FlowATC : un modèle de flow matching pour prédire les trajectoires d’avions

Une nouvelle approche générative pour l’ATM

FlowATC est un nouveau modèle de prédiction de trajectoires d’aéronefs fondé sur le conditional flow matching, une famille de modèles génératifs qui apprend à transformer du bruit aléatoire en trajectoires futures plausibles conditionnées par l’historique observé d’un vol [1]. L’article a été soumis à arXiv le 15 septembre 2026 par Mathurin Petit, Emir Torun, Louis Brusset, Jordan Kam et Alexandre M. Bayen, dans la catégorie machine learning cs.LG [1]. Une page d’indexation actuelle indique la même soumission ainsi qu’une mise à jour datée du 16 septembre 2026, ce qui situe le travail dans la fenêtre d’actualité récente du sujet [3].

L’intérêt de FlowATC dépasse la performance algorithmique. Dans le contrôle aérien, prédire une trajectoire ne consiste pas seulement à prolonger une ligne à partir des derniers points ADS-B. L’article insiste sur la nature multimodale du problème: une même trajectoire passée peut être suivie de plusieurs futurs légitimes, car l’affectation de piste, le séquencement du trafic ou les instructions du contrôle ne sont pas toujours visibles dans les seules données de position [2]. Un prédicteur déterministe peut donc produire une moyenne mathématique correcte mais opérationnellement peu utile.

FlowATC cherche précisément à éviter cet écueil. Au lieu de prédire une seule continuation, le modèle apprend une distribution de futurs possibles [2]. L’auteur ne lui fournit ni étiquettes de route, ni supervision par cartes ou procédures publiées [1]. Le système doit donc apprendre la structure locale de l’espace aérien directement à partir des trajectoires historiques.

Les données: un corpus ADS-B centré sur la baie de San Francisco

Le travail s’appuie sur des données ADS-B, c’est-à-dire des messages coopératifs diffusés par les aéronefs contenant notamment la position, l’altitude, la vitesse et le taux vertical [2]. Les auteurs collectent ces données via un flux en direct, dans une zone circulaire de 60 milles nautiques de rayon centrée sur la baie de San Francisco [2]. La collecte s’étend du 10 au 22 avril 2026 et produit 21 515 794 vecteurs d’état bruts avant segmentation [2].

Après traitement, le corpus comprend 1 349 388 fenêtres de trajectoires de 86 points, réparties en 1 149 245 fenêtres d’entraînement, 137 127 de validation et 63 016 de test [2]. Chaque fenêtre est divisée en 43 points observés et 43 points futurs à prédire, la partie future couvrant environ 128 secondes en moyenne [2]. Ce choix place FlowATC sur un horizon d’environ deux minutes, suffisamment court pour rester pertinent en exploitation mais suffisamment long pour inclure des virages, des branches d’approche et des décisions de séquencement.

Un point méthodologique important est le traitement du temps. Le modèle ne force pas les observations ADS-B sur une grille uniforme d’une seconde. Il conserve au contraire l’irrégularité native du flux et transmet au réseau une représentation apprise des intervalles temporels [2]. Cette décision rapproche l’expérience de la réalité opérationnelle, où les récepteurs et les flux de surveillance ne fournissent pas toujours des cadences parfaitement régulières.

La représentation spatiale est elle aussi déterminante. Les coordonnées géodésiques sont projetées dans un repère cartésien local centré sur l’aéroport international de San Francisco, avec six variables par point: trois composantes de position et trois composantes de vitesse [2]. Comme ces coordonnées sont absolues, le modèle peut apprendre qu’une région donnée de l’espace correspond souvent à une finale, à un virage d’approche ou à un départ structuré [2].

La prédiction formulée comme inpainting de trajectoire

FlowATC reformule la prédiction comme une tâche d’inpainting séquentiel [1]. Le passé observé constitue un contexte propre, tandis que le futur inconnu est initialisé comme du bruit puis progressivement transformé en trajectoire plausible [2]. Dans l’article, chaque fenêtre de 86 pas est représentée comme une matrice caractéristiques-temps: les 43 premiers jetons décrivent l’état observé de l’avion, et les 43 derniers sont des jetons futurs bruités à compléter [2].

L’architecture reprend l’esprit des Diffusion Transformers, avec un conditionnement temporel par adaptive layer normalization [2]. Un masque d’attention block-causal empêche les jetons du passé d’observer les jetons futurs bruités, mais permet aux jetons futurs d’examiner à la fois le passé et les autres jetons futurs [2]. Cette conception maintient la stabilité du contexte observé tout en laissant au futur généré la possibilité d’être cohérent dans son ensemble.

Les auteurs entraînent le même squelette Transformer avec deux objectifs génératifs: les Denoising Diffusion Probabilistic Models et le Conditional Flow Matching [1]. Dans la version FlowATC proprement dite, le réseau apprend un champ de vitesse qui transporte un bruit gaussien vers la trajectoire future cible [2]. À l’inférence, une intégration d’Euler en 20 étapes produit un échantillon de trajectoire, et plusieurs tirages indépendants de bruit produisent plusieurs futurs candidats [2].

Cette génération multiple est au cœur de l’intérêt opérationnel. Un avion peut continuer tout droit, amorcer un virage ou suivre une branche différente selon des informations non visibles dans la trajectoire passée. En produisant un éventail de futurs, FlowATC évite de fusionner des modes incompatibles en une moyenne qui ne correspondrait à aucune trajectoire réellement volée [2].

Pourquoi l’absence d’étiquettes de route est importante

L’un des apports revendiqués de FlowATC est l’apprentissage sans étiquettes de route ni supervision par cartes [1]. Dans l’aviation, les procédures publiées, les fixes et les routes codent une structure très riche. Mais exiger ces annotations rend le déploiement plus complexe, en particulier lorsqu’il faut changer d’aéroport, de fournisseur de données ou de type de trafic. Un modèle entraîné directement sur les traces peut potentiellement s’adapter plus facilement aux usages locaux.

La baie de San Francisco constitue un terrain d’essai intéressant, car l’espace terminal y combine trafic commercial, aviation générale, arrivées, départs et structures de virage répétitives. L’article rapporte que FlowATC reproduit des structures connues autour de San Francisco International Airport, y compris la forme de la procédure de départ NIITE FOUR, sans avoir reçu de supervision cartographique [1]. Le texte complet indique également que le modèle retrouve des virages d’approche, des profils de descente et des motifs d’attente à partir des coordonnées cartésiennes absolues [2].

Il ne faut pas confondre ce résultat avec une compréhension procédurale au sens humain. FlowATC n’identifie pas nécessairement une procédure comme le ferait un contrôleur ou un pilote. Il apprend plutôt des régularités statistiques associées à des lieux et à des états de vol. Mais pour un système d’aide à la décision, cette capacité peut déjà être précieuse si elle permet de produire des distributions réalistes et calibrées.

Les résultats face aux modèles de référence

Les auteurs comparent FlowATC à plusieurs bases: une extrapolation à vitesse constante, un encodeur LSTM avec décodeur GRU déterministe, un CVAE de style Trajectron++ et une variante DDPM du même Transformer [1]. À nombre de paramètres comparable, le papier indique que le conditional flow matching dépasse le DDPM de 11 % à 26 % en minADE@20, tandis que les deux objectifs génératifs battent le CVAE de 31 % à 41 % [1].

Le tableau de comparaison à capacité égale utilise des modèles de 1,5 million de paramètres et évalue la tâche 43 points observés vers 43 points futurs sur 63 016 trajectoires de test [2]. Flow Tiny obtient une minADE@20 de 390,5 mètres et une minFDE@20 de 686,1 mètres, contre 459,9 et 828,1 mètres pour le modèle DDPM, et 662,9 et 1240,9 mètres pour le CVAE [2]. Le même tableau donne aussi à Flow Tiny de meilleurs scores KDE NLL aux pas futurs 10, 20 et 43, ce qui suggère une meilleure calibration distributionnelle selon le protocole choisi [2].

L’interprétation dépend fortement du best-of-K. À K=1, un modèle génératif ne produit qu’un tirage aléatoire, pas une moyenne conditionnelle ni la trajectoire la plus probable [2]. Il peut donc paraître moins bon qu’un modèle déterministe sur un seul échantillon. Mais à K=20, l’avantage d’une couverture multimodale apparaît clairement. Pour le contrôle aérien, cette logique est plus pertinente: il ne s’agit pas seulement de savoir où se trouve un point prévu, mais où l’avion peut plausiblement se trouver et avec quelle densité de probabilité.

Robustesse et coût d’inférence

L’article examine aussi la robustesse de FlowATC lorsque les données ADS-B sont décimées temporellement, afin de simuler des flux moins fréquents ou plus irréguliers [2]. Les auteurs réentraînent le modèle à des pas temporels plus grossiers et observent une dégradation graduelle: le stride 2 coûte 4,9 % en minADE@20, tandis que le stride 8 coûte 44,4 % mais accélère l’inférence d’un facteur cinq [2]. Ce résultat est important, car tous les environnements de déploiement ne disposent pas de la même qualité de réception.

La latence est mesurée sur une seule NVIDIA RTX 4000 Ada, avec 20 échantillons générés en parallèle pour les modèles de flow et 100 étapes DDIM pour les modèles de diffusion [2]. Flow Tiny atteint 23,76 ms pour une prédiction K=20, contre 119,68 ms pour Diffusion Tiny [2]. À l’échelle de 20,7 millions de paramètres, Flow Large prend 157,07 ms pour K=20, tandis que Diffusion Large atteint 773,16 ms [2].

Ces chiffres soutiennent l’argument pratique du papier: dans les conditions testées, le flow matching offre un compromis vitesse-précision plus favorable que la diffusion pour la prédiction probabiliste de trajectoires. Les auteurs estiment qu’avec un intervalle ADS-B moyen de trois secondes, une seule RTX 4000 Ada pourrait maintenir à jour les prévisions d’environ 150 aéronefs avec Flow Tiny, ou 20 avec Flow Large [2].

Les points de branchement comme test opérationnel

Au-delà des erreurs de déplacement, FlowATC est évalué sur sa capacité à reproduire les distributions de manœuvres aux points de branchement de l’espace aérien [2]. Les auteurs construisent un catalogue de virages récurrents à partir des trajectoires ADS-B, puis comparent les distributions observées de changement de cap aux échantillons produits par FlowATC [2]. Sur 28 points de branchement comptant au moins 40 passages dans le jeu de test, la distance de Wasserstein moyenne pondérée entre les distributions observées et générées est de 3,3 degrés [2].

Le modèle prédit aussi une part de trajectoires rectilignes de 32,2 %, contre 32,9 % observés, avec une corrélation de 0,99 entre points de branchement [2]. Au niveau de chaque passage, Flow Large réduit le score CRPS de 47 % par rapport à un échantillonneur aveugle à l’historique qui connaît seulement la distribution du point de branchement [2]. Son intervalle central à 80 % contient le résultat observé dans 81,2 % des passages, et son intervalle central à 95 % dans 91,9 % des passages [2].

Cette analyse est probablement plus proche des besoins opérationnels qu’un seul tableau d’erreur globale. Les risques de conflit et les décisions de séquencement se jouent souvent là où les flux se séparent, convergent ou changent de cap. Un modèle capable de reproduire à la fois la distribution marginale des manœuvres et une distribution conditionnelle proche de la calibration pour chaque avion correspond mieux à l’esprit d’un outil d’aide à la décision.

Ce que FlowATC ne résout pas encore

FlowATC reste un résultat de recherche, pas un système certifié de contrôle aérien. L’étude porte sur une région géographique précise et sur une collecte ADS-B de 12 jours [2]. Le modèle est volontairement entraîné uniquement sur les trajectoires historiques, ce qui fait sa force mais limite aussi ses entrées: la météo, les configurations de piste, les clairances vocales et l’intention explicite du contrôleur ne sont pas encore utilisées [1]. L’architecture est conçue pour accueillir plus tard d’autres signaux, comme la voix ATC, les champs météo ou les cartes, sous forme de jetons additionnels, mais cette extension reste prospective dans l’article [2].

La contribution de FlowATC est donc ciblée: montrer que le conditional flow matching peut apprendre des distributions multimodales de trajectoires d’avions à partir de données historiques seules, avec de bonnes performances, une calibration prometteuse et une latence compatible avec des scénarios de surveillance [1]. Si ces résultats se confirment sur d’autres aéroports, d’autres saisons, d’autres régimes de trafic et des flux réellement opérationnels, FlowATC pourrait devenir une référence importante pour la prochaine génération d’outils prédictifs en gestion du trafic aérien.

Sources des dernières 72 heures

1. [1][2609.16528] FlowATC: Aircraft Trajectory Prediction via Flow Matching15 sept. 2026, 02:21 UTC
2. [2]FlowATC: Aircraft Trajectory Prediction via Flow Matching15 sept. 2026, 02:21 UTC
3. [3]FlowATC: Aircraft Trajectory Prediction via Flow Matching - arXiv Troller16 sept. 2026, 00:00 UTC

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.