C’est un sujet dont on parle peu, très peu même. Il n’est abordé que chez les spécialistes des communications et, souvent, il peine à sortir de ce cercle très restreint. C’est un sujet éminemment technique, peu « sexy », que beaucoup considèrent comme relevant exclusivement des ingénieurs. Il souffre du même travers que la logistique : trop souvent perçue comme une variable d’ajustement qui « suivra », elle n’est pas pleinement intégrée à la réflexion ni aux décisions, alors qu’elle conditionne pourtant directement les capacités opérationnelles.

Pourtant, c’est une question essentielle, au cœur de l’évolution du champ de bataille actuel, marqué par une dronisation/robotisation galopante. Ce paramètre, si peu considéré, est pourtant au centre des limitations opérationnelles de ces nouveaux systèmes d’armes. L’ignorer, c’est passer à côté d’une donnée absolument dimensionnante, qui dépasse largement le seul domaine des drones ou des robots, un sujet que nous avons traité plus largement dans notre ouvrage « Drones et lutte anti-drone » et que nous n’aborderons ici qu’à travers le cas, plus mesurable, des drones.

Qu’est-ce que la latence ?

La latence correspond au temps qui s’écoule entre le moment d’un stimulus (image, son, détection…) et le moment où la réaction à ce stimulus devient effective. Pour les êtres vivants, cela correspond aux réflexes. Pour un humain moyen, ce temps de réaction se situe aux alentours de 200 à 250 ms, soit environ un quart de seconde. Cela peut sembler court, mais sur un objet en déplacement, ce temps correspond aussi à une distance.

Pour comprendre : un conducteur qui roule à 180 km/h parcourt 50 mètres par seconde. Cela signifie qu’à la vue d’un danger, il parcourra une douzaine de mètres avant même d’entamer une manœuvre d’évitement. Plus un objet se déplace vite, plus la problématique de la latence devient importante.

Ce temps correspond au temps cumulé de transmission de l’information depuis le capteur (l’œil pour un humain, la caméra pour un drone) jusqu’au centre de traitement, au temps de traitement de cette information par le calculateur (le cerveau ou un processeur), ainsi qu’au temps nécessaire pour transmettre le résultat de ce traitement — la décision — aux actionneurs (les muscles pour l’humain, les servomoteurs ou les commandes de vol pour la machine).

Contrairement à une croyance répandue, le temps de latence ne s’applique pas uniquement aux moyens de communication, mais à l’ensemble de la chaîne de transmission et de traitement. À ce titre, l’usage de l’intelligence artificielle engendre lui aussi un temps de latence propre.

Quantification de la latence

Si l’on parle de latence, il convient de la quantifier et celle-ci est très variable selon les technologies utilisées. Elle dépend fortement du type de capteur : l’image produite par une caméra analogique à faible résolution est plus rapide à transmettre et à traiter, mais elle permet de voir moins loin du fait de sa résolution limitée. Une caméra numérique en 4K permet au contraire de mieux distinguer les détails et donc de voir plus loin, mais elle génère davantage de données, plus lentes à transmettre et à traiter.

Prenons l’exemple d’un char de 7 × 3 m. Avec une caméra analogique basse résolution (480p), les images sont peu volumineuses (~0,4 Mo) et se transmettent avec une très faible latence, mais la résolution limitée fait que le char n’occupe qu’une poignée de pixels au-delà de quelques centaines de mètres, le rendant indétectable à plus longue distance. Avec une caméra 4K (3840×2160), la même cible reste identifiable à 1-2 km, chaque image étant nettement plus détaillée. Ce gain a un coût : une image 4K pèse environ 8 Mo, soit 20 fois plus qu’en 480p, ce qui allonge d’autant le temps de transmission et de traitement, donc la latence globale.

La vitesse du porteur a elle aussi un impact : plus un objet se déplace vite, plus la caméra doit capturer d’images par seconde pour conserver une certaine netteté. Or plus il y a d’images à traiter et plus le volume de données à transmettre et à analyser est important.

La capacité de calcul joue également un rôle : plus les processeurs et les mémoires utilisés sont performants, plus ils traitent rapidement l’information mais cela a un impact direct sur le prix, la consommation d’énergie et le coût global du système.

Enfin, les moyens de transmission présentent, selon leur technologie, des latences très différentes. La distance de transmission a elle aussi un effet sur cette latence, puisqu’elle dépend de la vitesse de la lumière : chaque kilomètre entre l’émetteur et le récepteur ajoute 3,33 µs (soit 6,66 µs en comptant l’aller-retour). Ce temps est légèrement supérieur en fibre optique, où la propagation n’est pas rectiligne, ce qui porte ce délai à environ 5 µs par kilomètre.

Mais, comme on vient de le voir, la transmission n’est pas le seul élément à prendre en compte et ce n’est d’ailleurs pas le plus important, même si c’est souvent le seul considéré. Pour rester sur l’exemple vidéo, une caméra numérique avec compression H.264/H.265 peut ajouter 20 à 80 ms, voire davantage, alors qu’une caméra analogique FPV ajoute généralement moins de 10 ms. À ces latences s’ajoutent celles induites par le chiffrement des liaisons numériques, le temps de réaction de l’opérateur pour les plateformes télépilotées, ainsi que les délais de transmission et d’exécution de la commande.

Toutefois, ces chiffres restent théoriques et parfois assez éloignés des réalités du terrain. Ce tableau représente le minimum que l’on puisse espérer. En pratique, ces temps peuvent être sensiblement plus longs, ce qui a un impact opérationnel non négligeable.

On constate que l’écart entre théorie et pratique est particulièrement sensible sur les réseaux 5G et Starlink. Cela s’explique par le fait que ce ne sont pas des moyens de transmission dédiés mais partagés : les délais de latence peuvent donc varier assez fortement selon le niveau d’utilisation du réseau au moment considéré. Par exemple, en juillet 2026, les revendeurs de Starlink à Kinshasa ont fait savoir à leurs clients que les capacités étaient à leur maximum ce qui avait un impact non négligeable sur la performance de la connexion.

Latence et intelligence artificielle

Face au temps de latence lié à la transmission, auquel s’ajoute celui du temps de réflexe humain, certains mettent en avant une plus grande autonomie des plateformes afin de limiter ce délai global. Nous ne traiterons pas ici des limites propres à l’usage de l’IA elle-même, un sujet déjà largement abordé dans notre ouvrage « Drones et lutte anti-drone ». Seules les considérations techniques liées à la latence seront prises en compte ici.

Nous distinguerons deux cas. Dans le premier, l’IA est embarquée sur la plateforme, ce qui limite la puissance de calcul disponible et allonge donc le temps de traitement. Dans le second, l’IA est déportée sur la station de pilotage afin de bénéficier d’un maximum de puissance de calcul.

Les estimations sont basées sur les performances des accélérateurs IA actuels (Jetson Orin NX/AGX, Hailo-8, FPGA embarqués, GPU RTX 5000/6000 ou équivalents côté station). Cette estimation n’aura bien entendu qu’une durée de vie limitée, à mesure que les calculateurs dédiés gagnent en performance et en efficacité énergétique.

Hypothèses retenues

• Détection d’un obstacle ou d’une cible (un seul type d’objet à reconnaitre) par un réseau de neurones de type YOLOv11 / RT-DETR ou équivalent.
• Image HD ou 720p.
• Une seule décision simple (éviter / viser).
• L’autopilote réagit immédiatement après la décision.

On obtient donc une réaction 4 à 6 fois plus rapide que celle d’un opérateur humain.

Malgré l’aller-retour de transmission, la puissance du GPU compense largement : on reste proche de la performance de l’IA embarquée, à condition d’utiliser une liaison de données à faible latence. L’IA déportée perdrait tout son intérêt avec une liaison de type 5G publique, par exemple.

On peut résumer la question ainsi :

• Homme dans la boucle (Human-in-the-Loop) : ~300 à 600 ms.
• IA déportée (AI-in-the-Loop) avec supervision humaine : ~50 ms sur réseau dédié, mais > 250 ms sur réseau public et si on ne tient pas compte du temps d’une intervention humaine.
• IA embarquée (Edge AI) : ~50 à 70 ms, pratiquement indépendante de la liaison de données tant que la décision est prise localement.

D’un point de vue technique, cela montre évidemment l’intérêt de disposer de machines entièrement autonomes. Mais cette conclusion technologiste ne répond pas nécessairement aux contraintes et exigences opérationnelles (besoin en renseignement, évaluation des dommages, gestion du risque d’erreur, sensibilité aux leurres etc.).

Conséquences opérationnelles

Tous ces calculs et ces estimations n’ont d’intérêt que si l’on en tire des conséquences opérationnelles concrètes, ce qui permet d’ouvrir des pistes de réflexion sur les combinaisons les plus pertinentes. En effet, on ne peut pas comparer les moyens de transmission entre eux sans tenir compte de leurs avantages, limites et inconvénients respectifs : une liaison par fibre optique ne sera pas utilisée pour les mêmes usages qu’une liaison satellitaire.

En réalité, ce sont davantage les contraintes opérationnelles qui déterminent les moyens de communication utilisables que l’inverse. Le contexte opérationnel, l’élongation, le profil d’évolution (altitude, ras du sol ou de la mer) et la taille du porteur déterminent ainsi les moyens techniques compatibles avec les exigences de la mission. En général, le choix n’est pas très large, et les conséquences sur la latence en découlent directement.

Or, on l’a vu, un temps de latence correspond à une distance pour un objet en déplacement : il existe donc un rapport vitesse/moyen de communication qu’on ne peut pas dépasser sans risque. Ce rapport est d’ailleurs la clé de lecture de tous les tableaux qui suivent : à chaque niveau de latence correspond une distance parcourue « à l’aveugle » par le vecteur et c’est cette distance, rapportée à la taille et à l’éloignement de la cible, qui fixe en pratique la vitesse maximale réellement exploitable.

Il existe aussi des contraintes techniques propres à certaines liaisons, comme la sensibilité des liaisons radio analogiques à l’effet Doppler. Ce dernier engendre un décalage en fréquence qui, en s’accentuant, finit par interrompre la liaison. Une vidéo largement diffusée illustre bien ce phénomène : on y voit un drone perdre sa liaison radio analogique au-delà de 600 km/h. En pratique, la perte de liaison peut survenir bien plus tôt, le rapport signal/bruit de cette démonstration étant optimal du fait de la proximité du drone. Au-delà de l’effet Doppler, la vitesse influence également la dynamique du récepteur, ce qui restreint d’autant les plages de vitesse réellement utilisables.

En tenant compte de l’ensemble de ces paramètres, on peut estimer une vitesse maximale d’emploi des drones en fonction du moyen de communication utilisé. Le scénario retenu est la découverte d’une cible d’opportunité immobile de la taille d’un char par une caméra HD ou 720p équipée d’un objectif classique (≈ 60-70°), ce qui correspond à une distance de détection de 80 à 100 m pour un objet de type char (~7 × 3 m). Les estimations tiennent également compte du fait qu’un drone ne peut généralement pas supporter plus de 20 g d’accélération latérale, ce qui a un effet majeur sur son rayon de virage. Bien évidemment, ces gammes de vitesses ne sont qu’indicative et leur pertinence ne reste vrai que dans le cadre du scénario retenu. Il est évident que viser un bâtiment de grande taille dont la position est connue à l’avance n’implique pas du tout les mêmes limitations.

En pratique, il est probable que les vitesses réellement utilisables soient plus modestes, car ces calculs restent théoriques et supposent un niveau de réflexe du pilote constant, ainsi qu’un niveau de latence fixe. L’opération Spiderweb l’a très bien montré : nombre d’attaques ont échoué lors d’approches « rapides » (autour de 70 km/h), tandis que celles qui ont réussi l’ont été à très faible vitesse. Le pilote doit en effet garder à l’esprit que l’image qu’il perçoit est en retard et que la position réelle du drone est donc en avance de plusieurs mètres, un décalage qu’il doit anticiper. Cette anticipation est d’autant plus difficile que le décalage est variable dans le temps, en particulier avec la 5G. Ce phénomène a également été observé lors d’attaques FP-1/FP-2 guidées par Starlink, qui ont parfois manqué leur cible de quelques mètres en raison d’une mauvaise prise en compte de ce décalage de position par l’opérateur.

Au-delà de la dimension technique, c’est donc aussi, et peut-être surtout, une question d’entraînement des opérateurs.

L’IA offre donc potentiellement des plages de vitesses utilisables plus importantes, à condition de bien paramétrer le décalage en distance qu’elle doit compenser.

Conclusion

Cette analyse met en évidence une exigence de cohérence globale entre la mission, le moyen de communication retenu et la vitesse du vecteur employé. Le lien entre ces trois paramètres n’a rien d’accessoire : à chaque niveau de latence correspond une distance parcourue « à l’aveugle » et c’est cette distance, rapportée à la taille et à l’éloignement de la cible, qui fixe en pratique la vitesse maximale exploitable. C’est ce rapport, souvent implicite dans les études techniques, qui explique par exemple pourquoi une liaison par fibre optique, malgré une latence électronique très faible, n’autorise que des vitesses modestes du fait des seules contraintes mécaniques du fil alors qu’une liaison radio dédiée à latence comparable permet des vitesses bien supérieures.

La course à la vitesse pure présente donc des limites structurelles qui pourraient se révéler contre-productives. Aujourd’hui, chercher à développer des drones dépassant 600 à 700 km/h paraît peu pertinent, même avec l’appui de l’intelligence artificielle, tant le risque de manquer la cible croît fortement au-delà de ce seuil. Sauf à vouloir intercepter des cibles très rapides comme des missiles, il y a donc peu d’intérêt à rechercher une vitesse élevée pour des drones, a fortiori pilotés par un opérateur humain. Le différentiel de vitesse entre la cible et l’intercepteur devrait, dans l’idéal, rester inférieur à 300 km/h : au-delà, la latence cumulée, même minimisée, expose à un risque d’échec croissant. Ce n’est d’ailleurs pas un hasard si les missiles antiaériens qui n’utilisent ni guidage manuel ni intelligence artificielle, mais des algorithmes plus classiques et bien moins gourmands en puissance de calcul. C’est précisément pour que la latence induite reste compatible avec leur vitesse très élevée.

Pour conclure, la latence n’est pas un simple détail d’ingénierie réservé aux spécialistes des télécommunications : c’est une contrainte structurante, qui doit être pensée dès la conception d’un système au même titre que l’autonomie, la charge utile ou la portée. La négliger, c’est prendre le risque de concevoir des plateformes techniquement impressionnantes mais opérationnellement inadaptées à leur mission, rapides sur le papier mais myopes sur le terrain.

Cela permet aussi de trouver un équilibre sur le rôle de l’IA. Il apparaît, au vu de ses contraintes opérationnelles mais aussi de ses avantages, que le bon équilibre semble être d’utiliser l’IA pour le guidage terminal, une fois que la cible a été identifiée et validée par l’humain, afin d’optimiser la trajectoire en limitant les effets de la latence, tout en s’affranchissant des contraintes des liaisons de données comme la perte de liaison (brouillage ou perte de signal).

Cette notion de latence rappelle enfin que plus une cible est détectée tard, plus ses chances de survie augmentent, d’où l’intérêt de chercher à diminuer sa propre détectabilité.

LIVRE : Drones et lutte anti-drones (Auteurs : Olivier Dujardin et Lauraline Maniglier)