Deux prépublications, un même signal faible
Deux travaux récemment publiés sur arXiv esquissent une évolution importante de l’IA embarquée : les réseaux neuronaux ne sont plus seulement entraînés à prédire, mais à prédire avec des marges d’incertitude et sous contraintes physiques. Le premier, intitulé Beyond Prediction: Interval Neural Networks for Uncertainty-Aware System Identification, propose un cadre de réseaux neuronaux à intervalles pour l’identification de systèmes dynamiques. Le second, Physics Aware Neural Networks: Denoising for Magnetic Navigation, applique des contraintes issues de l’électromagnétisme à la navigation par anomalies magnétiques, une piste suivie lorsque le GPS est indisponible, brouillé ou trompé.
Il faut toutefois poser le décor : ces deux sources sont des prépublications arXiv. Elles n’ont pas encore le statut d’articles évalués par les pairs. Leur intérêt tient donc moins à une validation définitive qu’à ce qu’elles révèlent de la trajectoire de la recherche : rendre les modèles neuronaux plus contrôlables, plus interprétables et plus compatibles avec les exigences de sûreté des systèmes physiques.
Identifier un système, ce n’est pas seulement prédire sa trajectoire
L’identification de systèmes, ou SysID, consiste à construire un modèle dynamique à partir de mesures : position, vitesse, température, commande moteur, vibrations, signaux magnétiques, etc. C’est une brique fondamentale en robotique, en aéronautique, dans les véhicules autonomes, les réseaux électriques et les procédés industriels. Les méthodes classiques sont robustes lorsque la dynamique est bien comprise et relativement linéaire. Mais elles sont vite mises en difficulté par les frottements, les saturations, les retards, les changements de régime ou les interactions non modélisées.
Les réseaux neuronaux, notamment les LSTM et les Neural ODE popularisées dans la communauté NeurIPS, ont apporté une capacité nouvelle à approximer des dynamiques complexes. Mais cette puissance a un coût : un modèle peut extrapoler avec assurance dans une zone où il n’a presque aucune donnée fiable. Dans une application de recommandation, c’est gênant. Dans un drone, un avion, un robot médical ou un véhicule autonome, c’est potentiellement critique.
Le papier arXiv sur les Interval Neural Networks cherche précisément à traiter ce problème. Plutôt que de produire une trajectoire unique, le modèle propage des intervalles par arithmétique d’intervalles. L’idée est simple à formuler : au lieu de dire « la position sera ici », le réseau dit « elle devrait se situer dans cette enveloppe ». Les auteurs proposent deux stratégies : une approche en cascade, qui transforme un réseau classique déjà entraîné en réseau à intervalles, et une approche jointe, qui optimise simultanément la précision et la qualité des intervalles. Selon leur résumé, la première maximise davantage la précision ponctuelle, tandis que la seconde produit des intervalles mieux calibrés.
Ce point est central pour l’IA embarquée : un contrôleur n’a pas seulement besoin d’une estimation, il doit savoir quand cette estimation est fragile. Une incertitude explicite permet de basculer vers un mode dégradé, de ralentir une manœuvre, de demander une mesure supplémentaire ou de déclencher une redondance.
La physique comme garde-fou contre les hallucinations du capteur
Le second travail, consacré à la navigation magnétique, illustre l’autre grande tendance : imposer aux réseaux neuronaux de respecter les lois physiques connues. La navigation par anomalies magnétiques exploite les variations locales du champ magnétique terrestre. En théorie, ces signatures peuvent servir de carte naturelle, difficile à brouiller de la même manière qu’un signal satellite. En pratique, un avion ou un drone transporte ses propres sources de bruit magnétique : structure métallique, courants électriques, moteurs, câbles, capteurs imparfaits.
Le modèle classique de Tolles-Lawson est une référence historique pour compenser les perturbations magnétiques d’un aéronef. Mais les auteurs du préprint estiment qu’il est insuffisant face à des données stochastiquement corrompues et à des séquences complexes. Leur proposition est d’entraîner des réseaux neuronaux sous deux contraintes : un champ magnétique sans divergence, conformément aux équations de Maxwell, et une équivariance E(3), c’est-à-dire une cohérence mathématique lorsque le capteur change de position ou d’orientation dans l’espace.
Ce n’est pas un détail académique. Un réseau standard peut apprendre des corrélations utiles sur un jeu de données, puis produire des sorties physiquement absurdes lorsqu’un drone pivote, change d’altitude ou traverse un environnement différent. Un réseau conscient de la géométrie et des équations du champ magnétique réduit l’espace des réponses possibles. La physique devient une forme de régularisation : elle empêche le modèle de trouver une solution statistiquement séduisante mais incompatible avec le monde réel.
Pourquoi le sujet devient urgent : le GPS n’est plus une certitude
Le contexte opérationnel explique l’intérêt croissant pour ces approches. Le GPS, et plus largement les systèmes GNSS, sont devenus l’infrastructure invisible de la navigation, de la synchronisation réseau, de la finance, de l’énergie et du transport aérien. Le NIST rappelle depuis plusieurs années que les infrastructures critiques doivent gérer leur dépendance aux services de positionnement, navigation et temps. Le Department of Homeland Security américain publie aussi des bonnes pratiques pour des architectures PNT résilientes, combinant redondance, détection d’anomalies et sources de secours.
Dans l’aviation, les signaux d’alerte se multiplient. L’EASA a mis à jour en 2024 son bulletin de sécurité sur les pertes et altérations GNSS, en ciblant notamment le brouillage et le spoofing près des zones de conflit. L’IATA et l’EASA ont ensuite publié un plan de mitigation, tandis que la FAA maintient un guide de ressources sur les interférences GNSS. Le message est clair : il ne s’agit plus d’un scénario marginal de guerre électronique, mais d’un risque opérationnel que les équipages, les avionneurs et les opérateurs doivent anticiper.
La navigation magnétique ne remplacera pas le GPS à elle seule. Elle dépend de cartes géomagnétiques, de capteurs sensibles et de modèles capables de distinguer le signal terrestre du bruit de plateforme. Mais elle s’inscrit dans une architecture plus large : inertiel, vision, radar, signaux d’opportunité, horloges robustes, cartes magnétiques et algorithmes de fusion. Dans cette architecture, les réseaux neuronaux physiquement informés peuvent jouer un rôle de filtre intelligent, capable de nettoyer les mesures et d’évaluer leur crédibilité.
De PINN à IA certifiable : un chemin encore long
Les Physics-Informed Neural Networks ne sortent pas de nulle part. L’article fondateur de Raissi, Perdikaris et Karniadakis dans le Journal of Computational Physics a popularisé l’idée d’intégrer les équations différentielles dans la fonction de perte d’un réseau. Depuis, le champ s’est élargi : mécanique des fluides, matériaux, structures, énergie, biomédecine, identification inverse. Les travaux récents ajoutent une couche essentielle : l’incertitude.
Pour les environnements critiques, la combinaison des deux est plus prometteuse que chacune séparément. Un réseau seulement probabiliste peut quantifier son ignorance, mais rester physiquement incohérent. Un réseau seulement contraint par la physique peut donner une sortie plausible sans indiquer qu’il opère hors distribution. Un système embarqué fiable doit idéalement faire les deux : respecter les invariants connus et signaler quand ses données ne suffisent plus.
La difficulté sera la certification. Les autorités ne valideront pas un pilote automatique, une navigation de drone industriel ou une assistance critique sur la seule base de résultats de laboratoire. Il faudra des bancs d’essai reproductibles, des données ouvertes, des comparaisons contre des méthodes classiques, des garanties de robustesse hors distribution et des mécanismes de repli vérifiables. Les intervalles de prédiction devront être calibrés dans des conditions réelles, pas seulement sur des jeux de données contrôlés. Les contraintes physiques devront être testées face aux défauts de capteurs, aux dérives thermiques, aux cartes incomplètes et aux adversaires actifs.
Ce que cela change pour l’IA embarquée
La leçon la plus importante est peut-être culturelle. Pendant dix ans, une partie de l’IA appliquée a été portée par la logique du maximum de performance moyenne : meilleur score, plus grosse architecture, plus grand jeu de données. Les systèmes critiques imposent une autre métrique : que se passe-t-il dans les cas rares, ambigus, corrompus ou hostiles ?
Les réseaux neuronaux à intervalles et les réseaux conscients de la physique déplacent donc le centre de gravité. Ils ne promettent pas une IA magique capable de naviguer partout sans GPS. Ils promettent plutôt des modèles plus honnêtes sur leurs limites et moins enclins à violer les lois du système qu’ils observent. Pour un drone d’inspection, un avion, un robot minier ou un véhicule militaire, cette honnêteté algorithmique peut être aussi importante que la précision brute.
À court terme, ces techniques devraient apparaître d’abord comme modules spécialisés : débruitage magnétique, détection d’anomalies, identification de paramètres dynamiques, estimation de confiance pour la fusion de capteurs. À plus long terme, elles pourraient contribuer à une nouvelle génération de calculateurs embarqués où l’IA n’est pas une boîte noire isolée, mais une composante supervisée par des contraintes, des marges et des règles de sûreté.
La promesse est forte, mais elle reste conditionnelle : il faudra transformer des prépublications convaincantes en systèmes testés, audités et certifiables. C’est précisément là que se jouera la prochaine étape de l’IA physique : non pas prédire davantage, mais savoir quand et pourquoi on peut lui faire confiance.