Navigation autonome anti-perturbations intégrant la connaissance du domaine pour véhicules marins

Pourquoi piloter des navires en mer agitée est crucial

La science et l’industrie modernes dépendent de plus en plus de navires robots et de drones sous-marins pour inspecter des câbles, entretenir des parcs éoliens offshore et explorer les grands fonds. Ces véhicules doivent toutefois opérer dans une mer instable où le vent, les vagues et les courants les écartent constamment de leur cap. Cet article présente une nouvelle méthode pour aider les robots marins à rester sur la bonne trajectoire même lorsque l’océan est le plus turbulent, promettant des opérations plus sûres, des coûts de maintenance réduits et des données plus fiables provenant des eaux du globe.

L’océan, un parcours d’obstacles en mouvement

Les missions marines d’aujourd’hui vont du relevé des plateformes de glace antarctiques au contrôle de l’état des câbles sous-marins qui transportent le trafic internet mondial. Dans tous ces cas, un navire ou un véhicule sous-marin doit suivre un trajet prescrit avec une précision de l’ordre du mètre, parfois en se faufilant entre des structures denses comme les fondations d’éoliennes. Le problème est que l’océan n’est pas une cuve d’essai calme. Des rafales de vent, des vagues raides et des courants changeants poussent les véhicules de côté, les font pivoter et les ralentissent. Les méthodes de contrôle traditionnelles supposent que les ingénieurs peuvent écrire des équations précises décrivant le mouvement d’un engin, mais en mer réelle ces équations sont incomplètes et deviennent vite obsolètes. Le résultat peut être d’importantes erreurs de navigation et, dans les cas extrêmes, des accidents.

Apprendre le langage des vagues aux machines

Les chercheurs de cette étude adoptent une approche différente : plutôt que de s’appuyer sur un modèle mathématique parfait, ils laissent un système d’apprentissage observer le comportement de la mer et réagir en temps réel. Au cœur de leur démarche se trouve une forme particulière de réseau de neurones appelée Specialized Kolmogorov–Arnold Network, ou SKAN. À la différence d’une IA boîte noire classique, SKAN est conçue en tenant compte des rythmes océaniques. Les concepteurs lui fournissent des fonctions simples de type ondulatoire qui capturent la manière dont le vent, les vagues et les courants ont tendance à monter et descendre au fil du temps. Ces éléments constitutifs agissent comme un ensemble de notes musicales à partir desquelles le réseau peut composer la « mélodie » complexe des perturbations réelles, accélérant l’apprentissage et réduisant la quantité de données nécessaire.

Un partenaire de contrôle qui raisonne par expérience

Le cadre combine deux éléments principaux : un observateur de perturbations et un contrôleur sans modèle. L’observateur utilise le réseau SKAN pour estimer les poussées et tractions invisibles agissant sur le navire dans plusieurs directions simultanément. À chaque instant, il digère les informations de mouvement et d’état de mer récentes et fournit la meilleure estimation des forces et des moments de rotation en cours. Le contrôleur, entraîné à partir de données plutôt que sur un modèle construit à la main, décide comment ajuster la poussée et la direction. De manière cruciale, il reçoit à la fois l’état du véhicule et les estimations des perturbations fournies par l’observateur, ce qui lui permet d’annuler une grande partie des effets de l’océan avant qu’ils ne se transforment en erreurs importantes. Pour rendre l’entraînement efficace, les auteurs découpent les données de mouvement enregistrées en nombreux extraits qui se chevauchent, multipliant ainsi les exemples d’entraînement utiles sans nécessiter de longues et risquées campagnes en mer.

Tester des navires et sous-marins virtuels

Pour vérifier l’efficacité de cette idée, l’équipe a construit des simulations détaillées d’un parc éolien offshore — un terrain d’essai particulièrement exigeant où les courants contournent les pylônes, les vagues sont hachées et les marges de sécurité sont étroites. Ils ont envoyé un navire de surface virtuel le long de six trajectoires d’inspection de câbles tout en le soumettant à des vitesses de vent, des hauteurs de houle et des motifs de courant réalistes. Par rapport à un contrôleur populaire fondé sur le deep reinforcement learning, leur système basé sur SKAN a réduit l’erreur moyenne de suivi de trajectoire d’environ un cinquième, et a maintenu le navire stable même lors de fortes rafales et de mers croisées. Ils se sont ensuite intéressés à un véhicule sous-marin autonome chargé d’effectuer des boucles autour des fondations d’éoliennes sur des trajectoires en spirale et en forme d’haltère. Là encore, la méthode a maintenu des écarts faibles et des mouvements fluides, même lorsque les courants sous-marins et les variations de profondeur tentaient d’écarter le véhicule.

Apprendre plus avec moins de données

L’étude a aussi évalué la performance de l’observateur de perturbations lui-même. En s’entraînant avec les extraits augmentés des données de mouvement, l’observateur basé sur SKAN a pu atteindre environ 90 % de la précision obtenue en utilisant l’ensemble complet de données d’origine, bien qu’un dixième seulement de ces données brutes ait été étendu. Cela signifie que le système peut être préparé avec bien moins d’exemples — un avantage important lorsque la collecte de données réelles depuis des navires et des submersibles est coûteuse et chronophage. Lorsque les vagues, le vent et les courants étaient forts, le contrôleur équipé de cet observateur a maintenu les erreurs de trajectoire fortement regroupées, alors qu’un système sans compensation présentait des écarts bien plus grands et dispersés.

Des voyages plus sûrs et plus intelligents à venir

Synthétiquement, les auteurs montrent qu’en mariant la connaissance humaine du comportement de la mer avec l’apprentissage automatique gourmand en données, il est possible de piloter les robots marins avec plus de précision dans des conditions difficiles sans modéliser méticuleusement chaque détail physique. Leur cadre transforme le mouvement désordonné de l’océan en informations exploitables sur lesquelles un contrôleur peut agir rapidement, conduisant à des trajectoires plus douces et plus sûres pour les navires de surface comme pour les véhicules sous-marins. Bien que les résultats présentés proviennent de simulations, les mêmes idées pourraient aider les futures flottes de robots océaniques — et même des drones volants ou des voitures autonomes — à faire face à des environnements imprévisibles tout en s’appuyant sur moins de données et des modèles plus simples.

Citation: Zhao, Y., Ma, Y., Zhu, G. et al. Domain knowledge embedded anti-disturbance autonomous navigation for marine vehicles. Commun Eng 5, 82 (2026). https://doi.org/10.1038/s44172-026-00666-9

Mots-clés: véhicules marins autonomes, perturbations océaniques, contrôle par apprentissage automatique, parcs éoliens en mer, suivi de trajectoire