Intelligence artificielle et recherche aérospatiale

"L'apprentissage automatique vise à faire exécuter à un ordinateur des tâches qu'il va réaliser tout seul, à partir de données expérimentales lui permettant de déterminer un ensemble de paramètres", indique Alexandre Boulch, chercheur à l’ONERA. Il existe différentes techniques, parmi lesquelles l'apprentissage statistique ou machine learning, dont fait partie le deep learning qui se caractérise par l'utilisation de très gros "réseaux de neurones".

Alors qu'ils existent depuis les années 80, ces réseaux de neurones connaissent une rapide évolution depuis quelques années, grâce aux puissances de calcul et aux grandes bases de données favorisées par l'Internet. Le grand public entend du reste régulièrement parler des réussites de ce secteur ; le programme informatique Alphago, par exemple, qui a battu le champion mondial du jeu de go, relève du deep-learning ; de même les algorithmes qui permettront de faire rouler des voitures autonomes.

Analyser des données aériennes

La mise en oeuvre du deep learning se fait en deux temps. La première phase consiste dans l'apprentissage à proprement parler ; il s'agit d'entraîner le réseau en lui fournissant des données. La deuxième phase est l'emploi ou test du réseau entraîné. Par exemple, pour l'exploitation d'images aériennes, des images au préalable interprétées et annotées (routes, bâtiments, champs, etc. ) sont analysées par les réseaux. Puis, dans un deuxième temps, ces réseaux seront capables de reconnaître les différentes parties significatives des nouvelles images qui leur sont soumises. Les performances liées à cette opération dépendent de la qualité de la phase d'entraînement, mais aussi de celle des données.

"La vision par ordinateur et plus généralement la perception fait partie des applications industrielles de choix du deep learning", rappelle Bertrand Le Saux, chercheur à l’ONERA. L'un des enjeux est d'interpréter les images aériennes et satellites, par exemple pour suivre l'occupation du sursol, détecter des véhicules, identifier la direction prise par ces véhicules. Selon la résolution des images satellites, celles-ci permettent de reconnaître des routes, de situer des zones urbaines. Surtout, il est désormais possible de faire de la détection de changement, c'est-à-dire de reconnaître les évolutions révélées par des images successives d'une même scène, ce qui permet de suivre la croissance d'une ville, de repérer des mouvements de populations, de planifier l'aide humanitaire en cas de crise.

Un axe de recherche important est celui de la perception d'informations tridimensionnelles. L'acquisition des données spatiales se fait grâce à un lidar, qui peut être installé sur une voiture, sur un drone, ou posé au sol. Les données fournies au système sont des nuages de points et l'enjeu est d'apporter du sens en reconnaissant des objets (voiture, bâtiment, champ). Le projet européen INACHUS porté par un consortium dont fait partie l'ONERA (projet dans le cadre du FP7), illustre le potentiel de ce champ d'expertise : il s'agit de fournir des moyens de détection et de reconnaissance pour la gestion des catastrophes. L'objectif est de reconnaître les parties intactes des structures afin de porter secours aux éventuels rescapés qu'elles pourraient abriter. L'enjeu est donc de fournir des informations fiables qui permettent d'orienter le travail sur le terrain des équipes de secours. La solution développée par l'ONERA repose sur un système d'imagerie laser porté par un drone avec des techniques de reconnaissance par deep learning.

Le projet DELTA : programmes open source

Concrètement, une plateforme est développée pour mettre à disposition des départements des outils logiciels qu'ils vont pouvoir s'approprier. La démarche, qui vise à faciliter l'accès et l'utilisation des technologies de l'apprentissage automatique, reçoit un accueil très positif.

Le choix a été fait de développer des bibliothèques de programmes open source, qui peuvent être employées et adaptées par les utilisateurs thématiciens, mais aussi distribuées aux partenaires de l'ONERA. Cela donne aux travaux de l'ONERA une visibilité appréciable, qui permet de confronter notre vision avec celle d'autres communautés scientifiques.

Un Projet de Recherche interne a pour objectif d'étendre le champ d'utilisation des technologies d'apprentissage automatique à différents domaines de la recherche aérospatiale, au-delà des thématiques classiques liées à la vision par l'ordinateur. Le projet Delta (DEep Learning for aerospace applications) vise des applications en mécanique des fluides, mécanique des matériaux, électromagnétisme, optique et en robotique. Lancé en mars 2017 pour 4 ans, il réunit 5 départements de l'ONERA avec 15 membres permanents, auxquels s'ajoutent, thésards et stagiaires qui travaillent au quotidien avec du deep learning. 

En partenariat avec