Drones de l’armée britannique : 1 025 appareils et l’AR5

Publié le Auteur/autrice Richard 0

Le Royaume-Uni déploie 1 025 petits drones pour les unités de terrain et prépare l’entrée en service de l’AR5, un appareil de surveillance longue endurance. Les deux programmes ne répondent pas au même besoin : les premiers doivent donner rapidement une vue locale aux soldats, tandis que l’AR5 doit fournir aux commandants des données sur de plus longues distances et pendant davantage de temps.

Les 1 025 petits drones ne forment pas une flotte homogène

Le marché de 16 millions de livres sterling regroupe trois familles d’appareils. Les livraisons sont proches de leur terme et la répartition des modèles est la suivante :

  • 245 FOXE-NATOfournis par Evolve Dynamics dans le Hampshire. Ces drones pèsent moins de 250 grammes et disposent de caméras infrarouges pour l’observation nocturne.
  • 670 Skydio X10 INTLlivrés par Marlborough Communications Limited dans le Surrey. Le ministère britannique de la Défense indique qu’ils peuvent atteindre 45 miles par heure et être préparés rapidement pour le vol.
  • 110 SONORAfournis par Brigantes Consulting et Harmattan AI. Ils sont destinés à l’entraînement des soldats avant l’emploi de drones opérationnels.

Cette composition associe donc observation, mobilité et formation. Le FOXE-NATO apporte une capacité légère pour la nuit. Le Skydio X10 INTL constitue le volume principal de la commande. Le SONORA permet de répéter les procédures sans utiliser en permanence les appareils destinés aux missions.

Le nombre total ne suffit toutefois pas à mesurer la capacité réellement disponible. Les batteries, les pièces de rechange, la formation des opérateurs, les liaisons de données et l’exploitation des images comptent autant que les aéronefs eux-mêmes. Le communiqué officiel présente ces systèmes comme des outils de renseignement, de surveillance et de reconnaissance au niveau des unités de terrain.

L’AR5 change d’échelle

Two white security cameras mounted on a pole against a clear blue sky
Photo de Michał Jakubowski sur Unsplash.

Le contrat attribué à Tekever peut atteindre 400 millions de livres sterling. La première commande porte sur six AR5, avec une montée possible jusqu’à 24 appareils en 2029. Le ministère britannique de la Défense présente l’AR5 comme le remplaçant du système Watchkeeper, utilisé par l’armée depuis 2014.

L’AR5 peut emporter jusqu’à 50 kilogrammes de caméras et de capteurs. Cette charge utile le place dans une catégorie très différente des drones compacts remis aux soldats. Son rôle n’est pas de donner immédiatement une vue à une patrouille, mais de soutenir une surveillance de plus longue durée à l’échelle du commandement.

Le programme comprend aussi un volet industriel. Le contrat doit soutenir plus de 1 000 emplois qualifiés au Royaume-Uni d’ici 2030, sur plusieurs sites de Tekever, notamment à Bristol, Swindon, Londres, Édimbourg et dans le sud-ouest du pays. Ce chiffre décrit une retombée attendue du marché, pas une mesure des performances opérationnelles de l’AR5.

Une caméra ne suffit pas à produire du renseignement

drone flying in sky
Photo de Jason Mavrommatis sur Unsplash.

La qualité de l’information dépend aussi de la manière dont le capteur est intégré à la plateforme. Une étude publiée dans la revue scientifique Sensors a comparé 38 petits systèmes aériens et 23 configurations de capteurs pour des mesures atmosphériques. Elle montre que la plateforme et l’installation du capteur influencent sensiblement la précision des résultats. Cette étude ne porte pas sur les drones britanniques, mais elle rappelle une contrainte générale : un capteur ne fonctionne pas indépendamment de son support.

Pour l’imagerie, les vibrations peuvent provoquer du flou et réduire la capacité à distinguer un détail. Une revue scientifique publiée dans Sensors sur la stabilisation optique des petits systèmes aériens décrit plusieurs solutions, des amortisseurs mécaniques aux nacelles stabilisées et au traitement logiciel. Le choix dépend du poids disponible, de la mission et du niveau de détail recherché.

L’analyse automatisée impose la même prudence. Une étude publiée dans Sensors a obtenu une précision globale de 99,18 % avec un modèle ResNet18 pour distinguer quatre espèces animales sur 1 288 images aériennes. Ce résultat concerne un jeu de données défini et quatre catégories facilement identifiables. Il ne permet pas d’en déduire la même fiabilité face à des objets camouflés, partiellement visibles ou observés dans des conditions différentes.

Une architecture à trois niveaux

Le plan britannique organise une chaîne assez claire : les petits drones donnent une observation immédiate aux unités, les SONORA fournissent un support d’entraînement et l’AR5 étend la surveillance à une autre distance et sur une autre durée. Il serait donc trompeur de comparer directement les 1 025 appareils au nombre d’AR5 prévu. Ils n’occupent pas le même niveau dans le dispositif.

Cette distinction vaut aussi pour l’autonomie. Un drone peut suivre une trajectoire programmée, stabiliser automatiquement une caméra ou transmettre une image sans pour autant interpréter seul une scène et modifier sa mission. Les informations publiées sur les contrats britanniques décrivent les missions de surveillance et de reconnaissance, mais ne permettent pas de classer précisément chaque système sur cette échelle.

Le résultat attendu dépendra finalement de l’intégration entre les appareils, les opérateurs et les réseaux de communication. C’est dans cet écart entre une flotte annoncée et une capacité réellement disponible que se mesurera la portée du programme britannique.

Sources et références scientifiques
  1. Christian Cawley. The British Army is spending £16 million on 1,000 small drones in a bid to boost battlefield operations. 2026.
  2. Improving Animal Monitoring Using Small Unmanned Aircraft Systems (sUAS) and Deep Learning Networks – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s21175697 · PMID: 34502588.
  3. 1.Dolbeer R.A., Begier M.J., Miller P.R., Weller J.R., Anderson A.L. Wildlife Strikes to Civil Aircraft in the United States, 1990-2019. [(accessed on 16 August 2021)]; Available online:.
  4. 2.Pfeiffer M.B., Blackwell B.F., DeVault T.L. Quantification of avian hazards to military aircraft and implications for wildlife management. PLoS ONE. 2018;13:e0206599. doi: 10.1371/journal.pone.0206599. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1371/journal.pone.0206599.
  5. Vault T.L., Blackwell B.F., Seamans T.W., Begier M.J., Kougher J.D., Washburn J.E., Miller P.R., Dolbeer R.A. Estimating interspecific economic risk of bird strikes with aircraft. Wildl. Soc. Bull. 2018;42:94-101. doi: 10.1002/wsb.859. [DOI] [Google Scholar]. doi:10.1002/wsb.859.
  6. 4.Washburn B.E., Pullins C.K., Guerrant T.L., Martinelli G.J., Beckerman S.F. Comparing Management Programs to Reduce Red-tailed Hawk Collisions with Aircraft. Wildl. Soc. Bull. 2021;45:237-243. doi: 10.1002/wsb.1177. [DOI] [Google Scholar]. doi:10.1002/wsb.1177.
  7. Vault T., Blackwell B., Belant J., Begier M. Wildlife at Airports. Wildlife Damage Management Technical Series. [(accessed on 16 August 2021)]; Available online:.
  8. 6.Blackwell B., Schmidt P., Martin J. Avian Survey Methods for Use at Airports. USDA National Wildlife Research Center, Staff Publications. [(accessed on 16 August 2021)]; Available online:.
  9. 7.Hubbard S., Pak A., Gu Y., Jin Y. UAS to support airport safety and operations: Opportunities and challenges. J. Unmanned Veh. Syst. 2018;6:1-17. [Google Scholar].
  10. 8.Anderson K., Gaston K.J. Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Front. Ecol. Environ. 2013;11:138-146. [Google Scholar].
  11. ristie K.S., Gilbert S.L., Brown C.L., Hatfield M., Hanson L. Unmanned aircraft systems in wildlife research: Current and future applications of a transformative technology. Front. Ecol. Environ. 2016;14:241251. doi: 10.1002/fee.1281. [DOI] [Google Scholar]. doi:10.1002/fee.1281.
  12. 10.Hodgson J.C., Mott R., Baylis S.M., Pham T.T., Wotherspoon S., Kilpatrick A.D., Raja Segaran R., Reid I., Terauds A., Koh L.P. Drones count wildlife more accurately and precisely than humans. Methods Ecol. Evol. 2018;9:1160-1167. [Google Scholar].
  13. 11.Linchant J., Lisein J., Semeki J., Lejeune P., Vermeulen C. Are unmanned aircraft systems (UASs) the future of wildlife monitoring? A review of accomplishments and challenges. Mammal. Rev. 2015;45:239-252. doi: 10.1111/mam.12046. [DOI] [Google Scholar]. doi:10.1111/mam.12046.
  14. ederick P.C., Hylton B., Heath J.A., Ruane M. Accuracy and variation in estimates of large numbers of birds by individual observers using an aerial survey simulator. [(accessed on 16 August 2021)];J. Field Ornithol. 2003 Available online:.
  15. Cavity Ring-Down Methane Sensor for Small Unmanned Aerial Systems – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s20020454 · PMID: 31947508.
  16. 1.Kirschke S., Bousquet P., Ciais P., Saunois M., Canadell J.G., Dlugokencky E.J., Bergamaschi P., Bergmann D., Blake D.R., Bruhwiler L. Three Decades of Global Methane Sources and Sinks. Nat. Geosci. 2013;6:813-823. doi: 10.1038/ngeo1955. [DOI] [Google Scholar]. doi:10.1038/ngeo1955.
  17. 2.Pachauri R.K., Meyer L. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. IPCC; Geneva, Switzerland: 2014. IPCC, 2014: Climate Change 2014: Synthesis Report. [DOI] [Google Scholar].
  18. rwent R.G., Jenkin M.E., Saunders S.M. Photochemical Ozone Creation Potentials for a Large Number of Reactive Hydrocarbons under European Conditions. Atmos. Environ. 1996;30:181-199. doi: 10.1016/1352-2310(95)00303-G. [DOI] [Google Scholar]. doi:10.1016/1352-2310(95)00303-G.
  19. 4.Pinault J.L. Anthropogenic and Natural Radiative Forcing: Positive Feedbacks. J. Mar. Sci. Eng. 2018;6:146. doi: 10.3390/jmse6040146. [DOI] [Google Scholar]. doi:10.3390/jmse6040146.
  20. 5.Smith P., Martino D., Cai Z., Gwary D., Janzen H., Kumar P., McCarl B., Ogle S., O’Mara F., Rice C. Greenhouse Gas Mitigation in Agriculture. Philos. Trans. R. Soc. B Biol. Sci. 2008;363:789-813. doi: 10.1098/rstb.2007.2184. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1098/rstb.2007.2184.
  21. 6.Themelis N.J., Ulloa P.A. Methane Generation in Landfills. Renew. Energy. 2007;32:1243-1257. doi: 10.1016/j.renene.2006.04.020. [DOI] [Google Scholar]. doi:10.1016/j.renene.2006.04.020.
  22. 7.Alvarez R.A., Zavala-Araiza D., Lyon D.R., Allen D.T., Barkley Z.R., Brandt A.R., Davis K.J., Herndon S.C., Jacob D.J., Karion A. Assessment of Methane Emissions from the U.S. Oil and Gas Supply Chain. Science. 2018;361:186-188. doi: 10.1126/science.aar7204. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1126/science.aar7204.
  23. 8.Colorado Oil and Gas Consercation Commission GISOnline. [(accessed on 6 January 2020)]; Available online:.
  24. ll C.S., Vaughn T.L., Zimmerle D., Herndon S.C., Yacovitch T.I., Heath G.A., Pétron G., Edie R., Field R.A., Murphy S.M. Comparison of Methane Emission Estimates from Multiple Measurement Techniques at Natural Gas Production Pads. Elementa. 2017;5:79. doi: 10.1525/elementa.266. [DOI] [Google Scholar]. doi:10.1525/elementa.266.
  25. 10.Ravikumar A.P., Sreedhara S., Wang J., Englander J., Roda-Stuart D., Bell C., Zimmerle D., Lyon D., Mogstad I., Ratner B. Single-Blind Inter-Comparison of Methane Detection Technologies, Results from the Stanford/EDF Mobile Monitoring Challenge. Elem. Sci. Anth. 2019;7:37. doi: 10.1525/elementa.373. [DOI] [Google Scholar]. doi:10.1525/elementa.373.
  26. 11.Schuyler T., Guzman M. Unmanned Aerial Systems for Monitoring Trace Tropospheric Gases. Atmosphere. 2017;8:206. doi: 10.3390/atmos8100206. [DOI] [Google Scholar]. doi:10.3390/atmos8100206.
  27. 12.Shah A., Pitt J., Kabbabe K., Allen G. Suitability of a Non-Dispersive Infrared Methane Sensor Package for Flux Quantification Using an Unmanned Aerial Vehicle. Sensors. 2019;19:4705. doi: 10.3390/s19214705. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s19214705.
  28. Intercomparison of Small Unmanned Aircraft System (sUAS) Measurements for Atmospheric Science during the LAPSE-RATE Campaign – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s19092179 · PMID: 31083477.
  29. 1.National Academies of Sciences and Medicine. The Future of Atmospheric Boundary Layer Observing, Understanding, and Modeling: Proceedings of a Workshop. The National Academies Press; Washington, DC, USA: 2018. [Google Scholar].
  30. Boer G., Dalfflon B., Guenther A., Moore D., Schmid B., Serbin S., Vogelmann A. Aerial Observation Needs Workshop. Department of Energy Climate and Environmental Sciences Division; Upton, NY, USA: 2015. Technical Report. [Google Scholar].
  31. 3.Jacob J.D., Chilson P.B., Houston A.L., Smith S.W. Considerations for Atmospheric Measurements with Small Unmanned Aircraft Systems. Atmosphere. 2018;9:252. doi: 10.3390/atmos9070252. [DOI] [Google Scholar]. doi:10.3390/atmos9070252.
  32. 4.Hill M., Konrad T., Meyer J., Rowland J. Radio controlled small aircraft as measurement platform for meteorological sensors, discussing development and performance from field tests. Appl. Tech. Dig. 1970;10:11-19. [Google Scholar].
  33. 5.Konrad T., Hill M., Meyer J., Rowland J. A small, radio-controlled aircraft as a platform for meteorological sensors. Appl. Tech. Dig. 1970;10:11-19. [Google Scholar].
  34. 6.Holland G., Webster P., Curry J., Tyrell G., Gauntlett D., Brett G., Becker J., Hoag R., Vaglienti W. The Aerosonde robotic aircraft: A new paradigm for environmental observations. Bull. Am. Meteorol. Soc. 2001;82:889-902. doi: 10.1175/1520-0477(2001)0822.3.CO;2. [DOI] [Google Scholar]. doi:10.1175/1520-0477(2001)0822.3.CO;2.
  35. 7.Elston J., Argrow B., Stachura M., Weibel D., Lawrence D., Pope D. Overview of small fixed-wing unmanned aircraft for meteorological sampling. J. Atmos. Ocean. Technol. 2015;32:97-115. doi: 10.1175/JTECH-D-13-00236.1. [DOI] [Google Scholar]. doi:10.1175/JTECH-D-13-00236.1.
  36. 8.Elston J.S., Roadman J., Stachura M., Argrow B., Houston A., Frew E. The tempest unmanned aircraft system for in situ observations of tornadic supercells: Design and VORTEX2 flight results. J. Field Robot. 2011;28:461-483. doi: 10.1002/rob.20394. [DOI] [Google Scholar]. doi:10.1002/rob.20394.
  37. 9.Pieri D.C., Diaz J., Bland G., Fladeland M., Makel D., Schwandner F., Buongiorno M., Elston J. Unmanned Aerial Technologies for Observations at Active Volcanoes: Advances and Prospects. American Geophysical Union Fall Meeting; New Orleans, LA, USA: 2017. [Google Scholar].
  38. Boer G., Ivey M., Schmid B., Lawrence D., Dexheimer D., Mei F., Hubbe J., Bendure A., Hardesty J., Shupe M.D., et al. A Bird’s-Eye View: Development of an Operational ARM Unmanned Aerial Capability for Atmospheric Research in Arctic Alaska. Bull. Am. Meteorol. Soc. 2018;99:1197-1212. doi: 10.1175/BAMS-D-17-0156.1. [DOI] [Google Scholar]. doi:10.1175/BAMS-D-17-0156.1.
  39. 11.Kral S., Reuder J., Vihma T., Suomi I., O’Connor E., Kouznetsov R., Wrenger B., Rautenberg A., Urbancic G., Jonassen M., et al. Innovative Strategies for Observations in the Arctic Atmospheric Boundary Layer (ISOBAR), The Hailuoto 2017 Campaign. Atmosphere. 2018;9:268. doi: 10.3390/atmos9070268. [DOI] [Google Scholar]. doi:10.3390/atmos9070268.
  40. 12.Bonin T., Chilson P., Zielke B., Fedorovich E. Observations of the Early Evening Boundary-Layer Transition Using a Small Unmanned Aerial System. Bound.-Layer Meteorol. 2013;146:119-132. doi: 10.1007/s10546-012-9760-3. [DOI] [Google Scholar]. doi:10.1007/s10546-012-9760-3.
  41. A Survey of Practical Design Considerations of Optical Imaging Stabilization Systems for Small Unmanned Aerial Systems – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s19214800 · PMID: 31690064.
  42. 1.Eggleston B., McLuckie B., Koski W.R., Bird D., Patterson C., Bohdanov D., Liu H., Mathews T., Gamage G. Development of the Brican TD100 Small UAS and Payload Trials. ISPRS Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2015;XL-1/W4:143-149. doi: 10.5194/isprsarchives-XL-1-W4-143-2015. [DOI] [Google Scholar]. doi:10.5194/isprsarchives-XL-1-W4-143-2015.
  43. 2.Leira F.S., Trnka K., Fossen T.I., Johansen T.A. A ligth-weight thermal camera payload with georeferencing capabilities for small fixed-wing UAVs; Proceedings of the 2015 International Conference on Unmanned Aircraft Systems (ICUAS); Denver, CO, USA. 9-12 June 2015; pp. 485-494. [Google Scholar].
  44. 3.Leira F.S., Johansen T.A., Fossen T.I. Automatic detection, classification and tracking of objects in the ocean surface from UAVs using a thermal camera; Proceedings of the IEEE Aerospace Conference; Big Sky, MT, USA. 7-14 March 2015. [Google Scholar].
  45. en J., Wu J., Chen G., Dong W., Sheng X. Design and Development of a Multi-rotor Unmanned Aerial Vehicle System for Bridge Inspection; Proceedings of the Intelligent Robotics and Applications: 9th International Conference (ICIRA 2016); Tokyo, Japan. 22-24 August 2016; pp. 498-510. [Google Scholar].
  46. 5.Shahbazi M., Sohn G., Théau J., Menard P. Development and Evaluation of a UAV-Photogrammetry System for Precise 3D Environmental Modeling. Sensors. 2015;15:27493-27524. doi: 10.3390/s151127493. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s151127493.
  47. 6.Hilkert J. Inertially stabilized platform technology Concepts and principles. IEEE Control Syst. Mag. 2008;28:26-46. [Google Scholar].
  48. 7.Masten M. Inertially stabilized platforms for optical imaging systems. IEEE Control Syst. Mag. 2008;28:47-64. [Google Scholar].
  49. 8.Li Z., Yan Y., Jing Y., Zhao S. The Design and Testing of a LiDAR Platform for a UAV for Heritage Mapping. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2015;40:17. doi: 10.5194/isprsarchives-XL-1-W4-17-2015. [DOI] [Google Scholar]. doi:10.5194/isprsarchives-XL-1-W4-17-2015.
  50. 9.Ma H., Wu J. Analysis of positioning errors caused by platform vibration of airborne LiDAR system; Proceedings of the 2012 8th IEEE International Symposium on Instrumentation and Control Technology (ISICT); London, UK. 11-13 July 2012; pp. 257-261. [Google Scholar].
  51. 10.Uragun B., Tansel I.N. The noise reduction techniques for unmanned air vehicles; Proceedings of the 2014 International Conference on Unmanned Aircraft Systems (ICUAS); Orlando, FL, USA. 27-30 May 2014; pp. 800-807. [Google Scholar].
  52. 11.Li Z., Lao M., Phang S.K., Hamid M.R.A., Tang K.Z., Lin F. Development and Design Methodology of an Anti-Vibration System on Micro-UAVs; Proceedings of the International Micro Air Vehicle Conference and Flight Competition (IMAV); Toulouse, France. 18-22 September 2017. [Google Scholar].
  53. 12.Verbeke J., Debruyne S. Vibration analysis of a UAV multirotor frame; Proceedings of the ISMA 2016 International Conference on Noise and Vibration Engineering; Leuven, Belgium. 19-21 September 2016; pp. 2401-2409. [Google Scholar].
  54. Britain Buys British Eyes in the Sky: £400m Tekever AR5 Deal and 1,000+ Small Drones for the Army.
  55. Ministry of Defence. New 'spy' drones to give Army greater powers on the battlefield. 2026.
  56. La DGA livre à l’armée de terre les 1 000 premiers drones du combattant à coût maîtrisé.

Articles relatifs:

Sommaire

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *