Les oiseaux ont longtemps inspiré les humains à créer leurs propres façons de voler. Nous savons que les espèces d'oiseaux planeurs qui migrent sur de longues distances utilisent des courants ascendants thermiques pour rester dans l'air sans utiliser d'énergie pour battre des ailes. Et les pilotes de planeur utilisent de la même manière les courants thermiques et d'autres zones d'air ascendant afin de rester en vol plus longtemps.

Encore, alors que nous maîtrisons le glissement à travers ces courants ascendants à l'aide de divers instruments, les mécanismes exacts qui permettent aux oiseaux de s'envoler sont encore inconnus. Mais une équipe de chercheurs de Californie et d'Italie a fait des pas significatifs pour répondre à cette question en utilisant l'intelligence artificielle (IA). Et cela pourrait conduire à de nouveaux développements dans les systèmes de navigation pour les avions, avec des implications particulières pour la création de drones qui peuvent rester en l'air pendant de très longues périodes.

Le but de l'étude, Publié dans La nature , consistait à entraîner un petit planeur autonome de deux mètres d'envergure à voler en thermique, comme le ferait un vrai oiseau. Le planeur a été programmé avec une sorte d'IA connue sous le nom d'apprentissage automatique qui lui a permis de déterminer comment utiliser les courants d'air pour rester dans les airs plus longtemps.

L'apprentissage automatique est une approche alternative à la programmation d'un ordinateur pour effectuer une tâche complexe. Plutôt que d'alimenter un ordinateur (ou un planeur autonome dans ce cas) un ensemble d'instructions lui indiquant comment faire quelque chose, vous dites à l'ordinateur comment vous voudriez qu'il réagisse et le récompensez quand il fait la bonne chose.

Au fil du temps, il apprendra quelles choses sont récompensées et aura tendance à adopter ces comportements à la place. Cette technique permet aux programmes informatiques tels que AlphaGo de Google d'apprendre à jouer au jeu de société Go, puis de battre les joueurs professionnels, un exploit tout simplement impossible avec les techniques de programmation conventionnelles.

Ce type d'apprentissage automatique est appelé apprentissage par renforcement et il repose sur l'envoi d'une grande quantité de données d'entrée à l'ordinateur afin qu'il apprenne quelles actions lui apporteront des récompenses. Pour les chercheurs programmant le planeur autonome, les données d'entrée consistaient en des instruments spécialisés capables de lire le changement de la force du vent vers le haut (vertical). Les instruments ont pu déterminer ces changements le long du planeur (longitudinalement) et d'un bout d'aile à l'autre (latéralement). Les capteurs étaient capables d'effectuer ces mesures dix fois par seconde.

Ces données ont ensuite été utilisées pour effectuer des ajustements de vol à ce que l'on appelle l'angle d'inclinaison du planeur. Un avion bien équilibré avec ses ailes horizontales a un angle d'inclinaison nul et volera en ligne droite. Incliner les ailes et augmenter l'angle d'inclinaison fera tourner l'avion. Dans l'étude, le planeur était récompensé si le changement de vitesse du vent ascendant le long de sa trajectoire de vol augmentait. En d'autres termes, si le planeur volait dans un courant ascendant.

Les courants ascendants sont essentiels pour augmenter la durée pendant laquelle un planeur peut rester en l'air. Contrairement à un avion à moteur, un planeur incapable de trouver des courants ascendants tombera progressivement vers le sol. Que le planeur tombe ou monte ou non dépend directement de la quantité d'air qui se déplace vers le haut autour de lui. Dans un courant ascendant, l'augmentation du mouvement vertical de l'air peut suffire à arrêter la chute du planeur et, si le vent vertical est assez fort, lui permettre de grimper.

Au cours de plusieurs vols (environ 16 heures de vol au total), le planeur d'étude a appris à voler en s'entraînant sous une certaine combinaison d'entrées (angle d'inclinaison, changement longitudinal et latéral de la vitesse du vent vertical) pour décider quel devrait être le prochain changement d'angle d'inclinaison. Le résultat était qu'à la fin de tout ce vol, l'avion avait appris à voler dans des courants ascendants, lui permettant de rester dans l'air plus longtemps.

En prime, les chercheurs ont utilisé un modèle numérique pour montrer que cette approche profiterait encore plus aux grands planeurs, car leur envergure plus longue fournira une mesure plus précise du changement de vitesse du vent vers le haut d'un bout d'aile à l'autre.

Rendre les avions plus intelligents

Les résultats soulèvent la question de savoir quels possibles planeurs autonomes futuristes nous pourrions voir planer et à quoi pourraient-ils servir. Les ingénieurs du MIT se sont récemment inspirés de l'aérodynamisme de l'albatros surfeur pour concevoir un planeur autonome.

Airbus a développé un planeur à énergie solaire qui peut rester en vol très longtemps comme alternative aux satellites de surveillance ou de communication, par exemple, qui pourrait diffuser des signaux Internet vers des emplacements éloignés au sol. Microsoft travaillerait sur des avions autonomes dotés de systèmes de navigation intelligents artificiels à la pointe de la technologie.

Mais peut-être que les techniques développées dans cette étude pourraient un jour conduire à une nouvelle génération de systèmes de navigation et de pilotage automatique "intelligents" pour les avions conventionnels. Ceux-ci pourraient utiliser les données recueillies sur des milliers d'heures de vol pour prendre des décisions sur le moyen le plus efficace de se déplacer. Cela reposerait sur des capteurs précis et des développements ultérieurs qui permettraient à un avion d'identifier puis de passer d'un courant ascendant thermique à un autre. À l'heure actuelle, la méthode ne permet de glisser qu'à l'intérieur d'un seul thermique.

Les méthodes et techniques de programmation développées en par les chercheurs nous rapprocheront sans aucun doute de l'objectif d'un véhicule volant autonome avec des temps de vol de jours, des semaines ou des mois pour effectuer ces tâches. Mais c'est l'utilisation de l'apprentissage par renforcement qui montre une fois de plus à quel point ces algorithmes sont flexibles pour s'adapter à un large éventail de tâches complexes, de contrôler un planeur à battre un humain au Go.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.