Prédiction de performance de matériel graphique dans un contexte avionique par apprentissage automatique

Le matériel informatique graphique destiné aux ordinateurs de bureau ou aux systèmes embarqués traditionnels, ainsi que leur interface de programmation ne peuvent pas être utilisés dans les systèmes avioniques puisqu'ils ne se conforment pas aux règles de certifications DO-254 et DO-178B. Toutefois, on remarque le faible nombre d'outils de conceptions qui encadrent le développement d'applications graphiques avioniques, et ce malgré l'apparition de matériel graphique avionique de plus en plus performants. Suivant par exemple la méthode classique de conception en V, les ingénieurs doivent d'abord effectuer des choix de conception reliés à la sélection du matériel graphique avant de débuter une quelconque implémentation de code. Ainsi, il peut être difficile d'évaluer la pertinence de ces choix en évaluant les performances de traitement du matériel graphique puisque l'engin graphique n'aurait pas nécessairement été développé. Je propose donc un outil de conception permettant de prédire les performances de matériel graphique en termes d'images par secondes (FPS), basé sur OpenGL SC. L'outil crée des modèles non-paramétriques de performance du matériel en analysant, à l'aide d'algorithmes d'apprentissage, le temps de dessin de chaque image, lors du rendu d'une scène 3D synthétique. Cette scène est rendue à quelques reprises en faisant varié certaines de ses caractéristiques spatiales (nombre de sommets, taille de la scène, taille des textures, etc.) qui font parte intégrante du logiciel de vision synthétique habituellement développé dans ce domaine. Le nombre de combinaisons de ces caractéristiques utilisées durant l'entraînement supervisé des modèles de performance n'est qu'un très petit sous-ensemble de toutes les combinaisons, le but étant de prédire par extrapolation celles manquantes. Pour valider les modèles, une scène 3D fournie par un partenaire industriel est dessinée avec des caractéristiques non traitées durant la phase d'entraînement, puis le FPS de chaque image rendue est comparé au FPS prédit par le modèle. La tendance centrale de l'erreur de prédiction est ensuite démontrée comme étant moins de 4 FPS.