Quelles sont les exigences en matière de gestion des données pour les véhicules de livraison automatisés ?

Nov 19, 2026

Laisser un message

Olivia Wilson
Olivia Wilson
Olivia est spécialiste marketing chez Jiangsu Linya Technology Co., Ltd. Elle est chargée de la promotion des produits robotiques de l'entreprise sur le marché. Grâce à ses excellentes stratégies marketing, elle a réussi à accroître la notoriété de la marque, tant en Chine qu'à l'étranger.

Si vous avez passé du temps dans le domaine des véhicules de livraison automatisés, que ce soit en tant qu'opérateur de flotte, responsable logistique ou simplement en attendant qu'un colis arrive sans conducteur humain au volant, vous savez que le battage médiatique autour de ces systèmes est réel. Mais si vous êtes le fournisseur chargé de construire, d'intégrer et de faire évoluer ces véhicules, le battage médiatique s'estompe rapidement lorsque vous vous penchez sur les millions de petits détails non négociables qui permettent à une flotte de circuler de manière fiable, sûre et rentable. Au cours des six dernières années, notre équipe a conçu, déployé et optimisé plus de 200Véhicules de livraison automatisésdans 12 villes américaines, et une leçon m'a marqué plus que toute autre : l'écart le plus courant entre un « prototype fonctionnel » et une « flotte évolutive et rentable » n'est pas le matériel ou la technologie des capteurs, mais la gestion des données. Trop d’équipes traitent les données dans le cadre d’une livraison autonome après coup, quelque chose à collecter et à archiver à des fins de conformité ou d’examen post-incident. En réalité, c'est l'épine dorsale de chaque décision prise par ces véhicules, depuis l'itinéraire qu'ils empruntent à 2 heures du matin jusqu'à la façon dont ils s'adaptent lorsqu'une zone de construction apparaît. Dans cet article, je détaillerai les exigences non négociables en matière de gestion des données que nous avons perfectionnées au fil de milliers de livraisons, et pourquoi en sauter ne serait-ce qu'une seule peut couler une flotte avant qu'elle n'atteigne sa première année d'exploitation.

Tout d'abord, ancrons cela dans la réalité de ce que notreVéhicule de livraison sans conducteurle fait en fait tous les jours. Contrairement aux voitures particulières autonomes, qui n'ont besoin de déplacer qu'une seule personne d'un point A à un point B, nos véhicules effectuent plus de 15 arrêts par itinéraire, transportent des marchandises sensibles à la température (épicerie, produits pharmaceutiques, même des aliments surgelés) et fonctionnent dans des environnements allant des impasses tranquilles de banlieue aux centres-villes denses avec des voitures en double stationnement et des piétons. Chacune de ces tâches génère un volume impressionnant de données : des nuages ​​de points LiDAR qui cartographient chaque nid-de-poule et chaque piéton, à la télémétrie qui suit les niveaux de batterie et l'état de verrouillage des portes, en passant par les images non structurées des caméras extérieures et intérieures qui sont essentielles à la fois à la sécurité et à la résolution si un client signale un colis manquant ou endommagé. Au début de notre déploiement, nous avons essayé de traiter toutes ces données de la même manière : les stocker dans un seul compartiment cloud, sans standardisation, et les consulter uniquement en cas de problème. Cette approche a conduit à deux énormes problèmes : nous gaspillions 35 % de notre budget opérationnel mensuel pour stocker des données non pertinentes et redondantes, et lorsque nous avons eu un incident (un véhicule a fait une embardée pour éviter un chien, par exemple), nous avons passé plus de 12 heures à passer au crible des données non étiquetées pour reconstruire ce qui s'est passé. Nous avons rapidement réalisé que la gestion granulaire des données, basée sur les rôles, n'était pas une nécessité : c'était une exigence fondamentale pour une livraison automatisée.

Alors, à quoi ressemble cette structure basée sur les rôles dans la pratique ? Pour notre équipe télématique, l’ingestion de données en temps réel n’est pas négociable. NotreVéhicule autonome de livraisonrenvoie plus de 100 points de données par seconde à notre centre de commande, y compris les coordonnées GPS, la pression de freinage, l'état de charge de la batterie et l'état d'étalonnage des capteurs. Si la caméra d'un véhicule tombe en panne à mi-parcours, nous devons le savoir dans les 10 secondes, et non dans 10 minutes, car une seule caméra défaillante peut faire la différence entre un arrêt en toute sécurité et une collision avec une voiture garée. Pour que cela fonctionne, nous avons construit un pipeline de données en temps réel qui donne la priorité aux données de sécurité critiques (état des capteurs, détection d'obstacles) pour un transfert à faible latence, tandis que les données non critiques (journaux hebdomadaires de pression des pneus, contrôles de routine de l'étalonnage des caméras) sont regroupées et envoyées pendant la nuit, lorsque la congestion du réseau est faible et que la bande passante est moins chère. Ce compromis a non seulement réduit nos coûts mensuels de transfert de données de 28 %, mais a également réduit notre temps moyen de résolution (MTTR) des problèmes liés à la sécurité de 90 minutes à moins de 5 minutes. Pour les équipes opérationnelles, l'exigence se déplace vers des données de livraison structurées et interrogeables : heures d'arrêt, efficacité de l'itinéraire, type de colis et notes d'accès client (comme « code de porte 123, dépôt à la porte latérale »). Avant de standardiser ces données, notre équipe opérationnelle saisissait manuellement plus de 10 champs par livraison, ce qui entraînait que 15 % des itinéraires avaient des heures d'arrêt incorrectes et que 8 % des colis étaient marqués comme non livrés par erreur. Désormais, nous associons chaque livraison à un schéma de données standardisé, afin que l'équipe puisse générer un rapport sur « toutes les livraisons d'épicerie à Chicago qui étaient en retard en raison de travaux de construction en 2 clics », plutôt que de passer des heures à nettoyer des feuilles de calcul non structurées. Ce niveau de structure ne consiste pas seulement à réduire le travail administratif, mais également à évoluer. À mesure que nous ajoutons de nouveaux véhicules ou pénétrons de nouveaux marchés, nous ne pouvons pas nous permettre de créer à chaque fois un nouveau système de données à partir de zéro. Un schéma standardisé nous permet d'intégrer un nouveau marché en 2 semaines, contre 2 mois pour notre premier déploiement.

La deuxième exigence de la gestion du Big Data que nous avons apprise à nos dépens est la fiabilité et la redondance. Les véhicules de livraison automatisés ne peuvent pas se permettre des pannes de données, et leurs opérateurs non plus. Si un véhicule perd la connexion à son serveur de données en cours de route, il ne doit pas se figer ou rouler aveuglément jusqu'à ce que la connexion soit rétablie. Début 2021, nous disposions d'une flotte de 15Voitures de livraison sans conducteurà Austin, au Texas, qui a connu une panne de réseau de 4 heures en raison d'une coupure de fibre. Sans stockage local de données sur les véhicules eux-mêmes, tous se sont arrêtés sur le bord de la route, bloquant les pistes cyclables et déclenchant 21 appels non urgents à la police locale. Cet incident nous a coûté 45 000 $ d'amende, sans compter la confiance de notre partenaire logistique, qui a quasiment résilié la totalité de son contrat. Après cela, nous avons complètement repensé notre architecture de données pour inclure l'informatique de pointe sur chaque véhicule. Désormais, chaque véhicule de livraison automatisé dispose d'un serveur intégré de 2 To qui stocke localement 7 jours de données en temps réel. Ainsi, si la connexion au cloud est interrompue, le véhicule peut continuer à prendre des décisions sûres et correctes en matière d'itinéraire. Une fois la connexion rétablie, les données locales sont automatiquement synchronisées avec le cloud, avec des contrôles intégrés pour éviter les entrées en double. Nous avons également mis en œuvre une stratégie de redondance multi-cloud. Ainsi, en cas de panne d'un fournisseur cloud, les données sont acheminées vers un fournisseur secondaire en moins de 30 secondes. Il ne s’agit pas simplement d’une solution technique : c’est une exigence commerciale. Nos clients logistiques comptent sur ces véhicules pour respecter des délais de livraison serrés, et la fiabilité des données se traduit directement par des taux de ponctualité, de satisfaction client et de fidélité à la marque.

Troisièmement, et souvent négligé, la confidentialité et la conformité des données. Les véhicules de livraison automatisés collectent une énorme quantité de données personnelles, depuis les images de caméras des allées résidentielles jusqu'aux coordonnées GPS qui permettent de savoir quand un client est chez lui. Aux États-Unis, nous sommes soumis à des réglementations fédérales telles que le California Consumer Privacy Act (CCPA) et le Virginia Consumer Data Protection Act (VCDPA), ainsi qu'à des règles au niveau des États qui peuvent varier considérablement. À l’échelle internationale, si nous nous développons en Europe, nous serons soumis au RGPD, qui contient certaines des règles de confidentialité des données les plus strictes au monde. Au début, nous avons eu un problème : nos caméras extérieures capturaient des images des visages des clients alors qu'ils s'approchaient de leur porte, et nous stockions ces images indéfiniment à des « fins de sécurité ». Cela a donné lieu à trois plaintes de clients en Californie et nous avons réalisé que nous exposions nos clients et notre entreprise à de graves risques juridiques. Nous avons immédiatement mis à jour notre politique de données pour inclure deux règles de confidentialité clés : premièrement, les images de la caméra sont automatiquement anonymisées dans les 24 heures, de sorte que les visages et les plaques d'immatriculation sont floutés avant leur stockage. Deuxièmement, les clients peuvent demander que toutes les données liées à leur livraison (y compris les journaux GPS, les images de la caméra et les détails du colis) soient supprimées dans les 72 heures suivant la fin de la livraison. Nous avons également construit un système de contrôle d'accès aux données qui restreint l'accès aux données personnelles : seule notre équipe chargée de la confidentialité peut visualiser des images anonymisées à des fins d'enquête, et tous les accès sont enregistrés et audités trimestriellement. Ce niveau de conformité n’est pas facultatif. Une seule amende relative à la confidentialité des données peut coûter des millions de dollars à une entreprise et, pour un fournisseur comme nous, elle peut ruiner les relations avec les entreprises clientes qui ont des exigences de conformité très strictes. Il y a quelques mois, nous avons intégré une chaîne d'épicerie nationale qui exigeait un audit complet de la confidentialité des données dans le cadre du processus d'intégration de ses fournisseurs. Notre système de données structuré et conforme a constitué un énorme différenciateur, et ce contrat est désormais le plus important à ce jour.

Delivery Autonomous Vehicle factoryDriverless Delivery Vehicles

Quatrièmement, des données pour une amélioration continue. Aucun système de livraison automatisé n'est parfait dès le premier jour : il y aura toujours des cas extrêmes : un enfant courant après un ballon dans la rue, un camion de déménagement stationné bloquant un trottoir, une porte client cachée derrière des buissons envahis par la végétation. Pour résoudre ces cas extrêmes, vous avez besoin de données qui ne sont pas seulement collectées, mais étiquetées et analysées. Notre première génération de logiciel de livraison autonome rencontrait des difficultés avec les zones de retrait en bordure de rue, et nous avons eu 12 cas où un véhicule s'est engagé trop loin dans une voie de stationnement, bloquant les autres voitures. Nous avons réalisé que nos données étaient collectées, mais elles n'étaient pas étiquetées pour indiquer pourquoi ces erreurs se produisaient. Nous avons donc constitué une équipe d'annotateurs de données qui examinent 10 % des images de caméra et des données LiDAR de chaque livraison, en marquant les obstacles, les conditions routières et les actions du conducteur (ou dans ce cas, du véhicule). En trois mois, nous avons étiqueté plus de 50 000 cas extrêmes et nous avons pu mettre à jour notre logiciel pour reconnaître les zones de retrait en bordure de rue, réduisant ainsi ces incidents de 85 %. Ce cycle d’amélioration continue n’est possible que si vos données sont gérées pour le soutenir. Si vos données ne sont pas structurées ou sont stockées de manière difficile à rechercher, vous ne parvenez pas à trouver les cas extrêmes, vous ne pouvez pas réparer le logiciel et vous prendrez du retard sur vos concurrents qui itèrent plus rapidement. Pour nous, cela signifie consacrer chaque mois 15 % de notre budget opérationnel à l’étiquetage et à l’analyse des données, un coût que nous considérons comme un investissement et non comme une dépense. Au cours des deux dernières années, cela s'est traduit par une amélioration de 12 % des taux de livraison à temps et une réduction de 40 % des incidents de sécurité, ce qui nous a permis de réduire nos coûts d'assurance de 30 %.

Enfin, l'évolutivité. En tant que fournisseur de véhicules de livraison automatisés, nous ne vendons pas seulement un produit : nous vendons un service qui grandira avec nos clients. Nous avons déjà reçu des demandes pour ajouter une surveillance de la température pour les livraisons pharmaceutiques, intégrer un logiciel logistique tiers et même ajouter des retours sans contact. Toutes ces fonctionnalités reposent sur des données et notre système de gestion des données doit pouvoir s'adapter rapidement. Dès le début, nous avons construit notre architecture de données sur un cadre modulaire, afin de pouvoir ajouter de nouveaux types de données sans remanier l'ensemble du système. Par exemple, lorsque notre client a demandé un suivi de la température pour les livraisons de produits surgelés, nous avons simplement ajouté un nouveau capteur aux véhicules, mis à jour notre schéma de données pour inclure les relevés de température et intégré le nouveau point de données dans notre pipeline en temps réel. L'ensemble du processus a pris moins d'une semaine, alors que notre premier système de données prenait 6 semaines pour ajouter un seul nouveau type de données. L'évolutivité signifie également être capable de gérer des volumes croissants de données. À mesure que notre flotte passe de 200 à 500 véhicules, nous collecterons 5 fois plus de données, et notre système doit pouvoir évoluer sans augmenter les coûts de manière exponentielle. En utilisant le stockage basé sur le cloud avec une mise à l'échelle automatique et l'informatique de pointe sur les véhicules, nous avons pu maintenir nos coûts de données par véhicule stables au fur et à mesure de notre croissance, ce qui est essentiel pour maintenir des prix compétitifs pour nos clients.

Si vous êtes un prestataire logistique cherchant à établir un partenariat avec un fournisseur fiable de véhicules de livraison automatisés, ou un exploitant d'entreprise souhaitant ajouter ces véhicules à votre flotte, la gestion des données devrait figurer en tête de votre liste de questions à poser. Il ne s'agit pas seulement d'un détail technique : c'est ce qui détermine si une flotte peut fonctionner de manière sûre, fiable et rentable. Au cours des six dernières années, nous avons vu trop de projets de livraison autonomes prometteurs échouer parce qu'ils rognaient sur la gestion des données, qu'il s'agisse d'ignorer les règles de confidentialité, de ne pas avoir de systèmes redondants ou de ne pas itérer sur des logiciels utilisant des données du monde réel. Pour nous, leVéhicules de livraison sans conducteurque nous construisons ne sont pas seulement des éléments matériels : ce sont des systèmes générateurs de données, et une bonne gestion de ces données est le seul moyen de tenir la promesse d'une livraison autonome : une logistique plus rapide, moins chère et plus fiable pour tous.

Si vous êtes prêt à découvrir comment nos solutions de livraison automatisées basées sur des données peuvent fonctionner pour votre entreprise, ou si vous souhaitez en savoir plus sur notre processus de déploiement de flotte, nous serions ravis d'avoir votre avis.

Références :

  1. Administration nationale de la sécurité routière (NHTSA). (2022). Systèmes de conduite automatisés : une vision pour la sécurité 2.0. Département américain des transports.
  2. Organisation internationale de normalisation (ISO). (2021). ISO 22737 : Systèmes de transport intelligents – Systèmes de conduite automatisée (ADS) pour véhicules routiers légers – Exigences de performances et procédures d'essai.
  3. Loi californienne sur la protection de la vie privée des consommateurs (CCPA). (2020). Texte de la California Consumer Privacy Act. Bureau californien du droit administratif.
  4. McKinsey & Compagnie. (2023). Livraison autonome : franchir le dernier kilomètre. Pratique mondiale de la technologie, des médias et des télécommunications.
  5. Société des ingénieurs automobiles (SAE International). (2021). Taxonomie et définitions des termes liés aux systèmes d'automatisation de la conduite pour les véhicules automobiles routiers (J3016).
Envoyez demande
Envoyez demande