Le paradoxe de l'autonomie : concevoir une navigation résiliente dans des environnements sans GNSS et contestés

Résumé exécutif

Le postulat des systèmes autonomes modernes a longtemps reposé sur une hypothèse fragile : l' ubiquité et la fiabilité des systèmes mondiaux de navigation par satellite (GNSS). Pendant des décennies, le Global Positioning System (GPS) et ses homologues internationaux ont servi de lien invisible pour les véhicules aériens sans pilote (UAV), fournissant la vérité spatiale requise pour la stabilisation, la navigation par points de cheminement et les protocoles de retour au point de départ. Toutefois, le paysage géopolitique et technologique des années 2020 a brisé cette hypothèse. Comme en témoignent les conflits de haute intensité en Europe de l'Est et les réalités opérationnelles de l'exploitation minière souterraine et de l'inspection des infrastructures critiques, le GNSS n'est plus un service garanti ; c'est une vulnérabilité contestée.

Ce livre blanc, préparé par Veriprajna, soutient qu'un drone dépendant du GPS pour sa stabilité n'est pas véritablement autonome ; il est simplement automatisé dans un environnement permissif. Lorsque cet environnement devient non permissif — en raison de la guerre électronique (EW), d'une obstruction physique ou de la dégradation par trajets multiples du signal —, le système échoue, réduisant un matériel sophistiqué à l'état de « presse-papiers ». En outre, la dépendance du secteur à l'intelligence artificielle (IA) dans le cloud pour la prise de décision introduit des dépendances fatales en latence et en bande passante, intenables dans les scénarios critiques pour la mission.

Nous présentons une analyse architecturale complète de l'odométrie inertielle visuelle (VIO) et de l' Edge AI comme technologies fondatrices d'une véritable autonomie. En fusionnant des données inertielles à haute fréquence avec la vision par ordinateur à la périphérie, les UAV peuvent atteindre des capacités de « navigation à l'estime » qui sont mathématiquement robustes, non brouillables et entièrement auto-contenus. Ce rapport détaille la transition des piles de navigation distinctes et fragiles vers des systèmes Visual Simultaneous Localization and Mapping (vSLAM) sémantiques intégrés. Nous analysons les exigences computationnelles de l'exécution de réseaux de neurones profonds sur des plateformes embarquées comme la série NVIDIA Jetson Orin et montrons comment l'approche de Veriprajna — aller au-delà de simples wrappers d'API vers une ingénierie profonde, fusionnée au niveau des capteurs — délivre la résilience requise pour les opérations de défense, industrielles et de sécurité publique modernes.

1. La fragilité du paradigme connecté

La définition de l'« autonomie » dans le secteur des drones commerciaux a souvent été confondue avec l'« automatisation ». Un système automatisé exécute un script prédéfini à partir d'entrées externes (coordonnées GPS, commandes du pilote). La véritable autonomie implique la capacité de percevoir l'environnement, de déterminer l'état et de prendre des décisions sans dépendance externe. La génération actuelle d'UAV commerciaux relève largement de la première catégorie, créant des points de défaillance catastrophiques lorsque les signaux externes sont perturbés.

1.1 La physique et les tactiques du déni GNSS

Le brouillage GNSS est le « premier coup » de la guerre moderne parce qu'il est asymétrique : des émetteurs terrestres à bas coût peuvent neutraliser des aéronefs de haute valeur sur de vastes zones. La physique de cette vulnérabilité réside dans la puissance du signal. Les satellites GPS orbitent à environ 20,200 kilomètres au-dessus de la Terre, transmettant des signaux qui arrivent à la surface avec une puissance extrêmement faible — souvent comparée à la détection d'une ampoule de 25 watts à 10,000 miles. Ce signal faible est facilement submergé par le bruit terrestre, qu'il soit accidentel ou malveillant.

1.1.1 Mécanismes d'interférence : brouillage et saturation

Les systèmes de guerre électronique (EW) exploitent ce signal faible selon plusieurs vecteurs principaux, principalement axés sur la saturation de l'étage d'entrée du récepteur. Les récepteurs GNSS modernes fonctionnent en suivant la phase de l'onde porteuse envoyée par les satellites. Les brouilleurs émettent un bruit radiofréquence (RF) de haute puissance pour saturer les bandes L1 (1575.42 MHz), L2 (1227.60 MHz) et E1/E5. ¹

L'efficacité de ce déni est gouvernée par la loi en inverse du carré, mais le différentiel de puissance est massif. Un signal satellite parcourt des milliers de kilomètres ; un brouilleur n'est souvent qu'à quelques kilomètres. Même des brouilleurs portables fonctionnant à des niveaux de puissance relativement faibles de 10–40 watts peuvent créer des « zones d'obscurité » s'étendant sur plusieurs kilomètres. ¹ Dans ces zones, le rapport signal/bruit (SNR) tombe sous le seuil requis pour que le récepteur se verrouille sur la phase de la porteuse. Pour les petits drones, qui dépendent de la navigation satellitaire pour la stabilisation, le suivi d'itinéraire et le retour autonome au point de départ, les effets sont immédiats : dérive, perte de confiance positionnelle, ou descente de sécurité. ¹

Dans les zones de conflit de haute intensité comme l'Ukraine, ce n'est pas un risque théorique mais une contrainte opérationnelle dominante. Les rapports indiquent que les quadricoptères FPV et commerciaux subissent régulièrement une perte GNSS à 5–10 km des déploiements EW de première ligne. ¹ Les systèmes russes avancés, tels que le R-330Zh Zhitel, assurent un déni de zone quasi constant, forçant les opérateurs à s'appuyer sur le pilotage visuel manuel. ² Cette dépendance au contrôle manuel exige une haute compétence d'opérateur et des liaisons vidéo dégagées, deux ressources rares au combat.

1.1.2 Spoofing et meaconing : le vecteur de la tromperie

Plus insidieux que le brouillage, le spoofing consiste, pour un adversaire, à émettre un signal GNSS contrefait à une puissance légèrement supérieure à celle de la constellation satellitaire authentique. Contrairement au brouillage, qui déclenche un avertissement de « perte de signal », le spoofing trompe la pile de navigation.

●​ Meaconing : Cela consiste à enregistrer de véritables signaux GNSS et à les rediffuser avec un léger retard. Le récepteur se verrouille sur le signal plus fort et retardé, ce qui fait dériver la position calculée.

●​ Spoofing cohérent : Des attaquants sophistiqués génèrent de faux signaux qui imitent parfaitement l'almanach et les données d'éphémérides de la constellation satellitaire, mais introduisent des erreurs progressives dans les solutions de Position, Vitesse et Temps (PVT). ¹

Les conséquences du spoofing sont graves. Un drone peut croire qu'il est stationnaire alors qu'il dérive en réalité vers un territoire hostile, ou percevoir un faux changement d'altitude et s'écraser au sol. ³ Des incidents historiques, tels que la perturbation de la surveillance par drones pendant l'élection présidentielle vénézuélienne de 2017, démontrent l'utilité géopolitique de ces tactiques. ³ Si les récepteurs multi-constellations (suivant GPS, GLONASS, Galileo et BeiDou) et les services authentifiés comme Galileo OSNMA élèvent la difficulté du spoofing, ils n'éliminent pas le risque face à des adversaires de niveau étatique capables de manipulation de signaux à large bande. ¹

1.1.3 Coupure du commandement et du contrôle (C2)

Les systèmes modernes d'attaque électronique à large bande ne s'arrêtent pas à la navigation ; ils ciblent aussi les liaisons de commandement et de contrôle (C2) (typiquement 2.4 GHz, 5.8 GHz ou 900 MHz). ¹ Pour les drones First Person View (FPV) et téléopérés, la coupure de la liaison C2 est catastrophique. Sans pilote dans la boucle, un drone dépourvu de véritable autonomie entre en mode de sécurité — généralement un vol stationnaire ou un atterrissage immédiat. ¹ En zone de combat, un drone en vol stationnaire est une cible immobile ; dans un cadre industriel, un drone qui atterrit de manière indiscriminée peut endommager des machines coûteuses ou poser des risques de sécurité pour le personnel.

1.2 Les risques économiques dans les secteurs civils

Si les implications militaires sont cinétiques, les implications civiles sont économiques. La dépendance au GPS s'étend à l'exploitation minière, aux infrastructures et à la logistique, où le déni de signal est souvent une fonction de la physique plutôt que de la malveillance. L'empreinte économique du GPS est vertigineuse ; une étude parrainée par le National Institute of Standards and Technology (NIST) a estimé que le GPS avait généré environ $1.4 trillion de bénéfices économiques pour le secteur privé américain entre 1984 et 2017. ⁴ À l'inverse, une perte de service GPS est estimée coûter à l'économie américaine environ $1 billion par jour. ⁵

1.2.1 Déni souterrain et industriel

Dans l'exploitation minière souterraine, l'environnement est naturellement sans GPS. Naviguer dans les chantiers, galeries et tunnels pour inspecter les caractéristiques de la masse rocheuse ou la fragmentation post-tir ne peut pas s'appuyer sur les signaux satellitaires. ⁶

●​ Le coût de l'inspection manuelle : Les méthodes d'inspection traditionnelles impliquent des humains ou des équipements spécialisés coûteux comme les scanners de forage. Ces méthodes sont lentes, laborieuses et dangereuses. Les relevés manuels peuvent prendre des jours ou des semaines, tandis que les solutions par drone peuvent réduire cela à des heures. ⁷

●​ Le risque matériel : Utiliser des drones non autonomes dans ces environnements met l' actif en danger. Un drone qui perd sa stabilité par défaillance de capteur dans un puits de mine confiné risque de s'écraser. Avec des plateformes de drones industrielles coûtant plus de $10,000 à $50,000, une stabilisation fiable, non GPS, est une nécessité économique.

1.2.2 Trajets multiples et ombres d'infrastructure

L'inspection des infrastructures critiques présente un défi similaire connu sous le nom d'effet « trajets multiples ». Lors d'un vol près de grandes structures métalliques comme des réservoirs de stockage de pétrole, des ponts, ou dans des « canyons urbains », les signaux GPS rebondissent sur les surfaces avant d'atteindre le récepteur. Ce retard corrompt le calcul de timing, conduisant à des erreurs de position de plusieurs mètres. ⁹

●​ Inspection des pipelines : Pour les oléoducs et gazoducs, le coût d'une défaillance est immense. Une seule défaillance de pipeline peut coûter des millions en nettoyage et amendes réglementaires. ⁸ Les drones sont utilisés pour détecter les fuites, la corrosion et l'érosion. Toutefois, inspecter le dessous d'un pont ou la base d'un parc de réservoirs place le drone dans une ombre GPS. Sans odométrie inertielle visuelle (VIO), le drone ne peut pas maintenir le stationnement précis requis pour la photogrammétrie haute résolution ou l'imagerie thermique. ¹⁰

●​ Implications financières : Le ROI de l'inspection par drone repose sur l'efficacité. Les opérations par drone peuvent réduire les coûts d'inspection jusqu'à 70% par rapport aux hélicoptères habités ou aux équipes au sol. ⁷ Toutefois, ce ROI s'évapore si le drone ne peut pas voler aux emplacements nécessaires en raison de l'instabilité du signal.

Le phénomène du « presse-papiers » décrit dans la thèse du fondateur est ainsi validé à la fois par les taux d'attrition militaires et les contraintes opérationnelles industrielles. Un système qui ne peut pas naviguer sans GPS est un système avec un point unique de défaillance, exposé à la fois à l'action adverse et à la physique de l'environnement.

2. Le piège de la latence : pourquoi l'IA cloud échoue en robotique

Le second pilier de l'illusion de l'« autonomie connectée » est la dépendance à l'IA cloud. Le paradigme consistant à diffuser des données vidéo d'un drone vers un serveur cloud pour traitement (p. ex. détection d'objets, photogrammétrie), puis à recevoir des commandes en retour, est fondamentalement défectueux pour les opérations critiques pour la mission en raison des contraintes de latence, de bande passante et de fiabilité.

2.1 La physique de la boucle de contrôle

Le vol autonome exige des boucles de contrôle extrêmement serrées. Un quadricoptère effectue des centaines d'ajustements moteur par seconde pour maintenir la stabilité. Les commandes de guidage de haut niveau (p. ex. « éviter l'obstacle », « suivre la cible ») doivent être reçues et traitées en quelques millisecondes pour être efficaces à vitesse.

2.1.1 Latence : tête vs. queue

Dans les systèmes de contrôle en réseau, la latence n'est pas un nombre unique ; c'est une distribution.

●​ Latence de tête : Elle représente la latence minimale ou moyenne observée dans des conditions idéales. Dans les réseaux 5G, elle peut être impressionnamment faible (quelques millisecondes).

●​ Latence de queue : Elle représente le pire cas — le 99e percentile des temps de requête. En robotique, la latence de queue est fatale. ¹¹ Un pic momentané de lag réseau dû à la congestion, à la perte de paquets ou au handover entre antennes-relais produit du « jitter ».

Pour un drone se déplaçant à 20 mètres par seconde, un délai de 300 millisecondes — courant dans les allers-retours cloud lorsqu'on compte l'upload, le traitement et le download — se traduit par 6 mètres de distance parcourue. ¹² Pendant cet intervalle aveugle, le drone poursuit sa trajectoire précédente. Si un obstacle apparaît ou que la cible manœuvre, le drone réagira trop tard. La recherche indique qu'une latence variable dégrade significativement le contrôle, la téléopération devenant pratiquement incontrôlable au-delà de 700ms. ¹²

2.1.2 L'instabilité du jitter

Le jitter — la variance de la latence — est encore plus destructeur qu'une latence constante. Les algorithmes de contrôle (comme les régulateurs PID) peuvent être réglés pour gérer un délai constant, mais le jitter stochastique déstabilise la boucle de rétroaction, menant à l'oscillation et à une perte potentielle de contrôle. ¹³ Dans un environnement contesté où les systèmes EW induisent activement du bruit, le jitter réseau devient la norme, rendant le contrôle en boucle cloud suicidaire pour la cellule.

2.2 La bande passante et l'impératif du « silence »

La navigation basée sur la vision génère des quantités massives de données. Une configuration de caméra stéréo fonctionnant à 30 images par seconde génère des centaines de mégaoctets de données brutes par minute. Diffuser cela vers le cloud est prohibitif en bande passante et crée une signature électromagnétique massive.

2.2.1 Le coût de la gravité des données

La « gravité des données » désigne la difficulté de déplacer de grands ensembles de données. Dans un scénario d'inspection industrielle, un drone peut capturer de la vidéo 4K ou des nuages de points LiDAR. Transmettre ces données brutes vers le cloud pour un traitement en temps réel exige une bande passante immense (High Uplink).

●​ Modèle IA cloud : Consommation élevée de bande passante, haute latence, coût opérationnel élevé (forfaits de données) et dépendance totale à la couverture réseau. ¹⁴

●​ Modèle Edge AI : Les données sont traitées localement. Seuls les enseignements de haut niveau (p. ex. « corrosion détectée à la coordonnée X ») sont transmis. Cela réduit l'usage de bande passante de plusieurs ordres de grandeur. ¹⁵

2.2.2 Visibilité électronique

Dans les applications de défense, le silence radio est la survie. Un drone qui diffuse de la vidéo vers le cloud agit comme une balise de haute puissance, facilement triangulée par les moyens adverses de goniométrie (DF). ¹ L'IA basée sur le cloud rend la « furtivité » impossible. L'Edge AI permet des opérations en silence radio total : le drone perçoit, décide et agit sans émettre un seul octet de données jusqu'à ce que les paramètres de mission dictent une transmission en rafale ou un retour à la base.

2.3 Fiabilité et sécurité

La dépendance au cloud élargit la surface d'attaque. Les données en transit sont vulnérables à l'interception, et l'infrastructure cloud elle-même est une cible.

●​ Sécurité : L'Edge AI conserve les données brutes sensibles (flux vidéo d'infrastructures critiques ou de positions tactiques) sur l'appareil. Elles ne transitent jamais par l'internet public, réduisant le risque d'interception. ¹⁴

●​ Survie : Si la liaison réseau est coupée, un drone dépendant du cloud est lobotomisé ; il perd son « cerveau ». Un drone natif périphérique poursuit sa mission parce que son intelligence est embarquée. Cette distinction est la différence entre un « presse-papiers » et un système d'arme. ¹⁶

3. Principes de la navigation autonome : odométrie inertielle visuelle

Pour couper le lien du GPS et du cloud, nous devons reproduire la capacité de navigation biologique : l'intégration de la vision (yeux) et du système vestibulaire (oreille interne). En robotique, c'est l'odométrie inertielle visuelle (VIO) . C'est la pierre angulaire de l'architecture de solution de Veriprajna.

3.1 Principes techniques de la VIO

La VIO est la fusion de deux modalités de capteurs complémentaires :

1.​ Odométrie visuelle (VO) : Estime la pose en suivant le mouvement de texture distinctive des « amers » (features) à travers des images caméra successives. ¹⁸

2.​ Odométrie inertielle (IO) : Estime les changements d'état à l'aide d'instruments à haute fréquence (200Hz–1kHz) accéléromètres et gyroscopes au sein d'une unité de mesure inertielle (IMU). ¹⁸

3.1.1 La nature complémentaire de la vision et de l'inertie

Aucun des deux capteurs n'est suffisant à lui seul.

●​ Limites de la vision : Les caméras sont relativement lentes (30–60Hz) et souffrent de flou de mouvement lors de manœuvres rapides. En outre, l'odométrie visuelle monoculaire est dépourvue d'échelle métrique — le drone peut déterminer qu'il avance, mais pas s'il a parcouru 1 mètre ou 10 mètres, sans une référence externe ou une baseline stéréo. ¹⁹

●​ Limites inertielles : Les IMU sont rapides (1000Hz) mais souffrent d'une dérive rapide. La navigation exige d'intégrer deux fois l'accélération pour obtenir la position ($x = \iint a dt$). Cela signifie que toute petite erreur dans la lecture du capteur s'accumule quadratiquement dans le temps ($Error \propto t^2$). Une IMU MEMS grand public peut dériver de mètres en quelques secondes si elle n'est pas corrigée. ¹⁸

La VIO fusionne ces modalités pour annuler leurs faiblesses respectives. L'IMU fournit la prédiction d'état à haute cadence et gère les mouvements rapides où les images peuvent flouer. La caméra fournit l'étape de « correction », ancrant l'estimé IMU en dérive à des amers fixes dans le monde. ¹⁸ Cette fusion permet des taux de dérive aussi bas que 1-2 % de la distance parcourue, même dans

des environnements sans GPS. ¹

3.2 Architectures de fusion de capteurs : filtrage vs. optimisation

Mettre en œuvre la VIO exige des cadres mathématiques sophistiqués pour définir comment ces capteurs s'informent mutuellement. Il existe deux approches principales en robotique moderne.

3.2.1 Approches basées sur des filtres (MSCKF)

Le Multi-State Constraint Kalman Filter (MSCKF) utilise un Extended Kalman Filter (EKF) structure.

●​ Mécanisme : Il maintient un vecteur d'état incluant la pose du drone et les biais IMU. Il propage l'état à l'aide des lectures IMU (Prédiction) et met à jour l'état lorsque des features visuelles sont suivies sur plusieurs images (Mise à jour). ¹⁸

●​ Avantages : Computationnellement efficace, adapté aux plateformes à ressources contraintes (microcontrôleurs).

●​ Inconvénients : Il s'appuie sur la linéarisation à l'état courant. Une fois qu'un état est marginalisé (traité), l'information est figée. Il ne peut pas revenir en arrière et re-linéariser des mesures passées si une meilleure estimation devient disponible plus tard, ce qui le rend moins précis sur de longues trajectoires. ¹⁸

3.2.2 Approches basées sur l'optimisation (VINS-Mono / ORB-SLAM3)

Veriprajna privilégie les approches basées sur l'optimisation, souvent appelées SLAM par graphe ou optimisation en fenêtre glissante.

●​ Mécanisme : Ces systèmes construisent un « graphe de facteurs » où les nœuds représentent des poses du robot et les arêtes représentent des contraintes (mesures visuelles ou pré-intégrations IMU). Ils résolvent un problème de moindres carrés non linéaires pour minimiser l'erreur totale sur une fenêtre glissante d'images récentes. ¹⁸

●​ Avantages :

○​ Re-linéarisation : Le système peut corriger les estimés de pose passés à mesure que de nouvelles informations arrivent, fournissant une trajectoire plus cohérente.

○​ Fermeture de boucle : Cette architecture s'étend naturellement au SLAM (Simultaneous Localization and Mapping), permettant une cohérence globale (discuté à la section 4).

○​ Robustesse : Des algorithmes comme VINS-Mono et ORB-SLAM3 ont démontré une précision supérieure dans les benchmarks EuRoC et KITTI, en particulier dans les scénarios de mouvement agressif typiques des drones tactiques. ²³

Coût computationnel	Faible (linéaire)	Élevé (cubique avec la taille de fenêtre)
Précision	Bonne à court terme	Supérieure, réduit la dérive
Fermeture de boucle	Difficile à intégrer	Intégration native
Cible matérielle	Micro-UAV / MCU	Ordinateurs Edge AI (Jetson)
Choix Veriprajna	Secours / Failsafe	Pile de navigation principale

3.3 Les modes de défaillance de la VIO et leur atténuation

Si la VIO est non brouillable, elle n'est pas infaillible. Comprendre ses limites est essentiel à une ingénierie robuste.

3.3.1 Environnements pauvres en features

La VIO s'appuie sur le suivi de texture (contraste, coins). Les environnements à faible texture — tels que murs blancs, brouillard dense, fumée ou eau libre — peuvent provoquer une « perte de suivi ». ²⁴

●​ Atténuation : Fusion LiDAR-VIO. L'intégration d'un LiDAR à état solide léger fournit des données géométriques denses qui fonctionnent dans l'obscurité totale ou les vides sans texture. Le nuage de points LiDAR fournit des contraintes géométriques qui ancrent la solution VIO lorsque les caméras échouent. ¹

3.3.2 Environnements dynamiques

Les algorithmes VIO standard supposent que le monde est statique. Les objets en mouvement (camions, personnes, feuillage dans le vent) peuvent être pris pour des amers statiques. Si le drone suit un camion en mouvement et suppose que c'est un mur stationnaire, le drone estimera incorrectement son propre mouvement pour compenser.

●​ Atténuation : Masquage sémantique. C'est là que la « Deep AI » rencontre la navigation. Nous utilisons des modèles d'apprentissage profond (comme SegNet ou des masques basés sur YOLO) pour identifier les objets dynamiques pixel par pixel. Ces régions sont « masquées » hors du pipeline VIO, garantissant que le drone ne suit que les features d'arrière-plan statiques. ²⁵

4. Intelligence sémantique : le SLAM et la compréhension de l'espace

La VIO fournit une cohérence locale (p. ex. « j'ai avancé de 5 mètres »), mais elle accumule de la dérive au fil du temps. Pour atteindre une cohérence globale sans GPS, le système doit reconnaître où il est déjà passé. C'est la transition de l'odométrie vers la localisation et cartographie simultanées (SLAM) .

4.1 Le « robot kidnappé » et la fermeture de boucle

En robotique, le « problème du robot kidnappé » décrit un scénario où un robot est brusquement déplacé vers un nouvel emplacement sans qu'on lui dise comment il y est arrivé (p. ex. un drone se rétablissant d'une vrille ou d'une perte de signal). Pour survivre, il doit reconnaître son environnement afin de se relocaliser.

La fermeture de boucle agit comme une correction GPS interne. Lorsque le drone revient dans une zone déjà visitée, le système compare l'empreinte visuelle actuelle à sa carte stockée. Si une correspondance est trouvée, il calcule l'erreur de dérive accumulée depuis la dernière visite et « recale » l'ensemble de la trajectoire en alignement. ²⁷

4.1.1 Sac de mots (BoW)

La fermeture de boucle traditionnelle utilise des représentations « Bag of Words ». Les features visuelles (ORB, SIFT) sont regroupées dans un arbre de vocabulaire. Le système interroge cette base pour demander : « Ai-je déjà vu cette image ? ». ²⁷

●​ Mécanisme : Chaque image est convertie en un vecteur de « mots visuels ». La similarité est calculée à l'aide de métriques comme la distance cosinus. Si une correspondance à haute confiance est trouvée, le système tente d'aligner géométriquement l'image courante avec l'image historique. ³⁰

●​ Importance : Sans fermeture de boucle, un drone inspectant un long pipeline ou un périmètre dérivera finalement de mètres hors course. Avec la fermeture de boucle, la carte reste cohérente sur de longues durées, permettant de revisiter des points de cheminement avec une précision centimétrique. ²⁸

4.2 Compréhension sémantique : la différence « Deep AI »

La VIO standard traite le monde comme un nuage de points sans signification. L'approche « Deep AI » de Veriprajna intègre le SLAM sémantique .

●​ Géométrique vs. sémantique : Le SLAM géométrique voit des points, des lignes et des plans. Le SLAM sémantique voit « Porte », « Mur », « Camion », « Combattant ennemi ». ³¹

4.2.1 L'avantage sémantique

1.​ Robustesse dans les scènes dynamiques : En comprenant qu'une « voiture » est une classe d'objets qui se déplace, l'algorithme de SLAM sémantique exclut de manière proactive les features sur les voitures du processus d' optimisation de la carte. Cela prévient la corruption de la carte dans des environnements fréquentés. ²⁶

2.​ Navigation à long terme : Les features géométriques (intensité de pixel d'un coin) changent avec l'éclairage (jour vs. nuit). Les features sémantiques (le concept d'une « fenêtre » ou d'une « porte ») sont invariantes aux conditions d'éclairage. Un système de SLAM sémantique peut reconnaître un lieu visité de jour même en y revenant de nuit, pourvu que la structure sémantique reste visible. ³³

3.​ Commande centrée sur l'humain : Elle permet des instructions de haut niveau comme « Traverse la porte » ou « Inspecte le réservoir rouge », plutôt que « Vole vers la coordonnée X,Y,Z ». ³⁵ Cela est critique pour réduire la charge cognitive de l'opérateur.

4.3 Choix d'algorithme : ORB-SLAM3 vs. VINS-Fusion

Pour un déploiement d'entreprise, le choix de l'algorithme cœur est critique. Veriprajna a évalué les principaux cadres open-source pour construire notre pile propriétaire.

4.3.1 ORB-SLAM3

●​ Architecture : Une méthode basée sur les features qui prend en charge le SLAM visuel, visuel-inertiel et multi-cartes.

●​ Forces : C'est le premier système capable d'effectuer la fusion multi-cartes (système Atlas). Si le drone se perd (perte de suivi), il démarre une nouvelle carte. Lorsqu'il reconnaît un lieu précédent, il fusionne les deux cartes. Cela le rend extrêmement résilient au « kidnapping » ou aux manœuvres agressives qui cassent le suivi. ³⁶

●​ Performance : Démontre de manière constante une précision supérieure dans les benchmarks (EuRoC) et atteint des erreurs d'un ordre de grandeur inférieures à certains concurrents grâce à son ajustement de faisceaux robuste. ²³

4.3.2 VINS-Fusion

●​ Architecture : Un estimateur d'optimisation en fenêtre glissante.

●​ Forces : Hautement efficace et modulaire. Il excelle à fusionner des capteurs globaux (comme le GPS, s'il est disponible) avec la VIO.

●​ Faiblesses : Peut peiner dans les environnements sans texture par rapport à la gestion de cartes sophistiquée et à la reconnaissance de lieux d'ORB-SLAM3. ³⁶

La pile Veriprajna : Nous nous appuyons sur une version modifiée d'ORB-SLAM3 enrichie d'un frontend d'apprentissage profond (SuperPoint/SuperGlue) pour remplacer les features ORB standard. Cela combine le backend robuste d'ORB-SLAM3 avec l'extraction de features supérieure des réseaux de neurones modernes, garantissant la performance même dans un éclairage difficile où les features traditionnelles échouent. ²⁴

5. Le moteur de calcul : architectures matérielles d'Edge AI

La complexité mathématique de la VIO et du SLAM sémantique exige une puissance de calcul substantielle. Exécuter une optimisation non linéaire (VIO) aux côtés de réseaux de neurones convolutionnels (segmentation sémantique) en temps réel (30+ FPS) exige un matériel spécialisé. C'est là que l'« Edge AI » devient une réalité matérielle, et non un simple mot à la mode.

5.1 Architecture matérielle : NVIDIA Jetson Orin

La série NVIDIA Jetson Orin représente l'état de l'art actuel du calcul robotique embarqué, fournissant des performances d'IA de classe serveur dans un facteur de forme embarqué.

5.1.1 Densité de performance

Le Jetson Orin NX délivre jusqu'à 100 TOPS (mille milliards d'opérations par seconde) de performance d'IA. C'est un saut massif par rapport aux générations précédentes comme le Xavier NX, offrant des gains de performance de 3x à 5x. ³⁸

Métrique	Jetson Orin Nano	Jetson Orin NX (16GB)	Jetson AGX Orin
Performance IA	40 TOPS	100 TOPS	275 TOPS
Architecture GPU	Ampere (1024 cœurs)	Ampere (1024 cœurs)	Ampere (2048 cœurs)
Mémoire	8GB LPDDR5	16GB LPDDR5	64GB LPDDR5
Puissance	7W - 15W	10W - 25W	15W - 60W
Cas d'usage cible	VIO d'entrée de gamme	Avancée VIO sémantique	Industriel lourd / Hub

Pour les micro-drones tactiques et les inspecteurs industriels, l'Orin NX offre l'équilibre optimal de SWaP-C (taille, poids, puissance et coût). Il permet d'exécuter des backends VIO (comme Isaac ROS Visual SLAM ou des implémentations ORB-SLAM3 personnalisées) aux côtés de réseaux de détection d'objets (YOLOv8/v11) sans saturer le budget thermique. ³⁸

5.2 Stratégies d'optimisation pour le vol en temps réel

La puissance brute du silicium est insuffisante sans optimisation logicielle. La latence dans le pipeline de vision se traduit directement par une instabilité de vol.

5.2.1 TensorRT et quantification

Nous utilisons TensorRT de NVIDIA pour compiler les réseaux de neurones, en optimisant la fusion de couches et la sélection de noyaux.

●​ Quantification Int8 : Convertir les poids du réseau de neurones de Floating Point 32 (FP32) vers Integer 8 (Int8) réduit l'usage de bande passante mémoire et augmente le débit. Sur les plateformes Orin, cela est essentiel pour atteindre les >30 FPS requis pour la stabilité de la boucle de contrôle. ⁴¹

●​ Résultat : L'optimisation TensorRT peut doubler ou tripler le débit d'inférence par rapport à l'exécution PyTorch brute, ramenant des modèles complexes de segmentation sémantique dans le budget de latence d'un drone en vol. ⁴²

5.2.2 Accélération matérielle (VPI et CUDA)

Pour éviter les goulots d'étranglement CPU, nous déportons des tâches spécifiques :

●​ Frontend : Le suivi de features et le flux optique sont déportés vers l'interface de programmation de vision (VPI) ou les cœurs dédiés PVA (Programmable Vision Accelerator) de l' Orin, libérant le GPU pour l'inférence d'apprentissage profond. ⁴³

●​ Backend : L'optimisation non linéaire (ajustement de faisceaux) est parallélisée à l'aide de noyaux CUDA sur le GPU, garantissant que les mises à jour de carte ne bloquent pas le thread de suivi.

Cette approche de calcul hétérogène garantit que le contrôleur de vol reçoit des mises à jour d'odométrie à la fréquence requise (typiquement >50Hz) quelle que soit la complexité de la scène analysée. ⁴³

6. Réalités opérationnelles : défense, mines et infrastructures

La transition vers l'autonomie basée sur la VIO n'est pas une simple mise à niveau technique ; c'est un impératif opérationnel qui débloque de nouvelles capacités et des économies de coûts dans tous les secteurs.

6.1 Défense : la munition rôdeuse non brouillable

Dans le contexte du conflit ukrainien et des engagements futurs entre pairs, le déni GNSS est une certitude.

●​ Guidage terminal : Les drones FPV actuels s'appuient sur des liaisons vidéo analogiques qui se dégradent près du sol (en raison de la zone de Fresnel et du brouillage). Les drones équipés de VIO peuvent « verrouiller » visuellement une cible et exécuter de manière autonome la phase de frappe finale même si la liaison C2 est coupée. ⁴⁴

●​ Essaims fire-and-forget : La navigation autonome permet à un seul opérateur de déployer un essaim. Les drones naviguent un corridor sans GNSS à l'aide de la VIO, localisent les cibles à l'aide de l' IA sémantique embarquée et engagent selon des règles d'engagement (ROE) prédéfinies. Cela multiplie l'efficacité de la force tout en réduisant l'exposition des opérateurs. ⁴⁶

●​ Survie : En retirant la liaison radio, le drone devient un « tueur silencieux », indétectable par les scanners RF standard jusqu'à ce qu'il soit visuel. ⁴⁴

6.2 Mines : numériser le sous-sol

L'industrie minière fait face à un environnement naturellement sans GPS où la sécurité est primordiale.

●​ Inspection post-tir : Après un tir, les chantiers sont remplis de poussière et potentiellement de gaz toxiques. Attendre l'autorisation coûte de l'argent. Les drones habilités VIO peuvent voler dans ces environnements sombres, emplis de poussière (potentiellement aidés par une fusion LiDAR) pour inspecter la fragmentation de la roche et la stabilité structurelle immédiatement. ⁶

●​ Coût vs. risque : Retirer les humains de ces zones dangereuses est le principal levier de valeur.

En outre, remplacer le levé manuel (qui peut prendre des jours) par la photogrammétrie par drone (heures) réduit drastiquement les coûts opérationnels. Une équipe de levé manuel coûte des milliers par jour ; un drone le fait en 30 minutes. ⁷

6.3 Infrastructures critiques : le coût de la défaillance

Pour les oléoducs et gazoducs, le coût d'une inspection manquée peut être catastrophique ($8.5 million pour une seule défaillance vs. $75,000 pour la réparation). ⁸

●​ Opérations en ombre GPS : Les drones inspectant le dessous de ponts ou volant entre de grands réservoirs de stockage perdent souvent le GPS en raison des effets de trajets multiples. Un système VIO maintient un stationnement précis dans ces « ombres », permettant au drone de capturer une imagerie haute résolution sans le risque de dériver vers la structure. ¹⁰

●​ Scalabilité : Des drones véritablement autonomes (en dock, habilités VIO) peuvent exécuter des inspections planifiées quotidiennement sans pilote dans la boucle, détectant fuites ou corrosion au stade le plus tôt détectable. Cela fait passer la maintenance du réactif au prédictif. ⁴⁸

7. Conclusion : la vision Veriprajna

L'ère des drones « automatisés » — dépendants de liens satellitaires fragiles et de la connectivité cloud — s'achève. L'avenir appartient aux systèmes autonomes de périphérie .

Veriprajna ne se contente pas d'envelopper des API de LLM ; nous concevons les piles fondamentales de navigation et de perception qui permettent aux machines d'exister et d'agir dans le monde physique. En maîtrisant l' odométrie inertielle visuelle, en mettant en œuvre le SLAM sémantique, et en optimisant pour le calcul de périphérie, nous construisons des systèmes qui sont :

1.​ Non brouillables : Immunisés contre le déni GNSS et le spoofing.

2.​ Sans lien : Capables d'achever la mission sans liaisons radio ni connectivité cloud.

3.​ Véritablement autonomes : Possédant l'intelligence embarquée pour percevoir, comprendre et naviguer la réalité complexe des environnements modernes.

Pour le commandant de défense, l'opérateur minier et le gestionnaire d'infrastructures, cette distinction n'est pas académique — c'est la différence entre le succès de la mission et un actif perdu.

Addendum technique : analyse comparative des modalités de navigation

Col1	Navigation	Flow (P4/Mavic)	VIO sémantique
Primaire Référence	Satellites externes	Caméra vers le bas (texture du sol)	360° visuelles features + IMU + sémantique compréhension
Sensibilité au brouillage	Élevée (bandes L1/L2/L5)	Moyenne (besoin du GPS pour lacet/hauteur)	Nulle (perception passive)
Taux de dérive	N/A (position absolue)	Élevé dans le temps / faible précision	Faible (<1-2 %) via fermeture de boucle
Env. dénié Capacité	Échoue (intérieur/sous-so l/EW)	Limitée (exige bonne lumière/texture)	Élevée (fonctionne dans des zones complexes/sans GPS)
Gestion des objets dynamiques	N/A	Échoue (dérive si le sol bouge)	Robuste (masque les objets dynamiques via l'IA)
Exigence de calcul	Faible (microcontrôleur)	Faible (ASIC/DSP)	Élevée (NVIDIA Jetson / NPU)
Statut opérationnel	« Presse-papiers » en EW	Instable en EW	Capable de mission

Glossaire des termes

●​ GNSS (Global Navigation Satellite System) : Terme collectif pour la navigation satellitaire incluant GPS (USA), Galileo (UE), GLONASS (Russie) et BeiDou (Chine).

●​ VIO (Visual Inertial Odometry) : La fusion des données caméra et des capteurs inertiels pour suivre la position sans signaux externes.

●​ SLAM (Simultaneous Localization and Mapping) : Le problème computationnel consistant à construire une carte d'un environnement inconnu tout en suivant simultanément la localisation d'un agent à l'intérieur.

●​ EW (Electronic Warfare) : Action militaire impliquant l'usage de l'énergie électromagnétique et dirigée pour contrôler le spectre électromagnétique ou attaquer l'ennemi.

●​ SWaP-C : Size, Weight, Power, and Cost — contraintes critiques en ingénierie des drones.

●​ Edge AI : Le déploiement d'algorithmes d'IA sur des appareils locaux (p. ex. des drones) plutôt que dans des serveurs cloud centralisés.

●​ Fermeture de boucle : Le processus, en SLAM, consistant à reconnaître un lieu déjà visité pour corriger la dérive de navigation accumulée.

Ouvrages cités

1. Navigating Small Drones in an Electronic Warfare Environment ..., consulté le 11 décembre 2025, https://dras.in/navigating-small-drones-in-an-electronic-warfare-environment/

2. Drone War Accelerates Over Ukraine - Inside Unmanned Systems, consulté le 11 décembre 2025, https://insideunmannedsystems.com/drone-war-accelerates-over-ukraine/

3. Protecting Autonomous UAVs from GPS Spoofing and Jamming: A comparative analysis of detection and mitigation techniques - AWS, consulté le 11 décembre 2025, https://sdiopr.s3.ap-south-1.amazonaws.com/2024/Oct/28-Oct-24/JERR_124341/Revised-ms_JERR_124341_v1.pdf

4. The Economic Power of GPS Technology - Economy Insights, consulté le 11 décembre 2025, https://www.economyinsights.com/p/the-economic-power-of-gps-technology

5. DOC Study on Economic Benefits of GPS - Office of Space Commerce, consulté le 11 décembre 2025, https://space.commerce.gov/doc-study-on-economic-benefits-of-gps/

6. Safety Inspections and Gas Monitoring in Hazardous Mining Areas Shortly After Blasting Using Autonomous UAVs - DiVA portal, consulté le 11 décembre 2025, https://www.diva-portal.org/smash/get/diva2:1923729/FULLTEXT03

7. Drones in mining: Benefits, use cases & industry impacts - SPH Engineering, consulté le 11 décembre 2025, https://www.sphengineering.com/news/drones-in-mining

8. Cutting Costs, Boosting ROI: The Business Case for Drone Pipeline Inspections Datumate, consulté le 11 décembre 2025, https://www.datumate.com/blog/drone-pipeline-inspections/

9. GPS and IMU Require Visual Odometry for Elevation Accuracy - SciSpace, consulté le 11 décembre 2025, https://scispace.com/pdf/gps-and-imu-require-visual-odometry-for-elevation-accuracy-5an1ym9sye.pdf

10. Smart Safety Helmets with Integrated Vision Systems for Industrial Infrastructure Inspection: A Comprehensive Review of VSLAM-Enabled Technologies - PMC PubMed Central, consulté le 11 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12349484/

11. Metrics and evaluations for computational and sustainable AI efficiency - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2510.17885v1

12. Research on the Implementation of New Communication Technologies to Improve Quality and Stability in Motion Control of Autonomous Mobile Robots MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2227-7080/13/12/556

13. Stability of networked control systems - KTH, consulté le 11 décembre 2025, https://www.kth.se/social/upload/512798bdf2765428364644c7/NCS.pdf

14. Edge AI vs. Cloud AI - IBM, consulté le 11 décembre 2025, https://www.ibm.com/think/topics/edge-vs-cloud-ai

15. AI at the Edge Explained: Benefits, Uses & More - Advantech, consulté le 11 décembre 2025, https://www.advantech.com/en-us/resources/industry-focus/edge-ai

16. Harnessing Edge AI to Strengthen National Security | Strategic Technologies Blog | CSIS, consulté le 11 décembre 2025, https://www.csis.org/blogs/strategic-technologies-blog/harnessing-edge-ai-strengthen-national-security

17. Edge AI is advancing rapidly. So are the ways in which it's being secured., consulté le 11 décembre 2025, https://www.techmonitor.ai/digital-economy/ai-and-automation/edge-ai-cybersecurity

18. How Visual Inertial Odometry (VIO) Works - Think Autonomous, consulté le 11 décembre 2025, https://www.thinkautonomous.ai/blog/visual-inertial-odometry/

19. Efficient and Accurate Downfacing Visual Inertial Odometry - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2509.10021v1

20. Visual Inertial Odometry (VIO) | PX4 Guide (main), consulté le 11 décembre 2025, https://docs.px4.io/main/en/computer_vision/visual_inertial_odometry

21. A Comprehensive Introduction of Visual-Inertial Navigation - arXiv, consulté le 11 décembre 2025, https://arxiv.org/pdf/2307.11758

22. Dense Visual-Inertial Odometry for Tracking of Aggressive Motions - Yonggen Ling, consulté le 11 décembre 2025, https://ygling2008.github.io/papers/ROBIO2015.pdf

23. Comparison of modern open-source visual SLAM approaches ..., consulté le 11 décembre 2025, https://www.alphaxiv.org/overview/2108.01654v2

24. A robust visual-inertial SLAM based deep feature extraction and matching - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2405.03413v2

25. D-VINS: Dynamic Adaptive Visual–Inertial SLAM with IMU Prior and Semantic Constraints in Dynamic Scenes - MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2072-4292/15/15/3881

26. RO-SLAM: A Robust SLAM for Unmanned Aerial Vehicles in a Dynamic Environment, consulté le 11 décembre 2025, https://www.techscience.com/csse/v47n2/53640/html

27. Simple bag-of-words loop closure for visual SLAM - Nicolò Valigi, consulté le 11 décembre 2025, https://nicolovaligi.com/articles/bag-of-words-loop-closure-visual-slam/

28. Introduction to Loop Closure Detection in SLAM - Think Autonomous, consulté le 11 décembre 2025, https://www.thinkautonomous.ai/blog/loop-closure/

29. Evaluation of Bags of Binary Words for Place Recognition in Challenging Scenarios - inesc tec, consulté le 11 décembre 2025, https://repositorio.inesctec.pt/server/api/core/bitstreams/66f0e40f-317b-4a83-b890-eeb7ff307e7a/content

30. Bag of Visual Words - 5 Minutes with Cyrill - YouTube, consulté le 11 décembre 2025, https://www.youtube.com/watch?v=a4cFONdc6nc

31. A Frontier Review of Semantic SLAM Technologies Applied to the Open World MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/1424-8220/25/16/4994

32. Is Semantic SLAM Ready for Embedded Systems ? A Comparative Survey - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2505.12384v1

33. Hierarchical Loop Closure Detection for Long-term Visual SLAM with Semantic-Geometric Descriptors - GitHub Pages, consulté le 11 décembre 2025, https://siewkeilam.github.io/ei-research-group/Paper/2021C-Gaurav-ITSC.pdf

34. Semantic Loop Closure Detection for Intelligent Vehicles Using Panoramas ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/372631598_Semantic_Loop_Closure_Detection_for_Intelligent_Vehicles_Using_Panoramas

35. Visual Planar Semantic SLAM for Aerial Robotic Systems - DSpace@MIT, consulté le 11 décembre 2025, https://dspace.mit.edu/bitstream/handle/1721.1/135936/09045978.pdf?sequence=2&isAllowed=y

36. ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM - ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/343179441_ORB-SLAM3_An_Accurate_Open-Source_Library_for_Visual_Visual-Inertial_and_Multi-Map_SLAM

37. SuperVINS: A visual-inertial SLAM framework integrated deep learning features arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2407.21348v1

38. NVIDIA® Jetson Comparison: Nano, TX2 NX, Xavier NX, AGX, Orin - Latest News from Seeed Studio, consulté le 11 décembre 2025, https://www.seeedstudio.com/blog/nvidia-jetson-comparison-nano-tx2-nx-xavier-nx-agx-orin/

39. Jetson Orin™ NX Performance vs. Xavier™ NX - Connect Tech - YouTube, consulté le 11 décembre 2025, https://www.youtube.com/watch?v=t4WPyKVX61I

40. Jetson Benchmarks - NVIDIA Developer, consulté le 11 décembre 2025, https://developer.nvidia.com/embedded/jetson-benchmarks

41. Jetson orin nano fp16/int8 performance - NVIDIA Developer Forums, consulté le 11 décembre 2025, https://forums.developer.nvidia.com/t/jetson-orin-nano-fp16-int8-performance/326723

42. Performance analysis on Jetson Orin Nano 8GB - NVIDIA Developer Forums, consulté le 11 décembre 2025, https://forums.developer.nvidia.com/t/performance-analysis-on-jetson-orin-nano-8gb/292343

43. Isaac ROS Visual SLAM, consulté le 11 décembre 2025, https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_visual_slam/index.html

44. The Rush for AI-Enabled Drones on Ukrainian Battlefields - Lawfare, consulté le 11 décembre 2025, https://www.lawfaremedia.org/article/the-rush-for-ai-enabled-drones-on-ukrainian-battlefields

45. Ukraine's Future Vision and Current Capabilities for Waging AI-Enabled Autonomous Warfare - CSIS, consulté le 11 décembre 2025, https://www.csis.org/analysis/ukraines-future-vision-and-current-capabilities-waging-ai-enabled-autonomous-warfare

46. Drones rack up 70% of troop losses in the Ukraine war — and AI's killing spree will make it worse - Euromaidan Press, consulté le 11 décembre 2025, https://euromaidanpress.com/2025/06/14/drones-rack-up-70-of-troop-losses-in-the-ukraine-war-and-ais-killing-spree-will-make-it-worse/

47. Drone Mining Surveys vs Manual Methods: A Cost & Time Comparison, consulté le 11 décembre 2025, https://safesightxp.com/2025/06/21/drone-vs-manual-mining-surveys/

48. Generative AI + Autonomy: The Next Leap for Industrial Drone Programs Dronelife, consulté le 11 décembre 2025, https://dronelife.com/2025/11/19/generative-ai-autonomy-the-next-leap-for-industrial-drone-programs/