Missions pour formations de drones en environnement hostile 

Télécharger le fichier pdf d’un mémoire de fin d’études

Déplacements en formation en robotique

L’utilisation d’une formation ne se limite pas aux engins volants et il convient d’observer la diversité des systèmes où ce type de contrôle est mis en œuvre. Nous faisons ici la distinction en fonction du milieu dans lequel évoluent les robots.

Les robots terrestres

L’utilisation de la formation pour les robots terrestres a été assez peu étudiée et essentiel-lement pour des systèmes simples. Les robots mobiles holonomes {Balch et Arkin, 1998} ou non-holonomes {Desai et al., 1998} ont été largement utilisés pour démontrer l’efficacité de dif-férentes méthodes. Balch et Arkin {1998} ont également proposé une expérimentation avec des véhicules militaires Hummer en environnement extérieur. La majorité des études porte sur la coordination et la coopération entre plusieurs robots autonomes comme dans le cadre du projet Martha {Alami et al., 1998b} ou dans les travaux de Svestka et Overmars {1998}.
Une situation beaucoup plus intéressante se rapproche des problématiques de formation. La gestion automatique du trafic routier {Horowitz et Varaiya, 2000}, notamment le maintien de l’espacement entre les véhicules sur les voies rapides par exemple, n’est pas exactement un cas de formation tel qu’il est défini § 2.1. En effet, les véhicules ont des destinations indépendantes et rien n’impose de maintenir une proximité entre eux. Cependant, maintenir un espacement optimal lors de congestion permet de fluidifier le trafic tout en assurant la sécurité des personnes. Les questions de stabilité et de contrôle sont alors similaires à celles d’une formation.

Les satellites

Les constellations de satellites sont de plus en plus utilisées dans les domaines des télécom-munications, du positionnement par satellites et de l’observation spatiale.
Les satellites de communication (télévision, internet. . .) sont le plus généralement placés sur orbite géostationnaire et doivent assurer un espacement constant entre eux tout en maintenant leurs antennes pointées vers la Terre. Les problématiques auxquelles sont confrontés ces systèmes relèvent purement d’un contrôle automatique. La configuration de la formation est très simple et ne change pas pendant la durée de service des satellites.
Les constellations de type GPS (Global Positioning System) ou téléphone par satellites sont sur des orbites basses ou moyennes. La problématique n’est plus ici de maintenir une formation serrée, mais de placer les satellites sur des orbites décalées et synchronisées, de façon à avoir la meilleure couverture au sol pour assurer une bonne qualité de service (il faut voir au moins quatre satellites GPS simultanément pour avoir une position).
Enfin, les systèmes d’observation de la Terre ou de l’espace utilisent de plus en plus des instruments placés sur des satellites différents. Dans le cas de l’interférométrie par exemple, la qualité des mesures dépend de l’espacement entre plusieurs capteurs {Beard et al., 2001}. Une formation de satellites permet d’obtenir un espacement à la fois important et variable, mais extrêmement précis, en utilisant des plateformes basiques de moindre coût.
Dans l’avenir, nous verrons probablement se développer des micro-satellites pour assister les astronautes dans la construction de stations orbitales ou pour effectuer des diagnostics ou des réparations autonomes lorsque l’humain n’est pas présent ou incapable d’intervenir. La coopé-ration, la reconfiguration et l’évitement d’obstacles seront au centre de toutes les attentions, le moindre écart pouvant être fatal {Clark et al., 2003}.

Les robots aquatiques

Les problématiques liées au contrôle de formation pour des robots marins sont très proches de celles des avions civils, avec néanmoins des dynamiques assez différentes. Les applications possibles sont le convoyage de plusieurs cargos avec des équipages réduits, la navigation auto-matique dans des zones de grand trafic (par exemple, le rail d’Ouessant) ou à l’approche des zones portuaires {Arrichiello et al., 2006}. Des systèmes sous-marins exploitent eux aussi les déplacements en formation {Fiorelli et al., 2004}.
Il existe par ailleurs des initiatives plus originales, telles que le contrôle d’une formation de robots poissons biomimétiques {Shao et al., 2006}.

Les robots aériens

Les robots aériens ou drones (Unmanned erial Vehicle, UAV) offrent une très grande variété de types. Ils sont généralement classés selon leur taille et leur endurance (voir figure 2.2). On peut ainsi distinguer les drones HALE (Haute Altitude Longue Endurance), les drones MALE (Moyenne Altitude Longue Endurance), les drones de courte et moyenne portée et les mini drones. Ils peuvent également être caractérisés par leur fonction : drones stratégiques, drones tactiques ou drones de combat (Unmanned Combat Air Vehicle, UCAV). Les types d’engins vont des avions à ailes fixes aux voilures tournantes, en passant par des systèmes hybrides.
Les drones stratégiques sont des drones HALE et ne sont pas vraiment concernés par les problématiques de vols en formation, car ils sont principalement destinés à des missions de reconnaissance ou de guerre électronique où un seul avion est généralement suffisant. Ils pourront néanmoins être intéressants à l’avenir dans le cas de ravitaillements en vol, où ils pourraient servir d’avions tanker. Le seul drone HALE connu aujourd’hui est le Global Hawk américain (figure 2.3). Les drones tactiques concernent une très large gamme d’engins, allant des mini ou micro drones aux drones MALE. Ils sont donc amenés à exécuter un panel très large de missions. Le drone MALE le plus connu est le Predator américain (figure 2.4), qui a largué plusieurs fois des bombes ou missiles en Afghanistan en 2001, par exemple.

Les applications du vol en formation

Applications militaires

Il est évident que les utilisateurs privilégiés pour ce type de systèmes sont les militaires. De nombreuses études sont menées sur la planification de missions militaires pour des formations de drones de combat ou d’observation.
Degirmenciyan-Cartault et al. {2005} proposent un cadre pour la planification multi-agents à base d’automates hybrides. Le cycle présenté va de la modélisation du système à la validation des plans aux niveaux mono- et multi-agents. Le contrôle de l’exécution et des méthodes de replanification permettent de gérer les agents dans un environnement dynamique.
Le système de gestion proposé par Baltié et al. {2007} a pour objectif de planifier des missions pour des groupes de drones de combat en environnement hostile, en prenant en compte la coordination et la coopération entre les équipes. L’un des intérêts mis en avant par ce système est que la couche de décision et de contrôle mêle des comportements réactifs pour répondre aux aléas et de la planification pour la décision à plus long terme.
Dans {Bellingham et al., 2001}, un système de planification multi-tâches et multi-drones est présenté. L’accent est mis sur l’allocation des tâches et la détermination de chemins optimaux pour atteindre les objectifs sélectionnés. Dans l’application proposée, les avions volent de façon indépendante et en coopération. Cependant le cas d’étude pourrait très simplement être étendu à une activité multi-formation basique. Une véritable planification multi-formations offre des possibilités de réorganisation et de gestion des ressources qui ne sont pas appréhendées par des systèmes multi-drones.
Le système de planification proposé par Sousa et al. {2004} prend en partie en compte ces aspects de multi-formations. Le principe est d’attaquer les menaces par vagues successives, de façon à ne pas dépasser un certain niveau de risque au cours de la mission. Cependant, il n’y a pas de remise en cause des objectifs finaux ni de réorganisations possibles. Le contrôleur d’exécution baptisé SWIFT permet de gérer les ressources d’une formation, mais ne se préoccupe pas pour autant de la configuration réellement adoptée par la formation.
Ces deux derniers systèmes font partie d’un projet américain financé par le DARPA, baptisé MICA (Mixed Initiative Control for Automa-teams). L’objectif est de concevoir et d’évaluer un contrôleur hiérarchique d’équipes semi-autonomes. Les missions sont spécifiées à un assez haut niveau et l’environnement est incertain, hostile et dynamique. Les cinq points principalement développés dans MICA sont :
1. une architecture hiérarchique pour des groupes d’engins semi-autonomes et distribués,
2. le contrôle d’engins hétérogènes,
3. la gestion des informations,
4. la confrontation à des événements incertains,
5. la présence d’interventions humaines dans la planification de mission et le contrôle d’exé-cution.
Ces cinq points sont cruciaux pour tout système devant gérer plusieurs formations d’UAVs. Le dernier point, notamment, n’est pas à négliger. En effet, même si un groupe a une très forte autonomie décisionnelle, il reste le maillon d’une longue chaîne comprenant notamment des agents humains au niveau de décision le plus haut. N’oublions pas qu’il s’agit de missions militaires, et qu’ici, peut-être plus qu’ailleurs, chaque décision d’attaque peut avoir de lourdes conséquences. De plus en plus, les drones ont des capacités offensives et ne sont plus seulement des systèmes d’observation. La décision d’attaquer, et plus important encore, celle d’annuler à tout moment une opération en cours, doit toujours revenir en dernier recours à un opérateur humain. La chaîne de commandement et la transmission des informations doit en conséquence être très souple et réactive.
Parmi les nombreuses phases d’une mission, on peut citer le cas de la phase de convoyage, où il s’agit d’emmener un groupe d’engins vers un point situé en zone hostile, afin d’y effectuer une tâche particulière. Le groupe de drones peut alors se retrouver exposé à des menaces, comme des radars de tir ou des radars de veille. C’est essentiellement dans le contexte d’une telle mission que les travaux présentés dans ce rapport ont été réalisés. On va notamment chercher à adapter la configuration de la formation durant cette phase dans le but de la rendre plus efficace.

Applications civiles

Il n’y a pas à notre connaissance de système de planification de missions civiles qui utilisent explicitement le vol en formation. Les architectures hiérarchiques sont, comme pour le cas mili-taire, très utiles afin de contrôler plusieurs engins hétérogènes avec un minimum d’opérateurs. Une application classique est la détection et la surveillance des feux de forêt {Ollero et al., 2005}. Généralement, seules les actions exécutées sur site sont considérées lors de la planification, ou alors la base au sol est proche du lieu d’intervention. Cependant, il n’y a pas besoin d’une phase de convoyage longue où le vol en formation pourrait être mis à profit.
C’est justement ces phases de convoyage qui semblent présenter un intérêt pour les appli-cations civiles. Les études pour l’optimisation du trafic commercial sont nombreuses {Tomlin et al., 1998; Haissig, 2004}. Afin de vraiment tirer parti du vol en formation, il faudrait imaginer des applications de surveillance ou de cartographie où des capteurs placés sur plusieurs avions doivent respecter une orientation et un espacement selon la zone à traiter.
Il y a plusieurs critères qui doivent être pris en considération pour la conception d’un contrô-leur de formation, tels que la stabilité, la contrôlabilité, la sécurité et les aléas. Différentes approches pour le contrôle ont été mises en avant pour résoudre ces problèmes, avec notamment les stratégies de leader-suiveur, les structures virtuelles ou les méthodes comportementales. Cette section aborde ces différentes notions, que l’on peut également retrouver synthétisées dans {Chen et Wang, 2005}.

La stabilité

La stabilité est la capacité d’un système à revenir naturellement dans une position d’équilibre après avoir reçu une perturbation. On peut distinguer trois concepts de stabilité différents, mais néanmoins reliés.
La stabilité de « corde » (string stability) concerne la propagation d’une perturbation dans une formation en colonne. Une colonne est stable si l’effet d’une perturbation à la source est amortie quand elle se déplace vers les suiveurs {Swaroop et Hedrick, 1996}. Pour des colonnes suffisamment longues, si la politique de contrôle requiert un espacement constant entre les vé-hicules, les informations venant à la fois du véhicule qui précède et du leader sont nécessaires. Ceci implique la mise en œuvre d’un réseau de communication au sein de la formation.
La stabilité de « grille » (mesh stability) est présentée par Pant et al. {2002} et garantit une atténuation des erreurs pour des systèmes interconnectés. De plus, la stabilité est préser-vée lorsque le système est agrandi suivant certaines conditions. Une application aux UAVs est proposée dans {Pant et al., 2001}.
La stabilité LFS (leader-to-formation) {Tanner et al., 2004} est basée sur l’approche leader-suiveur. Cette approche diffère de la stabilité de grille dans le sens où elle met davantage l’accent sur la façon dont le comportement du leader peut affecter les erreurs d’interconnexion dans la formation.

La commandabilité

La théorie des graphes est un outil important pour l’analyse de la stabilité d’une formation. Elle permet de représenter les interconnexions entre des robots et en particulier les échanges d’informations. La topologie d’un graphe permet d’étudier la stabilité, mais aussi la comman-dabilité du système. Un système est dit commandable si quel que soit l’état à l’instant initial, et quel que soit l’état à l’instant final, il existe une commande appliquée sur un intervalle de temps fini, qui permet de rejoindre l’état final partant de l’état initial. Il est également possible d’utiliser cette théorie pour choisir un contrôleur approprié à la configuration de la formation, s’il existe.
On peut trouver plusieurs exemples de l’utilisation de la théorie des graphes pour la formation dans la littérature. Dans {Fax et Murray, 2004}, un graphe orienté représente une formation d’agents dont les dynamiques sont données par des systèmes (identiques) linéaires à temps invariant. Un critère est développé à partir des valeurs propres du Laplacien du graphe pour déterminer l’effet de la topologie des communications sur la stabilité. Dans {Lafferriere et al., 2004}, les véhicules échangent des informations selon un graphe non orienté, spécifié à l’avance. La preuve est apportée qu’une stabilisation par retour d’état est toujours possible si le graphe de communication est connecté. De plus, le taux de convergence vers la formation est défini par la plus petite valeur propre positive du Laplacien du graphe.
Il est également possible d’étudier le problème de coordination dans le cadre des fonctions de Lyapounov {Ogren et al., 2002}. L’hypothèse principale est que chaque robot a individuellement une fonction de Lyapounov. Des conditions suffisantes sont alors déduites pour qu’il existe toujours une fonction de contrôle de Lyapounov pour la formation de robots. Cette fonction est une somme pondérée des fonctions individuelles de chaque robot.

Les communications

On vient de le voir, la topologie des graphes de communication est très importante pour la stabilisation et/ou le contrôle d’une formation. Dans la plupart des situations, des communica-tions sont nécessaires aux contrôleurs locaux pour obtenir des informations des robots voisins, voire des informations globales liées à la formation. Une majorité des études suppose une com-munication parfaite sans perte ni délai. De plus, les informations sont souvent considérées comme précises. Hors, dans le cas d’un système contrôlé par un réseau, les problèmes intrinsèques liés à ce réseau sont susceptibles d’affecter les performances et même de rendre instable le système.
Certains travaux se sont néanmoins portés sur l’analyse des performances de contrôleurs de formation dans le cadre de réseaux non idéaux {Seiler et Sengupta, 2001}. Dans {Liu et al., 2001}, les effets des retards de communication sont étudiés dans le cadre de la stabilité de corde. Il est montré que les pertes et les retards peuvent causer des instabilités dans le système. Une méthode de synchronisation est alors proposée, de façon à améliorer la robustesse vis-à-vis de petits retards de communication.
La perte de communication pour une longue durée, voire de façon définitive, est un réel problème pour la formation, car il est alors nécessaire de pouvoir écarter sans dommage le robot défaillant. Il apparaît clairement que le système de communication est un système critique, notamment dans le cas des avions sans pilote.

Les stratégies de commande

On peut distinguer plusieurs stratégies de commande pour un groupe d’engins en formation, qu’ils soient terrestres, aériens ou spatiaux. Ces stratégies sont plus ou moins bien adaptées en fonction du milieu, du nombre d’engins et des critères de performances à atteindre.
Dans les applications liées à la formation, les approches comportementales et les champs de potentiels sont souvent liés. Dans une approche comportementale telle que le proposent Balch et Arkin {1998}, chaque robot dispose d’un ensemble de schémas de réactions élémentaires. Chacune de ces réactions produit un vecteur qui correspond à la réponse aux entrées des capteurs ou des flots de données. Les réactions élémentaires possibles peuvent couvrir l’évitement de collision ou d’obstacle, la recherche d’un but ou le maintien d’une formation. L’action qui va effectivement être appliquée est une moyenne pondérée des vecteurs de réactions élémentaires. Le choix des poids associés à chaque réaction peut s’avérer très complexe, et fait appel le plus souvent à l’expertise du concepteur. Dans certains cas, il est néanmoins possible d’utiliser des algorithmes génétiques pour déterminer ces poids et obtenir un comportement approprié {Cao et al., 2002}.
Les champs de potentiels sont naturellement adaptés au contrôle de robots holonomes, le déplacement se faisant dans la direction du vecteur de réaction globale. Dans le cas des ro-bots non-holonomes, en particulier pour des avions, la réaction est décomposée en mouvements latéraux (correction du cap) et longitudinaux (correction de la vitesse et de l’altitude). Cette solution correspond à la méthode employée par les pilotes humains pour maintenir le vol en formation {Balch et Arkin, 1998}.
Les approches exploitant les champs de potentiels posent tout de même un certain nombre de problèmes. En particulier, leurs comportements ne sont pas déterministes et les cas de blocage par des « puits de potentiels » sont fréquents. Il faut donc les utiliser avec précaution pour ne pas mettre en péril la sécurité de la formation.

Présentation des missions

Les différents types de mission

Dans un premier temps, nous allons lister les différents types de fonctions opérationnelles auxquelles peuvent être confrontées des équipes d’avions militaires au cours d’une mission. Cer-taines de ces missions sont potentiellement transposables au domaine civil, notamment en ce qui concerne la protection civile ou la surveillance du territoire.

Présentation des missions

La reconnaissance:
C’est typiquement une opération d’observation d’un environnement pas ou peu connu. Gé-néralement, c’est une phase préparatoire à des missions ultérieures, notamment d’attaque. Elle peut consister à faire des prises de vue d’objectifs potentiels et d’installations ennemies. Il peut aussi s’agir de cartographier une zone, ou de détecter les positions des radars et autres systèmes de défense antiaérienne.
Les missions de reconnaissance ont pendant longtemps été la spécialité d’avions hors normes pour leurs capacités à voler loin, vite, haut et en toute discrétion. Les plus célèbres de ces engins sont les avions espions américains U2 et SR-71 « Black Bird ». Ils sont aujourd’hui remplacés par les satellites militaires d’observation. Néanmoins, la prise d’informations locales directement sur le champ de bataille reste un atout majeur et l’apparition des mini- et micro-drones offre de nouvelles perspectives très prometteuses, mais pour de faibles champs d’action.
La possibilité de travailler en coordonnant plusieurs équipes est très intéressante. Cela permet notamment d’avoir des informations sur les systèmes radars plus rapidement et avec plus de précision par triangulation (voir § 3.4.3).
La suppression des menaces:
La neutralisation, par destruction ou brouillage, des défenses antiaériennes (SEAD, Sup-pression of Ennemy Air Defence) est une phase indispensable et à haut risque, qui précède généralement l’attaque proprement dite d’une cible. Pour ce type de mission, il faut disposer des moyens (brouillage, niveau de signature réduit, plan de vol, etc.) permettant de se placer au plus près des menaces.
L’utilisation d’un groupe d’avions sans pilote volant en formation est tout à fait indiquée. Cela permet notamment de répartir la charge utile entre les drones et ainsi de répartir les risques. La perte d’un avion ne remet pas en cause le reste de la mission si le groupe dispose encore des ressources suffisantes. De plus, il est possible de séparer localement les équipes pour mener une attaque avec un nombre restreint d’appareils en gardant le reste de la flotte dans une zone sûre. Sousa et al. {2004} proposent une approche d’élimination des menaces par vagues d’attaques successives de façon à maintenir le niveau de risque de la mission en dessous d’un certain seuil. Cette phase de la mission, en fonction de la configuration des menaces et du terrain, peut se concentrer sur l’ouverture d’une brèche, sorte de corridor de sécurité, qui permettra à d’autres équipes d’atteindre des objectifs situés plus loin en territoire adverse.
Les attaques au sol:
C’est la phase qui consiste à bombarder un objectif au sol. Les cibles sont ici des bâtiments, des bunkers, des installations industrielles stratégiques comme des usines ou des raffineries, mais aussi des radars ou des sites de missiles. . .
Les attaques d’une cible par un groupe d’avions posent un certain nombre de problèmes.
Le premier est d’arriver sur le site de largage avec suffisamment de bombes pour détruire la cible. Il faut pour cela avoir évalué le niveau d’opposition et identifier les meilleures manières de passer au cours des phases de reconnaissance. Il faut aussi avoir dégagé, si nécessaire, un corridor pour le passage des avions de bombardement au cours des opérations de SEAD.
Ensuite, il faut coordonner l’attaque de façon à ce qu’elle se fasse le plus rapidement possible et si possible avec un seul passage. En effet, les protections autour des objectifs stratégiques sont souvent si importantes qu’elles ne peuvent être complètement détruites : il faut donc rester le moins de temps possible au dessus de la zone.
Enfin, il faut prévoir que les avions se rassemblent le plus rapidement possible après l’at-taque afin de rejoindre leur base ou d’autres cibles. Il n’est pas question de laisser évoluer trop longtemps des avions en pleine zone hostile et une formation compacte aura plus de chances de survie que des avions éparpillés.
L’évaluation des dégâts:
Afin de planifier la suite des opérations, il est important d’avoir des informations sur le niveau de réussite d’une attaque. Au moment de l’impact, des capteurs, généralement optiques, permettent d’avoir un premier retour pour savoir si l’arme a touché son but (BDI, Battle Damage Information).
Une deuxième phase de confirmation consiste à évaluer les dégâts qui ont réellement été infli-gés à une cible (BDA, Battle Damage Assessment). Cette opération, qui peut s’apparenter à une mission d’observation, ne peut pas toujours être menée immédiatement après une attaque. Les fumées et les débris créés par une attaque importante ne permettent pas toujours l’observation directe. La mission de BDA peut ainsi être menée par une autre équipe sur le chemin du retour par exemple, ou faire l’objet d’une nouvelle mission à part entière.

Les objectifs de mission

Comme on vient de le voir, l’objectif d’une mission est le plus souvent de prendre en compte un ou plusieurs objectifs (attaque, prise d’informations, interdiction, . . .).
Dans le cas de la planification multi-drones militaires, Sousa et al. {2004} proposent de classer les cibles en deux catégories. Les cibles primaires sont les objectifs de la mission, qui ne peut être considérée comme réussie que si toutes ces cibles sont détruites. Les cibles secondaires sont des menaces protégeant les cibles primaires. Le planificateur décide combien de cibles secondaires doivent être détruites, et dans quel ordre, pour pouvoir atteindre toutes les cibles primaires. Il n’y a pas vraiment de notion de priorité puisque toutes les cibles primaires doivent faire partie du plan et que l’on cherche à traiter le minimum nécessaire de cibles secondaires.
Dans un contexte de type militaire, il est avantageux de faire une distinction entre objectifs primaires et secondaires. Il est ainsi plus facile de traiter différemment des cibles de natures très différentes par exemple. Cependant, pour conserver la généralité du problème et avoir une plus grande souplesse lors des replanifications, on souhaite faire intervenir la notion de priorité dans le groupe des objectifs primaires. Cela conduit à la définition suivante :
Les objectifs primaires. Ce sont les objectifs de la mission. Chaque objectif est défini avec une priorité qui peut éventuellement être remise en cause au cours de la mission. L’intérêt d’un plan et le succès de la mission sont évalués en fonction du nombre d’objectifs et de leurs priorités.
Les objectifs secondaires. Ce sont des objectifs annexes dont la présence peut nuire à la réussite de la mission. Ils ne sont donc traités qui si leur suppression (attaque ou brouillage) permet d’atteindre un objectif primaire. En pratique, on ne connaît pas à l’avance toutes ces cibles : il faut donc en tenir compte lors de l’allocation des ressources au départ de la mission.
On peut noter que si les cibles secondaires sont toutes des menaces, radars ou systèmes de tir, les objectifs primaires peuvent, eux aussi, être des menaces.
Pour chaque cible à détruire, il convient de spécifier le type et le nombre de bombes à utiliser.
Cela conditionne le choix des équipes et des ressources à utiliser pour la mission.

Organisation d’un dispositif multi-formations

Dans la planification de missions multi-robots classiques, on cherche à produire un réseau de tâches ordonnées ou contenant des dépendances. Cela permet d’obtenir des synchronisations ou des exécutions de tâches en parallèle ou en coordination. De plus, l’allocation de tâches peut se faire de façon centralisée ou distribuée entre les robots. Gancet et Lacroix {2004} proposent une architecture pour le contrôle de plusieurs engins ayant des capacités de décisions hétérogènes. Cette capacité à intégrer des plans en provenance d’une station centrale, ou issus d’une négo-ciation entre agents, peut se révéler très intéressante pour des missions en milieu hostile, où la communication avec le centre de commandement peut ne pas être garantie.

Table des matières

Avant-propos
Chapitre1   Introduction 
1.1 Motivation
1.2 Objectifs
1.3 Contributions
1.4 Organisation du document
Chapitre 2 Présentation du vol en formation 
2.1 Qu’est ce qu’une formation ?
2.2 Déplacements en formation en robotique
2.2.1 Les robots terrestres
2.2.2 Les satellites
2.2.3 Les robots aquatiques
2.2.4 Les robots aériens
2.3 Pourquoi faire du vol en formation ?
2.4 Les applications du vol en formation
2.4.1 Applications militaires
2.4.2 Applications civiles
2.5 Les différentes notions liées à la formation
2.5.1 La stabilité
2.5.2 La commandabilité
2.5.3 Les communications
2.5.4 Les stratégies de commande
2.6 Bilan
Chapitre 3 Missions pour formations de drones en environnement hostile 
3.1 Présentation des missions
3.1.1 Les différents types de mission
3.1.2 Les objectifs de mission
3.1.3 Organisation d’un dispositif multi-formations
3.2 Modélisation du terrain
3.3 Modélisation des menaces sol/air
3.4 Modélisation des drones et de leurs systèmes
3.4.1 Les avions
3.4.2 Le système de communication
3.4.3 Les systèmes d’auto-protection et équipements associés
3.4.4 Les armements et équipements associés
3.5 Modélisation des points de passage et des contraintes tactiques
3.5.1 Les points de passage
3.5.2 Les contraintes internes
3.5.3 Les contraintes externes
3.6 Positionnement du problème
Chapitre 4 Une approche pour la planification et le contrôle d’une formation 
4.1 Une couche intermédiaire pour la formation
4.1.1 Utilité d’une couche de formation
4.1.2 Les fonctions réalisées par la couche de formation
4.1.3 Les éléments mis en oeuvre dans la gestion de la configuration
4.1.4 Mise en oeuvre de la couche de formation
4.2 Architecture
4.3 Bilan
Chapitre 5 Gestion autonome de la configuration 
5.1 La génération de trajectoire
5.2 La phase d’initialisation
5.2.1 La timeline
5.2.2 L’allocation des brouilleurs offensifs
5.3 Le placement des slots
5.3.1 Placement paramétrique des brouilleurs offensifs
5.3.2 Placement des slots restants
5.3.3 Mouvements réactifs
5.3.4 L’allocation des brouilleurs défensifs
5.4 Les manoeuvres de séparation
5.5 Bilan
Chapitre 6 Planification et contrôle des déplacements au sein d’une formation 
6.1 L’affectation de slots
6.1.1 Objectifs
6.1.2 Initialisation
6.1.3 Itération
6.1.4 Performances
6.2 Les trajectoires de reconfiguration
6.2.1 Objectifs
6.2.2 L’algorithme A* multi-robots
6.2.3 Améliorations
6.2.4 Lissage
6.2.5 Performances
6.3 Le contrôle de la formation
6.3.1 Objectifs
6.3.2 Le suivi de trajectoire et le contrôle de formation
6.3.3 Les communications dans la formation
6.3.4 Performances de l’asservissement réactif
6.4 Bilan
Chapitre 7 Expérimentations 
7.1 Implémentation
7.1.1 Le module RIDE
7.1.2 L’architecture LAAS
7.1.3 La communication avec YARP
7.2 Résultats de simulation
7.2.1 Le support mutuel
7.2.2 La protection contre les radars de veille
7.2.3 La reconfiguration
7.2.4 Simulation pour de grandes formations
7.2.5 Simulations dans un environnement réaliste
7.3 Expérimentations réelles
7.3.1 Présentation
7.3.2 Résultats
7.4 Bilan
Conclusion et perspectives
Annexe A Le système Paparazzi 
A.1 Hardware
A.2 Software
Bibliographie 

Télécharger le rapport complet