Project Oxygen & Ideo-LabIDEO LAB Dashboard 2026

Environnement pratique — Labs & Projets

Kits matériels, simulateurs pro, bancs HIL/SIL, pipelines data/IA, et 4 projets progressifs avec KPIs et checklists.

Pixhawk/PX4 & DJI SDK Gazebo • AirSim • UE HIL/SIL • CI/CD modèle Sécurité • Anti-jam
Matériel starter — BOM (Bill of Materials)
ÉlémentOptionsUsageBudgetRemarques
Contrôleur de volPixhawk 4/6X, Cube OrangePilotage PX4/ArduPilot€€Capteurs IMU/Baro/Compass
SBC IAJetson Orin Nano/Orin NX, RPi CM4Vision/SLAM/IA€€–€€€GPIO/CAM2/LAN/CSI
Frame & propulsionQuad 5–7", hexa 10–12"Charge utile / autonomie€€–€€€Props équilibrées
CapteursCam RGB/IR, Lidar léger, RTK, sonarPerception & altimétrie€–€€€Time-sync PTP/NTP
CommsSiK/MAVLink, 5G/4G, FHSSC2 & télémétrie€–€€Priorités QoS
DJI SDKMobile/Onboard/PayloadIntégration plateformes DJI€Accès API, sandbox
ÉnergieLiPo 4–6S, BMS, chargeursAutonomie & sécurit逖€€Stockage & transport sûrs
Autonomie cible25–35 min
Charge utile300–800 g
Simulateurs — Gazebo, AirSim, Unreal (UE)
  • Gazebo + PX4 SITL : environnements modulaires, ROS2 natif.
  • AirSim : physique avancée, capteurs caméra/Lidar, API Python/C++.
  • UE (Unreal) : rendu réaliste, scènes urbaines complexes.
PX4 SITL ---> Gazebo/AirSim ---> ROS2 graph ^ | | | MAVLink | capteurs virt. | topics /bag +-------------+----------------+---------> KPIs & replays
Astuce : gardez les worlds “régressions” (météo/vents/brouillards) pour tester la robustesse.
Bancs HIL/SIL — Validation temps réel
BancButOutilsKPIsNotes
SIL (software)Boucles algorithmesPX4 SITL, Gazebolatence <50 msCI rapide
HIL (hardware)Cartes & IO réelsPixhawk, Jetsonp→a P95 <80 msTemps réel fort
Bench MoteursTraction/consommationCellule force, wattmètreW/grammeChoix hélices
RF & liensRésilience radioSDR, RF ExplorerPER <1%FHSS/FEC
[ Dataset ] -> [ Training GPU ] -> [ ONNX ] -> [ TensorRT INT8 ] | | | +-- versioning (DVC/Git) ---+----- SBOM -----+--> [ Edge bundle signé ]
Pipeline Data & IA — du terrain à l’embarqué
  • Acquisition : ROS2 bag, cam sync (PTP/NTP), métadonnées (IMU/GNSS).
  • Annotation : CVAT/Label Studio, schémas cohérents, QA croisée.
  • Entraînement : PyTorch, augmentation, validation croisée.
  • Optimisation : ONNX → TensorRT (INT8/QAT), pruning/distillation.
  • Déploiement : bundle signé (engine + hash + policy), canary & rollback.
mAP50 YOLOv8-N> 0.50
FPS embarqué≥ 30
P1 — Détection d’obstacles
Caméra + IA embarquée (YOLO-N INT8)
P2 — Navigation indoor
SLAM visuo-inertiel, GNSS-off
P3 — Essaim (multi-drones)
Mesh MANET, partage tâches
P4 — Défense & Sécurité
Anti-jam, mission supervisée
Roadmap projets — objectifs & KPIs
ProjetObjectifStackKPIs clésLivrables
P1Détection en temps réelYOLO-N INT8 (TensorRT), NMS GPUFPS ≥30, P95<80 msVidéo + rapport perf
P2Navigation indoor GNSS-offVIO/SLAM + planificationDrift <1%/mMap + replay ROS2
P3Coordination 3 dronesMesh, auctions, partage carteRTT<80 ms, PER<1%Démo vidéo + logs
P4Robustesse & supervisionAnti-jam, ROE, kill-switchAlerte<2 s, journal scelléDossier sécu & conformité
Tableau de KPIs — exécution & sûreté
KPICibleMesureNotes
Latence p→a (P95)< 80 mstrace ROS2, NsightINT8, zero-copy
FPS perception≥ 30perf counterNMS GPU
Drift SLAM< 1%/mtrajectoiresLoop-closure
PER radio< 1%BER/PER logsFHSS, FEC
Disponibilité≥ 98%SLA missionsMaintenance préd.
Maturité Edge-AIÉlevée
Prêt BVLOS (simu)Proche
Risques & mitigations — matrice
RisqueCauseImpactMitigationIndicateur
Brouillage GNSSEnvironnement RFPerte positionVIO/INS, RTH inertielDétecteurs jam/spoof
Latence IAPipeline non optimiséCollisionINT8, DMA, NMS GPUP95 logs
Vie privéeAngles de vueNon-conformitéGeofencing, masquageAlertes zone
ThermiqueCharge GPUThrottlingVentil/heat-pipesT° GPU
RadioMultipath/pertesLiens instablesFHSS/FEC/prioritésPER/BER
Conformité : EASA/DGAC (civil), doctrines/ROE (défense). CI/CD avec bundles signés, SBOM et mises à jour A/B.