YOLOTransfer-DT : Un cadre opérationnel de jumeau numérique avec apprentissage profond et transfert pour la détection de collisions et la conscience de situation dans la mobilité aérienne urbaine

La mobilité aérienne urbaine (UAM) émerge comme une approche transformative pour aborder la congestion urbaine et la pollution, offrant un transport efficace et durable pour les personnes et les biens. Au cœur de l'UAM se trouve le jumeau numérique opérationnel (ODT), qui joue un rôle crucial dans la gestion en temps réel du trafic aérien, améliorant la sécurité et l'efficacité. Cette étude introduit un cadre YOLOTransfer-DT spécifiquement conçu pour la formation en intelligence artificielle (IA) dans des environnements simulés, en se concentrant sur son utilité pour l'apprentissage expérientiel dans des scénarios réalistes. L'objectif du cadre est d'augmenter la formation en IA, en particulier dans le développement d'un système de détection d'objets qui utilise des tâches visuelles pour l'identification proactive des conflits et le soutien aux missions, en exploitant des techniques d'apprentissage profond et de transfert. La méthodologie proposée combine détection en temps réel, apprentissage transfert, et un nouveau processus de mixage pour l'extraction de données environnementales, testé de manière rigoureuse dans des simulations réalistes. Les résultats valident l'utilisation de modèles d'apprentissage profond existants pour la reconnaissance d'objets en temps réel dans des conditions similaires. Cette recherche souligne la valeur du cadre ODT pour combler l'écart entre les environnements virtuels et réels, mettant en lumière la sécurité et le rapport coût-efficacité des tests virtuels. Ce cadre adaptable facilite une vaste expérimentation et formation, démontrant son potentiel comme base pour des techniques de détection avancées dans l'UAM.