Abstract FR:

Le controle aerien doit assurer la separation des avions en minimisant les retards. Pour des raisons d'efficacite, des systemes d'evitement automatiques sont envisages avec, la ou le trafic est le moins dense, un transfert de responsabilites des controleurs aux avions. Un systeme d'evitement doit proposer des trajectoires d'evitement (assurant la separation). Il peut etre centralise ou embarque (chaque avion genere sa trajectoire). Nous presentons deux methodes pour generer des trajectoires d'evitement normalisees (definies par des instants de manuvres et des sens de deviation) : un algorithme branch and bound utilisant des methodes d'intervalles et un algorithme a*. Deux approches differentes de chacune de ces methodes sont decrites et testees sur des cas-tests de conflits. L'approche globale genere simultanement les trajectoires de tous les avions (systeme centralise). L'approche sequentielle les genere successivement, selon un ordre de priorite (forme sequentielle d'un systeme embarque). Des trajectoires de bonne qualite sont obtenues. Cependant, l'approche globale des methodes d'intervalles est tres couteuse en temps de calcul et celle de l'algorithme a*, en memoire. L'efficacite des approches sequentielles depend de l'ordre de priorite. L'algorithme a*, contrairement aux methodes d'intervalles, permet de considerer des vitesses variables (avions en montee ou en descente). Testee sur un simulateur de trafic reel, sa version sequentielle donne de bons resultats. Une methode de generation de trajectoires par commande continue (forme reactive d'un systeme embarque) est presentee ensuite. A chaque instant le cap de l'avion est modifie au moyen d'un reseau de neurone. L'apprentissage des reseaux de neurone se fait par algorithme genetique. Trois modes d'apprentissages sont compares : utilisation de bases d'apprentissage fixes et renouvelees, et coevolution. Les meilleurs resultats sont obtenus avec les bases renouvelees.