Apprentissage d'un modèle de détection de conflits aériens à partir de données réelles // Learning an air traffic conflict detection model from real data

Le contrôleur aérien a pour missions de fluidifier le trafic et de maintenir une séparation entre les aéronefs. Si une future perte de séparation est anticipée entre deux aéronefs, ceux-ci sont dits en conflit. Ces conflits aériens sont résolus par les contrôleurs aériens au moyen d'instructions de changements de cap, d'altitude ou de vitesse. Pour cela, les contrôleurs s'appuient aujourd'hui essentiellement sur leur compétence et leur expérience.

Dans le cadre du développement d'outils automatiques de résolution de conflits, l'objectif de la thèse est d'apprendre les paramètres d'un modèle de détection de conflits de trajectoires à partir de résolutions de conflits produites par des opérateurs humains.

L'approche envisagée s'appuie sur la constitution d'un ensemble de données labelisées regroupant des exemples de situations de conflits résolus, extraits de données massives de trajectoires. Des travaux précédents ont proposé une approche heuristique pour constituer une telle base d'exemples. Dans le cadre de la thèse proposée, plusieurs approches pourront être envisagées, incluant la validation de ces exemples par des contrôleurs aériens expérimentés, l'application de méthodes d'apprentissage supervisé pour améliorer ou remplacer l'heuristique d'extraction d'exemples, ou l'apprentissage d'un modèle de détection à partir de cette base d'exemples.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The air traffic controller's job is to keep traffic flowing smoothly and to maintain separation between aircraft. If a future loss of separation is anticipated between two aircraft, they are said to be in conflict. Air traffic controllers resolve these conflicts by issuing instructions to change the course, altitude or speed of some aircraft. Today, air traffic controllers rely mainly on their own skills and experience to resolve these conflicts.

As part of the development of automatic conflict resolution tools, the aim of this thesis is to learn the parameters of a trajectory conflict detection model from conflict resolutions produced by human operators.

The envisaged approach is based on the constitution of a labelled dataset grouping together examples of resolved conflict situations, extracted from massive trajectory data. Previous work has proposed a heuristic approach to building such a database of examples. In the context of the proposed thesis, several approaches could be considered, including the validation of these examples by experienced air traffic controllers, the application of supervised learning methods to improve or replace the heuristic used to extract deconfliction actions, or the learning of a detection model from this dataset of examples.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Ecole Nationale de l'Aviation Civile

475 EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse

Mastère ou diplôme d'ingénieur avec stage de recherche. Compétences en informatique, optimisation, apprentissage artificiel, science des données. Compétences et goût pour la programmation informatique.
Master's degree or engineering diploma with research internship. Skills in computer science, optimization, machine learning, data science. Skills and interest in computer programming.