Commande distribuée et communication adaptative pour la coordination robuste d’une flotte de drones autonomes

Topic description

OBJECTIF : Optimiser la consommation d’énergie de la flotte tout en assurant une communication fiable entre les drones. Pour cela, il s’agit de développer des stratégies de commande distribuée basées sur des informations locales, en s’appuyant sur un protocole adaptatif capable de s’ajuster dynamiquement aux conditions de vol et aux variations de la topologie du réseau.

1-Contexte

L’aviation a connu des avancées majeures, passant de l’imitation du vol des oiseaux aux technologies modernes de drones. Aujourd’hui, la recherche s’oriente vers le vol en formation autonome, inspiré des comportements collectifs observés chez les insectes, les oiseaux ou les pois sons, où plusieurs drones se déplacent de manière coordonnée et décentralisée grâce à des principes d’intelligence collective [2]. Un défi majeur consiste à optimiser la consommation d’énergie tout en garantissant une communication fiable entre les drones. Cela passe par la conception de trajectoires et de formations exploitant les effets d’aérodynamisme collectif [6], tout en maintenant des distances inter-agents assurant la stabilité du réseau de communication et l’évitement des collisions. Dans ce contexte, l’évolution des réseaux mobiles ouvre de nouvelles perspectives. La 5G introduit des services comme URLLC et mMTC pour les applications critiques, tandis que la 6G vise des réseaux plus distribués, autonomes et sobres en énergie [12 ;3;10]. Toutefois, les architectures centralisées deviennent rapidement limitées lorsque la taille de l’essaim augmente. Les communications Device-to-Device (D2D) et NR sidelink du 3GPP constituent une alternative en permettant des échanges directs entre drones, mais introduisent de nouveaux défis tels que la gestion des interférences, l’allocation des ressources radio, le routage multi-sauts et la synchronisation. Dans ce cadre, cette thèse vise à étudier et modéliser un réseau d’essaim de drones basé sur une approche décentralisée, afin d’évaluer ses performances (fiabilité, latence, robustesse) par rapport à une architecture centralisée et d’identifier les mécanismes d’optimisation adaptés aux communications au sein d’essaims de drones.

2-Objectifs

1. Modélisation de l’essaim de drones : Développer un modèle mathématique et computationnel décrivant les interactions locales entre drones en formation, inspiré des comportements collectifs observés dans la nature, ainsi que la modélisation individuelle des drones de la flotte [16 ;4].

2. Commande distribuée pour la coordination : Concevoir des stratégies de commande Proposition de thèse CNAM distribuée permettant une coordination efficace des drones sans autorité centrale, tout en tenant compte des contraintes de communication et des perturbations environnementales [13;1;8;15].

3. Développement d’un protocole de communication adaptatif basé sur des informations locales : La littérature sur les networked control systems a établi l’impact des retards, pertes et contraintes de réseau sur la stabilité et la performance des systèmes contrôlés [9],[18]. Parallèlement, la commande distribuée (consensus, formation leader–follower, etc.) a proposé des méthodes robustes et scalables, mais souvent avec des modèles de communication simplifiés. Les approches event-triggered pour systèmes multi-agents constituent une piste structurante : elles permettent de réduire le nombre de transmissions tout en garantissant des propriétés de convergence, sous certaines conditions [5]. Le co-design communication–commande vise précisément à relier quantitativement les KPI radio (latence, PER, intermittence) aux propriétés de stabilité/convergence et à concevoir des politiques de communication guidées par les besoins de la commande [9;18;5], ce qui est particulièrement pertinent pour les essaims de drones.

4. Optimisation de la consommation d’énergie : Identifier et exploiter les effets favorables à l’efficacité énergétique (comme l’aérodynamisme collectif) dans une formation de drones afin de réduire la consommation de l’essaim, en optimisant trajectoires et distances inter-agents. Bien que l’énergie de propulsion domine, la communication radio et le calcul embarqué deviennent significatifs avec l’augmentation des échanges [7]. Le principal défi est donc de développer des méthodes intégrées liant formation/trajectoires, fréquence des messages, puissance d’émission et topologie pour minimiser la consommation totale tout en garantissant la sureté de fonctionnement.

5. Validation et évaluation : Evaluer les stratégies proposées par simulation dans des scénarios réalistes incluant perturbations, défaillances et variations de l’environnement [11;17;8;4;14;16]

References

[1] S. M. C. S. M. Abidin et al. Autonomous fleet management for drone operations in logistics. International Journal of Robotics and Automation, 35:–, .

[2] Adel Belkadi. Conception de commande tolérante aux défauts pour les systèmes multi-agents : application au vol en formation d’une flotte de véhicules autonomes aériens. PhD thesis, Université de Lorraine, .

[3] Shengliang Dang, Osama Amin, Basem Shihada, and Mohamed-Slim Alouini. What should 6g be? Nature Electronics, 3:20–29, .

[4] M. P. Desai et al. Coordination of multiple uavs for fleet management: A survey. IEEE Access, 8:–, .

[5] Dimos V. Dimarogonas, Emilio Frazzoli, and Karl H. Johansson. Distributed event-triggered control for multi-agent systems. IEEE Transactions on Automatic Control, 57:–, .

[6] Zheng Feng, Quan Hu, Hongwei Ma, Yao Zhang, and Yuquan Li. Energy conservation of v-shaped swarming fixed-wing drones through position reconfiguration. IEEE Access, 7:–, .

[7] Abbas Fotouhi, Ming Ding, Mahbub Hassan, Marco Giordani, Adrian Garcia-Rodriguez, Jie Yuan, and Robert W. Heath. Survey on uav cellular communications: Practical aspects, standardization advancements, regulation, and security challenges. IEEE Wireless Communications, 26:–, .

[8] A. Garcia et al. Optimizing drone fleet operations: A survey of challenges and solutions. International Journal of Unmanned Systems Engineering, 3:–, .

[9] Joao P. Hespanha, Payam Naghshtabrizi, and Yonggang Xu. A survey of recent results in networked control systems. Proceedings of the IEEE, 95:–, .

[10] Hexa-X Consortium. Hexa-x vision, architecture, and key technologies for 6g. hexa-x.eu/publications/,. 6G White Paper Series.

[11] Hoang Anh Pham. Coordination de systèmes sous-marins autonomes basée sur une méthodologie intégrée dans un environnement Open-source. PhD thesis, Université de Toulon, .

[12] Walid Saad, Mehdi Bennis, and Mingzhe Chen. A vision of 6g wireless systems: Applica tions, trends, technologies, and open research problems. IEEE Communications Magazine, 57:–, .

[13] Osamah Saif and Isabelle Fantoni. Commande lqr d’une flotte de multiples véhicules aériens. In 5èmes Journées Doctorales/Journées Nationales MACS (JD-JN MACS ), .

[14] A. S. Singh, J. V. Patel, and D. R. Mehta. A survey on autonomous drone fleet management: Technologies and applications. Journal of Field Robotics, 38:34–57, .

[15] John P. Smith. Autonomous drone fleet for precision agriculture. Master’s thesis, University of Texas, .

[16] Kimon P. Valavanis and George J. Vachtsevanos. Handbook of Unmanned Aerial Vehicles. Springer, .

[17] Sarah Williams. Fleet Management and Coordination of UAVs for Surveillance Applications. PhD thesis, University of California, Berkeley, .

[18] Wei Zhang, Michael S. Branicky, and Stephen M. Phillips. Stability of networked control systems. IEEE Control Systems Magazine, 21:84–99,

Starting date

-09-01

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details