Thèse Apprentissage d'Un Modèle de Détection de Conflits Aériens à Partir de Données Réelles H/F - 74

Établissement : Ecole Nationale de l'Aviation Civile
École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse
Laboratoire de recherche : ENAC-LAB - Laboratoire de Recherche ENAC
Direction de la thèse : David GIANAZZA ORCID 0000000292943422
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-09-30T23:59:59

Le contrôleur aérien a pour missions de fluidifier le trafic et de maintenir une séparation entre les aéronefs. Si une future perte de séparation est anticipée entre deux aéronefs, ceux-ci sont dits en conflit. Ces conflits aériens sont résolus par les contrôleurs aériens au moyen d'instructions de changements de cap, d'altitude ou de vitesse. Pour cela, les contrôleurs s'appuient aujourd'hui essentiellement sur leur compétence et leur expérience.

Dans le cadre du développement d'outils automatiques de résolution de conflits, l'objectif de la thèse est d'apprendre les paramètres d'un modèle de détection de conflits de trajectoires à partir de résolutions de conflits produites par des opérateurs humains.

L'approche envisagée s'appuie sur la constitution d'un ensemble de données labelisées regroupant des exemples de situations de conflits résolus, extraits de données massives de trajectoires. Des travaux précédents ont proposé une approche heuristique pour constituer une telle base d'exemples. Dans le cadre de la thèse proposée, plusieurs approches pourront être envisagées, incluant la validation de ces exemples par des contrôleurs aériens expérimentés, l'application de méthodes d'apprentissage supervisé pour améliorer ou remplacer l'heuristique d'extraction d'exemples, ou l'apprentissage d'un modèle de détection à partir de cette base d'exemples.

Aujourd'hui, la résolution des conflits aériens est une tâche réalisée par des contrôleurs aériens humains, et s'appuie sur une expertise et des compétences hautement spécialisées. De nombreux travaux proposent des algorithmes de résolution automatique des conflits basés sur diverses approches: méthodes d'optimisation, méthodes géométriques, apprentissage par renforcement, etc.

Ces approches algorithmiques restent limitées par la difficulté à prendre en compte la façon dont le contrôleur aérien modélise les incertitudes dans la prévision des trajectoires, et ses préférences et pratiques usuelles dans la façon de résoudre les conflits. Outre la complexité à modéliser les décisions humaines, une des difficultés majeures pour proposer des solutions acceptables par des opérateurs humains est la difficulté à constituer des bases de données fiables d'exemples de conflits résolus par des humains.

Lors de précédents travaux (cf réf. çi-dessous) réalisés dans le cadre de la thèse FONISEN de Kim Gaume, des méthodes heuristiques ont été développées pour identifier des conflits résolus dans des trajectoires ADS-B archivées, en se focalisant sur les manoeuvres latérales. Des méthodes de régression (KNN-median regression, Quantile Regression) appliquées à des variables choisies ont permis d'apprendre les paramètres de ces heuristiques à partir des données observées. Le catalogue d'actions de déconfliction ainsi constitué a permis une première calibration sur données réelles d'un modèle d'incertitude de la prévision de trajectoire. Toutefois, bien que les paramètres de l'heuristique d'extraction aient été appris à partir des trajectoires réelles résultant des actions des contrôleurs, aucune validation a posteriori par des contrôleurs expérimentés n'a pu être réalisée dans le cadre de cette thèse. On ne dispose donc toujours pas formellement d'exemples de déconfliction labellisés par des experts.

La thèse a pour objectif de concevoir un modèle de détection de conflits s'appuyant sur des données réelles de trafic aérien et intégrant des résolutions de conflits observées chez les contrôleurs. Les questions scientifiques abordées sont les suivants :
- Comment extraire et valider des exemples représentatifs de conflits résolus à partir de données massives de trajectoires ?
- Comment modéliser la prise de décision humaine dans la résolution de conflits aériens ?
- Quels algorithmes d'apprentissage supervisé ou hybride sont les plus adaptés pour détecter des conflits avec précision et fiabilité ?
- Comment gérer la dimension temporelle et l'incertitude associée aux trajectoires prédites ?

Diverses voies de recherche seraient à considérer, dont la possibilité de rejouer (sur une interface dynamique à développer) et de faire valider des situations du catalogue issu de l'approche heuristique par des contrôleurs experts. Si elle peut se réaliser, cette validation permettrait de constituer une base d'exemples labélisés ('ground truth') ouvrant la voie à l'exploration de techniques d'apprentissage supervisé pour extraire directement les exemples de conflits résolus à partir des trajectoires brutes. D'autres voies à explorer concernent le modèle d'incertitude en lui-même et son influence sur la qualité et le réalisme des solutions produites par le solveur automatique de conflits.

À moyen terme, le modèle de détection de conflits issu de cette recherche pourrait permettre aux solveurs automatiques de conflits de fournir des solutions plus réalistes et acceptables du point de vue d'un contrôleur humain, renforçant à la fois la sécurité et l'efficacité du trafic, et l'acceptabilité des outils d'aide à la résolution de conflits.