Sensor-based control of a heterogeneous and autonomous multi-robot system

La surveillance et la gestion d'environnements complexes tels que les forêts, les champs agricoles et les zones sinistrées nécessitent des systèmes autonomes capables de fonctionner de manière fiable dans des conditions GPS refusées, encombrées et changeantes. Les solutions à un seul robot sont souvent limitées en termes d'évolutivité et de robustesse, ce qui motive l'utilisation de systèmes multi-robots hétérogènes (H-MRS) qui combinent les forces complémentaires des plateformes aériennes et terrestres. Les véhicules aériens sans pilote (UAV) offrent une couverture rapide et un accès aux zones difficiles, tandis que les véhicules guidés automatisés (AGV) permettent des inspections à courte portée et la manutention de la charge utile. Ensemble, ils offrent à la fois une sensibilisation à grande échelle et une collecte de données de haute précision, mais leur déploiement présente des défis importants liés à la navigation, à la coordination, à la connectivité et à la perception. Cette thèse aborde ces défis en intégrant la navigation sensible à la connectivité et le Multi-Satellite Visual Servoing (MSVS) dans un cadre unifié pour une surveillance environnementale résiliente et précise. Au niveau de la navigation, une stratégie de contrôle prédictif de modèle (MPC) permet aux équipes UAV-AGV de se déplacer de manière autonome dans des environnements encombrés tout en maintenant les liens de communication et en s'adaptant aux déconnexions potentielles. Des stratégies de récupération sont proposées pour prédire le mouvement des robots isolés et restaurer la cohésion de l'équipe, en veillant à ce que le système reste opérationnel même sous de fortes contraintes de communication. Ces méthodes sont largement validées en simulation, montrant la scalabilité et la résilience de l'approche H-MRS proposée. MSVS garantit que les données multispectrales sont acquises avec la précision et la répétabilité requises pour l'analyse environnementale. Contrairement aux méthodes d'asservissement visuel classiques qui reposent uniquement sur les caractéristiques RGB, le MSVS exploite des informations spectrales pour détecter des indicateurs de stress subtils liés à la végétation et augmente la robustesse dans les scénarios où les indices RGB sont insuffisants. Un cadre hybride basé sur l'apprentissage affine davantage cette approche : un autoencodeur extrait des caractéristiques compactes et résilientes au bruit qui sont intégrées dans une loi de contrôle basée sur des règles, améliorant la vitesse de convergence et la stabilité par rapport aux méthodes traditionnelles. Il est important de noter que la faisabilité du SVSM est validée non seulement dans des simulations, mais aussi à travers des expériences réelles, montrant un déploiement fiable sur des robots physiques. En reliant la navigation, le maintien de la connectivité et la perception multispectrale, le système proposé garantit que les robots atteignent à la fois leurs emplacements désignés et acquièrent des données de haute qualité et reproductibles. Les contributions de ce travail résident dans le pontage d'une coordination autonome à grande échelle avec un positionnement multispectral précis, fournissant une solution déployable pour une surveillance évolutive, robuste et haute résolution dans des environnements difficiles.