Présentation

SkyPilot a créé un environnement d’apprentissage par renforcement (RL) autour d’un simulateur physique d’une Tesla Roadster équipée de quatre propulseurs à gaz froid. Le véhicule, corps rigide de 4,5 m de long et 2 000 kg à vide, est simulé à 500 Hz. Chaque propulseur délivre 12 kN et puise dans un réservoir de 110 à 170 kg d’air comprimé. Le scénario reproduit les deux cascades présentées lors du lancement : un ramp flip (départ à 10‑14 m, inversion complète, atterrissage) et un kickflip au-dessus d’un Cybertruck (vitesse 50‑94 km/h, rotation 360°).

Environnement de simulation

Le vent est modélisé en trois bandes – léger (≤ 14 m/s), tempête (24‑33 m/s) – avec des rafales aléatoires. Le modèle reçoit toutes les 0,2 s une ligne de télémétrie contenant position, vitesse, angle et temps restant jusqu’au camion. Il répond avec un objet JSON décrivant l’une des cinq actions possibles (coast, climb, hold, rotate, land). Le simulateur applique la commande aux quatre propulseurs 50 fois par seconde jusqu’à la prochaine réponse.

{"mode": "rotate", "axis": "roll", "to": 360.0, "lift": 1.0}

Dans cet exemple, le modèle indique de poursuivre la rotation en roulis jusqu’à 360° tout en maintenant une poussée verticale minimale.

Performances des grands modèles de langage

Six LLM récents – DeepSeek V4.1 Flash, Meta Muse Spark Open, Reflection Beam 1.0, NVIDIA Nemotron 3.5 Super VL, TypeSafe Jev 1.14 et OpenAI GPT‑6 Astra – ont été testés en temps réel. Leurs temps de réponse varient de 1 à 6 s, alors que le véhicule exige une nouvelle décision toutes les 0,2 s. En conditions de tempête, aucun de ces modèles n’a réussi un kickflip (taux ≤ 3 %) et aucun ramp flip n’a été atterri correctement.

En mode « pause », où le simulateur attend la réponse, DeepSeek V4.1 Flash atteint 87 % de succès, les autres modèles oscillent entre 58 % et 62 %, et GPT‑6 Astra n’atteint que 74 %.

Analyse du modèle RL‑post‑entraîné

Le modèle Qwen3‑4B, entraîné pendant environ 13 $, répond en 0,09 s et réussit 90 % des kickflips en temps réel, dépassant largement les LLM grand public. Le reward RL, compris entre 0 et 1, attribue 0,4 pour un atterrissage complet et 0,1 supplémentaire pour une finition propre (atterrissage doux, centrée). Cette fonction de récompense pousse le modèle à optimiser non seulement la réussite du vol mais aussi la qualité du touchdown.

Les limites restent liées à la fidélité du simulateur (pas de turbulence complexe) et à l’absence de contraintes matérielles réelles (pas de consommation d’énergie dynamique, pas de dégradation des propulseurs). Le fait que le modèle ne nécessite aucun GPU pour l’inférence montre que l’optimisation du temps de réponse, plus que la taille du modèle, est le facteur décisif pour ce type de contrôle en boucle rapide.