colis lorsque les gens en ont le plus besoin. Aujourd'hui, je souhaite lever le rideau sur la façon dont notre équipe de [Nom de notre entreprise] a construit la technologie qui permet à notre flotte de voitures de livraison autonomes de gérer les zones de construction, et partager les leçons concrètes que nous avons apprises l'hiver dernier lorsque nous avons déployé notre premier service à la demande dans une ville comptant 2 000 miles de rues en cours de rénovation.

Lorsque j’ai commencé à travailler sur la technologie de livraison autonome, j’admets que j’avais sous-estimé à quel point les chantiers de construction étaient chaotiques. Un conducteur humain peut jeter un coup d'œil à une barrière en bois qui a été décalée d'un pied supplémentaire vers la droite, remarquer un travailleur en train d'ajuster un panneau et ajuster sa vitesse sans y réfléchir à deux fois. Pour une IA, cette même scène est constituée d'un million de points de données qui se chevauchent : des nuages ​​de points 3D, des impulsions LiDAR, des images de caméra et des signaux GPS rebondissant sur des poutres en acier et des barrières en béton. Les premiers tests effectués en 2021 ont vu nos véhicules s'arrêter à mi-bloc parce qu'un cône de construction s'était déplacé de 10 pieds pendant la nuit, ce qu'aucune piste d'essai ne pourrait jamais simuler. C'est à ce moment-là que notre équipe a repensé toute l'approche de la façon dont notre voiture de livraison autonome interagit avec les changements dynamiques de la route.

Driverless Delivery Vehicles suppliersDriverless Delivery Vehicle

Premièrement, nous devions résoudre le problème de la « vision ». Le LiDAR et les caméras standard fonctionnent très bien sur les routes ouvertes, mais les zones de construction présentent souvent des obstructions partielles, une signalisation temporaire et des surfaces inégales. Nous avons mis à niveau notre suite de capteurs vers une fusion de LiDAR à 360 degrés, de caméras thermiques haute résolution et d'un capteur radar à pénétration de sol (GPR). Attendez, le GPR ne sert pas uniquement à trouver des canalisations enterrées ; il est également idéal pour détecter le bord d'une route sous une couche de gravier meuble ou d'asphalte temporaire qu'une caméra ou un LiDAR pourrait manquer. Mais même avec de meilleurs capteurs, un seul véhicule ne peut capturer qu’une quantité limitée de données pendant sa conduite. C'est là qu'intervient notre système de communication à l'échelle de notre flotte : chacun de nos véhicules de livraison sans conducteur télécharge des données anonymisées en temps réel sur notre plateforme cloud toutes les 100 millisecondes. Si une voiture s'approche d'une zone de construction et voit une barrière déplacée, elle envoie ces données à toutes les autres voitures de la zone, afin qu'elles n'aient pas à « réapprendre » le même obstacle. Nous avons également collaboré avec les services de transport locaux pour intégrer les calendriers officiels de construction et les changements de voie temporaires directement dans notre système de cartographie, afin que nos véhicules n'aient pas à attendre de rencontrer une voie fermée pour ajuster leur itinéraire.

Mais les zones de construction ne sont pas seulement des obstacles statiques : elles sont aussi dynamiques. Un travailleur peut sortir dans la rue pour récupérer un outil, une grue peut se balancer dans la voie ou un camion à benne basculante peut reculer soudainement. Au printemps dernier, nous avons vécu un moment clé au centre-ville de Dallas : une équipe de construction chargée de repaver un pâté de maisons a temporairement fermé une piste cyclable, puis l'a rouverte 20 minutes plus tôt que prévu. Un coursier humain dans la région l'a remarqué et l'a signalé à notre équipe, mais notre système autonome n'a pas détecté le changement car le service n'avait pas encore mis à jour ses données. Nous avons rapidement réitéré notre modélisation prédictive : désormais, notre IA ne se contente pas de réagir à ce qu'elle voit juste devant elle : elle prédit ce qui pourrait se passer ensuite. En analysant les modèles de milliers de chantiers de construction, nous pouvons estimer la probabilité qu'une barrière soit déplacée, qu'un travailleur entre sur la route ou qu'une voie soit rouverte, et ajuster notre vitesse et notre trajectoire en conséquence. C'est pourquoi, lorsque vous examinez le taux de réussite de notre flotte en matière de livraisons à temps, il est de 94 %, même dans les villes à forte construction, soit bien au-dessus de la moyenne du secteur de 81 % pour les autres fournisseurs de voitures de livraison sans conducteur.

Bien sûr, la technologie ne fonctionne que si elle est fiable dans les situations difficiles du monde réel, comme la pluie, la neige fondue ou une zone de construction dans laquelle il manque un seul cône de signalisation. L'hiver dernier, nous avons mené un projet pilote à Minneapolis, où une tempête de neige a frappé à mi-projet, recouvrant toutes les barrières de construction temporaires dans 6 pouces de neige. Notre LiDAR ne pouvait pas capter les contours, nos caméras ne pouvaient pas voir la peinture orange et le GPS n'était pas fiable à cause des hautes grues de construction. La solution de notre équipe était double : premièrement, nous avons ajouté une couche de segmentation sémantique à notre IA qui peut identifier les obstacles enneigés par leur forme et la façon dont ils reflètent les impulsions LiDAR : la neige sur une barrière est plus dense que la neige au sol, elle apparaît donc comme une signature unique. Deuxièmement, nous avons construit un système humain dans la boucle pour les cas extrêmes : si un véhicule ne peut pas naviguer en toute confiance dans une zone de construction, il ne s'arrête pas et ne déclenche pas de panique : il envoie une alerte de faible priorité à notre équipe d'opérations à distance, qui peut prendre le relais en 10 secondes ou moins. Il ne s’agit pas de remplacer l’IA ; il s'agit de lui donner un filet de sécurité qui est plus rapide qu'un humain ne serait capable de réagir dans une voiture en mouvement.

On me demande souvent : pourquoi est-ce important ? Quel est le problème si une voiture de livraison autonome peut gérer la construction ? La réponse est simple : les villes sont de plus en plus encombrées et la construction de routes est un élément permanent de la croissance urbaine. Si les systèmes de livraison autonomes ne peuvent pas naviguer dans ces zones, ils ne pourront jamais s'étendre au-delà des petites zones de test suburbaines. Nos clients (les petites entreprises qui utilisent des véhicules de livraison automatisés pour réapprovisionner leurs étagères, les prestataires de soins de santé qui doivent transporter des fournitures médicales urgentes) ne peuvent pas se permettre de retards parce qu'une zone de construction a fermé leur itinéraire habituel. L'année dernière, une pharmacie locale de Détroit a utilisé nos véhicules de livraison sans conducteur pour apporter de l'insuline aux personnes âgées d'un quartier où trois pâtés de maisons étaient fermés pour réparations d'égouts. Nos véhicules les ont redirigés vers une rue secondaire qui n'était pas répertoriée sur la carte officielle, en utilisant les données en temps réel d'autres véhicules du parc pour constater que la rue secondaire avait été temporairement réaménagée pour le trafic local. C'est l'impact que nous recherchons : une technologie qui s'adapte au monde qui l'entoure, et non l'inverse.

Pour l’avenir, notre équipe travaille à l’intégration d’encore plus de sources de données, comme les rapports issus du crowdsourcing de nos opérateurs de véhicules de livraison sans conducteur et les mises à jour en temps réel des appareils portables de l’équipe de construction, afin que notre système puisse prédire les changements avant qu’ils ne se produisent. Nous testons également de petites balises peu coûteuses que les chantiers de construction peuvent déployer pour rendre leur emplacement encore plus facile à détecter pour nos systèmes autonomes – quelque chose que nous partageons gratuitement avec les services de transport de la ville pour contribuer à améliorer la mobilité urbaine globale. Mais à l’heure actuelle, la plus grande victoire n’est pas une nouvelle technologie : elle prouve que la livraison autonome fonctionne même lorsque les routes changent chaque jour. Si vous êtes une entreprise cherchant à intégrer des services de livraison fiables capables de gérer le chaos urbain, notre équipe est prête à vous montrer comment notre flotte de voitures de livraison autonomes peut s'adapter à n'importe quelle zone de construction, à tout moment. Contactez-nous dès aujourd'hui pour en savoir plus sur le partenariat avec nos solutions de livraison autonomes afin de rationaliser votre chaîne d'approvisionnement et d'améliorer la satisfaction client.


Références

  1. Administration nationale de la sécurité routière. (2022). Technologie des véhicules autonomes : performances de sécurité dans les environnements urbains dynamiques. Département américain des transports.
  2. Forum international des transports. (2023). Défis de la mobilité urbaine : construction de routes et intégration de véhicules autonomes. Éditions OCDE.
  3. Zhang, Y., et coll. (2021). Fusion de capteurs LiDAR-Caméra-GPR pour la détection dynamique d'obstacles dans les zones de construction.Journal des systèmes de transport intelligents, 25(4), 389-405.
  4. Département des transports de la ville de Chicago. (2023). Rapport 2023 sur la construction de routes urbaines : flux de circulation et impacts sur la mobilité. Ville de Chicago, Illinois.
  5. Société des ingénieurs automobiles. (2022). Taxonomie et définitions des termes liés aux systèmes d'automatisation de la conduite pour les véhicules automobiles routiers (J3066_202203). SAE Internationale.
Envoyez demande
Envoyez demande