Planification de trajectoire de drone innovante pour des missions de couverture

Les drones, ou véhicules aériens sans pilote (UAV), deviennent une technologie importante avec une large gamme d'utilisations dans différents domaines. Ils peuvent transporter des caméras et des capteurs de haute qualité, leur permettant d'opérer seuls sans toujours avoir besoin d’un contrôle humain. Les drones sont particulièrement utiles pour les missions de recherche et de couverture, car ils peuvent couvrir de grandes zones rapidement et efficacement. Ces missions peuvent inclure des activités comme la recherche et le sauvetage, la surveillance des incendies de forêt, l'espionnage et la cartographie des zones.

Cependant, l'un des principaux défis lors de l'utilisation des drones pour ces missions est de déterminer comment créer des trajectoires de vol qui leur permettent de couvrir efficacement les zones désignées. Cela implique beaucoup de prise de décision et de contrôle, en considérant de nombreux facteurs comme les objectifs du drone, ses mouvements et les limites de temps.

#Défis de couverture

Pour aborder le problème de couverture, il est utile de penser en termes de "carte d’utilité." C'est une carte qui montre à quel point chaque zone est importante basée sur des données antérieures. En utilisant cette carte d'utilité, on peut planifier la trajectoire du drone pour maximiser la zone d'intérêt couverte pendant son vol.

On trouve de nombreuses stratégies pour couvrir les zones dans la littérature. Certaines méthodes s'appuient sur des formes géométriques, où les trajectoires sont des formes simples comme des spirales ou des zigzags. D'autres utilisent des techniques basées sur des graphes, comme l'algorithme A*, pour trouver les meilleurs itinéraires. Cependant, ces stratégies peuvent être inefficaces pour les régions où toutes les zones n’ont pas besoin d’être couvertes, car elles visent souvent à tout couvrir sans prioriser.

Une autre approche se concentre sur la génération de trajectoires plus efficaces en utilisant des informations antérieures sur les régions d'intérêt. Cela implique souvent de diviser la zone en une grille et d'assigner de l'importance à chaque cellule de la grille, permettant au processus de planification de prioriser les zones les plus importantes. De nombreux algorithmes proposés s'appuient sur des techniques mathématiques ou des heuristiques mais rencontrent encore certaines limites.

#Solution proposée

Ce travail présente une nouvelle méthode pour planifier des trajectoires de vol pour les drones lors de missions de recherche et de couverture, basée sur une carte d’utilité modélisée avec un Modèle de mélange gaussien (GMM). L'algorithme de contrôle prédictif par modèle (MPC) proposé vise non seulement à créer des trajectoires efficaces mais encourage également le drone à explorer de nouvelles zones en évitant celles déjà couvertes. Cela se fait en pénalisant le chevauchement des régions de visibilité pendant le vol.

La stratégie proposée est testée en utilisant des simulations MATLAB et Gazebo, ainsi que des tests en extérieur dans le monde réel. Ces évaluations montrent que la méthode peut produire des trajectoires efficaces et fluides pour les drones lors de divers types de missions.

#Formulation du problème

Pour commencer, nous devons mieux comprendre la carte d’utilité. Cette carte montre à quel point chaque point est significatif pour que le drone l'explore. Il est important de noter que la carte d’utilité peut prendre de nombreuses formes, mais nous pouvons bien l'approximer avec un modèle de mélange gaussien.

Le GMM utilise plusieurs composants gaussiens pour représenter l'incertitude. Chaque composant a un poids, une moyenne qui indique son centre, et une matrice de covariance qui décrit son étalement. La combinaison de ces composants aide à créer une image plus précise de l'importance de la zone.

Le modèle de détection suppose que le drone vole à une altitude constante et utilise une caméra dirigée vers le bas. Lorsque le drone explore une zone, il diminue l'incertitude pour les points dans son rayon d'observation. Ainsi, une fois qu'il couvre une zone, il n'obtient aucune valeur supplémentaire à y retourner.

#Problème de contrôle optimal

Le problème que nous voulons résoudre est de générer les meilleures trajectoires de vol qui aideront le drone à maximiser la couverture tout en respectant ses limitations dynamiques. Nous considérons cela comme un problème de contrôle optimal, où nous avons un temps de vol fixe, et nous visons à réduire l'incertitude autant que possible.

#Fonction d'utilité

L'objectif est de maximiser la réduction de l'incertitude dans la carte en comparant les niveaux d'incertitude avant et après le vol du drone. Cependant, résoudre un tel problème n'est pas simple, car le calcul de la fonction objectif est complexe. Pour faciliter le travail, nous prenons une approche plus relâchée et discrétisons le problème, mais cela présente toujours des défis, surtout pour des vols plus longs.

#Contrôle prédictif par modèle

Pour relever le défi de la Planification de trajectoire, nous pouvons appliquer la méthode de contrôle prédictif par modèle. Cette approche consiste à résoudre une version plus simple du problème à chaque étape. Pour chaque nouvelle mesure prise par le drone, nous recalculons les actions optimales pour les prochaines étapes et n'implémentons que la première action. Au fur et à mesure que le drone poursuit sa mission, nous répétons ce processus.

De cette manière, les actions de contrôle sont ajustées fréquemment en fonction des informations les plus récentes, permettant au drone de réagir dynamiquement tout en se concentrant sur ses objectifs.

#Fonction objectif

Le cœur de notre approche MPC est la fonction objectif, qui inclut plusieurs objectifs. Une partie met l'accent sur la couverture des régions avec une grande incertitude, tandis qu'une autre partie décourage les chemins qui se chevauchent, ce qui pourrait amener le drone à revisiter des zones déjà couvertes. Cet équilibre est crucial pour garantir que le drone maintienne une couverture efficace tout au long de son vol.

#Fonction de pénalité

Pour gérer efficacement les chevauchements dans les zones de couverture, nous devons imposer des pénalités sur les intersections. Au lieu de calculer la zone de chevauchement exacte entre des cercles, nous créons une fonction de pénalité qui punit simplement les chevauchements sans nécessiter de mathématiques complexes. Cette simplification aide à réduire les charges de calcul tout en guidant le drone vers une meilleure couverture.

#Complexité computationnelle

La complexité de notre algorithme proposé provient non seulement du problème lui-même mais aussi des nombreux termes dans la fonction objective MPC. Plus l'horizon de prédiction est long, plus de termes sont ajoutés, augmentant la charge de travail pour l'optimisation. Trouver le bon équilibre dans l'horizon de prédiction est essentiel pour atteindre des performances efficaces sans surcharger les ressources informatiques.

#Métriques d'évaluation

Pour évaluer comment notre algorithme fonctionne, nous devons établir une métrique d'évaluation fiable. Une approche consiste à suivre le changement dans le volume d'incertitude couvert par le drone au fil du temps. En nous concentrant sur la manière dont le drone réduit l'incertitude, nous pouvons obtenir des informations sur la qualité de l'algorithme.

#Contrôle de mouvement du quadricoptère

L'accent est mis sur les drones multirotors, comme les quadricoptères, en raison de leur agilité et de leur capacité de stagnation. L'architecture de contrôle est composée de deux couches : la couche supérieure est le planificateur de trajectoire, qui génère des plans de vol de haut niveau, et la couche inférieure est le suiveur de trajectoire, qui contrôle directement le drone pour suivre ces plans avec précision.

#Modèle de dynamique complet

La dynamique sous-jacente du drone peut être assez complexe. Nous décrivons ces dynamiques avec une combinaison de paramètres physiques comme la position, l'orientation, la vitesse angulaire et la poussée. Une compréhension approfondie de ces dynamiques est nécessaire pour assurer un contrôle précis lors des opérations du drone.

#Modèle simplifié

Pour la planification de trajectoire, nous pouvons simplifier le modèle en considérant le drone comme une masse ponctuelle dans un espace bidimensionnel. Cette simplification nous permet de nous concentrer sur les dynamiques essentielles sans être alourdis par les complexités du modèle complet. Tant que les trajectoires planifiées sont raisonnables, cette approche simplifiée offrira des performances appropriées.

#Mise en œuvre

Pour mettre en pratique le schéma de contrôle proposé, nous utilisons le système d'autopilote PX4. Le contrôleur traite les entrées des capteurs et génère des signaux de sortie pour guider le quadricoptère. Le système PX4 est construit avec divers boucles de contrôle qui gèrent la position, l'attitude et la poussée pour assurer un vol fluide.

#Résultats de simulation

Nous avons évalué l'efficacité de notre algorithme MPC grâce à diverses simulations utilisant MATLAB. Ces simulations nous permettent de voir comment le drone se comporte dans différents scénarios, comme lorsqu'il explore des cartes d’utilité avec différents composants gaussiens. En analysant les trajectoires générées et le comportement du drone, nous pouvons évaluer à quel point la méthode proposée fonctionne bien.

#Exemples illustratifs

Dans notre première simulation, nous avons utilisé une carte d’utilité avec un seul composant gaussien circulaire. Le drone se dirige initialement vers la zone d'intérêt la plus élevée mais commence ensuite à suivre une trajectoire en spirale pour couvrir plus de territoire efficacement. Ce comportement illustre l'équilibre entre le fait de se concentrer sur les zones prioritaires et la couverture large.

Dans un autre exemple, nous avons travaillé avec un composant gaussien elliptique. Le drone a ajusté sa trajectoire pour correspondre à la forme de la courbe gaussienne, montrant sa capacité à s'adapter aux différentes caractéristiques de la carte tout en restant efficace.

En augmentant la complexité en introduisant plusieurs composants gaussiens, nous observons comment le drone peut analyser chaque zone d'intérêt tout en gérant sa trajectoire pour maximiser la couverture. Les données collectées tout au long de ces simulations renforcent l'idée que notre algorithme peut efficacement guider les drones lors de missions de couverture.

#Effets des poids et de l'horizon

Nous examinons également comment différents paramètres dans la fonction objectif influencent les performances de l'algorithme. En ajustant ces paramètres, nous pouvons voir comment les trajectoires changent et comment le drone se comporte dans divers scénarios.

De plus, nous explorons comment la variation de la longueur de l'horizon de prédiction affecte le processus de planification de trajectoire. Bien que des horizons plus longs puissent améliorer la couverture, ils peuvent également entraîner des temps de calcul plus longs et des chemins moins efficaces. Trouver un horizon de prédiction optimal est essentiel pour obtenir les meilleurs résultats.

#Comparaison avec les méthodes existantes

Pour évaluer notre algorithme proposé par rapport aux méthodes traditionnelles, nous le comparons au motif de recherche Victor Sierra, bien connu. Cette méthode est couramment utilisée dans les opérations de recherche et de sauvetage. En analysant les trajectoires générées par les deux méthodes, nous constatons que notre algorithme MPC a mieux performé en termes de couverture globale, même s'il était initialement plus lent à réagir.

#Validation expérimentale

Nous avons validé notre algorithme grâce à des simulations dans des environnements à haute fidélité et testé ses performances dans des conditions réelles. À l'aide de Gazebo, nous avons exécuté des simulations qui nous ont permis de visualiser comment le drone réagirait dans différents environnements. De plus, nous avons réalisé des expériences en extérieur pour voir à quel point l'algorithme fonctionnait dans des scénarios pratiques.

Dans nos simulations Gazebo, nous avons donné des commandes spécifiques au drone et observé son comportement alors qu'il suivait les trajectoires planifiées. Nous avons noté que le drone exécutait des chemins fluides et cohérents, démontrant l'efficacité de l'algorithme.

Dans les expériences en extérieur, nous avons rencontré des défis tels que le vent et les inexactitudes GPS qui ont eu un impact sur la performance du drone. Néanmoins, nous avons observé que la couverture du drone correspondait bien aux trajectoires planifiées malgré ces perturbations externes.

#Conclusion

En résumé, ce travail présente une nouvelle approche pour planifier les trajectoires de vol des drones pour des missions de recherche et de couverture, basée sur une carte d’utilité modélisée avec des distributions gaussiennes. L'algorithme MPC proposé encourage l'exploration tout en empêchant le drone de revisiter des zones déjà couvertes.

À travers des simulations et des tests en monde réel, nous avons montré que l'algorithme pouvait générer des trajectoires efficaces qui améliorent les efforts de recherche et de couverture. À l'avenir, nous voyons des opportunités pour améliorer encore l'algorithme en tenant compte des poids variables pour différentes régions et en s'adaptant à des cartes d’utilité variant dans le temps.

À mesure que la technologie des drones continue de progresser, les méthodes développées ici joueront un rôle vital dans l'amélioration de l'efficacité et de l'efficacité des missions aériennes dans diverses applications.