Des Transformers au volant : comment Yandex utilise l'AI pour piloter des véhicules autonomes

Yandex Autonomous Transport a révélé des détails techniques sur l'application des architectures de transformateurs en Motion Planning — le composant d'un véhicule autonome qui prend des décisions en temps réel sur la trajectoire. Le chemin des expériences en laboratoire aux tests sur routes réelles s'est avéré plus complexe qu'il n'y paraît de l'extérieur.

Du Langage à la Route

L'architecture de transformateur a conquis une position dominante en NLP et vision par ordinateur grâce au mécanisme d'attention : le modèle peut considérer simultanément le contexte de différentes parties des données d'entrée. Dans la tâche de contrôler un véhicule, c'est tout aussi précieux — le système doit traiter la position de dizaines d'objets autour de la voiture en fractions de seconde, prédire leur comportement et sélectionner une manœuvre sûre. Cependant, transférer l'architecture de NLP au pilote automatique n'est pas une tâche triviale.

Dans un modèle de langage, un mot imprécis est une faute de frappe dans le texte que le lecteur pardonnera. Dans un véhicule autonome, une déviation d'une trajectoire optimale au moment critique est un accident potentiel. Cela change fondamentalement les exigences du modèle : des métriques de qualité à toute la culture de test.

Boucle Ouverte versus Boucle Fermée

Dans l'industrie du véhicule autonome, il existe deux approches fondamentalement différentes pour évaluer le système :

• Boucle Ouverte — le modèle prédit la trajectoire sur des données historiques, le résultat est comparé au comportement réel du conducteur. Rapide, peu coûteux, permet d'itérer à grande échelle.
• Boucle Fermée — le système contrôle le véhicule — réel ou en simulation — et est évalué par ce qui se passe en dynamique : la voiture a-t-elle évité les collisions, quel était le confort de conduite, comment a-t-elle géré les situations inhabituelles ?

Les deux modes sont nécessaires, mais fournissent des informations fondamentalement différentes sur la fiabilité du système. Yandex met l'accent particulier sur les tests en Boucle Fermée malgré leur coût plus élevé et leur rythme plus lent. La logique est : dans la conduite réelle, les erreurs ne sont pas isolées — une déviation au temps T affecte la perception de la situation à T+1, et les erreurs s'accumulent. La Boucle Ouverte ne voit pas cette chaîne et peut donner une fausse impression de sécurité.

Pourquoi les Bonnes Métriques Trompent

La principale conclusion contre-intuitive : une haute précision de prédiction de trajectoire — faible erreur L2 — corréle mal avec la sécurité réelle de la conduite. Un modèle peut démontrer d'excellents résultats aux tests, reproduisant avec précision le comportement du conducteur moyen sur des données historiques, tout en conduisant moins bien qu'un système plus simple mais plus robuste. La raison réside dans la nature de la Boucle Fermée : chaque décision du système affecte la situation suivante. Les métriques de Boucle Ouverte mesurent chaque étape indépendamment et ne capturent pas cette dynamique.

«

La sécurité est plus importante pour nous que n'importe quelle architecture, » — Maksim, responsable du comportement et de la prédiction du mouvement chez Yandex Autonomous Transport.

C'est pourquoi l'équipe construit un système de vérification multiniveaux : des métriques formelles sur les données — par la simulation — aux tests privés et publics sur des véhicules réels. L'architecture du modèle n'est qu'un paramètre, pas la base d'un système de sécurité.

Chemin du Laboratoire à la Ville

L'équipe de Yandex a parcouru un chemin depuis les premières expériences de ML, quand les approches de réseaux de neurones étaient testées en parallèle avec les algorithmes classiques de planification, jusqu'aux tests réguliers de véhicules autonomes dans le trafic urbain réel. À chaque étape, l'architecture de transformateur s'est adaptée aux exigences strictes : prévisibilité du comportement dans les situations typiques, robustesse face aux scénarios rares, fonctionnement en temps réel avec ressources informatiques limitées à bord. Motion Planning n'est pas simplement prédire le prochain point. C'est prendre des décisions sous l'incertitude à chaque seconde, avec responsabilité pour les vies humaines.

Ce Que Cela Signifie

Les transformateurs arrivent au transport autonome — mais pas comme une solution prête à l'emploi, exportée du monde des modèles de langage. Chaque nouvelle application exige de repenser les métriques, l'infrastructure de test et la culture de sécurité. Pour toute l'industrie, c'est un signal important : le succès en NLP ne se transfère pas automatiquement aux domaines où le coût d'une erreur est mesuré non pas par la note du modèle, mais par des vies humaines.