La conception en ingénierie sous incertitude n'est plus un angle mort : une nouvelle méthodologie développée au MIT intègre systématiquement l'incertitude à chaque étape de la co-conception de systèmes techniques complexes – des drones et véhicules autonomes au trafic aérien et aux réseaux de transport régionaux. Au lieu de s'appuyer sur des spécifications de composants idéalisées ou des estimations superficielles du « meilleur/pire cas », l'approche modélise des distributions entières de résultats et leurs interdépendances, et affiche des cartes de compromis claires qui lient la performance, le coût, la masse et les contraintes de la mission.

Pourquoi c'est important pour les systèmes autonomes et la mobilité numérisée

Qu'il s'agisse d'un drone de livraison qui doit voler dans le vent et la pluie, d'un robot qui combine des capteurs imparfaits avec des algorithmes variables, ou d'un réseau d'infrastructure où plusieurs opérateurs partagent la même voie, le comportement global du système se forme à l'intersection de nombreuses parties incertaines. En pratique, aucun composant ne fonctionne « exactement selon les spécifications », et l'environnement introduit une variabilité supplémentaire. Les méthodes traditionnelles de planification et d'optimisation sous-estiment donc souvent le risque et surestiment la robustesse du système. La nouvelle méthode décompose explicitement toutes les sources de variation connues et inconnues – des tolérances de fabrication et du vieillissement des batteries aux conditions météorologiques et aux charges variables – et les combine en une représentation unique et cohérente des risques et des avantages.

Des boîtes et des flèches aux mathématiques compositionnelles

Le point de départ est la co-conception (co-design) : un problème complexe est décomposé en modules, des « boîtes » qui représentent des capteurs, des ensembles d'actionneurs, des sources d'énergie, des algorithmes de contrôle ou des contraintes de mission. Les modules sont ensuite « réassemblés » de manière à ce que l'optimum global (ou un ensemble de solutions Pareto-optimales) puisse être trouvé dans un délai raisonnable. La nouveauté de cette variante est l'introduction d'un modèle d'incertitude dans chaque module. Au lieu d'un seul nombre déterministe, chaque boîte contient des intervalles, des distributions de probabilité ou des modèles paramétriques qui peuvent être appris à partir de données au fil du temps. Le fondement est les mathématiques compositionnelles, qui permettent de préserver les règles de composition et les relations monotones entre les objectifs (par exemple, plus grande portée ⇢ plus de masse de batterie ⇢ coût plus élevé) quelle que soit la manière dont les modules sont permutés.

Conséquence pratique : le concepteur n'est pas contraint de choisir entre une analyse de sensibilité simplifiée et un coûteux « brute-forcing » Monte Carlo du système. Il obtient plutôt un formalisme qui « sait » comment l'incertitude se propage à travers le réseau de modules, comment les compromis changent lorsqu'une batterie ou un ensemble de perception est remplacé, et comment les décisions sont optimisées pour un niveau de risque ciblé.

Ce que l'ingénieur obtient réellement : des cartes de compromis tenant compte du risque

Au lieu d'un seul point ou de deux extrêmes, les résultats sont des cartes de compromis : des valeurs de performance attendues, des quantiles (par exemple, 5 % et 95 %), des contours de probabilité de faisabilité et des seuils au-delà desquels le système entre en « eaux troubles ». De telles cartes permettent de prendre des décisions en accord avec le contexte de l'application. Dans l'aviation, où la sécurité est le premier critère, un coût plus élevé sera accepté s'il réduit considérablement la probabilité de défaillance. En logistique, à condition que les risques soient quantifiés, une solution moins chère avec un risque contrôlé de courtes interruptions dans des conditions extrêmes pourrait être choisie.

Étude de cas : choix de la perception et des batteries pour un drone (UAV) par temps variable

Dans un exemple de démonstration pour un véhicule aérien sans pilote (UAV), la co-conception modulaire combine des sous-systèmes de perception – vision stéréo, LiDAR et radar – avec des configurations énergétiques, où la mission impose des contraintes (portée, charge utile, temps de vol, masse, budget). Pour les capteurs, on ne suppose pas une « précision fixe », mais on intègre des distributions de la capacité de détection en fonction du brouillard, de la pluie et de la faible luminosité. Pour les batteries, au lieu d'un seul chiffre de capacité, on prend en compte les distributions de capacité et de résistance interne, la dégradation au fil des cycles et la dépendance à la température. Les résultats sont des graphiques qui montrent comment la probabilité de réussite de la mission change avec le temps de vol, les conditions météorologiques et le choix des capteurs et de l'alimentation.

Une telle approche offre également des perspectives inattendues. Dans les scénarios de charges utiles plus faibles, où l'accent est mis sur un faible coût total de possession (TCO), des technologies comme le NiMH donnent parfois un coût de cycle de vie attendu plus faible en raison de leur prix d'achat et de leur manipulation plus simple, malgré une densité énergétique inférieure. À mesure que la charge utile augmente, le Li-polymère (LiPo) ou le Li-ion prennent généralement le dessus en raison de leur meilleur rapport Wh/kg et de leur capacité à fournir des impulsions de courant plus élevées. Le cadre ne conclut pas à un « vainqueur absolu », mais montre pour chaque charge utile et condition environnementale quelle est la probabilité de faisabilité et quels sont le coût et la portée attendus.

Exemple de décision précise : pour une charge utile d'environ 1,75 kg, les cartes de compromis peuvent montrer qu'une certaine configuration de batterie a une probabilité notable d'infaisabilité en raison des contraintes de masse et de courant de décharge. Au lieu d'un « oui/non », le gestionnaire obtient une mesure claire et numérique du risque et peut peser le passage à une autre chimie ou la redéfinition de la mission (portée plus courte, niveau de redondance différent).

Des composants individuels au « système de systèmes »

La réutilisabilité des modèles rend le cadre adapté aux équipes où chacun s'occupe de sa propre « boîte » : une équipe maintient la perception, une autre le système d'alimentation, une troisième la planification et le contrôle. Comme les mathématiques sont compositionnelles, les modules peuvent être modifiés sans violer les garanties globales de monotonicité et de contraintes. Cela réduit le couplage entre les équipes – une propriété essentielle lorsque le projet s'étend à des systèmes plus vastes comme les réseaux aériens ou les écosystèmes de transport intégrés où plusieurs acteurs (par exemple, les compagnies ferroviaires) partagent des infrastructures et ont des objectifs partiellement contradictoires.

Comment ça se présente en pratique : les étapes opérationnelles

1. Modélisation des modules avec incertitude. Pour chaque bloc, on définit les fonctions d'utilité et de coût ainsi que le type d'incertitude (intervalle, distribution, modèle paramétrique). S'il existe des données expérimentales, les paramètres sont appris ; sinon, on part de limites informées et d'hypothèses conservatrices.


2. Composition et contraintes. Les blocs sont connectés dans un réseau de co-conception qui respecte les contraintes de la mission (masse maximale, budget, niveaux de fiabilité de détection ciblés, limites de consommation).


3. Analyse des compromis. On calcule les valeurs attendues, les quantiles et les probabilités de faisabilité, en cartographiant la sensibilité aux changements d'hypothèses (par exemple, temps plus froid, vent plus fort, profil de tâche différent).


4. Itérations et « et si ». Le système étant modulaire, il est possible de remplacer rapidement un bloc (LiPo → NiMH, stéréo → radar) et de réévaluer les risques et les avantages sans casser toute la structure.

Ce que cette méthode change par rapport aux outils classiques

• Plus que des scénarios extrêmes : au lieu de se concentrer sur le « meilleur/pire cas », on prend en compte tout le spectre des résultats.


• Connexion avec l'apprentissage : les modèles paramétriques permettent des mises à jour incrémentielles dès que de nouvelles données de terrain arrivent, de sorte que la conception s'adapte « intelligemment » avec le temps.


• Scalabilité par composition : la modularité et les relations monotones empêchent l'explosion de l'espace d'états lors de l'extension du système.


• Compromis transparents : les décideurs reçoivent des « cartes thermiques » de risques et de gains fondées sur des chiffres, au lieu de recommandations en noir et blanc.

Applications : de l'industrie des drones aux réseaux ferroviaires

Dans les industries automobile et aéronautique, la modélisation formelle de l'incertitude aide à détecter plus tôt les combinaisons risquées et à argumenter en faveur de solutions plus coûteuses mais plus robustes là où la sécurité et le risque de réputation n'ont pas de prix. En robotique centrée sur l'humain – par exemple dans le « dernier kilomètre » – le même cadre aide à équilibrer le TCO et la fiabilité dans des conditions de demande et de météo variables. Dans les transports publics et ferroviaires, cela ouvre la possibilité d'une co-conception coordonnée des flottes et des horaires au sein d'une infrastructure partagée, avec une quantification explicite des risques de retards et de congestion.

Qu'en est-il des batteries : une comparaison réaliste du point de vue de l'ingénieur

Une discussion d'ingénierie typique sur les batteries de drones dérive souvent vers les propriétés des « fiches techniques » (énergie spécifique, courant maximal, masse). Mais lors de missions réelles, surtout par temps froid et sous de fortes charges, les performances « respirent ». Le Li-polymère (LiPo) offre une densité énergétique plus élevée et une meilleure décharge – un plus pour les manœuvres rapides et les charges plus lourdes – mais exige de la discipline en matière de protection, de stockage et de surveillance de l'état de charge. Le NiMH est plus massif et a une densité énergétique plus faible, mais il est souvent plus simple à manipuler, plus résistant aux basses températures et initialement moins cher. Si l'on optimise le coût total de possession au niveau du système, en tenant compte du nombre de cycles et des distributions de charge, il peut arriver que le NiMH, dans le segment des petites charges et des profils de vol conservateurs, présente un TCO attendu plus faible, tandis que le LiPo domine dans les scénarios où la portée ou la puissance maximale est la priorité.

Métrique qu'il est judicieux d'optimiser

Au lieu d'une seule métrique « sacrée », cette méthodologie permet l'optimisation simultanée de plusieurs objectifs sous incertitude :

• Portée et durée de vol attendues avec des quantiles (par exemple, 5 % et 95 %) pour planifier les réserves et les « mauvais jours ».


• Coût total de possession (TCO) sur la durée de vie : prix d'achat, remplacement, service, dégradation et conséquences des pannes.


• Probabilité de faisabilité – quelle est la chance qu'une combinaison de capteurs, de batterie et d'une charge utile donnée satisfasse les contraintes de masse et de consommation.


• Robustesse aux conditions environnementales – comment les performances varient avec le vent, la pluie, le brouillard et la température.

Comment lire les « cartes de compromis »

Imaginons un objectif : transporter une charge de 1,75 kg. Au lieu de « OUI/NON », la carte montre des zones à faible probabilité d'infaisabilité, des zones de transition et des domaines à forte probabilité d'échec. Une telle représentation permet d'accepter consciemment de petits risques là où les avantages sont grands (autonomie nettement supérieure, masse plus faible), ou d'éviter des configurations sensibles à des changements minimes de température et de vent. La décision d'ingénierie se transforme ainsi d'une conjecture en un arbitrage mesuré et transparent avec le risque.

Le rôle de la vérification et des garanties de sécurité

Pour les domaines où la sécurité est primordiale – autonomie routière, aviation, robotique à proximité des humains – l'approche compositionnelle s'intègre naturellement à la vérification formelle et à la conception « basée sur des contrats ». Chaque module peut déclarer des garanties (par exemple, courant maximal de l'actionneur, précision minimale de détection) et des hypothèses sur l'environnement ; le cadre vérifie ensuite si ces garanties sont compatibles au niveau du système compte tenu des distributions d'incertitude spécifiées. C'est ainsi que l'on construit des arguments de sécurité vérifiables, compréhensibles à la fois par les régulateurs et l'industrie.

Logiciel et accessibilité pour les équipes

Bien que la base théorique soit abstraite, l'idée est de proposer des bibliothèques qui masquent les détails mathématiques. Grâce à des « adaptateurs » pour les capteurs, les batteries et les algorithmes de contrôle, les équipes peuvent rapidement assembler des architectures, échanger des modules et obtenir de nouvelles cartes de compromis sans réécrire de code. Ceci est particulièrement utile lorsque l'on travaille en parallèle sur plusieurs composants – le cadre garantit que les modules peuvent être modifiés sans violer les contraintes globales et que les mesures de risque sont transmises de manière cohérente à travers le système.

Implications plus larges : vers des normes pour les systèmes à base d'apprentissage

Alors que les composants à base d'apprentissage (LEC – learning-enabled components) sont de plus en plus intégrés, il est nécessaire d'encadrer formellement leurs incertitudes également. La co-conception compositionnelle avec incertitude permet de « propager » les métriques de risque et les garanties du module au système. Ainsi naît un langage commun pour définir des seuils de risque acceptable et des processus transparents pour prouver la sécurité.

Et ensuite

Le développement futur va dans deux directions. La première est l'efficacité calculatoire : accélérer la résolution des compromis multidimensionnels et améliorer la mise à l'échelle pour les grands problèmes. La seconde concerne les acteurs multiples : des scénarios où plusieurs entreprises co-conçoivent des sous-systèmes interopérables avec des objectifs et des budgets différents – par exemple, des écosystèmes de transport régionaux où les compagnies ferroviaires partagent la même infrastructure mais optimisent pour des indicateurs de performance différents.

Note sur la date : ce texte a été préparé le 03 octobre 2025 et est en accord avec les dernières informations publiquement disponibles sur la co-conception sous incertitude et les démonstrations sur des véhicules aériens sans pilote.