Les drones apprennent à se faufiler dans des espaces étroits grâce à une IA embarquée.

infohightech ·

Principe de fonctionnement et mise en œuvre du système. Crédit : Wu et al. (Science Robotics, 2026).

Les véhicules aériens sans pilote (UAV), communément appelés drones, sont aujourd'hui largement utilisés à des fins diverses, allant de la réalisation de films et de la photographie aérienne à l'inspection industrielle, l'agriculture de précision et l'accès aux zones difficiles d'accès lors de missions d'intervention d'urgence. Si de nombreux drones existants peuvent se déplacer rapidement dans leur environnement et contourner les obstacles importants, la plupart rencontrent encore des difficultés dans les environnements encombrés. De plus, ils sont souvent incapables d'effectuer des manœuvres leur permettant de se faufiler en toute sécurité dans des passages étroits ou d'atteindre des zones isolées.

Des chercheurs de l'université du Zhejiang ont récemment mis au point de nouvelles stratégies de contrôle susceptibles d'améliorer la capacité des drones à effectuer des manœuvres complexes avec précision et à se faufiler dans des espaces extrêmement étroits. Ces stratégies, présentées dans un article publié dans Science Robotics , ont été entraînées à convertir les informations recueillies par les capteurs embarqués en commandes motrices grâce à une approche d'apprentissage automatique appelée apprentissage par renforcement (RL).

« L’un des problèmes les plus importants est le franchissement agressif d’espaces étroits par des quadricoptères soumis aux contraintes du groupe euclidien spécial à trois dimensions. Cela exige que les quadricoptères exploitent une inclinaison momentanée et l’asymétrie de leur structure pour se faufiler dans ces espaces », écrivent Tianyue Wu, Guangtong Xu et leurs collègues dans leur article. « Nous avons réalisé de telles manœuvres en développant des stratégies sensori-motrices qui traduisent directement la vision et la proprioception embarquées en commandes de contrôle de bas niveau. »

Expériences de franchissement d'espaces étroits avec des arrière-plans visuellement variés. Crédit : Science Robotics (2026). DOI : 10.1126/scirobotics.aeb0180

Nouvelles politiques de contrôle entraînées par apprentissage par renforcement

Les politiques sensori-motrices développées par Wu, Xu et leurs collègues ont été entraînées par apprentissage par renforcement (RL), un processus d'apprentissage par essais et erreurs où les agents sont récompensés lorsqu'ils font des prédictions exactes ou réussissent des tâches. Ces politiques convertissent les images capturées par les caméras embarquées et les mesures collectées à l'intérieur du drone (telles que son orientation, ses vitesses angulaires et son accélération) en commandes motrices.

« Les politiques ont été entraînées à l'aide de l'apprentissage par renforcement (RL) avec distillation de politique de bout en bout dans la simulation », écrivent les auteurs. « Nous avons atténué le problème d'exploration de l'espace de solutions restreint de l'apprentissage par renforcement sans modèle grâce à une stratégie d'initialisation tirant parti des trajectoires générées par un planificateur basé sur un modèle. »

Les chercheurs ont évalué leurs nouvelles politiques à la fois par des simulations et des expériences en conditions réelles. Ils ont constaté que ces politiques permettaient aux drones de franchir des ouvertures rectangulaires et des ouvertures de formes diverses, inclinées selon différents angles. Notamment, les drones ont également pu franchir des ouvertures mobiles et des parcours entiers composés de nombreuses ouvertures successives et rapprochées.

« Une conception minutieuse, basée sur la transition simulation-réalité, a permis à la méthode de contrôler un quadricoptère dans des espaces étroits, avec un faible dégagement et une grande répétabilité », écrivent Wu, Xu et leurs collègues. « Par exemple, la méthode proposée a permis à un quadricoptère de naviguer dans un espace rectangulaire de 5 centimètres (2 pouces), incliné jusqu'à 90°, sans connaître la position ni l'orientation de l'espace. Sans apprentissage sur des espaces dynamiques, la méthode a pu piloter le quadricoptère de manière réactive pour traverser un espace en mouvement. »

La méthode proposée a été validée sur des pistes difficiles comportant des intervalles étroits et rapprochés.

Le potentiel de ces politiques pour des applications concrètes

Cette étude de Wu, Xu et leurs collègues pourrait inciter d'autres informaticiens à développer des politiques sensori-motrices similaires permettant aux drones de naviguer en toute sécurité dans des environnements complexes, dynamiques et encombrés. Par ailleurs, les nouvelles stratégies de contrôle introduites par l'équipe pourraient être perfectionnées et appliquées à d'autres situations où les drones actuels rencontrent des difficultés.

À terme, ces politiques pourraient être déployées sur les drones disponibles dans le commerce afin d'accroître leur agilité et d'améliorer leur capacité à mener à bien des missions complexes en situation réelle. Par exemple, elles pourraient permettre aux drones de se déplacer dans les décombres et d'atteindre les survivants après des catastrophes naturelles, d'inspecter des zones isolées ou des pipelines sur des sites industriels, et d'explorer d'autres espaces confinés tels que des mines partiellement effondrées, des tunnels et des puits de ventilation.

https://techxplore.com/news/2026-06-drones-narrow-gaps-onboard-ai.html

https://www.science.org/doi/10.1126/scirobotics.aeb0180

https://dx.doi.org/10.1126/scirobotics.aeb0180

Cet article vous a été utile ? Partagez-le.