Localisation précise de drones aériens pour l'inspection rapprochée des infrastructures

Precise Localization of Unmanned Aerial Vehicles for Close-Range Infrastructure Inspection

• Auteur / Autrice : Diego Navarro
• Direction : Ezio Malis, Antoine Raphaël
• Type : Projet de thèse
• Discipline(s) : Automatique traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Artificial intelligenCE and efficieNT Algorithms for aUtonomous RobotIcs.

Mots clés

Mots clés libres

Localisation

Modélisation 3D

Vision Artificielle

Uav

Localization

Mapping

Computer Vision

Uav

Résumé

La gestion et la maintenance du patrimoine d'infrastructures constituent un enjeu majeur face aux défis liés au changement climatique, à la sécurité des usagers et à la soutenabilité des ressources. Les méthodes traditionnelles, souvent coûteuses, contraignantes et parfois risquées, peinent à répondre aux besoins croissants de suivi précis et de diagnostic rapide des dégradations. Dans ce contexte, le projet ROAD-AI, initié par le Cerema et Inria, vise à développer des approches innovantes pour le suivi de l'état des infrastructures en combinant expertise scientifique et ingénierie opérationnelle. Cette thèse s'inscrit dans l'axe dédié à la capture de données en environnements difficiles. Elle explore l'usage de véhicules aériens sans pilote (UAV) comme solution flexible et efficace pour les inspections rapprochées. L'objectif principal est de dépasser les limites des configurations de capteurs statiques ou intégrés, en proposant une méthodologie qui améliore la précision, la sécurité et l'autonomie des missions de contrôle. Cependant, les scénarios d'inspection rapprochée présentent souvent des conditions de réception GPS dégradées, voire une absence totale de signal. Les contributions se déclinent sur plusieurs plans. Sur le plan scientifique, un cadre de modélisation dense est introduit, permettant la localisation multi-sessions et l'intégration de mesures hétérogènes dans des jumeaux numériques. Une variante d'algorithme de rendu volumique EWA adaptée aux nuages de points de faible densité est proposée, ainsi qu'une méthode de localisation précise pour des scénarios d'inspection rapprochée. Sur le plan technique, des méthodes de recalage robustes et une stratégie de génération de cartes compatibles avec différentes caméras sont développées, facilitant l'analyse et l'exploitation des données. L'étude prend appui sur un cas d'usage concret : l'inspection de grandes structures présentant des risques pour les opérateurs et nécessitant une forte précision spatiale. Le protocole expérimental combine un vol de cartographie équipé d'une caméra stéréo à large distance de base, suivi d'un vol de mesure rapprochée embarquant un capteur spécialisé (radar multi-fréquences) et une caméra conventionnelle (monoculaire). Les résultats montrent que la précision de localisation est maintenue même en conditions d'imagerie défavorables (proximité aux structures) et avec un équipement réduit (seule une caméra monoculaire). Cette avancée constitue un pas significatif vers l'autonomie complète des drones pour le suivi des infrastructures. La méthodologie proposée ouvre la voie à des applications élargies de surveillance, contribuant à la durabilité, à la résilience et à l'optimisation de la maintenance des ouvrages publics.

The management and maintenance of infrastructure assets are major challenges in the context of climate change, user safety, and sustainability requirements. Traditional methods, often costly, constraining, and sometimes risky, struggle to meet the growing demand for precise monitoring and rapid diagnosis of structural degradation. In this context, the ROAD-AI project, initiated by Cerema and Inria, aims to develop innovative approaches to infrastructure monitoring by combining scientific expertise with operational engineering. This thesis addresses the axis dedicated to data acquisition in demanding environments. It explores the use of unmanned aerial vehicles (UAVs) as a flexible and efficient solution for close-range inspections. The main objective is to overcome the limitations of static or embedded sensor configurations by proposing a methodology that enhances the precision, safety, and autonomy of inspection missions. However, close-range inspection scenarios are often characterized by degraded GPS reception or even a complete absence of signal. Key contributions of this system can be divided in two types. On the scientific side, a dense modeling framework is introduced, enabling multi-session localization and the integration of heterogeneous measurements into digital twins. An adapted EWA volume splatting algorithm for low-density point clouds is proposed, together with a precise localization method designed for close-range inspection scenarios. On the technical side, robust registration methods and a strategy for map generation compatible with different camera configurations are developed, facilitating data analysis and exploitation. The study is validated through a concrete use case: the inspection of large structures that pose risks for human operators and require high spatial accuracy. The experimental protocol combines a mapping flight using a wide-baseline stereo camera with a subsequent close-range measurement flight equipped with a specialized payload (multi-frequency radar) and a conventional monocular camera. Results demonstrate that localization accuracy can be maintained even under adverse imaging conditions (proximity to structures) and with reduced equipment (a single monocular camera). This constitutes a significant step toward the full autonomy of UAVs for infrastructure monitoring. The proposed methodology paves the way for broader surveillance applications, contributing to the durability, resilience, and optimized maintenance of civil infrastructures.