Le projet Deeplomatics vise à développer un système de surveillance anti-drone basé sur l’utilisation de techniques de Deep Learning s’appuyant sur des capteurs audio et vidéo. Le système est constitué de plusieurs antennes micro- phoniques disposant chacune de leur intelligence artificielle embarquée. Chaque antenne est en mesure, indépendam- ment des autres antennes, de détecter, reconnaître et localiser en temps réel l’intrusion d’un drone. Après avoir fusionné ces informations, un système optronique est dirigé vers la cible, pour confirmer l’intrusion grâce à différentes caméras, elles aussi disposant de leur propre intelligence artificielle. Le réseau de neurones profond utilisé pour l’acoustique est une variation de l’architecture BeamLearning proposé par les auteurs, qui permet d’estimer conjointement en temps réel la position et la nature de la source. Chaque antenne peut surveiller une zone de 100 hectares, au sein de laquelle l’erreur d’estimation angulaire est inférieure à 3◦, et dont le taux de reconnaissance dépasse les 85 %. Un critère de confiance est également inclus dans la fonction de coût, ce qui permet lors de l’inférence d’estimer la pertinence de chacune des 40 estimations par secondes. Ce projet totalise plusieurs dizaines d’heures d’enregistrements de vol de drones, obtenus grâce à plusieurs antennes de microphones adaptées à un encodage ambisonique d’ordre 3 à 5. L’intérêt de cet encodage, est de pouvoir ensuite restituer ces enregistrements en laboratoire, grâce à un système de spatialisation 3D, piloté par les positions GPS en- registrées sur site. Les données peuvent ensuite être réenregistrées sur n’importe quelle antenne microphonique, et d’entraîner le réseau de neurones profond pour des antennes non présentes lors des campagnes de mesures initiales. Grâce à cette approche, il est aussi facile de faire de l’augmentation de données (rotation de la scène sonore, rajout d’environnement acoustique réaliste...), pour obtenir, in fine, un système précis et robuste en environnement réel.