Comment les oiseaux s'envolent? Des chercheurs développent un planeur autonome pour l'IA afin de le découvrir

Les oiseaux ont longtemps inspiré les humains à créer leurs propres moyens de voler. Nous savons que les espèces d'oiseaux en forte hausse qui migrent sur de longues distances utilisent des courants ascendants thermiques pour rester dans les airs sans utiliser d'énergie qui bat des ailes. De même, les pilotes de planeurs utilisent des courants thermiques et d’autres zones d’air ascendant pour rester en vol plus longtemps.

Cependant, bien que nous ayons maîtrisé le fait de naviguer dans 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 californiens et italiens a fait des pas en avant pour répondre à cette question en utilisant l’intelligence artificielle (A.I.). Et cela pourrait conduire à de nouveaux développements dans les systèmes de navigation pour avions, avec des implications particulières pour la création de drones pouvant rester en vol pendant de très longues périodes.

Le but de l’étude, publiée dans La nature, était de former un petit planeur autonome de deux mètres d’envergure pour voler dans les thermiques, comme le ferait un véritable oiseau. Le planeur a été programmé avec une sorte de A.I. connu sous le nom d’apprentissage automatique qui lui a permis de déterminer comment utiliser les courants d’air pour rester dans l’air plus longtemps.

Voir aussi: Les drones sont programmés pour s'assembler exactement comme des oiseaux dans une nouvelle étude révolutionnaire

L'apprentissage automatique est une approche alternative à la programmation d'un ordinateur pour effectuer une tâche complexe. Plutôt que de fournir à un ordinateur (ou à un planeur autonome dans ce cas) une série d'instructions lui indiquant comment faire quelque chose, vous indiquez à l'ordinateur comment vous souhaitez qu'il réagisse et vous le récompensez lorsqu'il fait le bon choix.

Au fil du temps, il apprendra ce qui est récompensé et aura tendance à adopter ces comportements à la place. C’est cette technique qui permet aux programmes informatiques tels que AlphaGo de Google d’apprendre à jouer au jeu de société Go, puis de battre les joueurs professionnels, ce qui n’est tout simplement pas possible avec les techniques de programmation conventionnelles.

Ce type d'apprentissage automatique s'appelle l'apprentissage par renforcement. Il s'appuie sur une grande quantité de données d'entrée introduites dans l'ordinateur pour lui permettre de connaître les actions qui lui rapporteront des récompenses. Pour les chercheurs programmant le planeur autonome, les données d'entrée consistaient en des instruments spécialisés capables de lire l'évolution de la force du vent vers le haut (vertical). Les instruments ont pu déterminer ces modifications sur la longueur du planeur (longitudinalement) et d'un bout d'aile à l'autre (latéralement). Les capteurs ont pu effectuer ces mesures dix fois par seconde.

Ces données ont ensuite été utilisées pour effectuer des ajustements en vol sur ce que l’on appelle l’angle d’inclinaison du planeur. Un avion bien équilibré dont les ailes sont au niveau a un angle d'inclinaison nul et vole 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 mises à jour sont essentielles pour augmenter la durée pendant laquelle un planeur peut rester en vol. Contrairement à un avion motorisé, un planeur qui ne trouve pas de courant ascendant va tomber progressivement vers le sol. Que le planeur tombe ou monte 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 être suffisante pour arrêter le planeur de tomber et, si le vent vertical est suffisamment fort, lui permettre de monter.

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

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

Rendre l'avion plus intelligent

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

Airbus a mis au point un planeur à énergie solaire pouvant, par exemple, rester en vol pendant très longtemps, en tant qu'alternative aux satellites de surveillance ou de communication, qui pourrait diffuser des signaux Internet vers des sites distants situés 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 pilote automatique «intelligents» pour les avions conventionnels. Ceux-ci pourraient utiliser les données recueillies sur des milliers d'heures de vol pour prendre des décisions concernant la manière la 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 ascendant thermique à un autre. Pour le moment, la méthode ne permet de glisser que dans un seul thermique.

Les méthodes et les techniques de programmation développées par les chercheurs nous rapprocheront sans aucun doute de l’objectif d’un véhicule volant autonome effectuant ces tâches avec des durées de vol de plusieurs jours, semaines ou mois. Mais c’est l’utilisation de l’apprentissage par renforcement qui montre une nouvelle fois à quel point ces algorithmes sont flexibles pour s’adapter à un large éventail de tâches complexes, allant du contrôle d’un planeur à la victoire sur un humain en position de Go.

Cet article a été publié à l'origine sur The Conversation par Nicholas Martin. Lisez l'article original ici.