La Chaire Territoires et Navettes Autonomes a pour ambition d’ériger le territoire en modèle de développement territorial intégrant la mobilité intelligente et durable et, notamment la navette autonome, dans un contexte aussi varié que la ville dense jusqu’au village du haut pays. Elle développe des projets d’expérimentation d’un service de transport et de logistique pour le développement local de zones spécifiques. Ces expérimentations concernent le transport en circuit court des activités quotidiennes, en s’appuyant sur la connaissance du territoire et l’étude de cas d’usage utilisant les technologies autonomes.

Un véhicule autonome associe capteurs, caméras et radars à une intelligence artificielle pour rouler sans aucun être humain aux commandes. À partir d’un ensemble de données très hétérogène, cette dernière « apprend » et s’adapte à toutes situations de conduite possibles. Si à ce jour les développements sur le véhicule autonome ne permettent pas encore de faire face aux situations les plus complexes et de garantir toutes les exigences en termes de fiabilité et de sûreté, cette solution offre la promesse d’une réduction importante des embouteillages et des ralentissements, la fin des erreurs humaines pendant la conduite et la diminution consécutive des accidents. Elle permet également d’apporter un éventail de nouveaux services auprès de populations spécifiques en permettant par exemple aux personnes à mobilité réduite d’accéder à un moyen de transport individuel malgré leur handicap.

Au cœur de ces expérimentations, des enjeux de R&D s’articulant autour de la supervision à distance, de la cybersécurité, la sûreté de fonctionnement du système de mobilité, les infrastructures connectées intelligentes et l’acceptabilité de l’écosystème. C’est ici qu’interviennent le Laboratoire d’lnformatique, Signaux et Systèmes de Sophia-Antipolis (i3S) et le laboratoire TransitionS (Médias – Savoirs – Territoires) en apportant leurs expertises respectivement sur l’intégration des technologies d’intelligence artificielle (machine learning, deep learning) au véhicule autonome et sur l’évaluation des défis et freins individuels à l’acceptabilité et à l’appropriation du véhicule autonome par les usagers.