Swift, l’IA de l’Université de Zurich qui défie les champions de course de drones

Piloter un drone de course demande des réflexes exceptionnels. Les appareils foncent à grande vitesse, doivent franchir des portes étroites et changent de direction avec une brutalité que peu de systèmes autonomes savent maîtriser. Avec Swift, des chercheurs de l’Université de Zurich montrent qu’une intelligence artificielle peut désormais rivaliser avec les meilleurs humains dans cet exercice particulièrement exigeant.

Publié en 2023, ce travail ne consiste pas à ajouter une assistance automatique à un drone piloté par une personne. Swift est un système de contrôle qui prend seul les décisions de vol à partir de ses capteurs et de son calcul embarqué. Son objectif est simple à énoncer, mais très difficile à atteindre : parcourir un circuit le plus vite possible sans manquer les portes ni percuter les obstacles.

Les essais menés par l’équipe suisse ont marqué les esprits. Face à des pilotes de drones de niveau mondial, Swift a remporté 15 courses sur 25. Il a également réalisé le meilleur tour lors de cinq manches sur 25. Ces résultats placent le système au niveau des meilleurs spécialistes humains, dans un cadre expérimental conçu pour comparer directement leurs performances.

Pourquoi les courses de drones sont-elles un défi pour une IA ?

Une course de drones en vue subjective, souvent appelée FPV pour first-person view, oppose habituellement des pilotes qui portent un masque affichant le flux vidéo de la caméra embarquée. Ils guident à distance un quadricoptère léger à travers une succession de portes. La vitesse, l’accélération et l’inclinaison de l’appareil imposent des corrections permanentes.

La difficulté ne tient pas seulement à la vitesse. Un pilote doit anticiper sa trajectoire avant chaque virage, doser très précisément la poussée des moteurs et réagir à la moindre erreur de position. Passer une porte quelques centimètres trop loin de l’axe peut obliger à freiner, faire perdre un temps précieux ou provoquer un choc.

Pour un système autonome, plusieurs problèmes se superposent :

• interpréter en temps utile les données des capteurs embarqués ;
• estimer la position, la vitesse et l’orientation du drone ;
• choisir une trajectoire rapide, mais physiquement réalisable ;
• commander les moteurs sans dépasser les limites mécaniques de l’appareil ;
• rester robuste malgré les imperfections des capteurs et les écarts entre entraînement virtuel et vol réel.

Le temps de réaction est déterminant. À très haute vitesse, une décision qui arrive trop tard, même de quelques fractions de seconde, peut rendre une trajectoire impossible à corriger. C’est pourquoi les courses de drones constituent un test particulièrement sévère pour la robotique autonome.

Swift pilote le drone à partir de ses propres capteurs

Swift repose sur une combinaison de capteurs embarqués, de calcul en temps réel et d’algorithmes d’intelligence artificielle. Le système utilise notamment une caméra et des mesures inertielles, c’est-à-dire des données qui renseignent sur les mouvements et l’orientation de l’appareil. À partir de ces informations, il doit déterminer comment franchir chaque porte du circuit au plus vite.

L’enjeu central est de convertir des observations incomplètes et parfois bruitées en commandes très concrètes : augmenter ou réduire la poussée, incliner le drone, tourner, ralentir avant une porte ou conserver une trajectoire plus directe. Contrairement à un pilote humain, Swift ne s’appuie ni sur l’expérience visuelle acquise au fil des années ni sur une intuition du comportement de la machine. Il doit apprendre une politique de contrôle, autrement dit une règle de décision qui associe une situation observée à une action de pilotage.

Les chercheurs ont choisi une approche d’apprentissage par renforcement profond. Cette famille de méthodes consiste à faire expérimenter à un agent logiciel de très nombreuses actions dans un environnement donné. Lorsqu’il se rapproche de l’objectif, il reçoit une récompense. Lorsqu’il commet une erreur, par exemple en manquant une porte ou en s’écrasant, son comportement est pénalisé. À force d’essais, le système apprend quelles décisions maximisent son score.

Dans le cas de Swift, la récompense est liée à l’accomplissement de la course et à la rapidité d’exécution. L’IA ne cherche donc pas uniquement à éviter les collisions. Elle doit apprendre à voler vite, tout en restant suffisamment précise pour terminer le parcours.

L’entraînement en simulation évite d’user des milliers de drones

Entraîner directement une IA dans le monde réel serait lent, coûteux et peu pratique. Un drone qui apprend par essais et erreurs risque de heurter fréquemment les portes ou le sol. Pour contourner cette limite, l’équipe de l’Université de Zurich a d’abord entraîné Swift dans des simulations physiques détaillées.

Dans cet univers virtuel, l’IA peut effectuer un nombre immense de tentatives sans danger matériel. Elle teste des trajectoires, découvre les conséquences d’une commande trop agressive et apprend progressivement à minimiser le temps de parcours. Les erreurs, qui seraient coûteuses en conditions réelles, deviennent une source d’apprentissage.

Cette étape n’a rien d’anecdotique. Le passage de la simulation au monde physique est l’un des grands défis de la robotique. Un modèle numérique ne reproduit jamais parfaitement la réalité : les moteurs peuvent répondre légèrement différemment, les capteurs comportent du bruit, l’éclairage perturbe la caméra et les propriétés aérodynamiques ne sont pas constantes.

Pour être utile, l’IA doit donc apprendre des comportements assez robustes pour tolérer ces écarts. C’est précisément ce transfert, du simulateur vers le drone réel, qui donne son intérêt scientifique à Swift. Il ne suffit pas qu’un algorithme gagne dans un jeu vidéo ou dans une simulation parfaite : il doit conserver ses capacités sur une machine volante, dans un environnement physique.

Des résultats mesurés face à des pilotes de niveau mondial

Les performances de Swift ont été comparées à celles de pilotes humains très expérimentés. La comparaison ne porte pas sur une démonstration isolée, mais sur une série de manches permettant d’observer la régularité du système.

Ces chiffres montrent deux choses à la fois. D’une part, Swift peut battre des pilotes d’élite sur un circuit donné. D’autre part, il ne domine pas chaque aspect de chaque manche : le meilleur tour n’a été signé que dans cinq courses. La course de drones reste une discipline où la régularité, les conditions du parcours et les décisions prises à chaque instant comptent autant que la pointe de vitesse.

Il faut aussi éviter de transformer ce résultat en affirmation trop large. Swift n’est pas un pilote universel capable de prendre n’importe quel drone et de gagner sur n’importe quel circuit sans préparation. Il s’agit d’un système de recherche, évalué dans des conditions définies, avec un objectif de navigation très précis. Sa portée est considérable, mais elle doit être comprise à l’aune de ce protocole.

Humain et IA : deux façons très différentes de piloter

Les pilotes humains tirent parti de leur expérience, de leur lecture du circuit et de leur capacité à s’adapter intuitivement à une situation imprévue. Swift, lui, s’appuie sur un entraînement massif en simulation et sur des calculs exécutés pendant le vol. Ses atouts et ses limites ne sont donc pas les mêmes.

L’IA peut reproduire sans fatigue une stratégie de pilotage optimisée. Elle ne subit ni stress de compétition ni perte de concentration au fil des manches. Lorsqu’elle reçoit des observations comparables, elle applique des décisions cohérentes et peut exploiter très finement les capacités physiques du drone.

L’humain conserve cependant des qualités essentielles. Un pilote expérimenté peut interpréter une situation totalement nouvelle, comprendre qu’un élément du parcours a changé ou ajuster sa stratégie face à un incident inattendu. Une IA spécialisée dépend fortement de ce sur quoi elle a été entraînée et des informations que ses capteurs parviennent à capter.

La démonstration de Zurich ne doit donc pas être lue comme la fin des pilotes de drones. Elle met plutôt en évidence un changement de frontière : dans des environnements structurés, rapides et très exigeants, les systèmes autonomes peuvent désormais atteindre un niveau de précision et d’audace qui rivalise avec l’expertise humaine.

Au-delà du sport, ce que Swift apporte à la robotique

Le premier intérêt de Swift est sportif et scientifique, mais les compétences nécessaires à une course de drones existent dans de nombreux usages concrets. Une machine capable de prendre rapidement des décisions de mouvement à partir de ses propres capteurs pourrait, à terme, être utile dans des situations où la vitesse et l’autonomie sont importantes.

On peut penser à l’inspection d’infrastructures difficiles d’accès, à la cartographie de zones accidentées, à la recherche dans des bâtiments endommagés ou à l’exploration de lieux trop dangereux pour des opérateurs humains. Après une catastrophe naturelle, par exemple, un drone autonome pourrait aider à reconnaître un terrain instable, à repérer des itinéraires praticables ou à transmettre rapidement des images d’une zone isolée.

Ces perspectives restent conditionnées par des défis majeurs. Un circuit de course est un environnement balisé, tandis qu’un site sinistré est imprévisible. Dans le monde réel, il faut composer avec la météo, les communications dégradées, les personnes présentes sur place, les obstacles mobiles et les impératifs de sécurité. Un système conçu pour gagner quelques secondes ne peut pas être déployé sans adaptation dans un contexte où une erreur peut mettre des personnes en danger.

Les enseignements de Swift peuvent aussi profiter à d’autres robots. L’apprentissage par renforcement, l’entraînement en simulation et le transfert vers le monde réel sont des méthodes étudiées pour des bras robotiques, des véhicules autonomes ou des machines capables de se déplacer dans des environnements complexes.

Ce qu’il faut surveiller après la démonstration de Swift

Au 6 novembre 2023, Swift constitue surtout une référence de recherche : celle d’un système autonome ayant démontré des performances de niveau champion dans une tâche physique rapide. Les prochaines étapes ne consisteront pas seulement à aller plus vite sur un circuit.

Les chercheurs devront montrer que ces approches restent fiables dans des environnements moins contrôlés, avec des parcours inconnus, des conditions lumineuses variables et des obstacles imprévus. La capacité à détecter une situation anormale, à ralentir ou à céder le contrôle à un opérateur humain sera aussi importante que la performance brute.

La question de la sécurité sera centrale. Plus un drone autonome vole vite, plus la moindre défaillance devient critique. Les futurs systèmes devront donc associer l’intelligence de navigation à des mécanismes de vérification, de limitation des risques et de contrôle humain adaptés à chaque usage.

Swift rappelle enfin que les progrès de l’IA ne se mesurent pas uniquement à la qualité d’un texte ou d’une image générés par ordinateur. Ils se jouent aussi dans la capacité d’une machine à percevoir le monde, à prendre une décision en une fraction de seconde et à agir avec précision dans un environnement réel.