L'IA embarquée signifie exécuter l'inférence au point de collecte des données — sur le capteur, sur la plateforme ou au nœud tactique — plutôt que de transmettre des données brutes à un cloud ou à un centre de données pour traitement. Dans les contextes commerciaux, il s'agit principalement d'une optimisation de la latence et de la bande passante. Dans les contextes militaires, c'est souvent la seule option viable.

La guerre moderne dégrade ou coupe systématiquement les liaisons de communication. Un UAV opérant à 40 km du relais le plus proche dans un environnement contesté par la guerre électronique ne peut pas compter sur un aller-retour de 500ms vers un point de terminaison d'inférence cloud. Il doit classifier, détecter et agir — ou au minimum filtrer et compresser — en utilisant le calcul embarqué. L'IA embarquée rend cela possible.

Pourquoi embarqué plutôt que cloud dans les applications militaires

Trois réalités opérationnelles rendent l'IA dépendante du cloud inadaptée à l'utilisation militaire en première ligne :

Latence. Un modèle de détection de cibles fonctionnant dans un centre de données cloud introduit au minimum 200–400 ms de latence réseau avant que le résultat ne soit disponible pour l'opérateur ou le système. Pour les cibles cinématiques — véhicules en mouvement, aéronefs en manœuvre — ce délai représente des dizaines de mètres d'incertitude de position. L'inférence embarquée sur un NVIDIA Jetson Orin, en revanche, peut produire des détections en moins de 20 ms à partir de la capture d'image.

Communications dégradées. Le brouillage GPS, le brouillage des communications et la perturbation physique des liaisons sont des tactiques adverses standard dans les conflits entre pairs. Tout système qui nécessite une connectivité pour fonctionner correctement est un système qui peut être désactivé sans moyens cinétiques. L'inférence embarquée continue de fonctionner lorsque la liaison radio est coupée.

Contraintes de bande passante. Une liaison radio tactique peut transporter 64 kbps dans des conditions favorables. Un flux vidéo 1080p nécessite environ 2 Mbps même avec une compression agressive. La diffusion en continu de données de capteurs brutes vers un centre de traitement est impossible ; seuls les résultats structurés (détections, pistes, anomalies) peuvent être transmis sur une liaison contrainte. L'IA embarquée est le mécanisme qui produit ces résultats structurés.

Vision par ordinateur UAV pour la détection de cibles

L'application d'IA embarquée militaire la plus mature est la vision par ordinateur montée sur UAV pour la détection et la classification de cibles. Un modèle de détection d'objets (typiquement une variante YOLOv8 ou RT-DETR, quantifié en INT8 pour le déploiement embarqué) s'exécute sur le processeur embarqué du UAV contre le flux de caméra EO ou IR, produisant des boîtes englobantes et des scores de confiance pour les objets d'intérêt détectés.

Les principaux défis d'ingénierie : la gestion du taux de faux positifs (un modèle qui génère 50 détections par minute dans un environnement urbain encombré submerge l'opérateur), la fusion thermique vs EO (l'IR détecte les véhicules chauds à travers le camouflage ; l'EO fournit les détails de classification), et le déploiement des mises à jour de modèles (pousser des modèles affinés vers une flotte de UAV opérant dans une zone contestée sans nécessiter une récupération physique).

Fusion de capteurs d'infanterie en périphérie

Les systèmes de capteurs au niveau de la section — détecteurs acoustiques, capteurs sismiques, radars à courte portée — génèrent des données brutes qui doivent être fusionnées en alertes exploitables sans connectivité vers un backend. Un soldat ne peut pas surveiller un flux de données brutes d'accéléromètre ; il a besoin d'une alerte : « Véhicule approchant du nord-est, environ 400 m. »

L'IA embarquée pour les capteurs d'infanterie s'exécute typiquement sur un microprocesseur basse consommation intégré dans le nœud de capteur, effectuant la classification et la génération d'alertes localement. La sortie — une alerte structurée avec type, relèvement, confiance et horodatage — est ensuite transmise via une radio maillée à faible bande passante. Le coût de transmission d'un message d'alerte de 50 octets est d'ordres de grandeur inférieur au coût de transmission des données brutes du capteur pour un traitement cloud.

Maintenance prédictive pour les véhicules militaires

La maintenance des véhicules est un problème critique pour la logistique dans les opérations soutenues. Un véhicule blindé qui tombe en panne à 20 km d'une installation de réparation sur un itinéraire contesté crée un impact opérationnel disproportionné par rapport à la défaillance mécanique qui l'a causé. L'IA de maintenance prédictive, s'exécutant sur du matériel embarqué connecté au bus CAN du véhicule et au réseau de capteurs, surveille les paramètres du moteur, les signatures de vibration et les niveaux de fluides pour détecter les anomalies avant qu'elles ne deviennent des pannes.

La contrainte de déploiement embarqué ici est différente : le véhicule a une connectivité périodique (aux points de maintenance), mais la connectivité cloud continue n'est pas viable. Le modèle s'exécute localement et enregistre les prédictions. Lorsque le véhicule se connecte, le journal se synchronise avec le système de gestion de la flotte, qui agrège les prédictions à travers la flotte et priorise la planification de la maintenance.

Détection d'anomalies RF

Les systèmes de guerre électronique utilisent des modèles ML pour détecter les émissions RF anormales — nouveaux émetteurs, changements de fréquence, schémas de transmission inattendus — en quasi-temps réel. L'exécution de ces modèles sur le matériel de collecte lui-même (intégré dans la chaîne de traitement SDR) permet une alerte immédiate sans transmettre le flux de données IQ brutes. Ceci est particulièrement précieux pour les capteurs SIGINT passifs déployés en positions avancées sans liaison arrière sécurisée à haute bande passante.

Contraintes matérielles : Jetson, FPGA et le budget d'alimentation

Les choix matériels standard pour l'IA embarquée dans les applications militaires sont les modules NVIDIA Jetson (Orin NX, Orin AGX) pour les tâches de vision, les FPGA (Xilinx Versal, Intel Agilex) pour le traitement du signal en temps réel, et les accélérateurs d'IA dédiés (Hailo-8, Myriad X) pour les nœuds de capteurs ultra-basse consommation. La contrainte principale est le budget d'alimentation : la capacité de batterie d'un soldat démontés limite le calcul à environ 5–10 W. Un système monté sur véhicule peut supporter 50–200 W.

La quantification du modèle (de FP32 à INT8 ou INT4) et l'élagage sont des techniques standard pour adapter l'inférence dans ces enveloppes d'alimentation sans perte d'précision inacceptable. Un modèle YOLOv8-nano quantifié en INT8 et s'exécutant sur un Hailo-8 fournit environ 25 fps de détection d'objets à moins de 3 W — viable pour un nœud de capteur alimenté par batterie.

Point clé : L'apprentissage fédéré permet l'amélioration du modèle d'IA embarqué sans centraliser les données brutes des capteurs — chaque nœud s'entraîne localement sur ses observations et contribue uniquement les mises à jour de gradient au modèle global. Pour les applications de défense où les données brutes sont classifiées ou sensibles, c'est souvent le seul chemin conforme vers l'amélioration continue du modèle.

Apprentissage fédéré pour le déploiement distribué

L'amélioration traditionnelle des modèles ML nécessite la centralisation des données d'entraînement. Dans les contextes de défense, les données brutes des capteurs — imagerie, interceptions de signaux, enregistrements acoustiques — peuvent être classifiées, indisponibles pour transmission ou simplement trop volumineuses pour être déplacées. L'apprentissage fédéré résout ce problème en entraînant les modèles localement à chaque nœud de périphérie et en agrégeant uniquement les mises à jour des poids du modèle (gradients) sur un serveur central.

Pour une flotte de UAV déployée, cela signifie que le modèle de détection de chaque UAV s'améliore à partir de ses propres observations opérationnelles, et ces améliorations (sans l'imagerie sous-jacente) sont agrégées en un modèle globalement amélioré renvoyé à la flotte à la prochaine fenêtre de connectivité. La précision de classification s'améliore continuellement tout au long du déploiement, sans qu'aucune imagerie brute ne quitte les nœuds de périphérie.