Navigation autonome et évitement d’obstacles d’un Drone par intelligence artificielle et commande avancée

Laboratoire DRIVE - UR 1859

Laboratoire de recherche DRIVE de l’université Bourgogne Europe (UBE) est situé à Nevers dans la Nièvre (58).

Composé d’une soixantaine de membres dont une trentaine d’enseignants-chercheurs et une vingtaine de doctorants, il possède des équipements de pointe et développe une recherche à la fois appliquée et fondamentale de haut niveau dans deux grands domaines cadres : les systèmes intelligents et l’optimisation énergétique ainsi que la mécanique des matériaux et des structures.

1. Contexte scientifique

La navigation autonome des drones dans des environnements complexes et dynamiques constitue aujourd’hui un enjeu majeur en robotique aérienne, tant sur le plan scientifique que technologique. Elle conditionne le déploiement fiable de nombreuses applications civiles et industrielles, telles que l’inspection d’infrastructures, la surveillance de zones sensibles, la cartographie tridimensionnelle ou encore les missions de recherche et de secours. Ces contextes opérationnels imposent des exigences élevées en matière de perception de l’environnement, de prise de décision et de commande, tout en garantissant un haut niveau de sécurité et de stabilité dynamique.

Ces dernières années, les approches fondées sur l’intelligence artificielle, et en particulier sur l’apprentissage par renforcement profond, ont démontré un fort potentiel pour la navigation autonome et l’évitement d’obstacles des drones. En apprenant directement des politiques de décision à partir de l’interaction avec l’environnement, ces méthodes permettent de traiter des situations complexes et fortement non linéaires, sans nécessiter une modélisation exhaustive de l’ensemble des configurations possibles [1, 2, 3].

Néanmoins, les approches purement apprenantes demeurent confrontées à des limitations importantes, notamment en matière de garanties formelles de stabilité, de robustesse et de respect des contraintes dynamiques et physiques du drone. Dans ce contexte, la combinaison de techniques d’intelligence artificielle avec des lois de commande avancées de bas niveau apparaît comme une voie particulièrement prometteuse pour concevoir des systèmes de navigation autonome à la fois performants, sûrs et exploitables en conditions réelles.

2. Objectifs du stage

L’objectif principal de ce stage est de concevoir et de valider une architecture de navigation autonome pour un drone quadrirotor évoluant dans des environnements encombrés et dynamiques. Cette architecture reposera sur une approche hybride combinant :

— des techniques d’intelligence artificielle dédiées à la prise de décision, à la planification locale et à l’évitement d’obstacles ;
— une commande avancée de bas niveau garantissant le suivi de trajectoire, la stabilité du système et le respect des contraintes physiques du drone.

3. Travail proposé

Le travail de stage s’articulera autour des axes suivants :

3.1. Modélisation et environnement de simulation

— Élaboration d’un modèle dynamique du drone quadrirotor ;
— Mise en place d’un environnement de simulation réaliste basé sur ROS (et éventuellement ROS–Gazebo).

3.2. Perception et représentation de l’environnement

— Modélisation d’obstacles statiques et dynamiques ;
— Définition d’une représentation pertinente de l’état du système destinée aux algorithmes d’intelligence artificielle.

3.3. Navigation et évitement d’obstacles par intelligence artificielle

— Développement d’une approche de navigation fondée sur l’apprentissage par renforcement profond ;
— Apprentissage d’une politique de navigation locale et d’évitement d’obstacles, en s’appuyant sur les travaux récents relatifs à la navigation autonome des UAVs [1, 2].

3.4. Commande avancée de bas niveau

— Conception d’une loi de commande assurant le suivi des trajectoires générées par l’intelligence artificielle ;
— Prise en compte explicite des contraintes dynamiques et des exigences de sécurité du drone.

3.5. Validation et analyse des performances

— Validation de l’approche proposée sur différents scénarios de navigation tridimensionnelle ;
— Analyse des performances en termes de sécurité, de précision, de robustesse et de coût de calcul.

3.6. Perspectives

Une validation expérimentale sur un drone réel pourra être envisagée en fin de stage, en fonction des performances obtenues et de la maturité des résultats issus des simulations menées dans l’environnement ROS.

Le ou la candidate devra disposer des compétences et connaissances suivantes :

— solides bases en automatique et en systèmes dynamiques ;
— connaissances en robotique mobile et en systèmes de drones ;
— compétences approfondies en intelligence artificielle, en particulier en apprentissage automatique et en apprentissage par renforcement profond ;
— maîtrise des principes de modélisation, d’entraînement et d’évaluation de modèles d’intelligence artificielle ;
— compétences en programmation scientifique et embarquée (Python, MATLAB, C++), une expérience avec l’environnement ROS étant fortement appréciée.