Quand l'intelligence artificielle devient copilote : la révolution silencieuse de la détection de collision en vol

Un matin de janvier 2024, au-dessus de l'aéroport de Tokyo-Haneda, une collision entre un avion de ligne et un appareil des garde-côtes japonais coûtait la vie à cinq personnes. Quelques semaines plus tard, à Washington, un hélicoptère militaire et un avion de ligne se percutaient au-dessus du Potomac, causant l'une des catastrophes aériennes les plus meurtrières de ces dernières décennies aux États-Unis. Ces deux drames, survenus à quelques mois d'intervalle, ont brutalement remis en lumière une réalité que les spécialistes de la sécurité aérienne connaissent bien : malgré des décennies de progrès, le risque de collision demeure l'une des menaces les plus sérieuses pesant sur l'aviation civile.

C'est précisément dans ce contexte que l'intelligence artificielle (IA) s'impose comme une piste de solution prometteuse — et urgente.

Les limites des systèmes traditionnels

Depuis les années 1990, les avions de transport commercial sont équipés du TCAS (Traffic Collision Avoidance System), un dispositif qui détecte les aéronefs à proximité via des échanges de signaux transpondeurs et émet des avertissements sonores et visuels à l'intention des équipages. Ce système a indéniablement sauvé des vies, mais il présente des lacunes structurelles.

Premièrement, le TCAS ne fonctionne qu'avec des appareils équipés de transpondeurs compatibles — ce qui exclut une grande partie des drones, des planeurs, des ULM et des hélicoptères militaires. Deuxièmement, il repose sur des algorithmes déterministes, c'est-à-dire des règles préprogrammées qui ne s'adaptent pas aux situations ambiguës ou inédites. Troisièmement, les résolutions d'avertissement qu'il émet — « montez », « descendez » — peuvent parfois entrer en conflit avec les instructions du contrôle aérien, créant une confusion préjudiciable dans des situations déjà stressantes.

L'intelligence artificielle promet de corriger chacune de ces failles.

DAA : la nouvelle frontière de la sécurité embarquée

Les systèmes de détection et d'évitement (Detect and Avoid, ou DAA) de nouvelle génération combinent plusieurs technologies : vision par ordinateur, fusion de données radar et LiDAR, apprentissage automatique et traitement en temps réel. Contrairement au TCAS, ils sont capables de détecter des objets non coopératifs — c'est-à-dire dépourvus de transpondeur — et d'anticiper les trajectoires de collision avec un niveau de précision sans précédent.

Des entreprises comme Iris Automation (Canada), Dedrone (États-Unis) ou encore le français Airbus UpNext travaillent activement sur ces systèmes. En Europe, le projet SESAR (Single European Sky ATM Research), cofinancé par l'Union européenne et l'industrie aéronautique, a consacré plusieurs programmes à l'intégration de l'IA dans la gestion du trafic aérien. Les résultats des simulations et des vols d'essai sont encourageants : certains systèmes parviennent à détecter un obstacle et à initier une manœuvre d'évitement en moins de 500 millisecondes — un temps de réaction bien inférieur à celui d'un pilote humain.

En France, la Direction générale de l'aviation civile (DGAC) suit ces développements de près. Dans le cadre du programme France 2030, des financements ont été alloués à des projets de recherche sur l'autonomie des aéronefs et la gestion intelligente de l'espace aérien, avec une attention particulière portée à l'intégration des drones dans le trafic conventionnel — une problématique devenue incontournable à l'approche de l'essor de la livraison par drone et de la mobilité aérienne urbaine.

L'IA au service des compagnies : au-delà de la collision

Si la prévention des collisions constitue l'application la plus spectaculaire de l'IA en matière de sécurité aérienne, elle est loin d'être la seule. Les algorithmes d'apprentissage profond (deep learning) sont désormais capables d'analyser en temps réel des données provenant de centaines de capteurs embarqués pour détecter des anomalies mécaniques avant qu'elles ne deviennent critiques. Air France-KLM, par exemple, utilise des outils d'analyse prédictive pour anticiper les défaillances de certains composants et optimiser la maintenance de sa flotte — réduisant ainsi les risques d'incidents techniques tout en améliorant la ponctualité.

Par ailleurs, des systèmes d'IA sont désormais intégrés dans les aides à la navigation pour proposer des déviations de trajectoire en cas de turbulences sévères ou de conditions météorologiques dégradées. Ces outils, qui croisent des données satellites, des rapports PIREP (Pilot Reports) et des modèles météorologiques haute résolution, permettent d'éviter des zones dangereuses avec une précision que les méthodes traditionnelles ne permettaient pas d'atteindre.

La certification, obstacle majeur à la généralisation

Malgré ces avancées technologiques, le déploiement à grande échelle des systèmes DAA fondés sur l'IA se heurte à un obstacle de taille : la certification réglementaire. Les autorités de l'aviation civile — l'EASA en Europe, la FAA aux États-Unis — exigent que tout système embarqué soit certifié selon des normes rigoureuses garantissant sa fiabilité et sa prévisibilité.

Or, l'IA, en particulier les réseaux de neurones profonds, est par nature difficile à « expliquer » : ses décisions résultent de millions de paramètres appris lors de phases d'entraînement, et non de règles explicites vérifiables ligne par ligne. Cette opacité — que les spécialistes désignent par l'expression black box — est incompatible avec les exigences de traçabilité et de justification qui prévalent dans l'aéronautique.

L'EASA a publié en 2023 une feuille de route pour l'intégration de l'IA dans l'aviation, reconnaissant à la fois le potentiel de cette technologie et la nécessité d'adapter les cadres réglementaires existants. Des concepts comme l'IA explicable (Explainable AI, ou XAI) et les méthodes de vérification formelle sont au cœur des travaux en cours. Mais les délais de certification restent longs — souvent supérieurs à cinq ans —, ce qui crée un décalage croissant entre le rythme de l'innovation technologique et celui de son déploiement opérationnel.

Vers un espace aérien augmenté

À plus long terme, c'est l'ensemble de l'architecture de gestion du trafic aérien qui pourrait être repensée autour de l'intelligence artificielle. Le concept d'UTM (Unmanned Traffic Management), développé conjointement par la NASA, l'EASA et des acteurs privés, vise à créer un système de gestion autonome et décentralisé du trafic des drones et des aéronefs à basse altitude — un espace aujourd'hui géré de manière artisanale, avec des risques croissants à mesure que le nombre d'appareils augmente.

Dans ce scénario, chaque aéronef — qu'il soit piloté ou autonome — communiquerait en permanence avec un réseau d'IA capable d'orchestrer des milliers de trajectoires simultanées, d'anticiper les conflits et de proposer des solutions d'évitement en temps réel. Une vision qui, il y a dix ans, relevait de la science-fiction, et qui se rapproche aujourd'hui, avec prudence mais avec détermination, de la réalité opérationnelle.

La question n'est plus de savoir si l'intelligence artificielle transformera la sécurité aérienne. Elle l'est déjà. La question est de savoir à quelle vitesse les régulateurs, les compagnies et les passagers seront prêts à lui faire confiance.