Et si vous pouviez marcher à l’échelle 1:1 dans la vallée de Tautavel telle qu’elle était il y a plus de 500 000 ans, puis entrer dans la grotte et « revoir » les traces d’occupation humaine ?

À Tautavel, dans les Pyrénées-Orientales, un rêve d’archéologues prend forme grâce au projet SCHOPPER, financé par l’Agence nationale de la recherche (ANR). L’ambition est claire : transformer des décennies de données de fouilles en un environnement virtuel explorable, pour mieux comprendre l’homme préhistorique et son monde.

Le site pilote, la Caune de l’Arago, est un gisement majeur du Paléolithique inférieur. On y a mis au jour les plus vieux fossiles humains sur le territoire français et surtout une masse de vestiges difficile à « faire parler » sans outils numériques adaptés.

SCHOPPER : quand l’IA et la VR se répondent

SCHOPPER signifie « Simulation des Comportements des Hommes préhistoriques dans leurs Paléo-Environnements pour la Recherche ». Le cœur du projet : tester des hypothèses sur l’environnement et, à terme, sur les comportements, dans un monde reconstruit.

Le consortium réunit cinq partenaires français, avec trois laboratoires (CERP-HNHP, CEROS, LIX) et deux entreprises (Craft.AI et Immersion Tools). Cette organisation illustre une interdisciplinarité devenue clé en sciences du patrimoine.

Le projet a notamment abouti à une technologie de génération de paysages de la vallée de Tautavel, selon des périodes climatiques contrastées, glaciaires et interglaciaires. La fenêtre temporelle annoncée s’étend entre 600 000 et 90 000 ans avant le présent.

  • IA (intelligence artificielle) : ici, des modèles d’apprentissage automatique pour inférer des paramètres
  • 3D immersive : restitution navigable, à l’échelle, avec interaction et outils de mesure

54 ans de fouilles, une base de données hors norme

La reconstitution s’appuie sur la base de données du laboratoire en charge des fouilles à Tautavel. Construite avec une méthodologie structurée, elle capitalise 54 ans de terrain et de relevés.

Cette mémoire scientifique contient près de 500 000 objets. On y trouve des ossements d’animaux, des industries lithiques et des prélèvements comme des sédiments ou des pollens.

Les objets correspondent à une cinquantaine de moments d’occupation de la grotte. Cette granularité permet de relier des ensembles de traces à des épisodes, plutôt que de tout mélanger dans une seule « couche » temporelle.

  • Données archéologiques : position, orientation, contexte de découverte
  • Données environnementales : indices de flore (pollens), faune, sédiments
  • Enjeu : relier des vestiges à des conditions climatiques et à des usages du site

Une vallée préhistorique simulée, du climat aux déplacements animaux

La simulation est alimentée par des paramètres climatiques comme la température et l’humidité. Ces paramètres sont obtenus via des modèles de machine learning (apprentissage automatique) appliqués aux périodes passées.

À partir de là, la plateforme positionne des espèces végétales selon leurs aptitudes écologiques. Elle fait aussi évoluer des animaux qui se déplacent et se nourrissent selon les ressources et leur éthologie, c’est-à-dire leurs comportements typiques.

Le résultat n’est pas une simple image : c’est un système cohérent, où relief, végétation et faune donnent des repères. Les chercheurs peuvent apprécier des distances, des densités de couvert végétal, ou des zones de passage.

Imaginez une équipe qui doit estimer la mobilité de chasseurs-cueilleurs. En VR, elle observe les barrières naturelles, les franchissements possibles et les zones de regroupement des animaux, au lieu de déduire tout cela sur une carte abstraite.

  • Échelle 1:1 : comprendre le terrain « avec son corps »
  • Relief et distances : évaluer l’effort, les itinéraires, les points de vue
  • Évolution du paysage : suivre des changements d’une période à l’autre

Deux plates-formes complémentaires : moteur d’hypothèses et immersion

SCHOPPER repose sur deux plates-formes en interaction. La première concerne l’exploitation de la base de données et le test d’hypothèses scientifiques via l’IA, développé par Craft.AI.

Ce moteur permet par exemple d’interroger la durée des occupations, la fonction de la grotte, ou encore les conditions climatiques. On ne « regarde » pas seulement des données : on questionne, on compare, on ajuste.

La seconde plate-forme, développée par Immersion Tools, met ces données en scène en réalité virtuelle. Les archéologues interagissent en immersion avec la grotte modélisée en 3D et avec les objets tels qu’ils ont été relevés.

Chaque objet est matérialisé par un parallélépipède de couleur selon sa nature. Sa position, son orientation et son inclinaison au moment de la découverte sont respectées, ce qui est crucial pour l’interprétation.

  • Outils en VR : mesures de distances, affichage de scans 3D, carroyage
  • Déplacements : mouvements du corps ou « téléportation » (saut de position)
  • Objectif : relier spatialité, stratigraphie et hypothèses scientifiques

Apprentissage supervisé en archéologie : le défi des données rares

Les auteurs rappellent qu’un outil d’IA doit apprendre. Dans un apprentissage supervisé, on utilise des données « étiquetées », associant des observations à des catégories ou conditions (par exemple flore/faune et climat).

En archéologie, deux difficultés majeures apparaissent. D’abord, le volume de données est faible à l’échelle du machine learning moderne. Ensuite, elles sont hétérogènes car issues de plusieurs disciplines et difficiles à interpréter.

Personne n’était là il y a 400 000 ans pour mesurer la température. Retrouver un pollen fossile ne suffit pas, à lui seul, à « prouver » un climat : il faut des hypothèses, des référentiels et des validations.

  • Données hétérogènes : paléontologie, archéozoologie, sédimentologie, etc.
  • Données indirectes : on infère le climat à partir d’indices
  • Besoin : adapter l’entraînement de l’IA aux contraintes du passé profond

Actualisme et « dires d’experts » : deux stratégies pour entraîner l’IA

Premier mode d’entraînement : l’actualisme. Le principe consiste à admettre que certains phénomènes observables aujourd’hui sont comparables à ceux du passé, dans certains cas.

Exemple donné : supposer que le renne chassé il y a 450 000 ans a une écologie proche du renne actuel. Cela aide à relier sa présence à des conditions froides, arctiques ou subarctiques.

Autre exemple : le chêne vert, identifié via ses pollens, resterait typique d’un cortège méditerranéen thermophile et résistant à la sécheresse. Ces associations servent à enrichir les données préhistoriques avec des données actuelles.

Pour la faune, le projet s’appuie notamment sur une base WWF listant des espèces de vertébrés et leurs écorégions. Ces points de données relient animaux et caractéristiques environnementales (biome, température moyenne, précipitations).

Deuxième mode : partir des « dires d’experts ». Un archéologue peut déduire une occupation brève, ou une fonction du site, à partir d’un ensemble d’indices. L’IA interroge alors les mêmes éléments pour identifier ce qui a motivé la conclusion.

Point notable : l’algorithme peut estimer que les variables décisives diffèrent de celles mises en avant dans les articles. Ce décalage devient un outil de discussion scientifique, pas un verdict automatique.

  • Actualisme : augmenter le volume de données via des analogies contrôlées
  • Expertise : formaliser des raisonnements implicites et les tester
  • Vigilance : l’IA aide à questionner, pas à « remplacer » l’interprétation

Validation, rasoir d’Ockham et explicabilité (SHAP)

Une fois les données préparées, les équipes procèdent par allers-retours pour identifier des paramètres optimaux. Des étapes de validation évaluent la qualité de l’apprentissage et le pouvoir de généralisation.

Les auteurs évoquent le rasoir d’Ockham : une modélisation plus simple est préférée à une explication trop complexe, si elle rend compte des observations. C’est un principe utile quand les données sont rares.

Des algorithmes d’explication comme SHAP sont aussi mobilisés. L’objectif est de comprendre pourquoi un modèle aboutit à une décision plutôt qu’une autre, afin que des archéologues non spécialistes du machine learning puissent s’approprier les résultats.

  • Validation : contrôler la robustesse des inférences
  • Généralisation : éviter un modèle « bon » uniquement sur les données connues
  • Explicabilité : rendre les décisions du modèle interprétables par les équipes

De la recherche à la médiation : le potentiel XR pour le patrimoine

Même si SCHOPPER vise d’abord la recherche, les retombées en médiation sont évidentes. La VR rend visibles des relations complexes entre objets, espace, climat et comportements.

Imaginez un musée où l’on passe d’une vitrine d’outils lithiques à une scène contextualisée. Le visiteur observe la grotte, sort dans la vallée et comprend intuitivement ce que signifient distances, relief et ressources.

Rappel utile : l’XR regroupe VR (immersion totale), AR et parfois MR, .

Le Musée de Préhistoire de Tautavel propose déjà une expérience en AR pour observer le plus vieux crâne humain retrouvé en France sous tous les angles. Ces dispositifs créent un pont direct entre recherche et public.

  • Médiation : rendre le raisonnement scientifique perceptible
  • Formation : apprendre par l’espace et l’échelle, pas seulement par le texte
  • Patrimoine : recontextualiser des traces fragmentaires dans un monde cohérent

Ce que cela inspire aux professionnels et où explorations360 s’inscrit

Pour des institutions patrimoniales, l’enjeu est souvent de produire vite, de mettre à jour facilement et de diffuser sur différents supports. C’est là que des approches no-code prennent du sens.

Avec easystory360, un musée ou un site peut créer des parcours immersifs à partir de contenus 360° et de scènes guidées, sans écrire une ligne de code. L’objectif : scénariser, contextualiser et transmettre.

Pour l’exploitation sur le terrain, easybox360 permet de déployer des casques préconfigurés pilotés par tablette. C’est particulièrement utile quand la connexion est limitée, comme sur certains sites isolés.

Dans des espaces d’accueil, easykiosk360 peut soutenir une consultation autonome, tandis que des formats de quiz VR facilitent l’évaluation en immersion. La connexion à un LMS (Learning Management System) aide à tracer et structurer l’apprentissage.

Enfin, dans des contextes sensibles (santé, accompagnement, prévention), easycare360 peut prolonger la logique de médiation immersive, avec des contenus conçus pour informer et rassurer, sans surcharger cognitivement.

  • No-code : accélérer la production et l’itération des contenus
  • Diffusion : casques gérés, modes hors-ligne, pilotage simplifié
  • Pédagogie : quiz VR et intégration LMS pour mesurer la compréhension

Et après : comportements, son et nouvelles pistes

Les auteurs indiquent qu’il reste à approfondir tout ce qui touche aux comportements des ancêtres. La difficulté : construire des référentiels solides d’apprentissage avec peu de données sur des périodes très anciennes.

Le consortium travaille sur de nouvelles pistes techniques pour améliorer la performance de l’IA. Il est aussi question d’ajouter de l’immersion par le son, un levier puissant pour renforcer la présence en VR.

En filigrane, SCHOPPER montre une trajectoire : l’IA structure et teste, la VR rend tangible et discutable. Ensemble, elles transforment des archives de fouilles en un espace de recherche et de transmission.

#Préhistoire #RéalitéVirtuelle #IntelligenceArtificielle #PatrimoineNumérique #Archéologie #Tautavel #MédiationScientifique #XR #NoCode #LMS

Cet article fait partie de notre veille technologique Veille360, une sélection d'actualités sur les technologies immersives.