Inférence IA embarquée pour les UAV : traitement en bordure sans connectivité

Un UAV sans liaison de données n'est pas aveugle si son pipeline d'inférence fonctionne à bord. Le traitement IA côté sol est l'architecture courante pour des raisons de coût, mais elle crée une dépendance stricte : dès que la liaison tombe, la détection s'arrête. Dans les environnements contestés où les actifs de guerre électronique dégradent ou interrompent régulièrement les liaisons de données, cette dépendance est opérationnellement inacceptable. L'inférence IA embarquée transfère le calcul sur l'aéronef, traitant les images du capteur EO ou IR directement sur un accélérateur monté sur la charge utile, stockant localement les détections annotées et transmettant un journal de détections structuré au système C2 dès que la connectivité est rétablie. Cet article couvre les plateformes matérielles, les techniques de compression de modèles, la conception du pipeline de détection, les contraintes d'alimentation et thermiques, ainsi que les schémas d'intégration C2 qui rendent la détection et le suivi d'objets sur appareil viables sur les petits UAV tactiques.

Pourquoi l'inférence doit fonctionner à bord de l'UAV

L'argument opérationnel en faveur de l'inférence embarquée est simple : toute mission nécessitant une continuité de détection lors d'une interruption de liaison ne peut pas dépendre d'un traitement côté sol. Un UAV diffusant une vidéo brute vers une station sol exige une liaison haute bande passante soutenue — typiquement 2–10 Mbps pour de la vidéo HD compressée à une latence acceptable. Atteindre cette bande passante sur une portée tactique de 10–30 km dans un environnement avec brouillage actif n'est pas garanti. Lorsque le flux vidéo tombe, l'opérateur sol perd non seulement la conscience situationnelle de la position de l'UAV, mais toutes les détections que le capteur aurait générées pendant l'interruption. Pour une mission ISR s'étendant sur plusieurs heures, une lacune de liaison de 20 minutes n'est pas une lacune acceptable dans le journal de détections.

L'inférence embarquée résout ce problème en inversant le flux de données. Au lieu de diffuser des données capteur brutes vers un nœud de traitement sol, l'UAV diffuse uniquement les sorties d'inférence : des entrées de détection plusieurs ordres de grandeur plus petites que les trames vidéo brutes. Une entrée de détection — étiquette de classe, score de confiance, coordonnées de boîte englobante, position GPS et horodatage — occupe quelques centaines d'octets. Une trame vidéo pleine résolution à 10 Mbps occupe environ 1,25 Mo par seconde. Lorsqu'une liaison de sauvegarde à faible bande passante est disponible (une radio de données à courte rafale, un maillage MANET à débit réduit), les entrées de détection transitent là où la vidéo brute ne peut pas. Et lorsqu'aucune liaison n'est disponible, les entrées de détection s'accumulent en stockage local jusqu'à ce que la liaison soit rétablie.

Il y a aussi un argument de latence. Le temps aller-retour sur le réseau d'un UAV en altitude vers une station sol et retour peut aller de 50 ms à plusieurs centaines de millisecondes selon la qualité de la liaison et le routage. Pour les cibles sensibles au temps — un véhicule qui sort d'un couvert, un groupe de personnel qui se disperse — cette latence peut dépasser la fenêtre d'un ciblage utile. L'inférence embarquée produit un résultat de détection dans le temps de traitement de trame de l'accélérateur local, typiquement 30–100 ms de la capture de trame à la sortie annotée, sans saut réseau dans le chemin critique.

Plateformes matérielles : NVIDIA Jetson Orin vs Hailo-8 vs Intel Movidius pour les charges utiles d'UAV

Trois familles de silicium dominent les déploiements de charges utiles d'UAV en production. Chacune représente un point différent sur la courbe TOPS par watt, et le bon choix est déterminé principalement par le budget d'alimentation de la plateforme et la complexité de la tâche d'inférence. Une comparaison détaillée de ces options est également couverte dans notre article sur le matériel edge AI pour la défense.

Le NVIDIA Jetson Orin Nano offre 40 TOPS à 7–15 W selon le mode d'alimentation configuré dans le cadre de gestion d'alimentation NV. Il exécute une pile Linux complète, supporte nativement CUDA et TensorRT, et accepte tout modèle exporté via le format d'interchange ONNX — ce qui en fait l'option à la moindre friction pour les équipes dont le pipeline d'entraînement cible déjà TensorRT. Le facteur de forme de l'Orin Nano (69,6 mm x 45 mm) s'adapte aux baies de charge utile des UAV de classe 5–15 kg, mais sa dissipation thermique maximale nécessite soit un refroidissement actif, soit une intégration soignée de dissipateurs contre la peau de la cellule. Le Jetson Orin NX, le palier supérieur jusqu'à 100 TOPS et 15–25 W, est approprié lorsque la mission nécessite d'exécuter plusieurs modèles concurrents (détection plus classification plus ré-identification) sur le même nœud d'inférence.

Le module Hailo-8 M.2 atteint 26 TOPS à moins de 5 W, grâce à une architecture de flux de données hautement efficace qui découpe le graphe réseau sur un tableau de clusters de processeurs plutôt que de l'exécuter séquentiellement sur un cœur GPU. La contrepartie est la spécificité de la chaîne d'outils : les modèles doivent être compilés via le Hailo Dataflow Compiler, qui génère un binaire au format d'exécution Hailo (HEF). Le compilateur gère la quantification INT4 et INT8 en interne et produit des binaires hautement optimisés, mais il exige que la topologie du modèle soit représentable dans l'ensemble d'opérateurs supportés par le compilateur. Les architectures YOLOv5, YOLOv8 et RT-DETR standard figurent dans le Hailo Model Zoo et se compilent sans modification. L'enveloppe d'alimentation du Hailo-8 — 5 W de crête depuis un slot M.2 — en fait le choix naturel pour les plateformes multirotor de moins de 5 kg avec des budgets d'alimentation de charge utile contraints.

L'Intel Movidius Myriad X (cible OpenVINO) offre 4 TOPS à environ 1–2 W. Ce chiffre est modeste comparé au Hailo et au Jetson, mais la densité d'intégration du Myriad X — disponible en facteurs de forme clé USB et M.2 qui se connectent à tout hôte Linux via des interfaces standard — en fait l'option la plus simple pour les UAV à voilure fixe ou à lancement par tube très petits où une carte porteuse dédiée ne peut être logée. L'optimiseur de modèles d'OpenVINO gère le chemin de quantification INT8 et d'optimisation de graphe, et la chaîne d'outils est bien documentée. Pour les déploiements où un YOLOv8n fonctionnant à 5–10 fps est suffisant — surveillance ISR persistante d'infrastructure fixe, par exemple — le Myriad X est une option viable à un coût SWaP-C significativement inférieur à celui du Hailo ou du Jetson.

Compression de modèles : quantification, élagage et distillation de connaissances pour le déploiement embarqué

Un modèle YOLOv8m pleine précision comporte environ 25 millions de paramètres et occupe 50 Mo en stockage FP32. Sur un Hailo-8 avec 8 Mo de SRAM sur puce, ce modèle ne peut pas fonctionner directement — il doit être comprimé à une taille que la hiérarchie mémoire de l'accélérateur peut accommoder sans pression excessive sur la bande passante DRAM. Trois techniques de compression sont utilisées en combinaison pour les déploiements d'UAV en production, et leur interaction est couverte en profondeur dans notre article sur l'optimisation de modèles ONNX et TensorRT pour le déploiement tactique en bordure.

La quantification post-entraînement (PTQ) convertit les poids et activations FP32 en INT8 en calibrant des facteurs d'échelle à l'aide d'un ensemble de données représentatif. Sur le matériel doté d'unités d'exécution de tenseurs INT8 — Jetson Orin, Hailo-8, Myriad X — l'inférence INT8 offre une amélioration de débit de 2–4x par rapport au FP32 à capacité de modèle équivalente. La perte de précision est typiquement de 0,5–2 mAP sur les benchmarks de détection d'objets aériens lorsque l'ensemble de calibration correspond au domaine de déploiement. L'ensemble de calibration doit inclure des échantillons du capteur réel et de l'altitude auxquels le modèle sera déployé ; calibrer sur des ensembles de données aériennes disponibles publiquement et déployer sur un capteur différent crée un décalage de domaine qui peut dégrader la précision quantifiée plus que les chiffres bruts ne le suggèrent.

L'élagage structuré supprime des filtres convolutifs entiers (canaux de sortie) dont la norme L1 est inférieure à un seuil, produisant un modèle topologiquement plus petit qui bénéficie à la fois d'un nombre de paramètres réduit et d'une bande passante mémoire réduite. Un élagage structuré à 30 % de YOLOv8s supprime environ 30 % des filtres dans le backbone, réduisant la latence d'inférence d'environ 25 % sur le matériel Jetson et améliorant le plancher de précision INT8 après requantification (puisque les filtres restants sont les plus activés). Le seuil d'élagage est réglé de manière itérative : élaguer, affiner pendant 10–20 époques sur l'ensemble d'entraînement, mesurer la précision sur l'ensemble de validation, et répéter jusqu'à atteindre la latence ou l'empreinte mémoire cible sans dépasser le budget mAP acceptable.

La distillation de connaissances traite le cas où l'élagage du modèle complet ne peut pas atteindre le nombre de paramètres cible sans perte de précision inacceptable. Un modèle étudiant compact — YOLOv8n, par exemple — est entraîné à reproduire les sorties logit d'un enseignant plus grand (YOLOv8m ou YOLOv8l) sur les données d'entraînement. L'étudiant apprend à imiter la distribution de confiance de l'enseignant entre les classes, et pas seulement ses affectations d'étiquettes dures, ce qui transmet des informations sur l'ambiguïté des classes et la similarité des caractéristiques que l'entraînement à étiquettes dures ne fait pas. Les modèles étudiants entraînés par distillation surpassent systématiquement les modèles de taille identique entraînés depuis zéro, typiquement de 1–3 mAP sur les benchmarks de détection aérienne. La technique est particulièrement efficace lorsque l'ensemble de données d'entraînement est petit — situation courante dans les déploiements de défense où l'imagerie aérienne étiquetée de classes de cibles spécifiques est rare.

Pipelines de détection de cibles en bordure : variantes YOLO et compromis cadence-précision

La famille YOLO domine les déploiements de détection en bordure en production sur les charges utiles d'UAV pour deux raisons : l'architecture est à étage unique (pas de réseau de propositions de régions), ce qui maintient la latence d'inférence prévisible et bornée, et le zoo de modèles est étendu — des poids pré-entraînés à plusieurs échelles (n, s, m, l, x) permettent aux équipes de sélectionner le niveau de capacité adapté à leur budget matériel. YOLOv8 est la référence de production actuelle pour la plupart des intégrateurs de défense, bien que RT-DETR (un détecteur monoétage basé sur les transformeurs) gagne du terrain pour les cas d'usage où la détection à petite échelle d'objets — du personnel à 500 m d'altitude, par exemple — est critique et où le matériel d'inférence peut absorber le coût de calcul plus élevé.

La cadence et la précision se négocient l'une contre l'autre à travers trois variables que l'ingénieur de pipeline contrôle : l'échelle du modèle, la résolution d'entrée et le seuil de confiance. Réduire la résolution d'entrée de 640x640 à 320x320 réduit le calcul d'inférence d'environ 4x et double la cadence atteignable sur matériel fixe, mais réduit proportionnellement la portée de détection effective pour les petites cibles. Pour la détection de véhicules à 100–200 m d'altitude, 320x320 est généralement suffisant. Pour la détection de personnel à la même altitude, 640x640 est le minimum pratique. Réduire le seuil de confiance de 0,5 à 0,35 récupère les détections de cibles partiellement occultées ou distantes mais augmente le taux de faux positifs, ce qui accroît la charge d'annotation sur le système de fusion en aval. Le seuil correct est spécifique à la mission et doit être réglé sur des données de vérité terrain du capteur et de l'altitude de déploiement.

Les pipelines à plusieurs étages — un détecteur léger pour identifier les régions d'intérêt suivi d'un classificateur à plus haute capacité pour affiner l'étiquette — peuvent améliorer la précision pour un budget de calcul donné en concentrant les ressources sur les régions candidates. Un YOLOv8n fonctionnant à 30 fps identifie des boîtes englobantes autour d'objets de la taille d'un véhicule ; un classificateur MobileNetV3 fonctionnant à 10 fps traite uniquement les régions recadrées pour distinguer les véhicules à roues des véhicules à chenilles et les véhicules légers des lourds. Cette architecture en cascade est bien adaptée au modèle de flux de données du Hailo-8, où deux réseaux peuvent être compilés en un seul HEF et exécutés en tant que graphe pipeliné plutôt que séquentiellement, masquant la latence du deuxième étage derrière l'intervalle de trame du premier.

Contraintes du budget d'alimentation et gestion thermique sur les petits UAV

Le budget d'alimentation d'une charge utile d'UAV n'est pas fixé par la capacité énergétique totale de l'aéronef, mais par l'allocation de courant de la baie de charge utile depuis l'unité de distribution d'alimentation (PDU) et par le modèle thermique du système de gestion de vol pour la baie de charge utile. Un multirotor de 5 kg avec une batterie de 100 Wh et un temps de vol de 30 minutes a une consommation d'énergie moyenne d'environ 200 W de tous les systèmes combinés. Le système de propulsion consomme 80–90 % de ce budget dans des conditions de vol stationnaire typiques, laissant 20–40 W pour l'avionique, la charge utile et les capteurs. Une charge utile consommant 15 W ne laisse que 5–25 W pour tout le reste. En pratique, les allocations d'alimentation de charge utile sur les plateformes de moins de 5 kg sont souvent fixées à 5–8 W par le fabricant d'aéronef, et les dépasser dégrade l'endurance de manière mesurable.

La gestion thermique sur les petits UAV est plus difficile que sur les véhicules terrestres ou l'infrastructure fixe car la baie de charge utile est scellée, petite et peut être construite en matériaux composites thermiquement isolants. La cellule de l'UAV offre un certain refroidissement par conduction de peau et flux d'air sur la surface extérieure, mais ce bénéfice varie avec la vitesse de vol et la géométrie de la baie de charge utile. L'approche standard consiste à monter la carte de calcul d'inférence sur un pad d'interface thermique contre le membre structurel en aluminium le plus épais du châssis de la charge utile, qui sert de dissipateur vers la cellule. Pour le Jetson Orin Nano à 10 W en régime permanent, une plaque en aluminium de 2 mm liée au dessous du fuselage avec de la pâte thermique peut maintenir la température de jonction en dessous de 75°C à 40°C ambiant en vol en palier. Pour le Hailo-8 à 5 W, un simple dissipateur thermique fixé au connecteur M.2 du module est généralement suffisant.

La consommation d'énergie répond également à la configuration logicielle. L'utilitaire nvpmodel de la plateforme Jetson expose des préréglages de mode d'alimentation qui plafonnent l'horloge CPU, l'horloge GPU et la bande passante mémoire. Régler l'Orin Nano sur un mode d'alimentation à 7 W réduit le débit d'inférence d'environ 35 % par rapport au mode maximum à 15 W mais réduit la dissipation de chaleur de près de moitié, ce qui peut être le bon compromis lorsque l'enveloppe thermique de la baie de charge utile est la contrainte limitante plutôt que la latence d'inférence. Une configuration qui exécute le profil de mission complet de l'aéronef sans étranglement thermique est plus fiable que celle qui atteint des performances d'inférence maximales pendant 15 minutes avant de déclencher la protection thermique automatique de la puce et de faire chuter la cadence de manière imprévisible.

Intégration C2 via MANET à la reconnexion

Le journal de détections accumulé pendant une interruption de liaison a une valeur limitée s'il ne peut pas être transmis au système de commandement et de contrôle rapidement et complètement lorsque la connectivité est rétablie. Les radios MANET (réseau ad hoc mobile) — utilisées dans les opérations tactiques d'UAV pour assurer la connectivité en maillage entre l'aéronef, les véhicules terrestres et les opérateurs débarqués — sont le transport principal à la fois pour la diffusion de détections en temps réel et la synchronisation post-interruption. Lorsque l'UAV rentre dans la couverture du maillage, le nœud MANET embarqué rétablit le routage en quelques secondes et l'agent de synchronisation commence à transmettre les entrées de détection mises en tampon.

L'architecture de l'agent de synchronisation doit être conçue autour de deux modes de fonctionnement. En mode connecté, les entrées de détection sont transmises en quasi-temps réel à mesure qu'elles sont générées par le pipeline d'inférence, sérialisées sous forme d'événements CoT et publiées vers le serveur TAK via le maillage MANET. En mode déconnecté, les entrées s'accumulent dans une base de données SQLite locale avec un indicateur « synchronisé ». À la reconnexion, l'agent interroge les entrées non synchronisées ordonnées par horodatage et les transmet dans l'ordre chronologique, avec limitation de débit pour éviter de saturer la bande passante de la radio MANET avec du trafic en rafale au détriment des autres participants du réseau. Après l'acquittement de chaque entrée par le serveur, elle est marquée comme synchronisée. La base de données assure la récupération après plantage : si l'UAV atterrit ou que le service d'inférence redémarre en cours de synchronisation, le prochain cycle de synchronisation reprend à partir de la dernière entrée non synchronisée plutôt que de retransmettre l'intégralité du journal.

La construction d'événements CoT pour les détections IA d'UAV suit le schéma CoT standard mais porte des extensions spécifiques à la charge utile dans le bloc de détail. La classe de détection et le score de confiance renseignent des sous-éléments de détail CoT personnalisés. La position GPS de l'UAV au moment de la capture de trame est utilisée comme point CoT, et lorsque le pipeline d'inférence peut calculer une position de détection projetée au sol à partir du champ de vision du capteur, de l'altitude au-dessus du sol et de l'angle du cardan, cette coordonnée projetée est utilisée à la place — plaçant le marqueur de détection sur la carte à la position sol réelle de la cible plutôt qu'à la position de l'aéronef. Le serveur TAK transmet ces événements CoT à tous les clients ATAK connectés, où ils apparaissent sous forme de marqueurs classifiés avec la provenance de la détection et les métadonnées de confiance visibles dans la vue de détail de l'événement.

Approvisionnement : SWaP-C et certifications environnementales MIL-STD

L'approvisionnement d'une charge utile d'inférence IA embarquée pour un programme d'UAV tactique nécessite d'évaluer le matériel selon trois axes non négociables : SWaP-C (taille, poids, alimentation et coût), certifications environnementales et maturité de la chaîne d'approvisionnement. Le SWaP-C conduit le compromis de plateforme décrit ci-dessus — TOPS par watt, dimensions physiques et coût unitaire contraignent tous quel silicium est viable. Les certifications environnementales déterminent si le matériel survit aux conditions de déploiement qu'il rencontrera. Le coût conduit la doctrine d'expendabilité de la plateforme : une charge utile destinée à un UAV ISR récupérable a une tolérance de coût différente de celle installée sur un système de rôdaison unidirectionnel.

La MIL-STD-810 définit les essais de contrainte environnementale pertinents pour les charges utiles d'UAV : cyclage thermique (méthode 501/502), vibrations (méthode 514), humidité (méthode 507), altitude (méthode 500) et choc (méthode 516). Les modules d'inférence commerciaux sur étagère (COTS) tels que le Jetson Orin Nano sont certifiés pour une température de fonctionnement de 0–80°C sur la variante commerciale et de -25 à 80°C sur la variante industrielle. Les baies de charge utile d'UAV dans les climats froids ou les opérations en haute altitude peuvent exposer la carte de calcul à des températures inférieures à -25°C au démarrage. Lorsque cela est une préoccupation, un circuit de préconditionnement thermique — un radiateur résistif contrôlé par un thermostat qui réchauffe la baie avant l'application de l'alimentation principale de la charge utile — est une solution plus simple et plus fiable que de sélectionner un processeur à plage de température plus large qui peut ne pas exister au niveau de capacité requis.

La maturité de la chaîne d'approvisionnement importe de manière disproportionnée dans les programmes de défense car les longues séries de production nécessitent une disponibilité cohérente des composants sur des périodes pluriannuelles. Le cycle de vie du module Jetson Orin est publié par NVIDIA avec un engagement de production de 10 ans pour les variantes de qualité industrielle, ce qui satisfait la plupart des exigences de cycle de vie des programmes de défense. Le Hailo-8 est un entrant plus récent avec un historique de production plus court, et les services d'approvisionnement qui l'évaluent pour des programmes à volume élevé devraient exiger des engagements contractuels de continuité d'approvisionnement. Pour les plateformes où la puce d'inférence sera intégrée dans une carte porteuse personnalisée conçue selon des spécifications de programme, la conception de la carte porteuse devrait inclure des provisions d'empreinte pour au moins un module accélérateur alternatif afin qu'un changement de cycle de vie de puce en cours de programme ne nécessite pas une révision de la carte porteuse.