Secteur : New Space
Mots-clés principaux : IA embarquée satellite, edge AI LEO, traitement bord satellite, onboard processing constellation

Introduction

Pendant les cinquante premières années de l’ère spatiale, le modèle de traitement des données satellitaires était immuable : le satellite collecte, le sol analyse. Les images, les signaux, les mesures telmétriques étaient transmis vers des stations au sol, où des équipes et des systèmes informatiques centralisés s’occupaient du reste. Ce modèle avait une logique évidente : les satellites étaient des objets coûteux, aux ressources en énergie et en calcul extrêmement contraintes, qu’on ne chargeait pas inutilement.

Mais cette logique est en train de basculer. L’essor des constellations LEO (Low Earth Orbit), l’explosion du volume de données à traiter, et les progrès des puces de calcul à faible consommation créent une nouvelle équation : dans certains cas, il devient plus efficace — techniquement et économiquement — de faire traiter les données par le satellite lui-même, plutôt que de tout redescendre au sol.

C’est ce qu’on appelle l’onboard processing, ou edge AI spatial. Et son émergence va changer en profondeur la façon dont les constellations sont conçues, opérées et valorisées.

Le problème fondamental : trop de données, pas assez de liaisons descendantes

Pour comprendre pourquoi l’IA embarquée devient nécessaire, il faut d’abord saisir l’ampleur du problème de données que posent les constellations modernes.

Une constellation d’observation de la Terre comme celle de Planet Labs déploie des centaines de satellites qui capturent collectivement des images de la Terre entière en quelques heures. Chaque satellite peut générer plusieurs téraoctets de données brutes par journée d’opération. Si l’on multiplie par le nombre de satellites et la cadence de revisit, le volume total dépasse largement ce que les liaisons descendantes actuelles peuvent absorber.

La liaison descendante — le lien radio entre le satellite et les stations au sol — est la ressource la plus précieuse et la plus contrainte de tout système spatial. Sa capacité est limitée par la physique (fréquences disponibles, puissance d’émission, temps de visibilité de la station au sol). Sur une orbite LEO, un satellite n’est en vue d’une station au sol que quelques minutes par passage.

Résultat : les opérateurs de constellations doivent faire des choix draconiens sur ce qu’ils redescendent. Et c’est là qu’intervient l’intelligence embarquée : si le satellite peut analyser ses propres données en vol et ne transmettre que les résultats pertinents (une alerte, une image classifiée comme intéressante, un anomalie détectée), le rapport signal/débit s’améliore considérablement.

Ce que l’IA peut faire à bord d’un satellite

Détection et sélection d’images

C’est l’application la plus immédiate et la plus déployée. Un satellite d’observation de la Terre prend des milliers d’images par jour, dont une grande partie est nuageuse, floue ou ne présente pas d’intérêt pour la mission du moment. Un algorithme de classification embarqué peut analyser chaque image en quelques millisecondes, décider de la conserver ou de l’écarter, et ne transmettre au sol que les images pertinentes.

Des entreprises comme Spiral Blue (Australie) ou Ubotica Technologies (Irlande) ont déjà démontré cette capacité sur des missions orbitales réelles, avec des modèles de deep learning déployés sur des processeurs edge spatiaux. Pour une constellation de surveillance maritime, cela signifie transmettre uniquement les images où des navires ont été détectés — au lieu de l’intégralité du flux imagerie.

Navigation autonome et évitement de collisions

La congestion orbitale est un problème qui s’aggrave rapidement. En 2025, la constellation Starlink a dû effectuer plus de 300 000 manœuvres d’évitement pour ses 5 000 satellites. Gérer cette volumétrie depuis le sol — chaque manœuvre requérant une analyse, une décision, une commande et une confirmation — n’est plus scalable.

L’IA embarquée permet aux satellites de prendre des décisions d’évitement autonomes en temps réel, sans attendre l’intervention du centre de contrôle sol. Des algorithmes de planification de trajectoire et de prédiction de collision s’exécutent directement à bord, réduisant la latence de réaction de plusieurs minutes à quelques secondes.

Plus de 45 % des nouveaux lancements de satellites intègrent désormais la propulsion électrique et des systèmes de navigation autonome basés sur l’IA pour l’évitement de collisions — un chiffre qui témoigne de la rapidité avec laquelle cette technologie se standardise.

Analyse de signaux pour le renseignement électromagnétique

Des entreprises comme HawkEye 360 utilisent des constellations de petits satellites pour détecter et géolocaliser des émetteurs radio — radars, communications, signaux maritimes AIS. L’analyse de ces signaux pour identifier leur nature, leur origine et leur comportement requiert des traitements de signal complexes qui, traditionnellement, se faisaient au sol après réception des données brutes.

L’IA embarquée permet de pré-classifier ces signaux en vol : identifier les émetteurs d’intérêt, filtrer les signaux parasites, et ne transmettre que les données à forte valeur renseignement. C’est une application particulièrement sensible, à la frontière entre usages civils et duaux.

Gestion autonome de la santé du satellite

Les systèmes de télémétrie embarqués génèrent un flux continu de données sur l’état des sous-systèmes du satellite (panneau solaire, batteries, propulsion, thermique, attitude). Des algorithmes de monitoring embarqués peuvent détecter des dérives anormales avant qu’elles ne deviennent des défaillances, et déclencher des procédures de sauvegarde sans attendre une intervention sol.

Les contraintes spécifiques de l’embarqué spatial

Développer de l’IA pour un satellite, c’est développer de l’IA dans l’environnement le plus contraint qui soit. Les ingénieurs qui passent du développement IA terrestre au développement spatial découvrent rapidement plusieurs contraintes incontournables :

La consommation énergétique. Un satellite LEO dispose d’une puissance électrique limitée, produite par ses panneaux solaires (typiquement quelques centaines de watts pour un petit satellite, quelques kilowatts pour les plus grands). Chaque watt consacré au calcul est un watt de moins pour les instruments ou la propulsion. Les modèles d’IA embarqués doivent être compressés, quantifiés et optimisés pour fonctionner sur des budgets énergétiques dix à cent fois plus contraints que leurs équivalents terrestres.

La résistance aux radiations. En orbite, les composants électroniques sont exposés à des particules de haute énergie qui peuvent corrompre la mémoire, perturber les calculs, ou détruire les transistors. Les processeurs spatiaux sont conçus pour résister à ces radiations (radiation hardening), mais cette contrainte réduit la gamme de composants disponibles et augmente significativement les coûts. Des solutions intermédiaires (shielding partiel avec logiciels de correction d’erreur) permettent d’utiliser des composants COTS (commercial off-the-shelf) dans certaines orbites, mais avec des précautions de conception spécifiques.

L’impossibilité de mise à jour physique. Une fois en orbite, on ne peut plus « changer la carte » si un composant tombe en panne. Le logiciel peut être mis à jour par liaison radio, mais les erreurs de déploiement peuvent mettre fin à la mission. La rigueur des processus de vérification et validation du software spatial — encadrés par des normes comme ECSS pour les missions ESA — est sans commune mesure avec le développement logiciel terrestre.

La latence de supervision. En orbite LEO, un satellite passe au-dessus d’une station au sol pendant quelques minutes seulement par orbite. La fenêtre d’interaction sol-bord est donc très limitée. Un système embarqué doit être capable d’opérer de façon autonome pendant des heures, voire des jours, sans supervision humaine directe. Cela implique des capacités de détection et de récupération d’erreur embarquées très robustes.

La qualification et la certification. Pour les missions institutionnelles (ESA, CNES, programmes de défense), les composants et les logiciels embarqués doivent passer des processus de qualification rigoureux qui prennent des mois ou des années. L’intégration de composants IA dans ces chaînes de qualification est un chantier encore ouvert dans la communauté spatiale européenne.

Le trade-off embarqué vs sol : quand choisir quoi ?

L’IA embarquée n’est pas systématiquement la meilleure solution. Le choix entre traitement à bord et traitement au sol dépend de plusieurs facteurs :

La criticité temporelle. Si la décision doit être prise en secondes (évitement de collision, détection d’alerte immédiate), le traitement embarqué est incontournable. Si une latence de plusieurs heures est acceptable (analyse d’images de surveillance environnementale), le traitement sol reste pertinent.

Le ratio signal utile / données brutes. Plus ce ratio est faible (beaucoup de données pour peu d’information utile), plus le traitement embarqué est avantageux. C’est typiquement le cas de l’imagerie terrestre où la majorité des images sont nuageuses ou non pertinentes.

La complexité des modèles requis. Un réseau de neurones profond pour la classification d’images fines requiert beaucoup plus de ressources qu’un algorithme de détection d’anomalies simple. Les modèles complexes restent souvent mieux adaptés au sol, tandis que des modèles compressés et quantifiés peuvent être déployés à bord pour des tâches de pré-filtrage.

Les contraintes de souveraineté et de sécurité. Pour les applications de renseignement ou de défense, redescendre les données brutes vers le sol implique de les transiter par des liaisons radio potentiellement interceptables. Le traitement à bord avec transmission des seuls résultats chiffrés réduit l’exposition.

L’architecture de la constellation. Les constellations avec liaisons laser inter-satellites (comme Starlink V3 ou les futurs satellites OneWeb) peuvent créer un « cloud orbital » distribué, où le calcul se répartit entre les satellites et se consolide en quasi-temps réel. Cette architecture hybride ouvre des possibilités intermédiaires entre le tout-bord et le tout-sol.

L’écosystème spatial européen face à ce virage

L’Europe dispose d’acteurs solides pour aborder ce virage technologique. Airbus Defence & Space, Thales Alenia Space, OHB, et une constellation de PME et startups spatiales constituent un tissu industriel compétent. Des programmes comme Φ-sat (PhiSat) de l’ESA, qui a mis en orbite en 2020 le premier démonstrateur d’IA embarquée pour l’observation de la Terre, montrent que la communauté spatiale européenne n’est pas en retard sur le sujet.

Mais l’industrialisation de ces technologies — passer du démonstrateur à des systèmes qualifiés et déployables à grande échelle — reste un défi. Les processeurs edge spatiaux qualifiés (Kalray, NanoXplore en France, NVIDIA Jetson dans des versions radiations-tolerant) commencent à constituer une offre réelle, mais la chaîne de qualification logicielle reste un goulot d’étranglement.

Le programme IRIS2, la constellation souveraine européenne de connectivité sécurisée pour les gouvernements et institutions, représente une opportunité majeure pour structurer cet écosystème. Les exigences de traitement souverain des données font de l’IA embarquée non plus une option technique mais une nécessité stratégique.

Conclusion

L’IA embarquée sur satellite n’est plus une curiosité de laboratoire. Elle répond à des contraintes opérationnelles réelles — volume de données, latence de liaison, autonomie de la constellation — qui rendent le modèle « collecte en orbite, traitement au sol » structurellement insuffisant pour les constellations de prochaine génération.

Le trade-off embarqué vs sol ne disparaîtra pas : les deux approches resteront complémentaires selon les cas d’usage. Mais la tendance de fond est claire : les constellations intelligentes, capables de traiter, filtrer et décider à bord, seront les pierres angulaires du New Space de la décennie 2030.

Pour les industriels français du spatial — équipementiers, opérateurs, intégrateurs — maîtriser les architectures d’IA embarquée spatiale n’est plus un avantage compétitif. C’est en train de devenir une condition d’entrée sur le marché.

Hedon Group accompagne les acteurs du New Space dans les domaines de l’ingénierie système, des systèmes embarqués et de l’intégration data pour les constellations LEO. [Contactez nos équipes basées à Toulouse pour en savoir plus.]