Edge AI et TSN : une architecture SOC-E pour l’analyse vidéo temps réel en environnement critique

L’essor de l’intelligence artificielle embarquée transforme profondément les architectures des systèmes critiques. Dans son dernier white paper, SOC-E présente une approche concrète et opérationnelle combinant analyse vidéo en temps réel, accélération matérielle et communication déterministe via TSN. L’objectif est clair : répondre aux contraintes extrêmes de latence, de fiabilité et d’interopérabilité imposées notamment par les environnements défense et embarqués.

Pendant longtemps, le traitement des données issues de capteurs, notamment vidéo, reposait largement sur des infrastructures cloud. Cette approche atteint aujourd’hui ses limites dès lors que les contraintes temps réel deviennent critiques. Le volume de données généré par les flux vidéo haute résolution, combiné aux exigences de réactivité, crée des goulots d’étranglement difficiles à contourner.

C’est précisément dans ce contexte que s’impose le paradigme de l’Edge Intelligence. En rapprochant le traitement des données de leur source, il devient possible de réduire drastiquement la latence tout en garantissant une meilleure maîtrise des flux et de la sécurité.

Dans les applications critiques – qu’il s’agisse de véhicules autonomes, de systèmes ISR ou de surveillance avancée – cette capacité à analyser et décider localement n’est plus un avantage, mais une nécessité.

Le cas d’usage présenté dans le white paper de notre partenaire SOC-E repose sur la détection d’objets en temps réel, en l’occurrence des cônes de signalisation. Derrière cet exemple volontairement simple se cache une problématique beaucoup plus large : la perception automatisée de l’environnement.

Pour répondre à ces enjeux, l’architecture s’appuie sur des réseaux de neurones convolutifs (CNN), aujourd’hui incontournables dans le domaine de la vision par ordinateur. Le choix s’est porté sur le modèle YOLO, reconnu pour sa capacité à traiter une image en une seule passe, ce qui le rend particulièrement adapté aux contraintes temps réel.

Chaque image analysée permet d’extraire des informations directement exploitables :

• Position des objets,
• Dimensions,
• Classe et niveau de confiance.

Après entraînement sur un dataset varié et représentatif, le modèle atteint une précision de l’ordre de 96%, ce qui le rend exploitable dans des contextes opérationnels exigeants.

Au-delà de l’algorithme, c’est bien l’architecture matérielle qui permet d’atteindre ces niveaux de performance. Le système repose sur une plateforme intégrant un SoC AMD-Xilinx Zynq UltraScale+ MPSoC, capable de combiner traitement logiciel et accélération matérielle au sein d’un même composant.

L’ensemble du pipeline est optimisé pour le temps réel. Le flux vidéo est d’abord capturé puis décodé matériellement. Il est ensuite prétraité afin d’être adapté au format attendu par le réseau neuronal. L’inférence est réalisée par une DPU (Deep Learning Processor Unit), spécialement conçue pour accélérer les calculs liés à l’IA.

Une fois les objets détectés, les informations sont enrichies (bounding boxes) puis préparées pour être transmises aux autres systèmes. L’ensemble du processus, de la capture à la transmission, s’effectue avec une latence d’environ 80 millisecondes, ce qui est particulièrement performant pour ce type d’application.

L’un des apports majeurs du travail présenté réside dans l’intégration du Time-Sensitive Networking (TSN). Historiquement, Ethernet n’a pas été conçu pour des applications temps réel strictes. Le TSN vient précisément combler cette lacune en introduisant des mécanismes de planification et de priorisation des flux.

Concrètement, le réseau est organisé de manière à garantir que les données critiques soient transmises dans des fenêtres temporelles strictement définies. Cette approche permet d’assurer une latence maîtrisée, un jitter réduit et une qualité de service constante, même en cas de forte charge réseau. Dans l’architecture décrite, les flux sont structurés selon trois niveaux :

• Les données critiques (position et taille des objets) sont transmises en temps réel strict
• Le flux vidéo enrichi est traité en temps réel souple
• Les autres communications passent en best-effort

Cette hiérarchisation permet que les informations essentielles ne soient jamais perturbées par des flux secondaires.

Le système s’inscrit pleinement dans le cadre de la norme NGVA (NATO Generic Vehicle Architecture), qui vise à standardiser les architectures des véhicules militaires. L’un des enjeux majeurs de cette norme est de permettre l’interopérabilité entre des sous-systèmes hétérogènes, tout en maintenant des performances temps réel strictes.

L’intégration du TSN joue ici un rôle clé. Elle permet de garantir une communication déterministe entre les différents modules du véhicule, qu’il s’agisse de capteurs, de systèmes de contrôle ou de modules de décision. Cette approche facilite également la modularité et l’évolutivité des plateformes, deux critères importants dans des environnements où les cycles de vie sont longs et les exigences en constante évolution.

Ce white paper illustre de manière concrète la convergence entre intelligence artificielle, calcul embarqué et réseaux déterministes. L’architecture proposée démontre qu’il est désormais possible de déployer des capacités avancées de perception en temps réel directement au niveau du terrain.

Les perspectives sont nombreuses : fusion multi-capteurs, autonomie accrue des plateformes, amélioration de la prise de décision en environnement dégradé. À mesure que ces technologies gagnent en maturité, elles s’imposent comme des briques essentielles des systèmes critiques d'aujourd'hui.

Pour les intégrateurs et industriels, cela implique une montée en compétence sur ces architectures hybrides, à la croisée du hardware, du software et du réseau.

Les architectures avec intelligence embarquée et communication déterministe deviennent un standard dans les systèmes critiques. Leur intégration nécessite une expertise pointue, à la fois sur le plan matériel, logiciel et réseau.
Les équipes Ecrin vous accompagnent dans la définition et le déploiement de ces solutions, en s’appuyant sur des briques technologiques éprouvées et adaptées à vos contraintes métiers.

👉 Découvrez nos solutions et échangez avec nos experts : Nous contacter.
👉 Pour télécharger le White Papper de SOC-E, c'est par ici : White Papper Time-Sensitive Networking to meet Hard-real Time Boundaries on Edge Intelligence Applications for NGVA Land Vehicles.