Un drone propulsé par intelligence artificielle (AI) a terminé un parcours de championnat plus rapidement que certains des meilleurs pilotes de drones humains au monde.
Dans une étude publiée le 14 octobre dans la revue Robotique scientifiqueles scientifiques ont créé un système d’IA capable de pousser un quadricoptère sur une trajectoire exigeante à plus de 60 mph (100 km/h), en utilisant à peine plus qu’une seule caméra orientée vers l’avant, une unité de mesure inertielle et un petit ordinateur de bord.
Le système, appelé MonoRace, a même remporté la compétition de course de drones de l’Abu Dhabi Autonomous Racing League 2025, surpassant toutes les équipes autonomes rivales et affichant des temps plus rapides que trois anciens pilotes de drones champions du monde humains.
MonoRace a accompli cela sans l’aide de GPS, de systèmes de capture de mouvement externes, de caméras stéréo ou d’une carte préchargée du parcours. Le système est un modèle de vol autonome embarqué créé par des chercheurs du Micro Air Vehicles Lab de l’Université de technologie de Delft aux Pays-Bas. Son nom reflète sa caractéristique centrale de conception ; « mono » fait référence à sa vision monoculaire. Le drone s’appuie sur une seule caméra à volet roulant et surveille son propre mouvement avec une unité de mesure interne (IMU) qui mesure l’accélération et la rotation.
Voler à des vitesses vertigineuses
L’ensemble limité de capteurs alimente un réseau neuronal, un modèle d’apprentissage automatique qui utilise des neurones artificiels interconnectés pour apprendre des modèles à partir des données. Ce réseau neuronal identifie les portes de course et estime la position et le mouvement du drone pour générer des commandes motrices. Ensuite, il envoie les commandes aux quatre hélices à une fréquence de 500 fois par seconde via le contrôleur de vol du drone.
Le système s’adapte à un drone qui ne pèse que 966 grammes (2,13 livres) et mesure environ 11,8 x 11 x 3,9 pouces (30 x 28 x 10 centimètres). Le matériel MonoRace étant si compact, léger et efficace en termes de calcul, l’équipe a pu le faire fonctionner entièrement à bord du drone.
Sur le parcours d’Abu Dhabi, MonoRace a bouclé deux tours autour de 11 portes en 16,56 secondes, atteignant une vitesse de pointe d’environ 63 mph (102 km/h).
Recevez les découvertes les plus fascinantes du monde directement dans votre boîte de réception.
Une vidéo récemment publiée retrace le développement et les performances de MonoRace dans la compétition, avec des séquences de vol réelles démontrant comment le drone s’incline brusquement, accélère à travers les portes et suit un parcours sans assistance humaine.
Cependant, certaines séquences sont générées par ordinateur. Co-auteur de l’étude Guido de Croonun professeur à l’Université de technologie de Delft, a déclaré qu’il s’agissait d’effets visuels intentionnels. Les seules images entièrement simulées apparaissent au bout de deux minutes environ, pendant le segment montrant le processus de formation.
“Ici, nous montrons les portes dans un simulateur visuel pour la vidéo, mais la véritable formation s’est déroulée dans un simulateur de physique pure et épuré qui fonctionnait très vite”, a déclaré de Croon à Live Science dans un e-mail. “La simulation de la vision n’a pas été effectuée pendant la formation, car le réseau neuronal de contrôle reçoit en entrée un état estimé, qui provient d’un processus de perception et d’estimation d’état différent.”
Le reste des images est réel, bien que certains plans incluent des superpositions montrant comment le drone interprète le flux de sa caméra. Un réseau neuronal convolutif segmente les portes blanches, les affichant parfois en rouge dans l’image normale de la caméra. De petits cercles marquent les coins des portes détectées, les lignes rouges indiquent les bords des portes et une superposition bleue montre la partie de l’image où le drone s’attend à trouver la porte suivante.
Comment l’IA a appris à courir
Les scientifiques ont formé le modèle MonoRace avec l’apprentissage par renforcement, une méthode d’apprentissage automatique dans laquelle un agent tente à plusieurs reprises une tâche et reçoit des commentaires en fonction de son succès ou de son échec.
“L’apprentissage par renforcement s’est déroulé en simulation, car il nécessite de nombreux essais et erreurs, comme des millions d’essais”, a déclaré de Croon. “En fait, il apprend à voler à partir de zéro.”
Le réseau a appris à traduire la position, la vitesse et l’orientation du drone sur la piste directement en commandes motrices. Selon de Croon, la première formation s’est concentrée sur les bases, comme éviter les chutes et atteindre la première porte. Au fur et à mesure que la formation progressait, le système a appris à avancer plus loin sur le parcours et à voler à des vitesses plus élevées.
Les chercheurs n’ont pas entraîné le système sur un seul avion. Au lieu de cela, ils ont fait varier des dimensions telles que le poids, la tension, la traînée, le bruit du capteur et l’état de l’hélice afin que le modèle d’IA puisse faire face aux variations et imperfections du monde réel.
“Cela garantit que le réseau formé peut contrôler différents drones”, a déclaré de Croon.
MonoRace pourrait devenir un outil de formation pour les pilotes de drones humains, “un peu comme de puissants programmes d’échecs ont également inspiré les humains qui jouent à ce jeu”, a déclaré de Croon.
Son importance plus large réside dans la démonstration des progrès réalisés dans IA physiqueen particulier comment un robot peut percevoir, décider et agir à grande vitesse malgré une puissance de détection et de calcul limitée. Le réseau de contrôle fonctionne sur une puce de classe microcontrôleur, ce qui signifie qu’un contrôle sophistiqué ne nécessite pas un grand ordinateur.
De Croon a noté qu’un réseau de taille similaire pourrait optimiser une consommation d’énergie minimale plutôt qu’un temps au tour minimum. Étant donné que la plupart des machines reposent sur de petits processeurs et des contrôleurs conventionnels, un contrôle neuronal optimal en termes d’énergie pourrait à terme réduire la consommation d’énergie de la robotique quotidienne, a-t-il déclaré.
Bahnam, SA, Ferede, R., Blaha, TM, Lang, AE, Lucassen, E., Missinne, Q., Verraest, AEC, De Wagter, C. et De Croon, GCHE (2026). MonoRace : IA monoculaire robuste pour les courses de drones de niveau champion. Robotique scientifique, 11(119).
