Rivian et l’IA : accélérer la conduite autonome
Rivian rachète Third Dimension pour simuler des scénarios routiers réels et accélérer ses aides à la conduite. Découvrez les enjeux et les limites.
Rivian mise sur les mondes 3D pour faire progresser la conduite autonome
Un véhicule autonome ne progresse pas seulement en accumulant des kilomètres. Il doit aussi apprendre à gérer des situations rares : une chaussée masquée par la pluie, un obstacle imprévu, ou un autre usager qui change de trajectoire sans prévenir. Si on devait attendre que tout ça arrive en conditions réelles, on irait plus lentement, et on prendrait des risques inutiles. La simulation permet de recréer ces scénarios, mais elle soulève une question qui compte vraiment : un monde virtuel peut-il refléter assez fidèlement la route pour que les tests aient un sens ?
C'est là que Rivian mise avec le rachat de Third Dimension, une jeune entreprise britannique spécialisée dans la transformation d'images et de vidéos en environnements 3D réalistes grâce à l'intelligence artificielle. L'ambition n'est pas de produire un jeu, mais de rendre des données routières exploitables dans des simulations où l'on peut déplacer des caméras, ajuster la météo et modifier le comportement d'autres véhicules.
L'opération met aussi l'accent sur une réalité souvent sous-estimée dans la conduite assistée : la qualité des outils de validation pèse autant que le volume de données. Voici ce que Rivian essaie de construire, ce que cette technologie peut apporter, et ce qu'on ne peut pas encore conclure.
Pourquoi Rivian rachète Third Dimension
Third Dimension a été fondée en 2024 par Tolga Kart et Piotr Sokólski, issus du jeu vidéo et du véhicule autonome. Leur technologie utilise l'IA pour convertir des images et des vidéos en environnements tridimensionnels qui ressemblent au monde physique. Au départ, l'entreprise cherchait aussi à accélérer la production de contenus pour les jeux. Les fondateurs voyaient déjà d'autres usages possibles, dont la défense et la conduite autonome.
Aujourd'hui, Rivian rachète l'entreprise pour l'intégrer à ses systèmes d'aide à la conduite et à ses futurs véhicules autonomes. Les modalités financières n'ont pas été communiquées. Third Dimension compte 15 personnes, principalement installées au Royaume-Uni. L'équipe devrait rejoindre le groupe IA et autonomie de Rivian, mené par James Philbin. Le rachat pourrait aussi renforcer le pôle d'intelligence artificielle du constructeur à Londres.
Ce n'est pas une diversion vers le jeu vidéo : c'est une réponse à un problème de développement très concret. Les équipes doivent reproduire des situations, les faire varier, puis les tester sans attendre qu'elles se reproduisent encore et encore sur la route. Les moteurs de simulation « classiques » savent créer des décors virtuels convaincants, mais l'apparence seule ne suffit pas. Si la lumière, les objets ou les autres usagers ne se comportent pas assez comme dans la réalité, les résultats deviennent vite moins exploitables.
Rivian indique avoir évalué plusieurs fournisseurs avant de retenir Third Dimension. Ce détail est parlant : l'acquisition n'est pas présentée comme un simple essai isolé, mais comme une brique jugée suffisamment importante pour être intégrée aux équipes. Cela ne garantit pas que la technologie améliore directement les performances des véhicules. En revanche, ça dit quelque chose de la place que Rivian veut donner à la simulation dans sa feuille de route.
Une acquisition liée à plusieurs étapes de la stratégie de conduite
Rivian propose déjà Universal Hands-Free, un système qui permet au conducteur d'enlever les mains du volant sur certaines routes, tout en gardant la main sur la surveillance de la circulation. La différence avec une voiture autonome est nette : le conducteur reste responsable et doit pouvoir reprendre le contrôle.
Le constructeur prévoit aussi d'ici la fin de 2026 une évolution logicielle visant un trajet complet sur routes urbaines et autoroutes, sans que le conducteur touche le volant. Là encore, la supervision humaine demeure. On parle donc d'une étape d'assistance supplémentaire, pas d'autonomie totale.
À plus long terme, Rivian travaille sur un système pour des robotaxis basés sur son SUV R2. Ces véhicules doivent être proposés sur l'application Uber à partir de 2028, selon les informations communiquées. Third Dimension pourrait aider pour développer et valider certaines fonctions, mais le rachat ne veut pas dire que les robotaxis sont prêts ni que le calendrier est assuré. Entre une capacité de simulation et un service opérationnel, il y a encore des étapes techniques, industrielles et réglementaires.
De la vidéo réelle à la simulation
La simulation est déjà au cœur du travail des développeurs de systèmes de conduite automatisée. Elle sert à entraîner des modèles, tester des mises à jour logicielles et vérifier le comportement d'un véhicule dans des situations difficiles à reproduire de façon contrôlée sur route. L'idée, c'est de pouvoir rejouer le même scénario, puis changer un seul paramètre pour observer ce qui se passe.
Beaucoup de simulateurs traditionnels s'appuient sur des moteurs de rendu proches du jeu vidéo. Ils savent générer des scènes détaillées, mais reposent souvent sur des données synthétiques : des environnements créés numériquement plutôt que capturés dans le monde réel. C'est utile pour tester beaucoup de variations. Le problème surgit quand l'écart entre simulation et réalité devient trop grand.
Le problème du décalage entre simulation et réalité
Un modèle peut réussir un test virtuel parce que les éléments de la scène sont prévisibles ou simplifiés, puis se comporter autrement en situation réelle, beaucoup plus complexe. Les spécialistes parlent alors d'« écart entre simulation et réalité ». Le sujet ne se limite pas à « est-ce que ça a l'air crédible ? ». Il faut aussi vérifier que la simulation reproduit les caractéristiques qui influencent réellement la décision du système : formes, distances, mouvement, éclairage, et interactions entre usagers.
Sur le papier, une scène synthétique se modifie facilement. En pratique, produire manuellement un grand volume de scènes réalistes demande du temps et des moyens. À l'inverse, réutiliser des données réelles garde des détails du terrain, mais une vidéo capturée n'est pas toujours simple à transformer. La caméra suit une trajectoire précise, la météo et la lumière appartiennent à un jour donné, et les véhicules présents ont chacun un comportement particulier.
Third Dimension cherche à mixer ces deux approches : partir de situations observées dans le monde réel, puis les rendre modifiables dans un environnement simulé. James Philbin décrit l'objectif comme la possibilité de réutiliser des scénarios authentiques tout en déplaçant les caméras, en modifiant la position d'autres agents et en variant la météo ou l'éclairage. Autrement dit, il ne s'agit pas seulement de « rejouer une vidéo », mais de créer des variantes à partir d'une scène réelle.
Pourquoi cette approche peut améliorer les tests
Prenons un cas enregistré sur une route fréquentée. Dans la vidéo originale, un véhicule masque partiellement un piéton. Avec un outil de simulation adapté, l'équipe peut déplacer la caméra, faire varier la visibilité, ou changer le comportement d'un autre véhicule. Elle obtient alors plusieurs versions contrôlées d'un même scénario, sans devoir attendre que les mêmes variantes arrivent naturellement.
Cette capacité sert ensuite deux objectifs. D'abord l'entraînement : exposer un système à un éventail plus large de situations pour qu'il apprenne à y répondre. Ensuite la validation : vérifier qu'une version du logiciel est assez fiable pour être déployée. Et pour la validation, la représentativité compte particulièrement. Si un résultat rassurant provient d'un environnement trop éloigné de la réalité, il n'apporte pas grand-chose.
Reste un point à ne pas oublier : simulation réaliste ne veut pas dire preuve de sécurité. Une scène plus fidèle rend les tests plus pertinents, mais elle ne garantit ni une couverture exhaustive des cas possibles, ni l'absence de défauts. La qualité du simulateur, la diversité des scénarios et la méthode de validation restent déterminantes. En clair : la simulation complète les essais réels. Elle ne les remplace pas.
Les données de Rivian, un avantage à transformer
Pour entraîner et tester des systèmes de conduite, les données comptent. Mais leur valeur ne dépend pas uniquement de leur volume. Elles doivent être pertinentes, assez variées et surtout exploitables pour répondre à une question précise. Des milliers d'heures de conduite « ordinaire » ne remplacent pas forcément quelques scénarios bien choisis, là où le système doit décider dans une situation délicate.
Rivian collecte des données auprès de ses véhicules, dont les pick-up R1T, les SUV R1S, ses utilitaires de livraison et les SUV R2 déjà en circulation. Cette collecte concerne les véhicules dont le propriétaire a activé le partage des images extérieures. Le constructeur indique que les données sont agrégées et anonymisées, puis utilisées pour construire des modèles d'apprentissage de la conduite.
James Philbin affirme que la flotte de Rivian transmet plus de 400 000 séquences par jour. C'est un ordre de grandeur utile, mais ça ne dit pas à lui seul combien de séquences peuvent réellement être exploitées pour un type de cas donné, comment elles sont sélectionnées, ni quelle part alimente les simulations. Le volume fournit de la matière première. Ensuite, il faut trier, qualifier, puis transformer ces séquences en scénarios exploitables.
La valeur se joue dans la boucle de développement
Le rachat prend tout son sens si on regarde la chaîne de développement dans son ensemble :
- Collecter des données réelles via les véhicules participants.
- Identifier les situations pertinentes, en particulier les cas rares ou difficiles.
- Transformer ces situations en environnements simulables.
- Modifier des variables comme la météo, la lumière, la caméra ou le comportement des autres usagers.
- Tester une version du système sur des scénarios répétés et comparables.
- Comparer les résultats avec des essais sur route pour décider de la suite.
À chaque étape, il peut y avoir un goulot. Un grand volume de données peu documentées sera difficile à exploiter. Un simulateur puissant mais mal calibré peut induire en erreur. Et même des tests réussis en simulation doivent ensuite être vérifiés par ce qu'on observe sur route.
Third Dimension pourrait réduire le temps entre la découverte d'un cas et son test en plusieurs variantes. Là, l'intérêt est surtout pragmatique pour les « cas limites », parfois appelés « cas extrêmes » : des événements peu fréquents, mais qui peuvent révéler une faiblesse du système. Le but n'est pas de produire une démo spectaculaire. C'est plutôt d'améliorer la boucle de travail, plus contrôlée, plus rapide, et mieux ciblée.
Cette approche reste toutefois soumise à des contraintes de gouvernance des données. Le partage activé par les propriétaires, l'agrégation et l'anonymisation sont bien mentionnés par Rivian, mais ça ne suffit pas à décrire toute la conformité. Pour un constructeur qui opère en Europe, la collecte et le traitement doivent aussi tenir compte du RGPD, de la transparence vis-à-vis des utilisateurs et des finalités annoncées. Les détails des pratiques de Rivian ne sont pas fournis dans les éléments communiqués sur l'acquisition.
Ce que l'acquisition change - et ne change pas
Le rachat ajoute une équipe et une technologie spécifique à Rivian. Concrètement, ça peut faciliter le travail entre ceux qui développent les systèmes de conduite et ceux qui construisent les outils de simulation. Ça donne aussi au constructeur plus de contrôle sur une brique qu'il aurait sinon dû acheter ou développer avec un fournisseur externe.
L'autre effet attendu, c'est une meilleure exploitation de données déjà collectées. Si des scènes routières peuvent être transformées en environnements modifiables, elles deviennent plus utiles pour l'entraînement et la validation. Mais l'acquisition ne crée pas automatiquement de meilleures données, et elle ne supprime pas les difficultés de mise au point. Il faudra mesurer la fidélité des environnements générés, la stabilité des résultats et leur capacité à prédire le comportement du système sur route.
Trois questions pour juger les progrès
Pour évaluer la suite des annonces de Rivian, mieux vaut regarder trois choses que de se limiter au nombre de personnes recrutées ou à la taille du flux de séquences.
1. Les scénarios simulés collent-ils à des situations réelles ? Générer des images crédibles, c'est une étape. Reproduire de façon fiable les éléments qui influencent la décision du véhicule, c'en est une autre. Rivian devra montrer que les scènes simulées restent pertinentes quand on modifie certains paramètres.
2. Les gains observés en simulation se confirment-ils sur route ? Un progrès dans le simulateur n'a de sens que s'il se retrouve dans des essais réels, dans des conditions comparables. C'est justement ce rapprochement qui réduit l'incertitude autour du « sim-to-real gap ».
3. La validation montre-t-elle les limites du système ? Un système d'aide à la conduite peut être performant dans un périmètre donné, tout en exigeant une supervision humaine. Les noms commerciaux et les promesses de conduite sans les mains ne doivent pas faire oublier la responsabilité du conducteur et les conditions d'usage.
Ces points comptent particulièrement pour les projets de robotaxis. Un service commercial ne repose pas uniquement sur la capacité à suivre une route : il faut aussi valider la sécurité, gérer les incidents, assurer la maintenance et définir des conditions d'exploitation. Le calendrier annoncé - des R2 robotaxis disponibles via Uber en 2028 - reste donc un objectif de développement, pas la preuve d'une mise à l'échelle immédiate.
Pour les conducteurs européens, l'annonce ne change rien dans l'immédiat. Elle concerne la stratégie de développement de Rivian et ses projets futurs. Elle ne veut pas dire commercialisation prochaine de nouveaux services autonomes en France, ni modification automatique des règles européennes. En pratique, la portée réelle se mesurera aux capacités livrées et aux validations publiées, pas à la simple annonce du rachat.
Conclusion : la simulation doit prouver sa valeur
Le rachat de Third Dimension répond à un besoin clair : transformer des données routières réelles en scénarios modifiables, que Rivian peut tester de façon répétée. Combinée aux séquences collectées par ses véhicules, cette technologie pourrait aider à travailler des situations rares et à mieux évaluer les logiciels avant leur déploiement.
Le point décisif ne sera pas le réalisme visuel, ni le volume brut de données. Ce sera la capacité de la simulation à produire des résultats qui servent vraiment aux décisions de développement et de validation, puis à vérifier que ces résultats tiennent une fois confrontés aux essais sur route. C'est là que l'acquisition devra être jugée.
Si vous voulez suivre l'évolution, regardez surtout les éléments concrets : les fonctions réellement livrées, les limites de supervision annoncées, et des preuves montrant le rapprochement entre simulation et essais réels. Vous pouvez aussi consulter l'article de TechCrunch sur l'acquisition de Third Dimension pour les déclarations complètes des dirigeants.