Au Consumer Electronics Show, Toyota a présenté une vision ambitieuse : créer une « ville du futur » destinée à accueillir des chercheurs et des ingénieurs. Baptisée Woven City, cette installation devait servir de base à une transformation plus large du constructeur, qui cherche à s’imposer comme un acteur majeur de la mobilité et des technologies associées.

Après un investissement évalué à 10 milliards de dollars, les premiers résidents ont emménagé il y a environ six mois. Des profils sélectionnés, regroupés sous le nom de « Weavers », ont rejoint ce mini-environnement urbain conçu pour tester de nouvelles technologies, notamment grâce à un réseau très dense de capteurs.

Une ville pensée pour la sécurité

Dans l’optique de devenir l’un des constructeurs automobiles les plus orientés vers la sécurité, Toyota évoque l’objectif d’une « société sans accident ». Le défi est toutefois considérable : le constructeur rappelle implicitement que les véhicules en circulation aujourd’hui sont nombreux, et que la comparaison avec des flottes déjà déployées dans d’autres contextes n’est pas directe.

Le directeur technique de Woven City, John Absmeier, explique que l’architecture de la conduite autonome ne peut pas reposer uniquement sur les capteurs embarqués. L’entreprise vise une perception et une anticipation à un niveau supérieur, s’appuyant sur une collaboration entre véhicules et infrastructures.

Concrètement, il ne s’agit pas seulement de « voir » la route, mais aussi de détecter les événements difficiles à anticiper pour une voiture seule. Il cite par exemple le cas d’un enfant surgissant derrière un camion : selon lui, la solution la plus fiable passe par la présence de caméras disposées dans l’espace public, capables de repérer les risques, relayées par des systèmes d’alerte pour les véhicules arrivant dans la zone.

Cette approche s’inscrit dans la logique des communications « véhicule vers tout » (V2X), que Toyota tente d’incarner à travers l’environnement même de Woven City, où l’infrastructure et les usagers sont appelés à interagir de façon continue.

Une expérimentation qui soulève des questions de vie privée

Sur place, l’idée de capteurs omniprésents devient très tangible. Lors d’une visite, plusieurs caméras peuvent être repérées à un même carrefour, et d’autres sont également visibles dans les bâtiments traversés. Même des lieux plus modestes, comme une petite boutique de l’installation, semblent équipés de systèmes d’observation destinés à alimenter les tests et la collecte de données.

Cette densité technologique illustre le cœur du projet : sans information partagée à grande échelle, les systèmes d’assistance et de conduite automatisée peinent à atteindre les niveaux de fiabilité recherchés. Mais elle montre aussi pourquoi Woven City est un terrain de recherche particulièrement sensible, là où les enjeux de protection des données et de consentement deviennent centraux.

Pour suivre l’évolution de ces technologies, certains s’intéressent à l’écosystème matériel qui permet de traiter des flux vidéo et des données capteurs en environnement connecté. Dans cette logique, un enregistreur vidéo réseau peut servir de référence pour comprendre comment l’industrie structure le stockage et la supervision de données visuelles. D’autres regardent aussi les équipements liés aux réseaux et à la gestion du trafic, via un commutateur réseau industriel utile pour saisir les contraintes liées aux communications à faible latence.

À travers Woven City, Toyota pousse une idée claire : la mobilité du futur ne se limite pas au véhicule. Elle dépend d’un ensemble de systèmes — infrastructures, communications, capteurs et règles de sécurité — capables de fonctionner ensemble. Reste que, plus l’environnement devient « intelligent », plus la frontière entre innovation et enjeux sociétaux se déplace rapidement.

À mesure que l’intelligence artificielle « physique » s’incarne davantage dans des robots, des capteurs et des équipements industriels, les questions de gouvernance deviennent plus délicates. Le débat ne se limite plus à savoir si des agents peuvent accomplir des tâches, mais à déterminer comment leurs actions sont testées, observées et, le cas échéant, interrompues lorsqu’ils interagissent avec le monde réel.

Dans ce contexte, la gouvernance rejoint la sécurité opérationnelle: elle doit couvrir le passage de la décision logicielle à un mouvement mécanique, l’accès à des outils, ainsi que les modalités d’arrêt ou d’escalade quand quelque chose ne se déroule pas comme prévu.

Des systèmes déjà installés, une intensification attendue

L’industrialisation de la robotique fournit un socle concret à ces discussions. En 2024, le nombre de robots industriels installés dans le monde a dépassé les niveaux observés une décennie plus tôt, avec une progression qui se poursuit sur les années suivantes. Cette dynamique renforce l’urgence de clarifier les responsabilités: qui définit les limites, qui valide les procédures, et comment vérifier en conditions réelles que l’IA se comporte comme attendu?

Parallèlement, plusieurs acteurs et analystes étendent l’étiquette « Physical AI » à un ensemble plus large: robots, machines autonomes, mais aussi logiciels proches du terrain, comme l’informatique « edge » et les systèmes embarqués. Cependant, les contours de la catégorie restent variables, notamment parce que les fournisseurs peuvent définir différemment ce qu’ils entendent par « intelligence » lorsqu’elle s’exprime dans des environnements physiques.

Du résultat d’un modèle à l’action dans le réel

La gouvernance de l’IA « logicielle » change de nature dès lors que l’on bascule vers des systèmes capables d’exécuter des actions dans un espace partagé avec des humains, des infrastructures et des machines. Une sortie de modèle peut devenir un ordre de déplacement, une instruction à un équipement ou une décision fondée sur des données capteurs. Dès lors, la sécurité ne dépend pas seulement de la performance du modèle, mais aussi de la conception des garde-fous: limites physiques, procédures d’arrêt, et chemins d’escalade.

Les travaux récents sur la robotique illustrent cette tendance. Des modèles orientés « vision-langage-action » sont présentés comme capables d’interpréter des consignes naturelles et d’exécuter des séquences de manipulation. Le défi est alors double: d’une part, comprendre l’environnement (par exemple identifier des objets et leur position), d’autre part, vérifier le succès de la tâche et décider s’il faut réessayer, corriger ou stopper l’exécution.

Dans cette logique, la notion de « succès » devient centrale. Elle oblige à intégrer au système des mécanismes de détection et d’évaluation, afin d’éviter que l’agent ne continue sur la base d’une interprétation incorrecte des conditions réelles.

Contrôles de sécurité: de l’architecture aux outils et à l’audit

La complexité augmente encore lorsque les agents peuvent appeler des outils, générer du code ou déclencher des actions. La gouvernance doit alors préciser:

• quelles données un système peut consulter;
• quels outils et quelles interfaces il peut utiliser;
• quelles actions exigent une validation humaine;
• comment les activités sont journalisées pour permettre un audit;
• quelles procédures d’escalade sont déclenchées en cas d’écart.

En robotique, la sécurité ne relève pas uniquement de règles informatiques. Elle englobe aussi des contrôles bas niveau (limites de force, prévention des collisions, stabilité) et des niveaux plus décisionnels (évaluer si une action demandée reste sûre au regard du contexte). L’objectif est de réduire les risques à la fois par des barrières techniques et par des mécanismes de raisonnement centrés sur le contexte.

À l’échelle des organisations, des cadres de gestion des risques en IA existent déjà. Mais appliqués à des systèmes connectés à des robots, des capteurs ou des équipements industriels, ils demandent d’être adaptés: la gouvernance doit tenir compte du comportement du modèle, des interactions en environnement réel et des contraintes propres au matériel.

Vers quels cas d’usage et quelles limites?

La Physical AI est généralement associée à des usages tels que l’inspection industrielle, la fabrication, la logistique, ainsi que certaines opérations en entrepôts. Dans ces scénarios, l’enjeu consiste à faire interpréter l’environnement réel par le système, tout en imposant des limites claires avant toute décision autonome.

La question de gouvernance devient donc préalable: comment définir, tester et valider ces limites avant d’autoriser l’exécution autonome? Les réponses attendues combinent des procédures d’évaluation en conditions représentatives, des mécanismes de vérification du résultat, et une traçabilité suffisante pour comprendre les décisions en cas d’incident.

Dans les environnements industriels, les équipes s’appuient souvent sur des outils de visualisation, de tests et de monitoring. Pour une approche pragmatique côté terrain, certains utilisateurs se tournent vers des matériels de mesure et de contrôle comme un multimètre industriel fiable pour vérifier l’état de capteurs et l’intégrité de circuits, utile lors de phases de validation. Côté logiciel, des solutions d’enregistrement et de journalisation peuvent aussi être complétées par des équipements orientés monitoring, par exemple un switch réseau managé afin de mieux contrôler et tracer les flux de communication entre composants.

L’industrie de la robotique et de la conduite autonome cherche depuis des années la meilleure combinaison de capteurs pour comprendre l’environnement. Ouster affirme avoir trouvé une réponse en intégrant, au sein d’un même dispositif, la mesure de profondeur du lidar et l’acquisition d’images couleur.

La société, basée à San Francisco, présente une nouvelle gamme de capteurs lidar baptisés « Rev8 », présentés comme des “native color lidar”. L’objectif affiché est de simplifier la perception des machines en réduisant le besoin de fusion complexe entre plusieurs capteurs, notamment entre une caméra et un lidar distincts.

Un seul capteur pour la 3D et la couleur

Avec Rev8, Ouster vise à produire simultanément des informations de profondeur en trois dimensions et des données couleur, transformant ainsi ce qui était, jusqu’ici, un traitement en deux étapes en un flux plus unifié. L’entreprise décrit cette approche comme une capacité « native » : l’appareil capterait à la fois l’image et la topographie, sans exiger une mise en correspondance complète entre deux sources séparées.

Le PDG d’Ouster, Angus Pacala, explique que l’enjeu historique pour les fabricants et les intégrateurs consiste à calibrer et fusionner les données issues de capteurs différents. Selon lui, cette phase mobilise du temps et ne permet souvent d’atteindre qu’un niveau partiel de performance.

L’ambition est claire : selon Ouster, un tel capteur pourrait, à terme, réduire le rôle des caméras dans certaines architectures de perception, en s’appuyant directement sur un flux lidar “colorisé” et pré-intégré.

Une architecture « digital lidar » et une technologie SPAD

Ouster s’appuie sur une architecture dite « digital lidar ». Là où les systèmes analogiques reposent sur davantage de composants mobiles, l’entreprise fait capturer les informations directement sur une puce dédiée grâce à des détecteurs spécifiques : des diodes à avalanche à photons uniques (SPAD).

Dans la gamme Rev8, la technologie SPAD est également utilisée pour l’acquisition des données couleur. Pacala affirme que cette méthode permettrait une sensibilité accrue par rapport à des caméras “classiques”, tout en conservant un flux 3D exploitant la profondeur.

• Ouster met en avant une définition couleur sur 48 bits et une plage dynamique élevée (116 dB), présentées comme des caractéristiques visant une meilleure robustesse aux variations de luminosité.
• Le système fournirait un nuage de points “colorisé” traité en amont, avec un format que les équipes de perception pourraient exploiter comme un flux de données 3D ou, selon les besoins, comme un flux image.

Vers de nouveaux usages : robotaxis, drones et logistique

Au-delà du principe “un capteur, deux fonctions”, Ouster situe la valeur du Rev8 dans des cas d’usage nécessitant à la fois une bonne compréhension spatiale et des détails visuels. L’entreprise cite notamment les robotaxis, la robotique industrielle, ainsi que les drones et la logistique à haute vitesse.

Pacala souligne en particulier le capteur OS1 Max, qu’il décrit comme un lidar longue portée et qu’il associe à des déploiements possibles dans des scénarios de transport automatisé et de vol.

Une concurrence déjà présente sur le “color lidar”

Ouster n’est pas la seule entreprise à communiquer autour du lidar couleur. D’autres acteurs, notamment en Chine, ont aussi annoncé leurs propres plateformes. L’idée générale reste la même : augmenter la perception en combinant la dimension visuelle et la profondeur.

Selon Ouster, la différence principale résiderait dans l’intégration : plutôt que de juxtaposer lidar et caméra dans un système séparé, la logique revendiquée consiste à mettre imagerie et mesure sur une même base de calcul et de capture. Le but est de diminuer l’effort de traitement côté intégrateur et d’ouvrir la voie à une architecture moins dépendante de caméras.

Des produits pour la gamme Rev8

La société annonce plusieurs modèles construits autour de la plateforme Rev8, dont OS0, OS1 et OSDome. Ouster indique aussi avoir déjà expédié des échantillons à des clients existants et affirme travailler à la mise en production et aux commandes.

Pour les équipes qui évaluent ces capteurs, il est souvent utile de disposer d’un écosystème de test cohérent. À titre d’exemple, certains laboratoires s’équipent de systèmes d’alimentation et de contrôle robustes, comme le chargeur/alim de table pour électronique industrielle, afin de fiabiliser les essais en environnement atelier.

Les évaluations portent également sur la capacité à enregistrer et analyser des flux capteurs. Un disque SSD externe rapide peut s’avérer utile pour stocker et relire des données de perception lors de phases de tests.

À ce stade, l’annonce d’Ouster met surtout l’accent sur un changement de promesse : réduire la charge de fusion et de calibration entre capteurs, tout en proposant un flux 3D exploitant directement l’information couleur. Reste à voir comment ces spécifications se traduiront, concrètement, dans les déploiements à grande échelle et dans des environnements variés.