Accueil › Glossaire › LiDAR et IA

LiDAR et IA

Le LiDAR et IA désigne l’association de capteurs LiDAR (Light Detection And Ranging) avec des algorithmes d’intelligence artificielle, notamment de deep learning, pour transformer des nuages de points 3D en informations exploitables : détection d’objets, segmentation de scènes, localisation et cartographie en temps réel.

Un capteur LiDAR seul produit des millions de points 3D par seconde. Sans IA, ces données brutes sont inexploitables pour la prise de décision automatique. C’est le deep learning qui donne un sens à ces nuages de points : identifier qu’un amas de points est un piéton, un véhicule ou un panneau, prédire sa trajectoire, et permettre au véhicule de réagir en conséquence. En 2026, cette combinaison est au cœur de tous les systèmes de conduite autonome de niveau 4, des robots industriels et de la cartographie de précision.

Comment le LiDAR produit des données 3D

Le LiDAR émet des impulsions laser (typiquement à 905 nm ou 1550 nm de longueur d’onde) et mesure le temps de retour de chaque impulsion après réflexion sur un objet. Ce principe de « temps de vol » (Time of Flight, ToF) permet de calculer la distance avec une précision centimétrique. En répétant cette opération des centaines de milliers de fois par seconde dans toutes les directions, le capteur génère un nuage de points 3D dense, parfois appelé carte de profondeur.

Chaque point contient au minimum ses coordonnées spatiales (x, y, z) et l’intensité du signal retour (qui dépend de la réflectivité de l’objet touché). Certains LiDAR avancés ajoutent le nombre de retours (un laser peut toucher plusieurs surfaces, par exemple le feuillage puis le sol) et, dans le cas des LiDAR FMCW, la vitesse radiale de l’objet par effet Doppler.

Types de LiDAR

La transition vers le solid-state est le mouvement majeur de l’industrie. Les coûts de production ont chuté d’environ 65 % depuis 2020 grâce à la suppression des composants mécaniques. Des véhicules comme la Mercedes EQS, le XPeng P5 et le NIO ET7 intègrent déjà des LiDAR solid-state. Le LiDAR FMCW, bien que plus récent, attire un intérêt considérable : il mesure simultanément la distance et la vitesse radiale de chaque point, ce qui est un avantage décisif pour le suivi d’objets à haute vitesse sur autoroute. Aeva (qui a acquis Ouster en 2024 pour 400 millions de dollars) et Aurora (capteur FirstLight) sont les pionniers de cette technologie.

L’IA appliquée aux nuages de points

Le traitement de nuages de points par le deep learning est un défi spécifique. Contrairement aux images (grilles 2D régulières, bien adaptées aux CNN), les nuages de points sont des données éparses, non ordonnées et en 3D. Des architectures spécialisées ont été développées pour ce format.

Architectures principales

PointNet / PointNet++ (Stanford, 2017). Premier réseau de neurones capable de traiter directement des nuages de points bruts sans les convertir en grille. PointNet applique des transformations par point (MLP, Multi-Layer Perceptron) puis agrège les features via un max pooling global. PointNet++ ajoute une structure hiérarchique (sampling + grouping) pour capturer les relations locales entre points voisins. C’est l’architecture fondatrice du domaine.

VoxelNet (Apple, 2017). Convertit le nuage de points en voxels (cubes 3D réguliers), puis applique des convolutions 3D classiques. Cette approche permet d’utiliser les architectures CNN existantes mais perd de l’information à cause de la discrétisation. L’espace mémoire requis augmente en O(n³), ce qui limite la résolution.

PointPillars (nuTonomy, 2019). Variante simplifiée de VoxelNet qui projette les points en colonnes verticales (« pillars ») sur une grille 2D au sol. C’est bien plus efficace en calcul que les voxels 3D complets et c’est très utilisé dans les systèmes embarqués temps réel.

CenterPoint (UT Austin, 2021). Détection d’objets 3D par approche « anchor-free » : au lieu de prédéfinir des boîtes englobantes, le réseau prédit directement le centre de chaque objet, puis raffine la boîte 3D. CenterPoint est devenu une référence sur les benchmarks nuScenes et Waymo Open Dataset.

Transformers 3D. Les mécanismes d’attention des Transformers sont de plus en plus appliqués aux nuages de points. L’attention permet de capturer des relations à longue portée entre points éloignés, ce qui est difficile pour les approches locales comme PointNet++. Des modèles comme Point Transformer et PV-RCNN++ combinent convolutions sur voxels et attention sur points.

Tâches IA sur données LiDAR

Détection d’objets 3D (object detection). Identifier et localiser les objets dans l’espace 3D avec une boîte englobante (bounding box) : position, taille, orientation. C’est la tâche la plus critique pour la conduite autonome. Les modèles sont évalués sur des benchmarks comme nuScenes, Waymo Open Dataset et KITTI.

Segmentation sémantique 3D. Attribuer une classe (route, trottoir, végétation, bâtiment, véhicule, piéton) à chaque point du nuage. Cela permet de comprendre la structure complète de la scène, pas seulement les objets individuels.

Segmentation d’instances 3D. Combiner segmentation sémantique et détection : identifier chaque point ET distinguer les instances individuelles (le piéton A vs le piéton B).

Suivi d’objets (tracking). Maintenir l’identité de chaque objet détecté d’une frame à la suivante. Le LiDAR FMCW simplifie cette tâche car il fournit directement la vitesse radiale de chaque point, permettant un appariement temporel plus fiable.

SLAM (Simultaneous Localization And Mapping). Construire une carte 3D de l’environnement tout en se localisant dedans. Le LiDAR-SLAM (LiDAR Odometry and Mapping) utilise l’alignement de nuages de points successifs (ICP, LOAM) combiné à des modèles d’IA pour une localisation centimétrique.

Fusion LiDAR-caméra : le meilleur des deux mondes

Le LiDAR excelle en mesure de distance et en détection 3D. Les caméras excellent en reconnaissance visuelle (couleur, texture, panneaux, feux). La fusion LiDAR-caméra combine les forces des deux pour une perception supérieure à chaque capteur pris individuellement.

Les architectures de fusion multi-modale récentes utilisent des backbones comme ResNet-50 pour les images et PointPillars ou VoxelNet pour les nuages de points, puis fusionnent les représentations via des modules d’attention croisée (cross-attention). Des modèles comme BEVFusion projettent toutes les modalités dans un espace « Bird’s Eye View » (vue de dessus) unifié, ce qui simplifie la fusion spatiale.

Waymo utilise une fusion de capteurs multi-modale complète dans son système de 6e génération (février 2026). Le système combine des caméras 17 mégapixels (les plus hautes résolutions de l’industrie automobile), un LiDAR custom avec puces et optiques conçues en interne, et des radars d’imagerie avancés. Chaque capteur compense les faiblesses des autres : si la caméra est éblouie, le LiDAR et le radar prennent le relais.

Applications au-delà de la conduite autonome

Robotique

Les robots industriels, les drones de livraison et les robots de logistique d’entrepôt utilisent le LiDAR + IA pour naviguer dans des environnements dynamiques. Le SLAM basé LiDAR est la méthode de localisation standard pour les robots mobiles autonomes (AMR). NVIDIA a intégré le LiDAR dans sa plateforme robotique Isaac Sim pour la simulation et l’entraînement de politiques de navigation.

Cartographie et géospatial

Les systèmes LiDAR aéroportés (sur avion ou drone) combinés à l’IA permettent la cartographie 3D de villes entières, la modélisation de forêts (estimation du volume de bois), la détection de sites archéologiques sous la canopée, et la surveillance de l’érosion côtière. La résolution atteint quelques centimètres par point.

Agriculture de précision

Le LiDAR monté sur drone ou tracteur autonome cartographie les cultures en 3D pour estimer la biomasse, détecter les zones de stress hydrique et optimiser l’application de fertilisants. L’IA segmente automatiquement les plantes, les rangs et les zones de sol nu.

Inspection d’infrastructures

Le LiDAR + IA inspecte les ponts, tunnels, voies ferrées et lignes électriques pour détecter automatiquement les fissures, déformations et anomalies structurelles. La détection d’anomalies (anomaly detection) basée sur le deep learning identifie les écarts par rapport à un modèle 3D de référence.

Infrastructure intelligente

Les LiDAR fixes installés aux intersections, dans les tunnels ou sur les autoroutes analysent le trafic en temps réel, comptent les véhicules, détectent les incidents et communiquent avec les véhicules connectés (V2X). Innoviz a présenté InnovizSMART au CES 2026, un LiDAR intégré avec NVIDIA Jetson Orin pour le traitement IA en edge.

Acteurs de l’écosystème LiDAR + IA

En mars 2026, Hesai (Chine) est le leader mondial en volume avec sa gamme AT128 et Pandar, fournissant la majorité des constructeurs chinois. RoboSense a lancé le EM4, premier LiDAR automotive numérique à 1 080 canaux laser. Luminar fournit Volvo et Mercedes. Innoviz a annoncé un partenariat avec Daimler Truck et Torc Robotics. Aeva (après acquisition d’Ouster) se positionne comme le leader FMCW. Valeo (français) est le premier Tier-1 à avoir livré un LiDAR automotive en série (SCALA). Seyond a signé un contrat d’approvisionnement exclusif avec un grand groupe automobile chinois pour sa série Robin E1X, avec production de masse prévue en 2026.

Défis techniques et limites

Conditions météo dégradées. La pluie, la neige et le brouillard atténuent les impulsions laser et créent des points parasites. Les modèles d’IA doivent apprendre à filtrer ces artefacts sans supprimer de vrais objets. Les architectures comme AWD-YOLO (double backbone pour images brutes et prétraitées) adressent ce problème côté caméra, mais l’équivalent côté LiDAR reste un axe de recherche actif.

Coût. Malgré une baisse de 65 % depuis 2020, un capteur LiDAR automotive coûte encore entre 500 et 700 $. C’est prohibitif pour les véhicules d’entrée de gamme (sous 25 000 $), où les systèmes caméra-radar suffisent pour les ADAS de base. Le LiDAR reste réservé aux véhicules premium et aux robotaxis.

Volume de données. Un LiDAR haute résolution génère des dizaines de gigaoctets par heure de conduite. L’entraînement de modèles IA sur ces données nécessite une infrastructure de stockage et de calcul massive. Les datasets ouverts (Waymo Open Dataset : 1 150 scènes, nuScenes : 1 000 scènes) restent limités par rapport aux besoins.

Annotation. Annoter des nuages de points 3D (dessiner des boîtes englobantes autour de chaque objet) est plus lent et plus coûteux que pour des images 2D. Des entreprises comme iMerit et Scale AI fournissent des services d’annotation LiDAR spécialisés, et l’auto-annotation par IA (pseudo-labels) réduit progressivement ce goulot d’étranglement.

Interférences. Quand plusieurs véhicules équipés de LiDAR ToF circulent ensemble, les lasers d’un véhicule peuvent être captés par un autre, créant des points fantômes (crosstalk). Le LiDAR FMCW résout ce problème car chaque unité utilise un chirp de fréquence unique, rendant les interférences quasi inexistantes.

Tendances et perspectives

Le marché LiDAR automotive devrait atteindre 9,5 milliards de dollars d’ici 2034 (IDTechEx). Plusieurs tendances structurent cette croissance.

FMCW : le futur du LiDAR. Le segment FMCW croît à un TCAC de 49,4 %, le plus élevé de l’industrie. La mesure simultanée distance + vitesse, l’immunité aux interférences et la portée de 400 m en font le candidat idéal pour l’autonomie sur autoroute. Les feuilles de route des OEM indiquent un déploiement FMCW sur les véhicules premium 2027 en Amérique du Nord et en Chine. LightIC (FMCW sur puce en silicium photonique) vise une production de masse en 2026.

Miniaturisation et intégration. Le LiDAR s’intègre dans les phares et la carrosserie (intégration headlamp). Ce segment croît à 36 % par an. La fusion LiDAR-phare permet de réduire la traînée aérodynamique et d’améliorer l’esthétique du véhicule.

Le « millier de faisceaux ». RoboSense EM4 avec 1 080 canaux laser inaugure l’ère du LiDAR « mille faisceaux », offrant une résolution comparable à une caméra dans la dimension distance. Cela réduit la dépendance aux algorithmes d’interpolation IA.

Réglementation poussant l’adoption. Le règlement UNECE R157 en Europe et le protocole China NCAP 2026 exigent des capacités de perception haute résolution, poussant le LiDAR dans les véhicules de niveau 3 et plus. Le LiDAR sera standard sur 45 % des véhicules de luxe neufs d’ici fin 2026.

Verdict

Le LiDAR sans IA est un nuage de points. L’IA sans LiDAR est aveugle à la profondeur. Ensemble, ils forment le système de perception le plus fiable pour la conduite autonome et la robotique. Malgré le pari « vision seule » de Tesla, tous les services de robotaxis commerciaux sans chauffeur (Waymo, Baidu, Pony.ai) utilisent le LiDAR comme pilier de leur perception.

Le coût reste le frein principal à la démocratisation, mais la trajectoire est claire : solid-state, FMCW, intégration en silicium photonique. Le LiDAR à 100 $ n’est plus une utopie, c’est un objectif industriel à horizon 2028-2030. Quand ce seuil sera atteint, le LiDAR se généralisera bien au-delà des véhicules premium.

Pour un développeur IA, le traitement de nuages de points 3D est un domaine passionnant et en pleine évolution, avec des architectures dédiées (PointNet++, CenterPoint, Transformers 3D) et des datasets de qualité croissante. C’est un créneau de compétences très demandé et encore peu saturé.