La gestion de l’énergie constitue un aspect crucial de l’évaluation des risques associés aux vols de véhicules aériens sans pilote (UAV), car une batterie épuisée pendant le vol entraîne presque inévitablement des dommages matériels au véhicule, ainsi qu’un risque élevé de blessures humaines ou de dégâts matériels. Prédire la quantité d’énergie consommée lors d’un vol s’avère complexe, en raison de l’impact combiné de la trajectoire, des conditions météorologiques, de la présence d’obstacles et d’autres facteurs sur la consommation globale. Nous proposons un modèle d’énergie profond pour UAV basé sur des réseaux de convolution temporelle (Temporal Convolutional Networks) afin de capturer les caractéristiques variant dans le temps tout en intégrant des informations contextuelles statiques. Ce modèle d’énergie est entraîné sur un jeu de données réel et ne nécessite pas de segmenter les vols en régimes distincts. Nous démontrons une amélioration de 29 % dans la précision de la prédiction de la puissance sur des vols de test par rapport à une méthode analytique de pointe. Grâce à ce modèle, il devient possible de prédire la consommation énergétique associée à une trajectoire donnée et d’évaluer le risque d’épuisement de la batterie pendant le vol. Nous proposons d’utiliser la Valeur à risque conditionnelle (Conditional Value-at-Risk, CVaR) comme métrique pour quantifier ce risque. Nous montrons que la CVaR permet de capturer efficacement le risque lié à la consommation d’énergie dans les scénarios extrêmes le long d’un trajet nominal, en transformant la distribution de sortie issue de simulations forward de Monte Carlo dans un espace de risque. Le calcul de la CVaR sur cette distribution dans l’espace de risque fournit une métrique permettant d’évaluer de manière globale le risque associé à un vol avant son décollage. Notre modèle d’énergie et notre méthode d’évaluation du risque contribuent à améliorer la sécurité des vols et à évaluer la zone de couverture potentielle à partir d’un point de décollage proposé.La vidéo et le code sont disponibles à l’adresse suivante : https://youtu.be/PHXGigqilOA et https://git.io/cvar-risk.