Alessandro Renzaglia - Optimisation stochastique et adaptative pour surveillance cooperative par une équipe de Micro-Véhicules Aériens

L’utilisation d’équipes de robots a pris de l’ampleur ces dernières années. Cela est dû aux avantages que peut offrir une équipe de robot par rapport à un robot seul pour la réalisation d’une même tâche. Cela s’explique aussi par le fait que ce type de plates-formes deviennent de plus en plus abordables et fiables. Ainsi, l’utilisation d’une équipe de véhicules aériens devient une alternative viable. Cette thèse se concentre sur le problème du déploiement d’une équipe de Micro-Véhicules Aériens (MAV) pour effectuer des missions de surveillance sur un terrain inconnu de morphologie arbitraire. Puisque la morphologie du terrain est inconnue et peut être complexe et non-convexe, les algorithmes standards ne sont pas applicables au problème particulier traité dans cette thèse. Pour y remédier, une nouvelle approche basée sur un algorithme d’optimisation cognitive et adaptatif (CAO) est proposée et évaluée. Une propriété fondamentale de cette approche est qu’elle partage les mêmes caractéristiques de convergence que les algorithmes de descente de gradient avec contraintes qui exigent une connaissance parfaite de la morphologie du terrain pour optimiser la couverture. Il est également proposé une formulation différente du problème afin d’obtenir une solution distribuée, ce qui nous permet de surmonter les inconvénients d’une approche centralisée et d’envisager également des capacités de communication limitées. De rigoureux arguments mathématiques et des simulations étendues établissent que l’approche proposée fournit une méthodologie évolutive et efficace qui intègre toutes les contraintes physiques particulières et est capable de guider les robots vers un arrangement qui optimise localement la surveillance. Finalement, la méthode proposée est mise en œuvre sur une équipe de MAV réels pour réaliser la surveillance d’un environnement extérieur complexe.