--- service: "Publicasta" schema_version: "1.0" article_id: 866 title: "Le planificateur de drones SANDO du MIT montre les limites d’une garantie de sécurité ciblée" language: "fr" default_language: "en" canonical_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=fr" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=fr" api_url: "https://publicasta.com/api/public/v1/channels/robots/articles/mit_sando_drone_safety_guarantee_limits?lang=fr" channel_url: "https://publicasta.com/api/public/v1/channels/robots" channel_articles: "https://publicasta.com/api/public/v1/channels/robots/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-10-12T17:13:46+00:00" updated_at: "2026-10-12T17:13:46+00:00" translations: - language: "ar" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=ar" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=ar" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=ar" - language: "de" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=de" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=de" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=de" - language: "en" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=en" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=en" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=en" - language: "es" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=es" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=es" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=es" - language: "fr" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=fr" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=fr" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=pl" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=pl" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=ru" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=ru" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits?lang=zh" markdown_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.md?lang=zh" json_url: "https://publicasta.com/robots/mit_sando_drone_safety_guarantee_limits.json?lang=zh" --- # Le planificateur de drones SANDO du MIT montre les limites d’une garantie de sécurité ciblée > SANDO formalise une partie essentielle de la navigation autonome dans des environnements inconnus. Sa portée réelle dépend toutefois des hypothèses sur les obstacles, les capteurs, la dynamique du drone et la capacité à recalculer une trajectoire sûre. Un drone qui traverse un bâtiment non cartographié, une zone ravagée par un incendie de forêt ou une galerie de mine rencontre un problème facile à énoncer, mais difficile à résoudre : l’itinéraire sûr il y a un instant peut devenir dangereux avant même que l’appareil n’atteigne le prochain virage. Un obstacle peut se déplacer, un capteur peut ne pas le détecter et un planificateur assez rapide pour réagir peut malgré tout s’appuyer sur une simple préférence plutôt que sur une contrainte de sécurité stricte. ![Un drone de recherche traverse un intérieur industriel endommagé dans un corridor de sécurité dépendant du temps, visualisé autour de lui.](https://publicasta.com/storage/projects/11/pages/866/2026/10/081563ce-cb72-4625-be88-e70ae57e318c.webp) Des chercheurs du MIT ont développé un système de planification de vol appelé SANDO — pour *Safe Autonomous trajectory planning for Dynamic unknOwn environments* — qui s’attaque précisément à cette lacune. Le système est conçu pour un drone qui ne connaît pas la carte à l’avance et doit tenir compte d’obstacles dont les mouvements futurs sont eux aussi inconnus. Le MIT indique que SANDO a produit des trajectoires sans collision en simulation et évité des obstacles dynamiques lors de 12 vols d’essai réels. C’est un résultat de recherche important, notamment parce que le travail associe une analyse formelle à des essais sur du matériel embarqué. Il ne constitue toutefois pas un certificat général attestant qu’un drone est sûr dans n’importe quel environnement réel. La garantie de SANDO dépend d’hypothèses explicites sur la vitesse des obstacles, la perception, l’erreur d’estimation, la dynamique du véhicule et la possibilité de recalculer continuellement la trajectoire. Ces conditions ne sont pas une note de bas de page. Elles délimitent la portée du résultat. La bonne manière de lire SANDO est d’y voir une architecture de sécurité pour une couche difficile de l’autonomie, et non un remplacement des pilotes, des règles de l’espace aérien, d’un matériel fiable ou du jugement opérationnel. ## Le problème que SANDO cherche à résoudre La plupart des planificateurs autonomes pour drones se situent quelque part entre rapidité et certitude. Un système peut être très réactif parce qu’il échantillonne des trajectoires possibles et attribue des coûts plus élevés aux chemins qui passent près des obstacles. Cela peut bien fonctionner dans des environnements ordinaires, mais un coût n’équivaut pas à une interdiction. Si l’itinéraire le plus court obtient une meilleure note globale, l’optimiseur peut encore choisir un chemin qui passe dangereusement près d’un objet. D’autres planificateurs utilisent des contraintes strictes. Ils excluent les chemins qui pénètrent dans des obstacles connus et peuvent fournir des garanties plus fortes, mais le calcul devient plus difficile quand l’environnement se complexifie ou quand le système doit raisonner dans le temps. Un obstacle statique est déjà un problème géométrique. Un obstacle en mouvement ajoute une dimension temporelle : le drone doit éviter non seulement l’endroit où se trouve l’objet, mais aussi les positions qu’il pourrait occuper pendant que l’appareil traverse le même espace. La version la plus difficile réunit trois incertitudes : - Le drone démarre sans carte complète. - Les obstacles peuvent se déplacer d’une manière que le planificateur ne sait pas prévoir exactement. - Le véhicule doit prendre ses décisions assez vite pour voler avec son ordinateur embarqué. Une route calculée sur une carte statique peut devenir invalide dès qu’une personne, un véhicule, un aéronef ou un débris y entre. Un planificateur qui se contente de réagir après coup peut intervenir trop tard, notamment dans un espace confiné ou à grande vitesse. SANDO vise à maintenir le calcul de sécurité actif à mesure que le véhicule découvre son environnement. La [description du système publiée par le MIT](https://news.mit.edu/2026/planning-system-ensures-robots-flight-path-will-remain-collision-free-1007) cite des situations comme la recherche et le sauvetage dans des bâtiments effondrés, l’exploration minière et la livraison dans des zones très fréquentées. Ces catégories d’application sont plausibles, mais elles montrent aussi pourquoi le problème compte. Dans une zone sinistrée, l’environnement n’est pas seulement inconnu. Il peut changer sous l’effet du feu, de chutes de matériaux, de secouristes, de poussière, de fumée ou d’autres aéronefs. ## Comment fonctionne le corridor de sécurité SANDO divise la tâche en plusieurs éléments reliés. Il construit d’abord une représentation de l’environnement à partir des capteurs du drone. Le système crée ensuite une route globale qui privilégie les zones offrant davantage d’espace disponible. Le MIT décrit cette approche comme un planificateur fondé sur une carte thermique : les régions où la densité d’obstacles est plus élevée reçoivent des coûts de risque supérieurs, ce qui pousse la route à s’éloigner des zones encombrées ou incertaines lorsqu’il existe une autre possibilité. La partie la plus distinctive est le corridor de sécurité dépendant du temps. Au lieu de traiter chaque obstacle mobile détecté comme s’il pouvait occuper sa position la plus défavorable pendant tout l’horizon de planification, SANDO estime une région atteignable pour chaque intervalle temporel. L’article parle de corridors de vol sûrs spatio-temporels, organisés en couches temporelles. L’idée de fond est simple. Si l’on sait qu’un obstacle ne peut pas se déplacer plus vite qu’une vitesse maximale donnée, le planificateur peut placer autour de lui un volume de protection qui s’élargit en fonction du temps disponible pour se déplacer. La trajectoire prévue du drone doit rester en dehors de ce volume au moment pertinent. À mesure que le temps avance, le corridor peut être reconstruit à partir de nouvelles observations des capteurs. Cette méthode apporte davantage d’informations qu’une seule marge statique. Une marge très conservatrice autour d’un obstacle peut rendre un environnement dense impossible à traverser. Une marge sensible au temps peut être plus petite lorsque le véhicule passera rapidement et plus large lorsque l’obstacle aura disposé de davantage de temps pour bouger. Le résultat reste prudent, mais cette prudence est appliquée là où la physique la rend nécessaire. L’optimisation finale de la trajectoire utilise des contraintes strictes d’évitement des collisions dans un programme quadratique en nombres entiers mixtes. Cette formulation est coûteuse en calcul ; les chercheurs introduisent donc une technique d’élimination de variables destinée à réduire le nombre de décisions que l’optimiseur doit traiter. L’[article de recherche](https://arxiv.org/abs/2604.07599) fait état d’une accélération pouvant atteindre 7,4 fois le temps d’optimisation grâce à cette technique. En pratique, SANDO ne demande pas à un réseau neuronal de deviner si un chemin paraît sûr. Il utilise la perception pour mettre à jour un modèle géométrique, puis résout un problème de planification sous contraintes où l’absence de collision est traitée comme une exigence. La distinction est importante. Une perception apprise peut toujours intervenir pour détecter et classer le monde, mais la trajectoire finale est vérifiée par rapport à une formulation explicite de la sécurité. ## Ce que les essais démontrent réellement Les éléments de preuve rapportés comportent trois niveaux. En simulation, SANDO a été comparé à d’autres systèmes de planification dans des environnements statiques et dynamiques. Le MIT indique qu’il a atteint les objectifs plus vite que plusieurs approches de pointe tout en évitant les collisions dans les scénarios testés. L’article lui attribue le meilleur taux de réussite sur ses conditions de référence, sans violation des contraintes. Le deuxième niveau utilise la perception plutôt qu’une carte parfaite issue du scénario de référence. C’est important, car un planificateur peut sembler impressionnant lorsqu’il reçoit les positions exactes des obstacles depuis un simulateur. Un appareil réel doit déduire l’environnement à partir de caméras, de capteurs de profondeur, de lidars ou d’autres mesures embarquées, chacun ayant une portée limitée et un calendrier imparfait. Les expériences de SANDO avec perception dans la boucle sont donc plus instructives qu’une démonstration idéalisée fondée uniquement sur une carte. Le troisième niveau est la validation matérielle. Le MIT rapporte 12 vols d’essai avec un UAV réel, au cours desquels le système a évité des obstacles dynamiques. Le résumé de l’article décrit six vols sûrs en environnement statique et dix parmi des obstacles mobiles ; les chiffres diffèrent parce que l’article et le résumé publié plus tard par le MIT semblent compter différemment les groupes d’essais. La conclusion prudente est que le travail comprend des expériences embarquées répétées, et non qu’il a réalisé un vaste essai opérationnel. L’aéronef planifiait et replannifiait avec son propre ordinateur et ses propres capteurs. Pour la recherche en robotique, c’est un seuil utile. Un système qui dépend d’une station de travail externe très puissante peut valider une idée algorithmique sans montrer qu’elle fonctionne sur un véhicule déployable. L’exécution embarquée ne rend pas le système prêt pour la production, mais elle réduit un écart important entre simulation et démonstration en vol. Les essais doivent aussi être replacés dans leur contexte. Douze vols suffisent à montrer que l’implémentation peut fonctionner dans des conditions choisies. Ils ne suffisent pas à établir sa fiabilité face à toutes les situations météorologiques et lumineuses, à la fumée, aux surfaces réfléchissantes, à la dégradation des capteurs, aux pertes de communication, au vieillissement de la batterie, aux comportements inhabituels de l’appareil ou à une présence humaine dense. Aucune courte campagne de recherche ne peut couvrir tout cet espace. ## La garantie est conditionnelle, pas magique L’expression « garantie sans collision » peut être mal comprise si ses hypothèses sont oubliées. L’analyse formelle de SANDO dépend de bornes que le système doit connaître ou estimer. La plus importante est une vitesse maximale des obstacles. Si un objet mobile peut parcourir une distance supérieure ou se déplacer plus vite que la limite utilisée pour gonfler la région de sécurité, le corridor peut ne plus couvrir toutes ses positions futures possibles. La garantie dépend également de la perception et de l’estimation de l’état. Un planificateur ne peut imposer une contrainte stricte autour d’un obstacle que si celui-ci est détecté, représenté au bon endroit et associé à une marge d’incertitude suffisamment grande. Une caméra peut ne pas distinguer un objet sombre sur un arrière-plan sombre. Un retour lidar peut être clairsemé ou déformé par la pluie, la poussière, le verre, le feuillage ou des surfaces réfléchissantes. Une personne en mouvement peut rester partiellement masquée jusqu’à ce qu’il ne reste presque plus d’espace pour manœuvrer. Il existe aussi une différence entre un modèle mathématique et un aéronef. L’analyse peut inclure la taille et les limites de mouvement du drone, mais le véhicule réel connaît des retards d’actionneurs, des vibrations, des perturbations aérodynamiques, des limites de batterie, des effets de température et des défaillances logicielles. Si l’appareil ne peut pas suivre la trajectoire optimisée avec une précision suffisante, un chemin sûr dans le modèle peut ne pas l’être dans le monde réel. Le système doit en outre rester récursivement faisable : après l’arrivée d’une nouvelle observation, il doit encore être possible de trouver une continuation valide. Un planificateur peut produire un segment sûr tout en plaçant l’aéronef dans une position d’où aucune route sûre vers l’objectif final n’existe. La conception du corridor variable dans le temps de SANDO aide à traiter ce problème, mais elle ne supprime pas le besoin d’un comportement de repli. Un produit mature doit définir des règles explicites pour ralentir, faire du surplace, revenir en arrière, atterrir ou rendre le contrôle à un humain lorsqu’aucun corridor faisable ne subsiste. Ces limites rendent le résultat plus crédible, et non moins. Un théorème est utile précisément parce qu’il indique ce qui doit être vrai. Le travail d’ingénierie commence lorsque les opérateurs vérifient si ces conditions peuvent être surveillées, respectées et prises en charge pendant de véritables missions. ## Pourquoi cela compte pour les opérations de secours Les équipes de recherche et de sauvetage envoient souvent des robots dans des endroits où les personnes ne peuvent pas entrer sans danger. Un petit drone peut inspecter une structure effondrée, localiser des signatures thermiques, cartographier un passage souterrain ou transporter un capteur léger devant une équipe d’intervention. Dans ces environnements, le GPS peut être indisponible, les cartes peuvent être obsolètes et le véhicule peut rencontrer des secouristes en mouvement ou des débris qui tombent. Un système de navigation qui « évite généralement les obstacles » correspond mal à ce rôle. Le coût d’une collision ne se limite pas au remplacement du drone. Un crash peut détruire la seule vue d’un capteur permettant de localiser une personne piégée, bloquer un passage, provoquer un incendie de batterie ou obliger un intervenant à pénétrer dans une zone dangereuse pour récupérer l’appareil. Des contraintes formelles peuvent donner aux responsables de mission une base plus solide pour évaluer le risque. La même logique s’applique à l’inspection. Un drone qui évolue autour d’équipements industriels, de ponts, d’infrastructures électriques ou d’éoliennes peut devoir s’approcher des structures tout en conservant une distance sûre avec les travailleurs et les autres machines. Un corridor sensible au temps pourrait l’aider à gérer des grues, des véhicules ou des personnes qui entrent de manière inattendue dans la zone de travail. Il peut être particulièrement utile lorsqu’une carte fixe ne reflète pas les changements quotidiens. Les missions de secours et d’inspection imposent toutefois des exigences plus strictes qu’un vol en laboratoire. La fumée peut dégrader la perception. Le vent peut repousser le véhicule au-delà de sa dynamique attendue. Un secouriste peut se déplacer de façon imprévisible parce que sa priorité humaine n’est pas de se comporter comme un obstacle borné. Le système opérationnel aurait besoin de règles de repli prudentes et d’une chaîne d’autorité claire : qui peut arrêter le drone, comment un opérateur distant reprend le contrôle et ce qui se passe si les communications disparaissent. ## Ce que SANDO ne résout pas pour les drones de livraison La livraison de colis est un cas d’usage commercial évident, mais SANDO ne suffit pas à rendre la livraison autonome viable. Un opérateur doit disposer de bien plus qu’un évitement local des obstacles. Il lui faut une autorisation de route, une coordination de l’espace aérien, des géorepérages, une identification, une surveillance météorologique, des communications fiables, une procédure d’atterrissage ou de remise du colis et une réponse prévue pour les personnes, les animaux, les câbles et les véhicules inattendus. Aux États-Unis, les [règles actuelles de la FAA au titre de la Part 107](https://www.faa.gov/newsroom/small-unmanned-aircraft-systems-uas-regulations-part-107) incluent toujours des exigences de vol à vue pour les opérations ordinaires, tandis que les vols hors vue exigent généralement une dérogation ou une autre autorisation applicable. La FAA fixe également des conditions pour les opérations au-dessus de personnes et de véhicules en mouvement. Un meilleur planificateur peut soutenir une future demande d’autorisation, mais il ne donne pas à lui seul le droit de voler. Cette distinction se perd facilement dans la couverture des produits. « Le drone peut éviter un obstacle mobile inconnu » décrit une capacité technique. « L’opérateur peut effectuer sans supervision une tournée de livraison dans un quartier » décrit un service complet, avec sa réglementation, sa maintenance, son assurance, son acceptation par le public et sa réponse aux incidents. Le premier énoncé correspond à un résultat de recherche. Le second désigne un système commercial et de sécurité qui reste à construire. SANDO pourrait néanmoins devenir une pièce de ce système. Un appareil de livraison pourrait utiliser un planificateur local formel comme une couche située sous un service de gestion de route. Le gestionnaire déterminerait où l’aéronef est autorisé à aller ; le planificateur local le maintiendrait dans un corridor sûr tandis que les conditions changeraient. Cette séparation rappelle la conception de nombreux systèmes critiques : une politique de mission de haut niveau choisit les comportements autorisés, tandis qu’un contrôleur de niveau inférieur applique les contraintes physiques. ## La question opérationnelle est celle du niveau de prudence Les marges de sécurité ont toujours un coût. Si la vitesse maximale supposée d’un obstacle est élevée, le volume de sécurité atteignable croît rapidement. L’aéronef peut devoir suivre une route plus longue, ralentir ou déclarer le corridor irréalisable. Si la borne est trop basse, la garantie ne couvre pas l’environnement réel. Le choix de cette limite est donc à la fois une décision technique et opérationnelle. Une équipe de secours peut accepter un itinéraire lent pour protéger un capteur précieux. Une entreprise de livraison peut rechercher des trajectoires plus efficaces tout en tolérant moins un vol stationnaire au-dessus d’une zone peuplée. Un opérateur d’inspection peut préférer que le drone se retire dès qu’un travailleur entre dans la zone. Le même algorithme peut produire des comportements différents selon les conséquences d’un échec et le coût d’une interruption. C’est là que l’élément de carte thermique de SANDO est utile sur le plan conceptuel. Le planificateur ne traite pas toutes les routes libres comme également attractives. Il peut s’éloigner des zones encombrées même lorsqu’elles sont techniquement franchissables. Dans un déploiement réel, cette carte des risques pourrait intégrer davantage que la densité d’obstacles : l’incertitude, la présence humaine, l’exposition au vent, les sorties d’urgence, les zones interdites et la qualité des données disponibles. Un bon système autonome devrait rendre ces compromis visibles. Les opérateurs devraient pouvoir comprendre pourquoi une route a été rejetée, quelle hypothèse l’a rendue dangereuse et si l’aéronef se rapproche d’un seuil de repli. Une étiquette noire indiquant simplement « sûr » est moins utile qu’un tableau de bord affichant la vitesse maximale retenue, la confiance de détection, la largeur restante du corridor et le temps avant le prochain cycle de planification. ## Le logiciel peut compter autant que l’aéronef SANDO illustre également une évolution plus large de la robotique. Les progrès sont souvent mesurés par la structure du véhicule, sa batterie ou la taille de son modèle. Dans les environnements difficiles, le facteur limitant peut plutôt être la couche logicielle qui relie la perception à l’action sous incertitude. L’aéronef n’a pas besoin d’un corps humanoïde pour bénéficier d’une meilleure planification. Il a besoin d’un contrôleur qui comprend quand le monde a changé et traite les contraintes physiques comme non négociables. La recherche est potentiellement précieuse parce qu’elle est présentée sous la forme d’un algorithme, d’une preuve et d’une implémentation. La [bibliographie du MIT Aerospace Controls Laboratory](https://acl.mit.edu/publications/) répertorie ce travail aux côtés d’autres recherches sur la planification de trajectoires, tandis que l’article fournit suffisamment de détails pour que les chercheurs examinent les hypothèses et reproduisent une partie de l’évaluation. C’est plus utile pour le domaine qu’une vidéo de vol soignée qui ne décrit ni le planificateur, ni les entrées des capteurs, ni les cas d’échec. Un code de recherche ouvert pourrait accroître cette valeur s’il reste maintenu et si des équipes indépendantes le testent avec d’autres matériels et dans d’autres environnements. Les prochaines preuves réellement significatives devraient inclure des essais plus longs, des capteurs variés, des perturbations plus fortes, des occultations, une perception dégradée et des défaillances délibérées. Il serait également utile de publier les quasi-collisions, les arrêts d’urgence, les plans irréalisables et les interventions des opérateurs, et pas seulement les vols réussis. Pour la robotique commerciale, ces cas négatifs sont souvent plus instructifs que le taux de réussite mis en avant. Un système qui s’arrête prudemment et demande de l’aide a davantage de valeur qu’un système qui continue d’avancer jusqu’à atteindre la limite fragile de son modèle. La qualité du comportement de repli pourrait déterminer si un planificateur peut être certifié et utilisé à proximité de personnes. ## Les prochaines étapes à surveiller La contribution immédiate de SANDO est ciblée : elle montre comment un drone peut combiner une modélisation temporelle des obstacles, des contraintes strictes sur la trajectoire, une optimisation rapide et une replanification embarquée dans un environnement dynamique inconnu. Cela suffit à en faire un résultat important pour la planification des vols autonomes. Ce n’est pas la preuve que des drones polyvalents sont prêts à naviguer sans supervision dans n’importe quel espace public. Les prochaines étapes devraient être concrètes. Les chercheurs devraient montrer comment le système estime sur le terrain les limites de vitesse des obstacles, comment il réagit lorsque ces limites sont dépassées et quelle performance est perdue lorsque les marges d’incertitude augmentent. Ils devraient tester le planificateur avec des pertes de capteurs, des retards de communication, du vent, une faible visibilité et des obstacles qui ne sont pas correctement décrits par de simples volumes géométriques. Les exploitants devraient poser un autre ensemble de questions : le système peut-il expliquer le rejet d’une route ? Un humain peut-il l’interrompre immédiatement ? Dispose-t-il d’une politique d’atterrissage sûre ? Ses hypothèses peuvent-elles être auditées après un incident ? Comment s’intègre-t-il au cadre d’autorisation de l’espace aérien et de contrôle opérationnel ? Ces questions semblent peut-être moins spectaculaires qu’une promesse d’évitement garanti des collisions. Ce sont pourtant elles qui détermineront si un théorème résiste au contact d’une mission réelle. SANDO compte parce qu’il fait passer une partie de cette conversation d’une confiance vague à des conditions explicites. Sa réussite pratique n’est pas d’avoir rendu le drone infaillible. Elle tient au fait que l’affirmation de sécurité peut être examinée, testée et, à terme, améliorée. ## Sources - [Planning system ensures a robot’s flight path will remain collision-free](https://news.mit.edu/2026/planning-system-ensures-robots-flight-path-will-remain-collision-free-1007), MIT News, source factuelle. - [SANDO: Safe Autonomous Trajectory Planning for Dynamic Unknown Environments](https://arxiv.org/abs/2604.07599), arXiv, source factuelle. - [Publications de l’Aerospace Controls Laboratory](https://acl.mit.edu/publications/), MIT Aerospace Controls Laboratory, contexte. - [Small Unmanned Aircraft Systems (UAS) Regulations — Part 107](https://www.faa.gov/newsroom/small-unmanned-aircraft-systems-uas-regulations-part-107), Federal Aviation Administration, contexte. - [Operations Over People General Overview](https://www.faa.gov/uas/commercial_operators/operations_over_people), Federal Aviation Administration, contexte.