Patrouille multi-drones et observation de cibles mobiles

Multi-drone patrol and observation of mobile targets

• Auteur / Autrice : Jamy Chahal
• Direction : Amal El Fallah Seghrouchni, Assia Belbachir
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 30/11/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Olivier Simonin
• Jury : Rapporteur / Rapporteuse : Gauthier Picard, René Mandiau

Mots clés

Mots clés contrôlés

Avions de reconnaissance

Drones

Optimisation par essaims particulaires

Intelligence artificielle répartie

Mots clés libres

Observation

Patrouille

Intelligence artificielle

Systèmes multi-agents

Drones

Apprentissage

Observation

Patrol

Artificial Intelligence

Multi-agents system

UAVs

Machine learning

Résumé

Cette thèse s'intéresse à l'association de la problématique de l'observation avec celle de la patrouille dans un cadre multi-agents. La problématique de l'observation a pour objectif le suivi de cibles en maximisant au cours du temps le nombre de cibles mobiles observées par au moins un agent, tandis que la problématique de la patrouille a pour finalité de visiter le plus fréquemment possible un ensemble de lieu dans l'environnement, ou autrement dit, de couvrir régulièrement l'environnement. Nous proposons que les agents soient face à un dilemme d’exploration, via la recherche active de nouvelles cibles grâce à la patrouille de l'environnement, et d’exploitation, à travers la maximisation de l’observation des cibles. Nous nommons ce nouvel enjeu le Problème de l'Observation appuyée par la Patrouille (POP). En ne s'intéressant pas qu'au suivi de cibles, les agents réduisent également les risques de manipulation par des cibles intelligentes qui pourraient chercher à influencer leurs déplacements. Nous proposons un ensemble de méthodes de résolution du POP reposant soit sur l'utilisation de champs de potentiel (I-CMOMMT), soit sur des approches d'apprentissage, que ce soit par renforcement (FFRL, F2MARL) ou supervisé (MALOS). Ces méthodes sont comparées avec d'autres stratégies issues de la littérature. Les expériences sont réalisées dans un premier temps dans un environnement de simulation Gazebo/ROS2. Les agents y sont représentés par des drones et les cibles par des robots terrestres mobiles. Dans un second temps, les méthodes sont implémentées puis évaluées sur de vrais drones en volière. La thèse introduit deux autres contributions, sous forme d'outils, en complément des approches de résolution du POP. Le premier outil permet aux agents d'identifier efficacement les lieux ayant un potentiel intérêt à être visité, tandis que le second a pour objectif d'optimiser des paramètres d'une mission, tels que le nombre d'agents, tout en respectant une ou plusieurs performances prédéfinies par l'utilisateur. Dans un souci de reproductibilité, l'ensemble des codes, que ce soit pour l'environnement de simulation que les méthodes, sont open-source.

This thesis focuses on the combination of the observation problem with the patrol problem within a multi-agent framework. The observation problem aims to track targets by maximizing the number of mobile targets observed by at least one agent over time. While the patrol problem aims to visit a set of locations in the environment as frequently as possible, essentially achieving regular coverage of the environment. We propose that the agents face an exploration-exploitation dilemma, achieved through actively searching for new targets via environmental patrol and maximizing target observation. We term this novel challenge the Patrolled Observation Problem (POP). By not solely concentrating on target tracking, the agents also mitigate the risk of manipulation by intelligent targets that might attempt to influence their movements. We present a set of solutions for the POP, relying on either potential fields (I-CMOMMT) or learning approaches, whether through reinforcement (FFRL, F2MARL) or supervised learning (MALOS). These methods are compared with other strategies from existing literature. The experiments are initially conducted within a Gazebo/ROS2 simulation environment, where agents are represented by drones and targets by mobile ground robots. Subsequently, these methods are implemented and evaluated on actual drones within an aviary. The thesis introduces two additional contributions in the form of tools, complementing the approaches for solving the POP. The first tool enables agents to efficiently identify locations with potential interest to be visited. The second tool aims to optimize mission parameters, such as the number of agents, while complying to one or more user-defined performance criteria. In the interest of reproducibility, all codes, whether for the simulation environment or the methods themselves, are open-source.