Planification en ligne de la stratégie de navigation pour un drone autonome

Navigation strategy online planning for autonomous UAV

• Auteur / Autrice : Marion Zaninotti
• Direction : Charles Lesire-cabaniols, Caroline Ponzoni carvalho chanel
• Type : Projet de thèse
• Discipline(s) : Robotique et Automatique
• Date : Inscription en doctorat le 19/10/2020
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Systèmes
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA ACDC - Analyse, Commande Dynamique et Conception des systèmes

Mots clés

Mots clés libres

Planification de chemin en ligne

Apprentissage pour la planification

Pomdp

Abstraction d'état

Online path planning

Learning for planning

Pomdp

State abstraction

Résumé

Nous adressons un problème de planification de chemin efficace et sûr pour la navigation urbaine de drone, sous une disponibilité du GNSS (Global Navigation Satellite System) incertaine. Le problème peut être modélisé comme un POMDP (Partially Observable Markov Decision Process) et résolu en utilisant des algorithmes à base d'échantillonnage. Cependant, un domaine aussi complexe souffre d'un coût de calcul important et atteint des résultats insuffisants sous une contrainte temps-réel. Des recherches récentes visent à intégrer un apprentissage hors ligne afin de guider de manière efficace la planification en ligne. Inspiré par la formalisation de l'état de l'art CAMP (Context-specific Abstract Markov decision Process), nous proposons une approche qui consiste à apprendre la meilleure contrainte à imposer sur le chemin lors de la planification en ligne du problème de navigation de drone, en fonction de la disponibilité du GNSS dans l'environnement. Intégrer cette approche permet de réaliser une abstraction d'état, réduisant ainsi l'espace de recherche de politique et le temps de résolution du problème. Nous proposons ensuite de généraliser cette méthode à l'ensemble des problèmes SSP (Stochastic Shortest Path). Le meilleur poids à donner sur la sécurité vis-vis de l'efficacité du chemin est appris en fonction de l'environnement, de la mission de navigation et des exigences de sécurité de l'utilisateur. Puis, la contrainte à imposer sur le chemin lors de la planification en ligne en est déduite.

We are addressing the challenge of efficient and safe path planning for urban drone navigation, considering uncertain GNSS (Global Navigation Satellite System) availability. The problem can be modeled as a POMDP (Partially Observable Markov Decision Process) and solved using sampling-based algorithms. However, such a complex domain incurs significant computational costs and achieves inadequate results under real-time constraints. Recent research aims to integrate offline learning to effectively guide online planning. Inspired by the state-of-the-art CAMP (Context-specific Abstract Markov Decision Process) formalization, we propose an approach that involves learning the optimal constraint to impose on the path during online drone navigation planning, based on the GNSS availability in the environment. Integrating this approach allows for state abstraction, thereby reducing the policy search space and problem-solving time. We then propose to generalize this method to all Stochastic Shortest Path (SSP) problems. The optimal trade-off between safety and path efficiency is learned based on the environment, navigation mission, and user safety requirements. Subsequently, the constraint to be imposed on the path during online planning is deduced from this learning.