Coordination de drones éclaireurs (UAV) dans la smart-city pour servir les véhicules autonomes

Coordination of scout drones (UAVs) in smart-city to serve autonomous vehicles

• Auteur / Autrice : Amylia Ait Saadi
• Direction : Amar Ramdane-Cherif, Assia Soukane, Yassine Meraihi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/10/2023
• Etablissement(s) : université Paris-Saclay en cotutelle avec Université M'hamed Bougara de Boumerdès (Algérie)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Ingénierie des Systèmes de Versailles (LISV)
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Dalila Acheli
• Jury : Examinateurs / Examinatrices : Khaled-Walid Hidouci, Marie-Ange Manier, Dana Marinca Olariu
• Jury : Rapporteurs / Rapporteuses : Khaled-Walid Hidouci, Marie-Ange Manier

Mots clés

Mots clés contrôlés

Drones

Optimisation mathématique

Villes intelligentes

Véhicules autonomes

Mots clés libres

Véhicule aérien sans pilote (VAP)

Problème de planification de trajectoire d'UAV

Méta-heuristique

Problème de placement d'UAV

Unmanned Aerial Vehicle (UAV)

The UAV path planning problem

Meta-Heuristics

The UAV placement problem

Résumé

Le sujet des véhicules aériens sans pilote (VAP) est devenu un domaine d'étude prometteurtant dans la recherche que dans l'industrie. En raison de leur autonomie et de leur efficacitéen vol, les drones sont considérablement utilisés dans diverses applications pour différentestâches. Actuellement, l'autonomie du drone est un problème difficile qui peut avoir un impactà la fois sur ses performances et sur sa sécurité pendant la mission. Pendant le vol, les dronesautonomes sont tenus d'investiguer la zone et de déterminer efficacement leur trajectoire enpréservant leurs ressources (énergie liée à la fois à l'altitude et à la longueur de la trajectoire) et en satisfaisant certaines contraintes (obstacles et rotations d'axe). Ce problème estdéfini comme le problème de planification de trajectoire UAV qui nécessite des algorithmesefficaces pour être résolus, souvent des algorithmes d'intelligence artificielle. Dans cettethèse, nous présentons deux nouvelles approches pour résoudre le problème de planificationde trajectoire UAV. La première approche est un algorithme amélioré basé sur l'algorithmed'optimisation des vautours africains, appelé algorithmes CCO-AVOA, qui intègre la cartechaotique, la mutation de Cauchy et les stratégies d'apprentissage basées sur l'oppositiond'élite. Ces trois stratégies améliorent les performances de l'algorithme AVOA original entermes de diversité des solutions et d'équilibre de recherche exploration/exploitation. Unedeuxième approche est une approche hybride, appelée CAOSA, basée sur l'hybridation deChaotic Aquila Optimization avec des algorithmes de recuit simulé. L'introduction de lacarte chaotique améliore la diversité de l'optimisation Aquila (AO), tandis que l'algorithmede recuit simulé (SA) est appliqué comme algorithme de recherche locale pour améliorer larecherche d'exploitation de l'algorithme AO traditionnel. Enfin, l'autonomie et l'efficacitédu drone sont abordées dans une autre application importante, qui est le problème de placement du drone. La question du placement de l'UAV repose sur la recherche de l'emplacementoptimal du drone qui satisfait à la fois la couverture du réseau et la connectivité tout entenant compte de la limitation de l'UAV en termes d'énergie et de charge. Dans ce contexte, nous avons proposé un hybride efficace appelé IMRFO-TS, basé sur la combinaisonde l'amélioration de l'optimisation de la recherche de nourriture des raies manta, qui intègreune stratégie de contrôle tangentiel et d'algorithme de recherche taboue.

The subject of Unmanned Aerial Vehicles (UAVs) has become a promising study field in bothresearch and industry. Due to their autonomy and efficiency in flight, UAVs are considerablyused in various applications for different tasks. Actually, the autonomy of the UAVis a challenging issue that can impact both its performance and safety during the mission.During the flight, the autonomous UAVs are required to investigate the area and determineefficiently their trajectory by preserving their resources (energy related to both altitude andpath length) and satisfying some constraints (obstacles and axe rotations). This problem isdefined as the UAV path planning problem that requires efficient algorithms to be solved,often Artificial Intelligence algorithms. In this thesis, we present two novel approachesfor solving the UAV path planning problem. The first approach is an improved algorithmbased on African Vultures Optimization Algorithm (AVOA), called CCO-AVOA algorithms,which integrates the Chaotic map, Cauchy mutation, and Elite Opposition-based learningstrategies. These three strategies improve the performance of the original AVOA algorithmin terms of the diversity of solutions and the exploration/exploitation search balance. Asecond approach is a hybrid-based approach, called CAOSA, based on the hybridization ofChaotic Aquila Optimization with Simulated Annealing algorithms. The introduction of thechaotic map enhances the diversity of the Aquila Optimization (AO), while the SimulatedAnnealing (SA) algorithm is applied as a local search algorithm to improve the exploitationsearch of the traditional AO algorithm. Finally, the autonomy and efficiency of the UAVare tackled in another important application, which is the UAV placement problem. Theissue of the UAV placement relays on finding the optimal UAV placement that satisfies boththe network coverage and connectivity while considering the UAV's limitation from energyand load. In this context, we proposed an efficient hybrid called IMRFO-TS, based on thecombination of Improved Manta Ray Foraging Optimization, which integrates a tangentialcontrol strategy and Tabu Search algorithms.