Durant cette dernière décade, nous assistons à la libre commercialisation et à l’apparition de drones (appelés aussi UAV pour Unmanned Aerial Vehicles) civils et bon marché, réservés jusque-là à l’utilisation militaire. Grâce aux progrès réalisés dans les nouvelles technologies (caméras HD et 360°, miniaturisation de batteries, etc.) et à la standardisation de diverses normes radio (wifi, LTE, etc.) pour la transmission, il est désormais possible d’utiliser des drones professionnels permettant un pilotage automatique en les programmant afin qu’ils suivent des routes déterminées à l’avance, tout en leur procurant une certaine autonomie de décision et une possibilité de changement de plan de vol à tout moment. Plusieurs tâches d’ordre civil sont alors confiées aux drones parmi lesquelles nous citons la protection de l’environnement, la surveillance des zones agricoles, l’évaluation des dégâts lors de catastrophes naturelles, la détection des incendies en temps réel, la surveillance du trafic routier, etc. Ces tâches requièrent parfois l’utilisation simultanée de plusieurs drones qui doivent alors coopérer et échanger de l’information en mode ad hoc multi-sauts afin d’élargir les zones de couverture. Dans ce contexte et pour améliorer la connectivité des drones avec les stations de base au sol dans les zones non pourvues d’un réseau d’infrastructure
(autoroutes, montagnes, zones sinistrées, etc.), nous avons mené des travaux de recherche [1][2][3] où nous avons combiné des algorithmes de routage ad hoc (RFC 3626[4] et (RFC 3561 [5]) avec des techniques de Swarm Intelligence (PSO [6] et Boids de Reynolds [7]) pour le maintien des routes. Cependant, ces solutions dépendent des plans de vol des drones et de la densité du réseau UAV qui en découle, et ne garantissent pas l’existence d’un chemin pour joindre les stations de base au sol. Pour améliorer la connectivité tout en élargissant la couverture, nous souhaitons dans cette thèse aller au-delà de ces travaux déjà menés en adoptant de nouvelles approches innovantes et prometteuses avec l’intégration de nouveaux paradigmes au réseau d’UAV tels que des capteurs sans fil (WSNs) au sol et/ou des véhicules terrestres connectés et autonomes. Ce réseau hybride et hétérogène permettrait d’offrir une plus large couverture et une meilleure connectivité avec les stations de base au sol. S’il est clair que la combinaison des réseaux de drones avec les réseaux de capteurs et de véhicules terrestres augmente la taille et le nombre de liaisons du réseau résultant, cette combinaison ne conduit pas forcément à un meilleur service.
En effet, sans routage intelligent, tenant compte des données reçues des capteurs au sol et de la mobilité des véhicules et risques de coupure des liaisons avec le temps, le service pourrait être perturbé et instable.
Dans cette thèse, nous souhaitons introduire des outils de Machine Learning dans les drones pour une autonomie de prise de décision dans l’accomplissement de leurs missions en réponse aux données reçues des capteurs au sol, ou dans le calcul des chemins en considérant les modèles de mobilité des véhicules terrestres afin de prédire des routes plus stables en termes d’accessibilité aux stations de base au sol. À cet effet, nous nous intéresserons à deux modèles de mobilité des véhicules : (1) un modèle de mobilité complètement connu (bus, trams, etc.) où nous pourrons estimer la durée de vie des liens et par conséquent, déterminer le meilleur routage pour atteindre la station de base au sol. (2) un modèle de mobilité partiellement connu (autres véhicules) où nous utiliserons des macro-informations comme la densité du trafic, la puissance du signal et le voisinage immédiat pour estimer la durée de vie des liens et déterminer le meilleur routage vers la station de base au sol. Cette prédiction de chemins pourrait se faire à travers des « Data Sets » sur la mobilité spatiotemporelle des véhicules qui peuvent être fournis par des systèmes de données ouverts tel que le portail « OPENDATA » de la métropole de «Bordeaux» [8].
Mots clés
UAVs, VANETs, WSNs, Routage intelligent, GNN, DRL, Machine Learning.
Références bibliographiques
[1] Nouman Bashir, Saadi Boudjit, Gabriel Dauphin, Sherali Zeadally (2023) : "An obstacle avoidance
approach for UAV path planning", Simulation Modelling Practice and Theory journal, Vol. 129, pp.
102815, DOI : 10.1016/j.simpat.2023.102815, Elsevier, December 2023.
[2] Nouman Bashir, Saadi Boudjit, Gabriel Dauphin (2023) : "A Connectivity Aware Path Planning for a fleet
of UAVs in an Urban Environment", IEEE Transactions on Intelligent Transportation Systems, pp. 1-16,
DOI: 10.1109/TITS.2023.3280995, IEEE, June 2023.
[3] Nour El. Bahloul, Saadi Boudjit, Marwen Abdennebi, Djallel Eddine Boubiche (2018) : "A Flocking-based
on Demand Routing Protocol for Unmanned Aerial Vehicles", International Journal of Computer
Science and Technology, Vol.23, No.2, pp.263-276, DOI : 10.1007/s11390-018-1818-3, Springer, 2018.
[4] T. Clausen and P. Jacquet, "Rfc3626: Optimized link state routing protocol (OLSR)", 2003.
[5] C. Perkins et al., "Rfc3561: Adhoc on-demand distance vector (AODV) routing", 2003.
[6] J. Kennedy and R. Eberhart, "Particle swarm optimization", in Proceedings of ICNN’95, International
conference on neural networks, vol. 4. IEEE, 1995, pp. 1942–1948.
[7] C.W. Reynolds, "Flocks, herds and schools: A distributed behavioral model", In ACM SIGGRAPH
computer graphics, 1987, vol. 21, no 4, pp. 25-34.
[8] https://datahub.bordeaux-metropole.fr/explore/dataset/pc_capte_p/information/
Envoyer votre candidature à :
- Saadi Boudjit (LITIS/URN), Directeur de thèse : saadi.boudjit@univ-rouen.fr
- Soheyb Ribouh (LITIS/URN), Co-encadrant : soheyb.ribouh@univ-rouen.fr