Planification de mouvement mono et multi-agents pour multirotors à haute vitesse

Single and multi-agent motion planning for multirotors at high speeds

• Auteur / Autrice : Charbel Toumieh
• Direction : Alain Lambert
• Type : Thèse de doctorat
• Discipline(s) : Robotique
• Date : Soutenance le 27/09/2022
• 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 : Samia Bouchafa
• Jury : Examinateurs / Examinatrices : Tarek Hamel, David Filliat
• Jury : Rapporteurs / Rapporteuses : Tarek Hamel, David Filliat

Mots clés

Mots clés contrôlés

Drones

Planification

Mouvement

Robots mobiles

Mots clés libres

Planification de mouvement

Couloirs sûrs

Multirotor

Motion planning

Safe corridors

Multirotors

Résumé

La navigation autonome des drones aériens a de nombreuses applications réelles qui peuvent rendre certaines tâches plus rapides et plus efficaces, telles que la recherche et le sauvetage. L'approche principale consiste à diviser le problème de la navigation autonome en sous-problèmes et à essayer de les résoudre de manière optimale. Ces sous-problèmes sont généralement considérés comme étant la perception (localisation et cartographie), la planification et le contrôle. Dans ce travail, nous abordons certains des sous-problèmes qui constituent des goulots d'étranglement du vol rapide et agile de la navigation autonome par drone. Nous mettons l'accent sur l'adaptation de nos algorithmes aux systèmes embarqués à faible puissance de calcul. Notre travail se scinde en 4 parties. La première partie concerne un nouvel algorithme de planification hors ligne, en environnment cartographié et statique, qui bat toutes les méthodes de l'état de l'art en termes de génération de trajectoire optimale en temps pour les multirotors. La deuxième partie traite de la cartographie et étudie les limites de l'utilisation d'un GPU pour transformer une carte de nuages de points générés par des capteurs en une grille de voxels. L'accent est mis sur la génération de la grille de voxels dans le temps de calcul le plus court possible pour la rendre adaptée aux systèmes embarqués à faible puissance de calcul. La troisième partie aborde, en partant d'une grille de voxel, le problème de la génération de couloirs sûrs qui sont utilisés dans les méthodes de planification de l'état de l'art pour planifier des trajectoires sûres et réalisables. Dans notre travail sur les couloirs sûrs, nous améliorons l'état de l'art en termes de sécurité, tout en restant dans les contraintes strictes des systèmes à faible puissance de calcul. La quatrième et dernière partie utilise nos travaux sur les couloirs sûrs et propose un nouveau cadre de planification améliorant l'état de l'art de la planification multirotor dans un environnement statique/dynamique pour la planification mono/multi-agent.

Autonomous navigation of aerial drones has many real-world applications that can make some tasks faster and more efficient, such as search and rescue. The main approach is to divide the problem of autonomous navigation into subproblems and try to solve them optimally. These subproblems are usually considered to be perception (localization and mapping), planning and control. In this work, we address some of these subproblems that are bottlenecks of fast and agile flight of autonomous drone navigation. We focus on making our algorithms suitable for low compute embedded systems. Our work can be divided into 4 parts. The first part presents a new offline planning algorithm in a mapped and static environment that beats all state-of-the-art methods in terms of time optimal trajectory generation for quadrotors. The second part addresses mapping and studies the limits of using a GPU to transform the pointcloud output of sensors into a voxel grid. The focus is on generating the voxel grid in the lowest computation time possible to make it suitable for low compute embedded systems. The third part (using voxel grids) tackles the problem of generating Safe Corridors that are used in state-of-the-art planning methods to plan safe and feasible trajectories. In our work on Safe Corridors we improve on the state-of-the-art in terms of safety, while remaining within the hard constraints of low compute systems. The fourth and final part uses our work on Safe Corridors and presents a new planning framework to improve on the state-of-the-art of multirotor planning in a static/dynamic environment for single/multi-agent planning.