Commande distribuée et communication adaptative pour la coordination robuste d’une flotte de drones autonomes

Dans un contexte où les drones autonomes sont appelés à coopérer pour réaliser des missions complexes (surveillance, cartographie, logistique, etc.), le vol en formation représente une stratégie prometteuse permettant d’optimiser les performances collectives, notamment en termes d’énergie et de couverture spatiale. Toutefois, ce type de coordination soulève plusieurs défis interdépendants [1], [4].

D’une part, la commande distribuée doit permettre à chaque drone de prendre des décisions locales, en temps réel, à partir d’informations partielles et sans dépendre d’un centre de contrôle. Cette approche impose de concevoir des lois de commande robustes aux incertitudes (modèle, capteurs, environnement), tout en assurant une cohérence globale du groupe [2] ,[3].

D’autre part, la communication entre drones, indispensable pour le maintien de la formation, est contrainte par des ressources limitées (énergie, bande passante, portée) et des conditions de vol changeantes (obstacles, interférences, mobilité rapide). Il devient alors crucial de développer des protocoles adaptatifs, capables d’ajuster dynamiquement les paramètres de communication (fréquence, topologie, puissance, etc.) en fonction du contexte opérationnel [6].

Le défi central est donc de concilier optimisation énergétique [5],[7], commande distribuée et robustesse des communications, dans un cadre dynamique et partiellement incertain, afin de garantir la stabilité, la sécurité et l’efficacité de la flotte sur l’ensemble de la mission.

Références

[1] S. M. C. S. M. Abidin et al. Autonomous fleet management for drone operations in logistics. International Journal of Robotics and Automation, 35(4):476–489, 2020.

[2] A. Bakul and S. Chahida. Commande décentralisée pour systèmes multi-agents. Journal of Autonomous Systems, 12(3):45–60, 2008.

[3] Adel Belkadi. Conception de commande tolérante aux défauts pour les systèmes multi-agents : application au vol en formation d’une flotte de véhicules autonomes aériens. PhD thésis, Université de Lorraine, 2017.

[4] M. P. Desai et al. Coordination of multiple uavs for fleet management: A survey. IEEE

Access, 8:215654–215670, 2020.

[5] Zheng Feng, Quan Hu, Hongwei Ma, Yao Zhang, and Yuquan Li. Energy conservation

of v-shaped swarming fixed-wing drones through position reconfiguration. IEEE Access, 7:129454–129463, 2019

[6] Axel Maupoux. Modélisation, analyse mathématique et simulation numérique de grandes flottes de drones autonomes. PhD thesis, Université Paul Sabatier-Toulouse III, 2023.

[7] A Mirzaeinia, M Hassanalian, K Lee, and M Mirzaeinia. Energy conservation of v-shaped swarming fixed-wing drones through position reconfiguration. Aerospace Science and Technology, 94:105398, 2019.

Le Cnam, grand établissement spécialiste de la formation professionnelle supérieure tout au long de la vie

Le Conservatoire national des arts et métiers (Cnam) a été fondé en 1794 par l’abbé Grégoire pour perfectionner l’industrie nationale. C’est aujourd’hui un établissement public à caractère scientifique, culturel et professionnel placé sous la tutelle du ministère de l’Enseignement supérieur et de la Recherche. 

Les formations du Cnam - plus de 750, dans les domaines les plus variés - sont construites et dispensées en lien étroit avec les entreprises et organisations professionnelles. 80 % d’entre elles sont en formation continue et 20 % en formation initiale (principalement en apprentissage). 

Le Cnam abrite également le musée des Arts et Métiers, au cœur de Paris, qui conserve la plus ancienne collection industrielle et technologique au monde. 

Recherche

• 22 laboratoires
• 370 doctorants
• 450 enseignants-chercheurs

• Le ou la candidat(e) devra être titulaire d’un Master 2 ou équivalent, avec une formation solide dans l’un des domaines suivants : automatique, mécatronique, robotique ou aéronautique.
• Une bonne connaissance des méthodes de commande distribuée, des protocoles de communication pour systèmes multi-agents, et/ou de l’intelligence artificielle appliquée aux systèmes autonomes sera fortement appréciée.
• Des compétences en programmation (MATLAB, Python, ROS, etc.) ainsi qu’un intérêt marqué pour le développement expérimental, que ce soit en simulation ou sur plateformes robotiques réelles, constitueront des atouts importants pour la réussite du projet.