Comment cette spin-off de l’EPFL va nettoyer l’espace grâce à l’IA

Comme son nom le laisse supposer, la start-up ClearSpace s’est donné pour mission de nettoyer l’espace. Cette spin-off de l’EPFL contribue notamment au développement de systèmes qui pourront être capables de capturer et sortir de leur orbite n’importe quel débris spatial, lit-on sur le site de la jeune pousse. Objets issus de collisions, satellites et autres engins devenus obsolètes... ces débris s’accumulent et posent de plus en plus de risques lors des missions. La Station spatiale internationale (ISS) doit par exemple souvent manœuvrer pour éviter des impacts aux conséquence potentiellement dramatiques.

ClearSpace a été sélectionné par l’ESA (l’Agence spatiale européenne) pour participer en 2025 à la première mission visant à se débarrasser d’un débris, rappelle l’EPFL dans un communiqué récent détaillant les travaux de la start-up. Il s’agira en l'occurrence de récupérer l’étage supérieur du lanceur Vega, qui tourne au-dessus de nos têtes depuis 2013. Le défi consiste à permettre au bras robotique d’une fusée de capturer l’engin et de le désorbiter pour qu’il se désintègre finalement sans danger en entrant dans l'atmosphère terrestre.

Des algorithmes pour estimer les angles de rotation et de translation

La tâche s’annonce évidemment complexe et nécessite entre autres de mettre au point des algorithmes de reconnaissance visuelle en mesure de calculer et anticiper avec précision les angles de rotation et de translation de l’objet à capturer. «Une des priorités est de développer des algorithmes d’apprentissage profond pour estimer avec fiabilité la pose 6D (3 rotations et 3 translations) de la cible à partir de séquences vidéo, même si la prise d’images dans l’espace est difficile. Elles peuvent être surexposées ou sous-exposées avec de nombreuses images réfléchissantes», explique Mathieu Salzmann, qui mène le projet au Computer Vision Laboratory de l’EPFL.

Pour former les algorithmes, les chercheurs se basent sur un modèle 3D détaillé de l’étage supérieur de Vespa, ainsi que sur des images de synthèse de l’objet simulant le contexte réel (Terre en arrière-plan), avec de multiples prises de vue. Les chercheurs prévoient ensuite affiner leurs algorithmes en cours de mission. «Du point de vue de la recherche, on peut se contenter d’être satisfait à 90%, mais dans une vraie mission on ne peut pas se permettre cela. Mais peut-être que l’aspect le plus intéressant du projet est que nous développons un algorithme qui fonctionnera finalement dans l’espace. Je trouve cela tout à fait incroyable et c’est ce qui me motive chaque jour», s’enthousiasme Mathieu Salzmann. Bien qu’elle n’y soient pas encore légion, les IA qui œuvrent dans l’espace font petit-à-petit leur apparition. A l'image de celle qui équipe un micro-satellite et s’appuie sur une puce bon marché d’Intel pour trier des images d’observation de la Terre.

L’IA qui découvre des cratères sur Mars

Même quand ils ne quittent pas le plancher des vaches, les algorithmes d’IA et de machine learning aident les astrophysiciens dans de nombreuses tâches. Par exemple pour passer au peigne fin les images de la planète Mars afin de découvrir de nouveaux cratères. La sonde Mars Reconnaissance Orbiter capture des images de vaste zone de la planète rouge en basse définition via sa caméra Context Imager. Une seule de ces images nécessite environ 40 minutes d'analyse à l'œil humain pour repérer d'éventuel nouveaux cratères. Pour gagner du temps, les scientifiques de la NASA ont mis au point des algorithmes capables de faire ce travail en seulement 5 secondes. Des modèles de machine learning ont dans ce but été entraînés à l’aide de près de 7’000 images.