L’Intelligence Artificielle (IA) est un domaine de l’informatique qui, par sa capacité à traiter efficacement des données, à construire des décisions et à automatiser certains processus, est amené à jouer un rôle sociétal et économique majeur. Les domaines de l’Aéronautique, du Spatial et de la Défense (ASD) n’échappent pas à cette tendance.

Cet article aborde le problème consistant à combiner des observations humaines et des données capteurs dans un but de suivi et identification d’entités dans des environnements dynamiques. Dans le cas d’applications réalistes, la complexité de la tâche consistant à suivre et à détecter demande une fusion dynamique des données capteurs et des observations. Une approche de médiation sémantique est adoptée. Les cibles mobiles sont détectées et classifiées sur la base des données capteurs.

Jusqu’à il y a peu, le traitement de flux de données à forte dynamique à été très coûteux en termes de durée de calcul. En conséquence, l’extraction temps réel d’information sémantique, qui demande des corrélations complexes d’évènements dans un motif temporel, n’était pas possible. La performance des ordinateurs s’est suffisamment améliorée pour que  de tels traitements puissent maintenant être réalisés pour une très large gamme d’applications intéressantes.

Les plateformes aéroportées comme les systèmes d’aéronefs pilotés à distance opèrent dans des contextes fortement critiques. La prochaine génération de systèmes d’aéronefs pilotés à distance sera dotée de capteurs multifonction, c’est-à-dire qu’au cours de la mission chaque capteur offre un grand nombre de fonctions au gestionnaire de la plateforme. En temps que plateforme, un système d’aéronef piloté à distance effectue un ensemble de tâches complexes grâce à la combinaison de divers services capteurs.

Cet article étudie les algorithmes de planification de chemins pour deux agents dans des graphes où ils sont affectés à des états initiaux et buts indépendants mais sont incités, par réduction de la fonction de coût globale quand ils se déplacent en formation, à partager une partie de leur parcours. Les applications de ces algorithmes vont du covoiturage au vol en formation.

Dans cet article nous présentons les techniques d’Intelligence Artificielle pour la planification et l’ordonnancement que nous avons développées pour optimiser l’opération des télescopes spatiaux. Ces derniers sont des satellites dont la mission est d’observer des objets célestes comme les planètes, les exo planètes, les étoiles ou les galaxies.

Les techniques de vision par ordinateur ont fait des progrès considérables ce  dernières années. Cette avancée rend maintenant possible l’utilisation dans la pratique de vision par ordinateur dans des drones civils ou dans des aéronefs, en remplacement de pilotes humains. La question qui se pose naturellement est de fournir une manière de certifier à un niveau donné de sécurité de tels systèmes.

Cet article présente deux cas d’usage pour lesquels l’apprentissage profond est capable d’aider des scientifiques en les allégeant du fardeau d’un examen manuel d’un grand volume de données physiques. De tels exemples mettent en lumière la raison pour laquelle l’apprentissage profond pourrait devenir un outil transverse à beaucoup de domaines scientifiques.

Cet article vise l’inventaire des progrès réalisés en télédétection grâce au développement récent de techniques d’apprentissage profond. Cette évaluation est réalisée au travers d’une présentation systématique des différentes activités entreprises à l’ONERA dans le domaine de la télédétection utilisant des méthodes d’apprentissage profond.

En considérant une classe de systèmes multi-agent linéaires, nous étudions le problème de la recherche d’un consensus en présence d’un signal exogène, correspondant possiblement à une perturbation. Nous formulons le problème de recherche d’un consensus robuste comme un jeu différentiel à somme non nulle.