Drones & IA — Mitigation & Fusion de Capteurs

Stratégies de Mitigation & Fusion de Capteurs

La résilience de la navigation en environnement contesté ou dénié (sans GNSS) repose sur une défense en couches et une fusion de données multi-capteurs sophistiquée. L'objectif est de maintenir une estimation de position fiable en corrigeant la dérive inhérente des systèmes inertiels grâce à des sources d'information complémentaires comme la vision ou le LiDAR. Cliquez pour ouvrir le dossier technique complet.

Le cœur de tout système de navigation est l'Unité de Mesure Inertielle (IMU), qui mesure l'accélération et la vitesse angulaire. Par double intégration de l'accélération, un Système de Navigation Inertielle (INS) peut estimer la position par calcul à l'estime ("dead reckoning"). Cependant, les IMU, même les plus performantes, ont des biais et des bruits qui provoquent une erreur de position qui croît de manière cubique avec le temps.

[Image du schéma d'un système de navigation inertielle]

Sans correction externe, même une IMU de grade tactique peut accumuler plusieurs centaines de mètres d'erreur en seulement une minute. Le but de la fusion de capteurs est d'utiliser des mesures externes (GNSS, vision, LiDAR...) pour borner et corriger continuellement cette dérive.

Croissance de l'Erreur d'un INS non corrigé

Défense en Profondeur contre le Brouillage et le Spoofing

Couche de Défense	Technique	Principe	Efficacité
Niveau RF	Filtrage Adaptatif	Détecte et supprime les signaux de brouillage à bande étroite.	Élevée contre le jamming simple.
Niveau RF	Antennes CRPA	Nulling spatial : crée des "trous" de réception dans la direction des brouilleurs.	Très élevée, mais coûteuse et complexe.
Niveau Récepteur	Détection d'Anomalies	Analyse la cohérence des signaux multi-constellations (GPS, Galileo...).	Bonne contre le spoofing simple.
Niveau Récepteur	Authentification Signal	Utilise les signaux authentifiés comme Galileo OSNMA pour valider le message de navigation.	Très élevée, standard en cours de déploiement.
Niveau Fusion	RAIM / FDE	Algorithmes qui comparent les solutions de plusieurs satellites pour isoler et exclure une source aberrante (spoofée).	Très efficace si assez de satellites sont visibles.

Le Filtre de Kalman Étendu (EKF) est l'algorithme au cœur de la fusion de capteurs. C'est un estimateur récursif qui maintient une "croyance" sur l'état du drone (position, vitesse, attitude) et son incertitude. Il opère en deux phases :

[Image du cycle prédiction-correction du filtre de Kalman]

1. Prédiction

À partir du dernier état estimé et des données de l'IMU, le filtre prédit le nouvel état du drone. Durant cette phase, l'incertitude sur l'état augmente à cause de la dérive de l'IMU.

2. Correction (Mise à Jour)

Lorsqu'une mesure externe (ex: une position GPS) arrive, le filtre la compare à sa prédiction. La différence (l'innovation) est utilisée pour corriger l'état prédit. Le "gain de Kalman" pondère la correction en fonction de l'incertitude respective de la prédiction et de la mesure : si le GPS est très précis, la correction sera forte. Cette étape réduit l'incertitude.

Le Point Clé : L'EKF fusionne de manière optimale des capteurs aux caractéristiques très différentes : l'IMU (haute fréquence, dérive rapide) et le GPS/Vision (basse fréquence, stable à long terme) pour produire une estimation d'état plus précise et plus robuste que n'importe quel capteur pris isolément.

VIO et SLAM comme Capteurs Virtuels pour l'EKF

En l'absence de GNSS, l'Odometrie Visuelle-Inertielle (VIO) et le SLAM deviennent les sources de mesures externes pour corriger l'INS.