Waymo tranche le débat sur les « caméras qui suffisent » et vise assez clairement Tesla
Dans une récente publication technique, Waymo a présenté dix enseignements tirés de 200 millions de miles parcourus en conduite autonome, soit environ 322 millions de km. Tesla n’est pas nommément citée, mais la cible ne fait guère de doute : Waymo remet en question des hypothèses centrales de l’approche « 100 % vision » et du passage à grande échelle d’un système d’aide à la conduite de niveau 2 vers l’autonomie complète.
Le contexte est important : Waymo exploite déjà des robotaxis à titre commercial et annonce plus de 500 000 trajets sans conducteur par semaine. Tesla suit délibérément une autre voie, fortement axée sur un déploiement à grande échelle grâce à sa flotte de clients, aux caméras et à l’IA. Deux philosophies, un même objectif, mais des risques techniques et des modèles de coûts très différents.
Capteurs : Waymo privilégie la redondance, Tesla la simplicité
La critique la plus évidente concerne les capteurs. Tesla mise sur les caméras dans ses véhicules de série, tandis que Waymo associe plusieurs types de capteurs. Selon la publication, la plateforme de robotaxi actuelle de Waymo utilise 13 caméras, 4 unités LiDAR et 6 capteurs radar, ainsi que des microphones.
L’argument avancé est le suivant : une panoplie multimodale de capteurs permet une perception redondante et robuste de l’environnement qu’un seul type de capteur ne pourrait pas assurer. Le LiDAR doit notamment fournir une géométrie 3D particulièrement précise, tandis que le radar est utile pour mesurer la vitesse et dans des conditions de visibilité difficiles, comme le brouillard. Les caméras sont quant à elles performantes pour interpréter des informations sémantiques telles que les feux de circulation et les panneaux.
La position opposée de Tesla est bien connue : moins de matériel, moins de coûts et moins de complexité, compensés par davantage d’IA. Cela peut constituer un avantage pour un déploiement à grande échelle. Waymo estime au contraire que la sécurité et la robustesse doivent primer : davantage de capteurs, davantage de garanties et moins de « points uniques de défaillance ».
Cartes HD : un filet de sécurité pour Waymo, un poids inutile pour Tesla
Un deuxième point de désaccord concerne les cartes HD. Waymo souligne que des cartes très détaillées sont « incroyablement utiles », en particulier lorsque la visibilité est mauvaise ou que la configuration des routes est complexe. Ces cartes constituent une couche contextuelle supplémentaire capable de stabiliser le système lorsque les capteurs fournissent temporairement moins d’informations.
Tesla privilégie traditionnellement une approche censée fonctionner sans cartes HD préétablies. En pratique, Waymo investit davantage dans le relevé et la validation préalables des zones, tandis que Tesla cherche à pouvoir rouler « partout », sans devoir cartographier chaque route. Les deux approches impliquent des compromis : les cartes peuvent accroître la robustesse, mais aussi ralentir le déploiement et compliquer la maintenance.
IA de bout en bout : Waymo met en garde contre les erreurs de type « boîte noire »
Waymo se montre également très clair au sujet des systèmes d’IA de bout en bout (E2E). Il s’agit d’architectures dans lesquelles un modèle génère directement des commandes de direction et de conduite à partir des données des capteurs. Waymo y voit un risque d’erreurs de type « boîte noire », c’est-à-dire de situations dans lesquelles il est difficile de comprendre ou de diagnostiquer les décisions prises.
Ce problème ne disqualifie pas automatiquement l’approche E2E, mais il correspond à une réelle difficulté d’ingénierie : lorsqu’un système adopte un comportement inattendu, il faut pouvoir en déterminer les causes afin de l’améliorer, de le tester et de le certifier de manière ciblée. En Europe notamment, où la conduite automatisée est soumise à une réglementation stricte, l’explicabilité peut influencer les procédures d’homologation.
Du niveau 2 au robotaxi : Waymo parle d’un « faux sommet »
La thèse de Waymo selon laquelle il ne suffit pas d’améliorer continuellement une conduite supervisée pour atteindre une véritable autonomie est particulièrement intéressante. La publication affirme qu’un système ne gagne réellement en maturité qu’à partir du moment où il est lui-même responsable. Seule l’autonomie complète confronterait le logiciel au « poids » de ses décisions et ferait apparaître de nouvelles situations que les humains ou les simulations auraient tendance à simplifier inconsciemment.
Cet argument vise directement le discours de long terme de Tesla, selon lequel FSD (Supervised) pourra un jour se passer de conducteur grâce au volume de données et aux améliorations successives. Waymo répond que la manière la plus rapide d’apprendre l’autonomie consiste à fonctionner en mode autonome, et non en mode assisté. L’idée est plausible, mais elle a aussi un revers : l’exploitation en autonomie complète exige de franchir des seuils extrêmement élevés en matière de sécurité et d’autorisation avant même de pouvoir entrer dans ce « mode d’apprentissage ».
Qu’est-ce que cela signifie dans la région DACH si vous souhaitez simplement arriver à destination en toute sécurité ?
Pour l’Allemagne, l’Autriche et la Suisse, les conséquences pratiques immédiates restent limitées, car les services de robotaxis comparables à ceux proposés aux États-Unis y sont encore très rares. Cette confrontation montre néanmoins pourquoi les systèmes autonomes paraissent si différents en 2026 : une approche optimise le déploiement à grande échelle et les coûts, tandis que l’autre privilégie la redondance des capteurs, les cartes et des zones d’exploitation strictement délimitées.
Pour situer l’approche de Tesla, il faut considérer l’ensemble du tableau : Tesla tente de déployer très largement un matériel relativement léger associé à des logiciels pilotés par les données. Cette stratégie pourrait offrir d’énormes avantages à long terme si la fiabilité atteint le niveau nécessaire. Waymo démontre pour sa part que l’exploitation de robotaxis est déjà possible aujourd’hui, mais souvent au prix de davantage de matériel, d’un travail préparatoire plus important et de zones clairement définies.
Mise en perspective : deux voies, un même objectif
- Waymo : davantage de capteurs et des cartes HD, avec en contrepartie une stabilisation plus rapide dans des zones de robotaxis clairement délimitées.
- Tesla : une approche 100 % caméras et une IA conçue pour changer d’échelle, potentiellement plus facile à déployer sur des millions de véhicules si le logiciel atteint une maturité suffisante.
