Wiki : Projet Zeus

Réalisé par :

• Corentin GAUDARD — CDI
• Sylvestre JEANNIN — CA
• Antoine ROUYER — Double Diplôme Paris-Saclay
• Arthur TOUATI — CDI

Sous la tutelle de : M. Jonatan ALVAREZ et Mme Aybuke OZTURK

28 janvier 2026

---

Fiche de synthèse

Objectifs

• Mesure de données météorologiques grâce au largage d'une charge utile de type CanSat à une altitude d'environ 3 km.
• Analyse de trajectoire et Machine Learning en fonction des données météo au sol ainsi que des données de position et d'altitude initiales.
• Accessibilité et communication sans fil pour la communication entre les modules.

Études réalisées

• Analyse des efforts et matériaux (Fusion 360)
• Conception des PCB (EasyEDA)
• Simulation de trajectoire (Machine Learning / Python)

Résultats

• Conception mécanique et électronique des différents systèmes
• Fabrication, usinage et achats des différents composants
• Intégration globale des systèmes
• Modèle de prédiction viable

Difficultés rencontrées

• Pas assez de données pour le modèle de Machine Learning
• Contraintes de temps

Travaux à poursuivre

• Finaliser la fabrication
• Lancement

---

Introduction

L'industrie aérospatiale est en perpétuelle évolution, cherchant constamment à allier performance mécanique et intelligence numérique. C'est dans ce contexte d'innovation que s'inscrit le projet Zeus, une fusée expérimentale conçue au sein d'AeroIPSA.

Ce projet ne se limite pas à un défi d'ingénierie aéronautique ; il vise à fusionner la prise de mesures météorologiques en haute altitude avec l'analyse prédictive de trajectoire en temps réel via l'intelligence artificielle.

L'objectif principal est de démontrer la faisabilité d'un système embarqué complexe, capable de gérer simultanément le vol, la récupération de données via un module CanSat, et le traitement algorithmique sur une unité de calcul embarquée.

---

Le projet

1. Présentation générale

Le projet Zeus, développé au sein de l'association étudiante AeroIPSA, représente une tentative ambitieuse de fusionner l'ingénierie aérospatiale traditionnelle avec les avancées récentes en matière d'intelligence artificielle et de systèmes embarqués.

Le vol culmine à une altitude approximative de trois kilomètres avec un double objectif scientifique et technique :

Dimension météorologique : La fusée emporte une charge utile CanSat, éjectée au point culminant. Ce module déploie son propre système de récupération pour une descente contrôlée, activant une suite de capteurs (pression atmosphérique, température ambiante, taux d'humidité relative).

Dimension Machine Learning : Une carte Nvidia Jetson embarquée traite en temps réel les données inertielles et GPS pour les comparer à une trajectoire prédite par un modèle d'apprentissage automatique entraîné sur des milliers de simulations.

L'architecture matérielle repose sur une structure modulaire en fibre de verre et aluminium, avec une communication sans fil interne (architecture réseau innovante) éliminant les câblages complexes. La fusée génère son propre point d'accès réseau, permettant aux opérateurs au sol de se connecter directement aux systèmes de bord.

2. Les différents modules

---

Planification

1. L'équipe

• Arthur Touati — Chef de projet
• Sylvestre Jeannin — Responsable pôle structure
• Corentin Gaudard — Responsable module charge utile
• Antoine Rouyer — Responsable pôle Machine Learning

2. Répartition des tâches

Le projet est structuré en 4 phases avec des tests entre chaque étape majeure (Conception, Fabrication module, Fabrication fusée, Assemblage final).

---

Spécifications

1. Cahier des charges

Mécanique

Électronique

2. Choix du propulseur

Propulseur retenu : Cesaroni Pro75-3G

Ce propulseur permet d'atteindre jusqu'à 2,5 km d'altitude.

---

Mécanique

1. Modélisation 3D

La CAO a été réalisée sur Fusion 360 (choix vs CATIA V5 pour la coopération, l'interface et la montée en compétences).

Structure globale : 4 longerons en aluminium maintiennent verticalement une série de bagues sur lesquelles sont installés tous les modules. Chaque module est indépendant des autres pour simplifier l'installation et éviter une surabondance de câbles.

Les modules (de haut en bas) :

• Coiffe — Cône aérodynamique imprimé en 3D
• Data — Tiroir électronique sur rails, accessible par porte verrouillée
• Charge utile — CanSat météo (principal) + Baby CanSat (formation nouveaux membres) + intégration de STRIX
• Parachute — Le déploiement du parachute sert également à éjecter le CanSat météo via un filet
• Poussée — Accueille le propulseur PRO75-3G avec système de bagues en aluminium à loquet

Système d'éjection du Baby CanSat retenu : Éjection par ressort (deux ressorts + loquet motorisé), plus simple et robuste que les solutions par rail ou arbalète.

2. Simulation mécanique

Simulations réalisées sur Fusion 360 :

• Bague parachute : 366,1 N appliqués → déplacement max de 0,2 mm (négligeable)
• Bague ailerons : 365,2 N → déplacement de 0,008 mm

Le propulseur dégage entre 100 et 180°C au maximum. Matériau retenu : aluminium 6061-T6 (résistance structurelle maintenue jusqu'à >200°C).

3. Choix des matériaux

---

Électronique

1. Architecture

4 panneaux interconnectés par connecteurs header :

• BMS (Battery Management System) — gestion des batteries et voltages
• Hardware — capteurs et cartes secondaires
• Interface — interface utilisateur + contrôle Jetson
• Carte mère — routage et convertisseurs ADC

3 cartes électroniques interconnectées par câbles :

• Power Management — gestion du voltage et interrupteur
• Motherboard — récupération et stockage des données capteurs sur carte SD
• Anémomètre à ultrasons — mesure du vent (3 récepteurs + 1 émetteur)

2. Composants principaux

Module data — Séquenceur

Module data — Tiroir électronique

Module charge utile

---

Réseaux

Architecture réseau

Deux protocoles sans fil :

La fusée génère deux points d'accès (fusée + charge utile), exposant les routes /gps, /data, /control.

---

Programmation

Code hardware

Trois langages utilisés :

• C++ (Arduino) — cartes ESP-32, communication hardware et réseau
• Python — Nvidia Jetson Orin Nano (bibliothèques ML Nvidia)
• HTML / CSS / JavaScript — interface web du réseau AP

Diagrammes d'activité

• Séquenceur : Initialisation → Check list pré-vol → Chronologie (largage à l'apogée)
• Interface : Setup Network → Communication ESP Now / AP
• Jetson : Initialisation → Prédiction ML → Comparaison trajectoire en vol

---

Machine Learning

Contexte

L'objectif est de prédire en temps réel la trajectoire de la fusée et ses déviations face au vent. Le défi majeur : absence de données météo directes durant le vol. Solution : deux algorithmes complémentaires — LSTM et GRU.

Les données de vol historiques d'AéroIPSA étant insuffisantes, les données d'entraînement ont été générées par simulation.

1. Modèle LSTM

Données : Bibliothèque Python Rocket Py (prend en compte la variation du vent selon l'altitude). Une trajectoire générée toutes les 21s → dataset de 1000 trajectoires en ~6h.

Architecture : 3 couches LSTM (64 → 32 → 16 unités) + BatchNormalization + Dropout(0.4) + couches Dense, optimiseur Adam (lr=0.001).

Entraînement : 50 epochs, batch size 512, ~2h sur CPU.

Résultats :

• Phase propulsive : prédiction quasi parfaite
• Phase sous parachute : légèrement différente (vent non mesuré lors des données réelles)
• Modèle légèrement underfit (voulu, pour ouverture à des fusées atypiques)
• Converti en .onnx pour déploiement sur la Jetson (prédictions en <3 min)

2. Modèle GRU

Le modèle repose sur le Principe Fondamental de la Dynamique :

∑Fᵢ = m·a

Avec les 4 forces aéronautiques : Poussée T, Traînée D, Portance L, Poids W.

Résolution par méthode d'Euler explicite avec discrétisation temporelle :

• vₖ₊₁ = vₖ + aₖ₊₁ × dt
• pₖ₊₁ = pₖ + vₖ₊₁ × dt

Paramètres : S = 0,011663 m² ; Cd = 0,6 ; Cl = 0,0

Limites du modèle physique :

• Forte dépendance à RocketPy (données météo disponibles seulement toutes les 3h)
• Temps de calcul ~1,5 s (supérieur à la période d'acquisition IMU+GPS de 0,5 s)

La GRU prédit directement les k états suivants sans nécessiter de données météo explicites, et se recalibre à chaque mesure IMU+GPS.

Entraînement : ~100 tirs simulés générés en 15 min, 10 epochs (~33 min d'entraînement).

Performances (faible bruit) :

• Erreur relative : 1 à 3 % dans la majorité des cas
• Pics d'erreur au décollage (historique insuffisant) et à l'apogée (inversion de tendance)
• Latence moyenne : ~148 ms (bien en dessous de la contrainte temps réel de 500 ms)

Amélioration principale identifiée : augmenter la diversité des trajectoires d'entraînement plutôt que le nombre d'epochs.

---

Conclusion

Le projet Zeus a relevé avec succès le défi de combiner l'ingénierie aérospatiale avec l'intelligence artificielle embarquée.

Apports majeurs :

• Architecture modulaire avec communication sans fil interne (ESP Now) — progrès significatif vs Amon
• Simulations mécaniques et thermiques validant le choix des matériaux (PLA / aluminium 6061-T6)
• Modèle GRU démontrant d'excellentes capacités de prédiction (1–3 % d'erreur relative), sans dépendance aux données météo explicites et en temps réel

Le modèle physique PFD, bien que fiable, est limité par sa dépendance à RocketPy et son temps de calcul. Le GRU s'avère supérieur pour un usage embarqué.

Prochaines étapes : finalisation de la fabrication et lancement de la fusée Zeus.

---

Bibliographie