Coordination automatique d’une flotte de quadcopters à l’aide de communications ad hoc

Automatic coordination of a quadcopters fleet using ad hoc communications

• Auteur / Autrice : Omar Shrit
• Direction : Steven Martin
• Type : Thèse de doctorat
• Discipline(s) : Réseaux, information et communications
• Date : Soutenance le 15/12/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Nadjib Ait Saadi
• Jury : Examinateurs / Examinatrices : Emmanuel Chaput, Razvan Stanica
• Jury : Rapporteurs / Rapporteuses : Emmanuel Chaput, Razvan Stanica

Mots clés

Mots clés contrôlés

Traitement réparti

Drones

Commande intelligente

Apprentissage supervisé (intelligence artificielle)

Apprentissage interactif

Mots clés libres

Apprentissage itératif

Apprentissage par imitation

Contrôleur décentralisé

Flotte de quadrotors

Leader suiveur

Conception de contrôleur

Quadrotors swarm

Leader-Follower

Iterative learning

Imitation learning

Decentralized controller

Controller design

Résumé

Dans cette thèse, nous étudions la conception d’un contrôleur décentralisé pour un ensemble de quadrotors. Les quadrotors sont organisés en leader et suiveurs. Le leader est piloté par l’homme, tandis que les suiveurs utilisent le contrôleur décentralisé pour suivre le leader. Les suiveurs sont autonomes et n’ont pas conscience du comportement du leader. La nouveauté de cette thèse est de s’appuyer sur des capteurs peu coûteux tels que des modules WiFi pour estimer les distances vers les quadrotors voisins. Afin de concevoir le contrôleur décentralisé, l’apprentissage itératif est utilisé et combiné à un apprentissage supervisé et par imitation, à travers plusieurs phases, notamment la collecte de journaux, la formation de modèles avancés et la conception d’un contrôleur sur celui-ci. Ensuite, le contrôleur est intégré dans les suiveurs, les rendant autonomes. Le principal avantage des méthodes d’apprentissage est de déplacer le fardeau de l’optimisation de l’étape des tests en ligne à l’étape de la collecte des données. Par conséquent, cette approche convient aux robots Commerical Of The Shelf (COTS) tels que les micro et nano quadrotors qui ne disposent pas de ressources de calcul considérables à bord. Nos méthodes ont été validées à l’aide de MagicFlock, un framework de construction maison pour essaim de quadrotors qui étend RotorS, un framework de simulation Software In The Loop (SITL) construit sur le simulateur basé sur la physique Gazebo. Nos résultats ont démontré que le comportement de l’essaim est obtenu lorsqu’il est intégré à un ensemble de quadrotors à l’intérieur de Gazebo en utilisant les méthodes d’apprentissage itératif proposées avec une performance similaire à un modèle d’essaim qui utilise les positions absolues des robots.

In this thesis, we study designing a decentralized controller for a set of quadrotors. The quadrotors are organized as a leader and followers. The leader is human-piloted, while the followers use the decentralized controller to follow the leader. The followers are autonomous and not aware of the leader’s behavior. The novelty of this thesis is to rely on inexpensive sensors such as WiFi modules to estimate the distances toward neighbors’ quadrotors. In order to design the decentralized controller, iterative learning is used and combined with supervised and imitation learning, through several phases, including logs gathering, training forward models, and designing a controller upon it. Then the controller is embedded in the followers, rendering them autonomous. The main advantage of learning methods is to shift the burden of optimization from the online tests step to the data gathering step. Therefore, making this approach is suitable for Commerical Of The Shelf (COTS) robots such as micro and nano quadrotors that do not have considerable computational resources on board. Our methods have been validated using MagicFlock, a home build framework for quadrotors swarm that extends RotorS, a Software In The Loop (SITL) simulation framework built on the top of the physics-based simulator Gazebo. Our results demonstrated that the swarm behavior is achieved when embedded on a set of quadrotors inside Gazebo using the proposed iterative learning methods with a performance similar to a flocking model that uses the absolute positions of the robots.