Uber transforme la conduite autonome en un défi d’intégration logicielle. Ainsi, la firme abandonne la fabrication de matériels propriétaires et pivote vers un rôle d’orchestrateur global via Uber Autonomous Solutions. Pour les DSI et Chief Data Officers, l’enjeu réside dans l’interopérabilité des infrastructures et le traitement d’un flux ininterrompu de données hétérogènes.
En 2020, la vente d’Uber ATG à Aurora semblait marquer le retrait du géant de la mobilité hors du secteur des véhicules autonomes. Mais la réalité de 2026 montre une trajectoire inverse. Ainsi, Uber a noué des alliances stratégiques et technologiques avec plus de 30 acteurs clés de l’écosystème (constructeurs, éditeurs de logiciels et opérateurs de flottes). Ce qui crée le plus vaste réseau mondial de mobilité robotisée.
Cette stratégie multi-partenaires repose alors sur une réorganisation complète des flux de données. Pour un architecte Big Data, faire fonctionner en symbiose des acteurs aux éléments logiciels propriétaires exige une couche d’abstraction unifiée.
| Catégorie d’acteurs | Exemples de partenaires majeurs | Rôle dans l’écosystème Uber |
| Pionniers IA & Software AV | Waymo, Wayve, Nuro, Avride, Zoox, Waabi, Momenta | Fourniture de la pile logicielle de conduite autonome (Niveau 4) |
| Plateformes & Hardware | Nvidia (Drive Hyperion), Baidu (Apollo Go), Autobrains | Infrastructures de calcul embarqué et simulation générative |
| Constructeurs & OEMs | Lucid Motors, Rivian, Stellantis, Mercedes-Benz, Volkswagen (MOIA) | Intégration usine des capteurs et systèmes redondants |
| Opérateurs de flottes | Hertz (Oro Mobility), Avomo, Tawasul, Verne, New Horizon | Maintenance, recharge et gestion physique des dépôts |
| Livraison du dernier kilomètre | Serve Robotics, Cartken, Coco, Flytrex, Starship | Ingestion de données de télémétrie pour robots et drones |
L’ingestion et l’enrichissement des données pour l’entraînement des modèles d’IA
Le modèle d’Uber repose sur l’exploitation des données télématiques et géospatiales collectées sur des milliards de kilomètres. Via sa division Uber AV & Autonomous Solutions, le groupe ingère d’importants les jeux de données. Désignés sous le nom d’AV 2.0 Training Data, ils sont alors issus de capteurs vidéo et de dashcams déployés sur ses réseaux.
Ces téraoctets de données réelles capturent la diversité des comportements routiers à San Francisco, Munich ou Tokyo. Reformatés, ces datasets alimentent les modèles fondationnels d’IA de partenaires comme Wayve ou Nuro. Ce qui accélère ainsi l’apprentissage de la conduite en environnement complexe.
L’autre pilier technique se trouve dans la cartographie haute définition et le spatial indexing. Grâce à son framework géospatial open source H3, documenté sur le blog Uber Engineering, la plateforme normalise en temps réel la télémétrie issue d’architectures variées.
Qu’un robotaxi exploite Nvidia Drive Hyperion ou la pile logicielle d’Avride, ses coordonnées, sa vitesse et son état de perception sont convertis dans un modèle de données unifié. Par conséquent, cette standardisation élimine les silos techniques et garantit une interopérabilité sans problème entre la plateforme centrale et les piles autonomes tierces.
L’orchestration temps réel pour le dispatch la téléassistance et la gestion de flotte
L’attribution dynamique des courses s’appuie sur une infrastructure de machine learning distribuée. L’algorithme de dispatch hybride évalue donc en temps réel s’il doit affecter un trajet à un chauffeur humain ou à un véhicule autonome. Cette décision prend en compte la géofence opérationnelle et le niveau de charge de la batterie. Sans oublier la météo et les prédictions de demande de zone.
Car Uber maximise le taux d’utilisation des flottes (Fleet Utilization). Et cela aide ainsi ses partenaires d’infrastructures physiques à rentabiliser le coût d’acquisition de leurs véhicules électriques et autonomes.
Par ailleurs, la sécurité exige un pipeline de données à très faible latence. Lors de scénarios critiques où un véhicule autonome rencontre une situation imprévue sur la voie publique, la télémétrie vidéo est instantanément transmise à un opérateur de téléassistance (Remote Assistance).
Ces architectures d’infrastructure s’appuient sur le calcul Edge et le Cloud pour traiter les urgences sans rupture de charge. La synthèse d’analyse publiée par TechEchelon sur ce réseau d’alliances souligne aussi la rigueur requise pour maintenir la conformité avec le RGPD et la protection des données comportementales des passagers.
La valeur d’Uber repose donc sur la maîtrise de la couche d’orchestration logicielle et non plus sur le matériel roulant. Puisque la firme consolide les flux de 30 géants de la tech au sein d’un pipeline Big Data unique. Elle démontre ainsi aux décideurs IT qu’un hub d’intégration performant vaut souvent mieux que le développement de systèmes propriétaires fermés.
- Partager l'article :
