Uber envisage de transformer, à terme, une partie de ses millions de conducteurs en un vaste réseau de collecte de données destiné aux entreprises de véhicules autonomes. L’objectif serait d’équiper les voitures de capteurs afin d’alimenter des bases de données utiles à l’entraînement de systèmes d’intelligence artificielle évoluant en conditions réelles.

Une ambition qui dépasse le transport de passagers

Lors d’une prise de parole évoquant le projet, le directeur technologique d’Uber, Praveen Neppalli Naga, a expliqué que cette orientation s’inscrit dans la continuité d’initiatives déjà lancées autour de la collecte de données pour des partenaires travaillant sur des robotaxis et d’autres solutions d’autonomie.

Pour l’instant, Uber s’appuie sur une flotte limitée de véhicules déjà équipés de capteurs, gérés séparément du réseau de chauffeurs. Mais la perspective vise une montée en puissance à plus grande échelle, sous réserve de clarifications réglementaires.

Le responsable a notamment souligné la nécessité d’un cadre clair sur la signification des capteurs et sur les conditions de partage des données, État par État.

Le vrai goulot d’étranglement: l’accès aux données

Uber présente le plan comme une réponse à un problème central du secteur: la disponibilité des données. Selon l’entreprise, les progrès en autonomie ne seraient plus principalement freinés par la technologie, mais par la capacité à rassembler suffisamment d’exemples couvrant une large variété de scénarios.

L’idée est de pouvoir cibler des situations précises — par exemple un carrefour à une heure donnée — et d’obtenir des données exploitables pour entraîner des modèles. L’enjeu est aussi économique: déployer des flottes dédiées demande des capitaux importants.

Une stratégie de “couche de données” pour l’écosystème

Dans le même mouvement, Uber développe une approche décrite comme une “AV cloud”, conçue pour mettre à disposition des données capteur annotées que des partenaires peuvent analyser et utiliser pour entraîner leurs modèles.

Les partenaires peuvent également tester leurs systèmes en mode simulation, en comparant le comportement attendu dans un “shadow mode” par rapport à des trajets réellement observés via le réseau Uber, sans nécessiter d’en déployer immédiatement un robotaxi sur la route.

L’entreprise affirme vouloir favoriser une forme de démocratisation de ces données, davantage que monétiser directement leur usage.

Un intérêt industriel qui pourrait aussi devenir concurrentiel

Même si Uber met en avant une logique ouverte, la valeur commerciale d’un accès massif à des données d’entraînement est évidente. En pratique, celui qui dispose de volumes importants et de jeux de données bien exploités peut prendre une avance, notamment face à des sociétés qui dépendent encore de leur capacité à déployer leurs propres moyens de collecte.

Uber a déjà noué de nombreuses collaborations avec des acteurs de l’autonomie. Cette dynamique renforce l’idée que le rôle de “fournisseur de données” pourrait devenir progressivement stratégique pour l’ensemble du secteur.

Ce que cela implique pour la réalité des capteurs

Mettre en place un réseau fondé sur des capteurs installés sur des véhicules du quotidien suppose de standardiser leur fonctionnement, d’assurer une qualité de collecte cohérente et de garantir des règles de partage compréhensibles. Les questions réglementaires et opérationnelles restent donc au cœur du calendrier.

Pour les observateurs, le sujet se résume à une combinaison: capacité technique à intégrer des capteurs, robustesse des données produites, et cadre légal permettant leur exploitation.

Deux produits liés aux capteurs, pour comprendre l’écosystème

Pour mieux visualiser les contraintes d’un “matériel capteur” embarqué, beaucoup se tournent d’abord vers des solutions de dashcam ou de caméras embarquées qui illustrent la logique de collecte vidéo en conditions réelles. Par exemple, une dashcam pour voiture peut aider à saisir comment la qualité d’image, la stabilité et la gestion des enregistrements influencent l’exploitabilité des données. D’autres explorent aussi des dispositifs orientés “capteurs” et enregistrement multi-angles via une dashcam avant/arrière, utile pour comprendre les limites d’un système quand il faut couvrir plusieurs points de vue.