Comment Uber orchestre le Big Data de ses flottes autonomes ?
Uber a profondément changé de stratégie dans la conduite autonome. Après avoir vendu sa division Uber ATG à Aurora en 2020, ce qui semblait acter son retrait du secteur, le groupe est redevenu en 2026 un acteur central du marché, mais sous une forme différente. Il ne construit plus de véhicules ni de logiciels de conduite propriétaires : via sa division Uber Autonomous Solutions, il s'est mué en orchestrateur global, nouant des alliances avec plus de 30 partenaires. Parmi eux figurent des éditeurs de piles logicielles de niveau 4 comme Waymo, Wayve, Nuro, Avride, Zoox, Waabi et Momenta, des fournisseurs d'infrastructures de calcul comme Nvidia avec sa plateforme Drive Hyperion, Baidu avec Apollo Go et Autobrains, des constructeurs comme Lucid Motors, Rivian, Stellantis, Mercedes-Benz et Volkswagen via sa filiale MOIA, des opérateurs de flottes physiques comme Hertz avec Oro Mobility, Avomo, Tawasul, Verne et New Horizon, ainsi que des acteurs de la livraison du dernier kilomètre comme Serve Robotics, Cartken, Coco, Flytrex et Starship. Cet ensemble forme, selon Uber, le plus vaste réseau mondial de mobilité robotisée.
Pour les directions des systèmes d'information et les chief data officers, l'enjeu central est celui de l'interopérabilité entre des piles logicielles hétérogènes et propriétaires. Uber répond à ce défi en s'appuyant sur son framework géospatial open source H3, documenté sur son blog d'ingénierie, qui normalise en temps réel les données de télémétrie quelle que soit l'architecture d'origine, qu'il s'agisse d'un robotaxi équipé de Nvidia Drive Hyperion ou d'une pile développée par Avride. Cette standardisation permet de convertir position, vitesse et état de perception dans un modèle de données unique, éliminant les silos techniques. Le groupe exploite aussi des jeux de données appelés AV 2.0 Training Data, issus de capteurs vidéo et de dashcams collectés sur des milliards de kilomètres parcourus dans des villes comme San Francisco, Munich ou Tokyo, pour entraîner les modèles fondationnels de partenaires comme Wayve ou Nuro. Cette mutualisation aide concrètement les opérateurs de flottes à rentabiliser le coût élevé d'acquisition de véhicules électriques et autonomes.
Le troisième pilier de cette architecture est l'orchestration en temps réel du dispatch, appuyée sur une infrastructure de machine learning distribuée. Un algorithme hybride décide à chaque course s'il faut mobiliser un chauffeur humain ou un véhicule autonome, en tenant compte de la géofence opérationnelle, du niveau de charge de la batterie, de la météo et des prévisions de demande par zone, dans le but de maximiser le taux d'utilisation des flottes. Cette bascule stratégique illustre comment un acteur qui semblait sorti de la course technologique en 2020 est revenu au centre du jeu en misant non plus sur le matériel, mais sur la donnée et l'intégration logicielle, un modèle qui exige aussi, pour les scénarios critiques de sécurité, des pipelines à très faible latence pour la téléassistance à distance.
Mercedes-Benz et Volkswagen (via sa filiale MOIA) sont partenaires de l'écosystème Uber Autonomous Solutions, et Munich figure parmi les villes utilisées pour la collecte de données d'entraînement.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.




