S'inscrire identifiants oubliés ?

Titan Krios

Une technologie de pointe pour visualiser des composantes microscopiques

Le Titan KriosTM est un microscope électronique doté d'une caméra ultrasophistiquée, capable de fournir des images révolutionnaires par leur résolution. ...

Le LHC haute luminosité

Des données cruciales pour la recherche

Le LHC, Large Hadron Collider, est un accélérateur de particules circulaire, enfoui entre la France et la Suisse. Avec ses 27 km de circonférence, c'est le plus grand collisionneur de particules au monde, et aussi le plus puissant. Les particules y sont ...

Vitiligo

Une maladie de la peau assez fréquente

Le vitiligo se manifeste par l'apparition de zones dépigmentées sur la peau, due à la disparition de mélanocytes, les cellules pigmentaires productrices de mélanine, pigment de la peau. Si les causes exactes de la maladie restent mystérieuses, ...

La lutte contre la drépanocytose

Un enjeu majeur de santé publique

Chaque année, 275 000 nouveaux cas sont dépistés dans le monde, chez les nourissons. La drépanocytose touche particulièrement les populations d'Afrique et d'Inde. La France n'est pas totalement épargnée avec un enfant pour ...

Homo sapiens découvert hors d'Afrique

Une équipe internationale vient de découvrir le plus ancien fossile d'Homo sapiens jamais découvert en dehors du continent africain : un maxillaire vieux de près de 200 000 ans exhumé sur le mont Carmel au nord d'Israël qui contraint les paléanthropologues à réviser leurs copies. ...

Désintégration du neutron et matière noire 

Pour expliquer divers effets gravitationnels, les physiciens ont été amenés à supposer l'existence d'une « matière noire » à l'intérieur des galaxies et dans l’espace intergalactique. Parmi les hypothèses relatives à sa nature, on suppose l’existence ...

Une symbiose à l'épreuve du milieu

CC SA 3.0 ©Prenn

Duo de choc : les recherches récentes montrent qu’une plante hôte et un champignon peuvent s’associer par-delà leur milieu naturel. Aidée de son symbiote, la plante devient plus résistante.

Le raisinier des mers antillais en voyage au Sénégal

Le ...

L'essor du taxi aérien

Une interview de Claude Le Tallec, Chargé de mission "Transport aérien personnel" à l'ONERA. 

Qu'est-ce qui, à l'heure actuelle, favorise l'émergence de la thématique des voitures volantes ?

Le notion de « voiture volante » tend à disparaître au profit de celle de « taxi aérien ». En effet, si nous entendons par « voiture volante » un véhicule qui peut à la fois être utilisé sur route et dans les airs, la probabilité est très faible que de tels véhicules soient utilisés opérationnellement un jour. Un aéronef doit à la fois être léger et « propre » d’un point de vue aérodynamique (le moins possible d’appendices extérieurs au fuselage) tandis qu’un véhicule terrestre doit être résistant aux petits chocs voire à des crash tests, d’où la présence de pare-chocs et de roues, pneus et amortisseurs de taille importante pour ne pas se détériorer à la moindre ornière.
Les véhicules que nous voyons apparaître aujourd’hui sont des engins volants purs, pour la plupart à capacité de décollage et atterrissage verticaux. Il existe des véhicules avec une partie « véhicule terrestre » et une partie « véhicule aérien », mais leur complexité les rend peu compétitifs.

- Quelles sont les technologies employées ?

La cellule de ces taxis aériens est en matériau composite, leur propulsion est assurée par un ensemble de moteurs électriques distribués sur la cellule actionnant des hélices et alimentés soit par des batteries, soit par des batteries et un turbo-générateur. Ils sont équipés de nombreux capteurs électromagnétiques et optiques.

- Quels sont les défis spécifiques à relever dans ce domaine ?

Du fait du grand nombre de moteurs qui équipent ces engins, ils devront être très automatisés car leur pilotage n’est pas gérable par un humain. D’un point de vue technique, ces véhicules devraient pouvoir être réalisés avec de bons niveaux de sécurité et de performance d’ici 4 ou 5 ans. En revanche, la navigation et l’intégration de ces engins dans l’espace aérien aux côtés des autres utilisateurs de cet espace ne sont pas encore matures sans pilote à bord. Il est donc vraisemblable qu’il soit nécessaire de garder un pilote à bord pendant un certain temps. Il est actuellement difficile d’estimer ce temps car une utilisation d’aéronefs automatisés, voire autonomes, ne peut se faire qu’avec un système de gestion du trafic aérien significativement différent de celui d’aujourd’hui fondé sur des échanges vocaux entre pilotes et contrôleurs.

- Ces nouveaux modes de transport prennent-ils en compte les enjeux écologiques, de quelle manière ?

Oui, comme indiqué plus haut, les propulseurs de ces aéronefs peuvent être alimentés par des batteries, sans émettre de polluants en vol. En outre, la distribution de la propulsion sur de nombreux moteurs permet de diminuer le niveau de bruit de cette propulsion. 

- Combien de temps entre l'idée d'un projet, le prototype et sa commercialisation ?

La réponse à cette question n’est pas facile. L’idée du taxi aérien n’est pas nouvelle, mais la technologie pour les réaliser n’existait pas jusqu'à ces toutes dernières années. Nous avons actuellement les technologies nécessaires pour réaliser le véhicule avec un pilote à bord. Il en manque encore quelques-unes pour le faire voler sans pilote (dans le véhicule et au sol). Quant à sa commercialisation, tout est affaire de viabilité économique. Le coût des voyages pendant la phase « pilote à bord » sera encore élevé mais pourrait être acceptable pour certaines applications comme l’évacuation sanitaire. Le marché pourrait se développer lorsque ces véhicules pourront évoluer automatiquement, mais ce n’est pas pour demain !

   - Quelle est l'implication de  l'ONERA dans ce domaine ?

Un taxi volant évoluant dans l'espace aérien : voilà un thème qui fait appel à un grand nombre de nos compétences, tant pour la définition du véhicule que pour son opération !  L’ONERA travaille depuis de nombreuses années sur les véhicules automatisés tels que les drones (véhicules volant sans personne à bord) ou de transport de passagers (projet Européen PPlane entre 2009 et 2012 et projet SAFRAN / ONERA de taxi aérien depuis 2017). L’ONERA travaille également sur les systèmes sol et bord (capteurs et systèmes de capteurs + interface homme-machine par exemple) pour faire évoluer ces taxis en toute sécurité, sur des outils de simulation pour évaluer les risques que leurs trajectoires induisent là où ils volent ou encore sur des modélisations permettant d’analyser le niveau de sécurité de leur utilisation.
Publié le 29/05/2018

Pour en savoir plus

  • sur l'ONERA, le centre de recherche aérospatial français : www.onera.fr

» lire tous les articles 1 2 3 4 5 6 7 8
sciences en ligne
exploratheque
du premier stage au premier emploi


Des machines qui parlent entre elles ?
Les principes de fonctionnement de l’Intelligence Artificielle via le Machine Learning.

En Novembre 2016 le projet d’intelligence artificielle de Google : « Google Brain » a déchaîné les médias. Alors que deux unités d’intelligence artificielle étaient connectées entre elles, elles se sont mises à communiquer dans un langage nouveau et incompréhensible par un humain.

Pour comprendre ce qu’il s’est réellement passé il faut comprendre ce qu’on entend aujourd’hui par intelligence artificielle et plus particulièrement par Machine Learning (Apprentissage Automatique en français).

Qu’est-ce que le Machine Learning ?

Le Machine Learning a pour but de rapprocher le fonctionnement des machines du fonctionnement du cerveau humain notamment grâce à l’apprentissage. En effet, considérons les deux images ci-dessous :

Si on voulait écrire un programme qui permettrait d’identifier l’image 1 comme étant des bananes, il serait possible de dire à l’ordinateur que cet agencement de pixels correspond à des bananes. Cependant si avec le même programme on lui montre l’image 2, les changements de couleurs et d’agencements ne seraient pas compris et l’ordinateur serait incapable de l’identifier.

En tant qu’humain nous réussissons cette identification parce que dans notre vie, parmi les milliers d’images qui sont apparues sous nos yeux, nous avons appris à distinguer des éléments clés des bananes : forme, couleurs, texture, taille etc… Ce qui fait que nous pouvons faire abstraction de certains détails comme la couleur pour identifier l’image 2 comme étant des bananes. Le Machine Learning consiste à apprendre à faire la même chose aux ordinateurs. C’est la méthode la plus aboutie que nous ayons à ce jour pour créer des intelligences artificielles.

Comment marche le Machine Learning ?

Pour classifier des objets, il existe deux familles de Machine Learning : la Classification et le Clustering. Dans les deux cas, on part d’un ensemble de données appelé Data Set pour apprendre à l’ordinateur à créer des liens logiques entre des catégories. Prenons l’exemple d’un algorithme devant identifier les images 1 et 2 comme étant des bananes. Le Data Set sera un ensemble d’images de fruits en tous genres.

Dans le cas de la Classification, on dit à l’avance à l’ordinateur que l’image correspondant à une banane est une banane, celle d’un citron est un citron etc…, on appelle ça l’apprentissage supervisé. Avec cette méthode, en présentant l’image 2 à l’ordinateur, il saura dire qu’il s’agit de bananes. Il est très pratique mais nécessite des données précises et étiquetées ce qui est rare pour de gros volumes de données.

Processus d'apprentissage en Classification

Dans le cas du Clustering, on ne dit rien à l’ordinateur et c’est à lui de trouver des liens entre les images. Il s’agit d’apprentissage non supervisé. En lui montrant les images 1 et 2, l’ordinateur les regroupera avec d’autres images de bananes mais ne pourra pas dire « ce sont des bananes ». Cette méthode ne permet pas de mettre un nom sur une donnée entrante. Cependant il est très pratique lorsque le nombre et la diversité des données ne permettent pas de faire un étiquetage.

Processus d'apprentissage en Clustering

Et Google Brain dans tout ça ?

Dans le cas de Google Brain, les ordinateurs fonctionnaient avec des algorithmes de Machine Learning non supervisés. Pour simplifier on va dire qu’ils devaient simplement se transmettre des données. Mais le langage humain ou le langage binaire ne permettaient pas de le faire d’une manière optimisée. Les données qu’ils devaient échanger constituaient leur Data Set, et ils ont construit un nouveau langage permettant de transmettre ces données plus rapidement. S’ils avaient eu à échanger très souvent le mot « banane » et rarement le caractère « b » par exemple, il valait mieux remplacer « banane » par « b » et la lettre « b » par une autre combinaison éventuellement plus complexe.

On comprend alors qu’il n’y a pas de quoi s’inquiéter car avec le Machine Learning, les ordinateurs ne comprennent pas vraiment ce qu’ils sont en train de faire. Ils respectent juste une logique dictée par l’Homme et trouvent des liens entre les données qu’on leur fournit. Leurs décisions restent strictement cantonnées au but de l’algorithme : ici transmettre des données rapidement.

En savoir plus :

Benjamin Péri
Twitter Facebook Google Plus Linkedin email