Comment l’autonomie des drones ouvre une nouvelle ère d’opportunités d’IA

[Editor’s note: American Robotics is a commercial developer of automated drone systems.]

Les drones font beaucoup parler d’eux depuis deux décennies maintenant. À bien des égards, cette attention était justifiée. Les drones militaires ont changé notre façon de mener les guerres. Les drones grand public ont changé notre façon de filmer le monde. Pour le marché commercial, cependant, les drones ont été en grande partie un faux départ. En 2013, l’Association for Unmanned Vehicle Systems International (AUVSI) prévoyait un marché de 82 milliards de dollars d’ici 2025. En 2016, PwC prévoyait 127 milliards de dollars dans un « avenir proche ». Mais nous ne sommes pas encore proches de ces projections. Pourquoi donc?

Commençons par le but premier des drones dans un cadre commercial : collecte et analyse de données. Le drone lui-même est un moyen d’atteindre une fin – une caméra volante à partir de laquelle obtenir une perspective aérienne unique des actifs à inspecter et à analyser, qu’il s’agisse d’un pipeline, d’un parc de stockage de gravier ou d’un vignoble. En conséquence, les drones dans ce contexte relèvent de la « télédétection ».

Dans le monde de la télédétection, les drones ne sont pas les seuls acteurs. Il existe des satellites en orbite haute, des satellites en orbite basse, des avions, des hélicoptères et des montgolfières. Qu’ont les drones que les autres méthodes de télédétection n’ont pas ? La première chose est : résolution de l’image.

Que signifie vraiment « haute résolution » ?

La haute résolution d’un produit est la basse résolution d’un autre produit.

La résolution de l’image, ou plus précisément la distance d’échantillonnage au sol (GSD) dans ce cas, est le produit de deux facteurs principaux : (1) la puissance de votre capteur d’imagerie et (2) la proximité de l’objet que vous imagez. Étant donné que les drones volent généralement très bas par rapport au sol (50 à 400 pieds AGL), la possibilité de collecter des résolutions d’image plus élevées que les aéronefs ou les satellites opérant à des altitudes plus élevées est importante. Finalement, vous rencontrez des problèmes de physique, d’optique et d’économie, et la seule façon d’obtenir une meilleure image est de vous rapprocher de l’objet. Pour quantifier cela :

• “Haute résolution” pour un drone fonctionnant à 50 pieds AGL avec un appareil photo 60MP est d’environ 1 mm/pixel.
• “Haute résolution” pour un service d’aéronefs habitéscomme le défunt Terravion, était de 10 cm/pixel.
• “Haute résolution” pour un service satellitaire en orbite basse, comme Planet Labs, est de 50 cm/pixel.

Autrement dit, les drones peuvent fournir jusqu’à 500 fois la résolution d’image des meilleures solutions satellitaires.

La puissance de la haute résolution

Pourquoi est-ce important ? Il s’avère qu’il existe une corrélation très directe et puissante entre la résolution de l’image et la valeur potentielle. Comme le dit l’expression informatique : “déchets entrants, déchets sortants”. La qualité et l’étendue des opportunités d’analyse basées sur la vision artificielle sont exponentiellement supérieures aux résolutions qu’un drone peut fournir par rapport à d’autres méthodes.

Un satellite pourrait être en mesure de vous dire combien de plateformes de puits se trouvent au Texas, mais un drone peut vous dire exactement où et comment l’équipement de ces plateformes fuit. Un avion piloté pourrait être en mesure de vous dire quelle partie de votre champ de maïs est stressée, mais un drone peut vous dire quel ravageur ou quelle maladie en est la cause. Autrement dit, si vous voulez résoudre une fissure, un insecte, une mauvaise herbe, une fuite ou une petite anomalie similaire, vous avez besoin de la bonne image résolution faire cela.

Faire entrer l’intelligence artificielle dans l’équation

Une fois que la bonne résolution d’image est obtenue, à présent nous pouvons commencer à former des réseaux de neurones (NN) et d’autres algorithmes d’apprentissage automatique (ML) pour en savoir plus sur ces anomalies, les détecter, les alerter et potentiellement même les prédire.

Désormais, notre logiciel peut apprendre à faire la différence entre un déversement de pétrole et une ombre, à calculer avec précision le volume d’un stock ou à mesurer une légère inclinaison dans une voie ferrée qui pourrait provoquer un déraillement.

American Robotics estime que plus de 10 millions de sites d’actifs industriels dans le monde utilisent des systèmes automatisés de drones dans une boîte (DIB), collectant et analysant plus de 20 Go par jour et par drone. Aux États-Unis seulement, il existe plus de 900 000 plateformes de puits de pétrole et de gaz, 500 000 miles de pipelines, 60 000 sous-stations électriques et 140 000 miles de voies ferrées, qui nécessitent tous une surveillance constante pour assurer la sécurité et la productivité.

Par conséquent, l’ampleur de cette opportunité est en réalité difficile à quantifier. Qu’est-ce que cela signifie de numériser entièrement les actifs physiques du monde chaque jour, dans toutes les industries critiques ? Qu’est-ce que cela signifie si nous pouvons commencer à appliquer l’IA moderne à des pétaoctets de données ultra-haute résolution qui n’ont jamais existé auparavant ? Quelles efficacités sont débloquées si vous pouvez détecter chaque fuite, fissure et zone endommagée en temps quasi réel ? Quelle que soit la réponse, je parierais que les chiffres de 82 milliards de dollars et 127 milliards de dollars estimés par AUVSI et PwC sont en fait faibles.

Donc : si l’opportunité est si grande et claire, pourquoi ces prévisions de marché ne se sont-elles pas encore réalisées ? Entrez la deuxième capacité importante déverrouillée par l’autonomie : fréquence d’imagerie.

Que signifie vraiment « haute fréquence » ?

Le taux de fréquence d’imagerie utile est 10x ou plus que ce que les gens pensaient à l’origine.

La plus grande différence de performances entre les systèmes de drones autonomes et ceux pilotés est la fréquence de capture, de traitement et d’analyse des données. Pour 90% des cas d’utilisation de drones commerciaux, un drone doit survoler de manière répétitive et continue le même terrain, jour après jour, année après année, pour avoir de la valeur. C’est le cas pour les champs agricoles, les oléoducs, les fermes de panneaux solaires, les centrales nucléaires, la sécurité périmétrique, les mines, les gares de triage et les parcs de stockage. Lors de l’examen de la boucle de fonctionnement complète, de la configuration aux données traitées et analysées, il est clair que l’utilisation manuelle d’un drone est bien plus qu’un travail à plein temps. Et à une moyenne de 150 $/heure par opérateur de drone, il est clair qu’une charge opérationnelle à temps plein sur tous les actifs n’est tout simplement pas réalisable pour la plupart des clients, des cas d’utilisation et des marchés.

C’est la raison principale pour laquelle toutes les prévisions concernant l’industrie des drones commerciaux ont, jusqu’à présent, été retardées. L’imagerie d’un actif avec un drone une ou deux fois par an n’a que peu ou pas de valeur dans la plupart des cas d’utilisation. Pour une raison ou une autre, cette exigence de fréquence a été négligée, et jusqu’à récemment [subscription required]les opérations autonomes qui permettraient des inspections de drones à haute fréquence ont été interdites par la plupart des gouvernements fédéraux du monde entier.

Avec un système de drones dans une boîte entièrement automatisé, les humains au sol (pilotes et observateurs) ont été retirés de l’équation, et l’économie a complètement changé en conséquence. La technologie DIB permet un fonctionnement constant, plusieurs fois par jour, à moins d’un dixième du coût d’un service de drone à commande manuelle.

Cette fréquence accrue entraîne non seulement des économies de coûts, mais, plus important encore, la capacité de suivre les problèmes quand et où ils se produisent et de former correctement les modèles d’IA pour le faire de manière autonome. Étant donné que vous ne savez pas quand et où une fuite de méthane ou une fissure de traverse de rail se produira, la seule option consiste à analyser chaque actif aussi fréquemment que possible. Et si vous collectez autant de données, vous feriez mieux de créer un logiciel pour aider à filtrer les informations clés pour les utilisateurs finaux.

Lier cela aux applications du monde réel aujourd’hui

La technologie des drones autonomes représente une capacité révolutionnaire de numérisation et d’analyse du monde physique, améliorant l’efficacité et la durabilité des infrastructures critiques de notre monde.

Et heureusement, nous avons finalement est passé du théorique à l’opérationnel. Après 20 longues années à piloter des drones dans le Gartner Hype Cycle, le «plateau de la productivité» atteint son apogée.

En janvier 2021, American Robotics est devenue la première entreprise approuvée par la FAA à exploiter un système de drones au-delà de la visibilité directe (BVLOS) sans être humain au sol, une étape décisive débloquant les premières opérations véritablement autonomes. En mai 2022, cette approbation a été étendue pour inclure 10 sites au total dans huit États américains, signalant une voie claire vers l’échelle nationale.

Plus important encore, les logiciels d’IA disposent désormais d’un mécanisme pratique pour s’épanouir et se développer. Des entreprises comme Stockpile Reports utilisent la technologie des drones automatisés pour la volumétrie quotidienne des stocks et la surveillance des stocks. Le logiciel Ardenna Rail-Inspector peut désormais évoluer sur l’ensemble de l’infrastructure ferroviaire de notre pays.

Les sociétés de logiciels d’IA comme Dynam.AI ont un nouveau marché pour leur technologie et leurs services. Et des clients comme Chevron et ConocoPhillips se tournent vers un avenir proche où les émissions de méthane et les fuites d’huile sont considérablement réduites grâce à des inspections quotidiennes à partir de systèmes de drones autonomes.

Ma recommandation : Ne regardez pas le smartphone, mais les champs pétrolifères, les gares de triage, les parcs de stockage et les fermes pour la prochaine révolution des données et de l’IA. Il n’a peut-être pas la même pompe et les mêmes circonstances que le “métavers”, mais le industriel le métaverse pourrait être plus percutant.

Reese Mozer est cofondateur et PDG d’American Robotics.