Edge AI hors-ligne — du modèle au vol

Quantisation & optimisation • Apprentissage hors-ligne • Adaptation locale limitée • Outils de déploiement (TensorRT, OpenVINO, PyTorch Mobile, Edge Impulse).

Jetson/ARM/FPGA INT8 • pruning • distillation Few-shot • continual (borné) MLOps edge • HIL/SIL

Latence p→a (P95)< 80 ms

Pipelines zero-copy, batch=1, NMS GPU.

Budget puissance IA≤ 7–12 W

INT8, duty-cycle capteurs, clocks dynamiques.

Taille modèle< 30–80 MB

Pruning + distillation + ZIP/CRC signé.

Robustesse driftDrift < 1%/m

SLAM VIO tight-coupled, loop-closure.

Technique	Gain typique	Impact	Outils	Notes
Quantisation INT8 (PTQ)	×2–×4 perf	Δacc faible	TensorRT, OpenVINO	Calibration représentative
Quant. aware (QAT)	×2–×4 perf	Acc maintenue	PyTorch QAT	Retrain court
Pruning structurel	−30–70% params	Risque underfit	PyTorch/TF sparse	Conserver couches clés
Distillation	×1.5–×3 compact	Bon compromis	KD loss	Teacher→Student

Capture capteurs→GPU via DMA ; conversions en place (NHWC↔NCHW).
Batch=1, NMS GPU, pre/post-proc fusionnés, threads CPU isolés (affinités).
P95 latence < 80 ms : profiler par étape (capteur, préproc, inf, post, pub).

Buffers circulaires lock-free ; pré-allocation (éviter malloc en vol).
Limiter copies host↔device ; stream CUDA ; éviter synchronisations globales.
Compression modèles + CRC/sig. pour vérif. intégrité (SBOM).

Source	Exemples	Variabilité	Notes
Terrain	Vols réels multi-météo	Haute	Labels semi-auto
Simu	AirSim/Gazebo/Unreal	Très haute	Domain randomization
Synthèse	Renders photoréalistes	Contrôlable	Completer cas rares

Mix terrain/simu (70/30) → robustesse ; split train/val/test strict par zone.
Étiquetage : outils de tracking + QA ; équilibrage classes/conditions.

Cycle : PyTorch ➜ ONNX ➜ TensorRT/OpenVINO (profilage par op).
Augmentations “terrain” : pluie, brume, flare, motion-blur, nuit/IR.
Early-stopping sur mAP/IoU & latence cible (double objectif).

Paquet modèle : {engine, version, hash, SBOM, contraintes HW} signé.
Canaux : stable / canary ; politique de déploiement & rollback.
Traçabilité : qui/quoi/quand (registre), conformité export si défense.

Mode	Ressources	Persistance	Cas d’usage
Few-shot cache	RAM	Volatile	Nouveaux objets/terrains
Adapter LoRA	RAM+flash limitée	Persistant	Domain shift modéré
Continual borné	Faible	Checkpoint local	Conditions récurrentes

LoRA/QLoRA (couches tête) ; fine-tune sélectif & gel partiel.
Protos mémoire (nearest-prototype) ; feature-bank légère.
Contrôles anti-oubli : rehearsal mini, régularisation (EWC-like).

Bornes strictes : pas d’élargissement de comportements non validés.
Shadow-run : comparer sorties vs prod ; déclencheurs rollback.
Journalisation “apprentissage” isolée ; auditabilité (hashs, seeds).

Plateforme	Librairie	Forces	Limites	Cas typiques
Jetson Orin	TensorRT	INT8 rapide, plugins, NMS GPU	Spécifique NVIDIA	Vision/SLAM temps réel
x86/Intel	OpenVINO	INT8/FP16 optimisé CPU/iGPU	Moins GPU CUDA	Stations au sol, passerelles
ARM générique	PyTorch Mobile/ExecuTorch	Portabilité	Perfs plus faibles	Protos, UI bord
Multi	Edge Impulse	Tooling data→edge	Licences/options	PoC rapides

ONNX comme format pivot ; tests de compatibilité opérateurs.
Engines versionnés ; ABI claire ; fallbacks (FP16/FP32) documentés.
Intégration ROS2 : nodes composables ; QoS par topic ; launch files.

Opérateurs non supportés → réécriture/plug-ins ; splitting graphe.
RAM limitée → fenêtres/ROI dynamiques ; streaming par tuiles.
Thermique → throttling : réduire FPS/horloges ; optimiser airflow.

KPI	Cible	Mesure	Notes
P95 latence p→a	< 80 ms	Traces ROS2 + timestamps capteurs	Profiler par étape
FPS vision	≥ 30	Compteurs node	ROI/FPS adaptatifs
Conso IA	≤ 12 W	Power rail	Clocks dynamiques
Drift SLAM	< 1%/m	Trajectoires connues	Loop-closure

Tests labo (banc capteurs) ➜ HIL/SIL ➜ vols indoor GNSS-denied ➜ outdoor.
Scénarios extrêmes : pluie, vent, faible lumière/IR, interférences RF.
Critères “go/no-go” documentés ; checklists post-vol.

Latence > cible → INT8/QAT, NMS GPU, fusion pré/post, affinités CPU.
Thermique → airflow, limitation FPS/horloges, repositionnement SBC.
SLAM instable → calibrations, sync horloge, features/params SLAM.

Edge AI hors-ligne — du modèle au vol

Quantisation & optimisation

Apprentissage hors-ligne

Adaptation locale

Librairies / Frameworks

Edge MLOps & sécurité

Bench & KPI temps réel