Des drones plus sûrs, plus fiables et plus agiles

(Cet article est extrait de L'Édition n°17)

Seuls ou à plusieurs, les drones civils professionnels affichent un potentiel encore largement sous-exploité. Pour accentuer leur envol, les recherches s’appliquent à améliorer fiabilité, sécurité et adaptabilité des engins. 

On entend leur bourdonnement bien avant de les apercevoir. À voilure fixe ou tournante et de différentes tailles, les drones aériens connaissent depuis quelques années un essor fulgurant. Pilotés à l’aide d’une radiocommande ou d’un smartphone, ces aéronefs sans pilote à bord (Unmanned Aerial Vehicles, UAV), initialement réservés au domaine militaire, envahissent la sphère privée. Équipés de capteurs et caméras à haute résolution, ils inondent le marché du loisir. Dans le même temps, leur utilisation à des fins professionnelles s’étend : il s’agit de porter assistance à des personnes, livrer un colis, surveiller un champ ou encore inspecter une infrastructure. Ce déploiement reste toutefois limité. « Même si on observe une explosion des intentions d’usage, l’attribution des licences de vol par la Direction générale de l’aviation civile (DGAC) se fait au compte-goutte », précise Reda Nouacer, du Laboratoire d’intégration des systèmes et des technologies (LIST – Univ. Paris-Saclay, CEA). L’aspect sécuritaire n’y est pas étranger. 

Cette licence est le « sésame » tant convoité par l’exploitant. Sans elle, pas de mission. Pour l’obtenir, il faut en amont déclarer et détailler les conditions de vol envisagées (points de départ et d’arrivée, horaires, environnement survolé, conditions météorologiques statistiquement rencontrées…). « Ces caractéristiques conditionnent aussi le choix du drone, les capteurs et l’autonomie de la batterie à prévoir, etc. Or la licence délivrée n’est valable que pour une mission donnée. Un exploitant ne peut raisonnablement pas acheter autant de drones qu’il a de missions à exécuter », note Reda Nouacer. Dès lors, tout l’enjeu est de réussir à adapter rapidement et à moindre coût l’ingénierie d’un drone à une nouvelle mission, sans remettre en question la fiabilité de son homologation ni ralentir l’obtention de la licence de vol. 

Quand moduler devient aisé

Au sein du projet COMP4DRONES, Reda Nouacer et ses collaborateurs cherchent à développer une solution d’architecture embarquée et un socle d’outils et de technologies clés, réutilisables et habilitantes, à mettre à la disposition des PME pour les aider à adapter rapidement leurs drones. Le projet, financé par l’Union européenne (ECSEL JU), réunit un consortium de 48 organismes académiques et industriels. 

Les collaborateurs s’inspirent de la modularité à l’oeuvre dans les domaines de l’automobile et de l’avionique pour aboutir à une customisation agile. « On réutilise un module déjà qualifié et les architectures modulaires développées ne changent pas la structure ou le design du système. Cela préserve l’attribution des licences et fait gagner du temps. » Ils définissent une architecture de référence, c’est-à-dire des interfaces, des protocoles et une méthodologie d’intégration uniformisés et standardisés. Ils comparent notamment des autopilotes open source – les logiciels de vol généralement fournis par le fabricant –, et identifient leurs similitudes. « On fait émerger les éléments de base (building blocks) associés à des fonctions, leur composition type et le motif d’architecture. » Autrement dit, toute la sémantique de connexion entre les blocs. « C’est l’équivalent d’un protocole d’intégration et de développement. » 

La méthode d’ingénierie proposée doit faciliter la tâche des PME. « On augmente artificiellement leurs compétences en leur fournissant un outillage qui les aide à développer l’électronique et les logiciels à intégrer. » Pour le drone, ces éléments participent notamment à sa bonne perception de l’environnement en temps réel. Sa charge utile étant limitée, il n’est pas possible de tout y implanter d’emblée. « C’est ce qu’on ajoute au système qui lui confère ses capacités de prise de décisions sûres et autonomes. » Les outils proposés « présentent l’avantage d’être déjà éprouvés ». Comme Papyrus modeler, qui modélise l’ingénierie du système et génère des codes pour la robotique, le simulateur Amesim de SIEMENS, qui simule l’engin dans son environnement, ou le logiciel S3D, qui analyse les performances du système. 

Le projet, qui se termine en septembre 2022, déploie également onze démonstrateurs pour des usages dans cinq domaines (transport, construction, logistique, inspection et surveillance, agriculture de précision). Tous sont actuellement en expérimentation. « Le projet entre dans sa phase de maturation et d’évaluation des technologies », annonce Reda Nouacer. 

De l’art de tolérer des défauts

On l’aura compris, améliorer la fiabilité des UAV est une préoccupation de premier ordre. Pourtant, comme toute machine, un drone est sujet à des défaillances. Et un des éléments sur lesquels appuyer est le système de commande de vol, qui assure la stabilité et la commande du drone. C’est toute la finalité des méthodes de diagnostic et de commandes tolérantes aux défauts développées par l’équipe SIAM (Signal, image, automatique), du laboratoire Informatique, bioinformatique, systèmes complexes (IBISC – Univ. Paris-Saclay, Univ. d’Évry). Lydie Nouvelière, Dalil Ichalal et leurs collègues conçoivent des algorithmes capables d’estimer la présence de défauts et de les isoler, calculent des lois de commande qui y sont tolérantes et analysent leur robustesse. Au final, les modèles qu’ils développent aident à définir une stratégie de maintien du système. 

En premier lieu, les chercheurs analysent la dynamique de vol, différente selon le drone envisagé. Il s’agit de traduire de façon mathématique la structure et le comportement de l’UAV dans le temps (vitesse, position, angles, orientation…). Souvent, il est nécessaire de simplifier les équations. « On extrait un modèle de synthèse simplifié pour l’utiliser plus facilement tout en essayant de garder un certain réalisme », explique Dalil Ichalal. Pour l’élaborer, les chercheurs se basent soit sur des modèles prédéterminés – modèles à six degrés de liberté, des forces et des moments, des coefficients dynamiques –, soit sur des données issues de l’intelligence artificielle. D’autres modèles – linéaires à paramètres variables, par exemple – s’appliquent plus spécifiquement à des situations où la géométrie du drone change durant la mission : c’est le cas d’un drone dont la masse et l’inertie varient avec la livraison du colis, ou d’un drone équipé d’un bras mobile. Pour aller plus loin, l’équipe tend aujourd’hui à coupler les méthodes : « On complète le modèle avec de l’intelligence artificielle pour estimer les simplifications opérées au départ », souligne Lydie Nouvelière. 

Ils calculent ensuite une loi de commande de vol nominale. « On étudie son domaine d’application pour vérifier si elle est valable et capable d’opérer une trajectoire », détaille Dalil Ichalal. Viennent également les perturbations rencontrées par le drone au cours du vol, telles que rafales de vent ou obstacles (oiseaux, pylônes). « Ces perturbations externes et imprévisibles sont des entrées inconnues pour le système. Elles définissent un modèle et une loi de commande perturbés. » Avec une loi de commande robuste, le drone est capable d’estimer la perturbation et de compenser sa trajectoire en temps réel. Les perturbations sont parfois aussi de nature interne, comme une perte de communication causée par le dysfonctionnement d’un capteur. On parle alors de « défaut ». « Un défaut est un fonctionnement anormal du système, et sa différence avec une perturbation est son caractère permanent », annonce Dalil Hichalal. Les défauts les plus fréquents sont liés aux actionneurs (vérins), du fait de l’usure. D’autres sont intermittents, comme un mauvais contact. « Il y a aussi des défauts du système lui-même, tels que les fissures, qui changent l’aérodynamisme. » 

Une fois le défaut diagnostiqué, le système détermine la catégorie dans laquelle le ranger pour l’isoler. Or en ingénierie, il est courant de dupliquer les composants ou les fonctions essentielles. La vitesse est par exemple mesurée par plusieurs capteurs de nature différente, et la sensibilité des mesures à un défaut donné génère des signatures caractéristiques. « Il reste ensuite à savoir ce que vaut le défaut – s’il est agressif ou pas –, et à reconfigurer la loi de commande afin de prendre en compte la défaillance. On peut par exemple remplacer un capteur par un “observateur”, un algorithme capable de prédire et d’estimer les mesures manquantes », note Lydie Nouvelière. C’est « le contrôle tolérant aux défauts ». Tous les défauts ne sont toutefois pas tolérables : le système doit calculer si les conditions de réalisabilité de sa trajectoire sont toujours remplies et la replanifier le cas échéant. 

La gestion d’une flotte en question

S’il est critique de garantir la sécurité du vol d’un drone, l’opération se complique encore lorsqu’il s’agit de déployer une flotte de drones sur une zone à explorer, à la recherche de cibles – débris, personnes, véhicules – statiques ou en déplacement. L’enjeu est alors d’assurer leur évolution conjointe et sans danger, pour qu’ils soient en mesure de signaler, de façon déportée, la présence de cibles d’intérêt et discriminer les endroits en étant dépourvus. « Les secours se rendront plus rapidement sur les lieux ou ça évitera à une patrouille d’aller là où il y a des combats », cite en exemple Hélène Piet-Lahanier, du Département traitement de l’information et systèmes (DTIS) à l’ONERA Palaiseau. Son collègue Sylvain Bertrand et elle collaborent régulièrement avec les équipes de Cristina Stoica Maniu et Michel Kieffer, du Laboratoire des signaux et systèmes (L2S – Univ. Paris-Saclay, CNRS, CentraleSupélec) sur la question de la bonne coopération de la flotte. Plusieurs aspects sont déterminants : les communications et la gestion et l’efficacité des déplacements. 

Cette coopération s’envisage de trois façons. Centralisée auprès d’un opérateur unique, c’est toute la flotte qui partage avec lui les informations récoltées. L’opérateur définit une stratégie pertinente pour l’ensemble des drones et, au besoin, leur réalloue les tâches à l’aide d’un algorithme d’optimisation. Des communications fiables et continues sont indispensables. À l’opposé, décentralisée, chaque drone réalise sa tâche sans se préoccuper de ce que font ses voisins. L’approche intermédiaire, distribuée, prévoit qu’en fonction de leurs possibilités de communication, des drones proches les uns des autres s’échangent les informations collectées. « L’information se transmet ensuite à d’autres drones en dehors du premier cercle émetteur, et cela forme des grappes de communications locales », signale Hélène Piet-Lahanier, qui travaille sur ce type d’approche. Le gain de temps est indéniable mais l’approche trouve sa limite si la zone est étendue et encombrée d’obstacles. « Les drones ne peuvent pas échanger d’informations entre eux pendant un long moment. »

Mettre en place une stratégie de déplacement qui maximise la collecte d’informations et leur qualité, et évite les collisions, devient décisif. Certains éléments, tels que « la présence connue d’un obstacle, des hypothèses sur le déplacement des cibles, leur absence à certains endroits pour raisons précises », l’influencent pour partie. Le type d’UAV utilisé en conditionne une autre. « Il s’agit de définir une trajectoire cohérente. Par exemple, un drone à voilure fixe ne peut pas opérer de vol stationnaire ni réaliser un virage en épingle à cheveux, à l’inverse d’un quadricoptère. » Vient ensuite la définition d’un algorithme d’estimation. « Il détermine quels sont les endroits où une ou plusieurs cibles sont présentes, et là où il n’y en a pas. » Le nœud du problème réside dans la coordination du vol des drones pour s’assurer que l’ensemble de la zone d’intérêt soit balayé et obtenir un point de vue sans ambiguïté. « Il faut réussir à visualiser sous tous les angles la zone où peut se trouver la cible, de façon à garantir sa détection, même en présence d’un phénomène occultant. Si elle est mobile, c’est plus complexe, car cette visualisation doit être simultanée, et plus contraignant en termes de gestion de la flotte. » Au final, les drones dressent une cartographie assez précise de la localisation des objets d’intérêt, qu’ils enrichissent au fur et à mesure de leur exploration. 

Si le retrait est la solution

Les erreurs d’appréciation ne sont pas exclues. « Parfois, le drone n’a pas le bon angle de vue, ou le capteur, pour lever toute ambigüité et prend un leurre pour une cible. C’est en croisant les informations collectées par les autres drones qu’on le discrimine. » De la même manière, si une information collectée sort de la tendance générale, cela signifie qu’un drone a un problème. « C’est grâce à la coopération et aux échanges entre les drones qu’on détecte le drone incohérent », qui voit sa mission réaffectée. « On lui attribue une zone où il ne constitue pas un danger et où l’information n’est pas décisive. » Et s’il n’est plus en capacité de suivre le mouvement, il réalise un diagnostic de ses possibilités d’évolution, et selon le résultat, se pose en urgence ou déclenche son parachute. 

Réussir à sortir sans encombres un ou plusieurs drones d’une flotte focalise l’attention de Cristina Stoica Maniu, du L2S, et ses collaborateurs, qui utilisent la commande prédictive. Cette commande avancée, la plus utilisée en automatique, s’appuie sur un modèle mathématique capable d’anticiper le comportement de la flotte, assimilée à un système multiagents évoluant dans une zone délimitée. Les chercheurs ont récemment mis au point un nouvel algorithme décentralisé pour le déploiement et la reconfiguration d’une formation de drones en cours de mission. À chaque instant, l’algorithme matérialise la zone sous la forme d’un pavage de polygones, des cellules de Voronoï comportant chacune un drone localisé au centre de Chebyshev, le centre du plus grand cercle inscrit dans un polygone. Ce pavage évolue avec le déplacement des drones, et si un drone quitte la flotte, les drones s’alignent sur un nouveau centre pour éviter toute collision. « L’algorithme calcule la nouvelle répartition des cellules de Voronoï et des centres de Chebyshev pour redistribuer la configuration de la flotte de drones. » Une fois le drone sorti, les autres reprennent leurs objectifs initiaux. 

Les équipes de l’IBISC, de l’ONERA et du L2S s’emploient actuellement à optimiser leurs algorithmes et à les implémenter dans des drones, pour mener des expériences au sein de leur volière respective. « Après les simulations, c’est le seul moyen de se confronter à la réalité et aux performances attendues », conclut Lydie Nouvelière. 

Publications :

• Radermacher A., et al. Designing Drone Systems with Papyrus for Robotics. In Proceedings of the 2021 Drone Systems Engineering and Rapid Simulation and Performance Evaluation: Methods and Tools Proceedings, (2021). 
• Bouzgou K., et al. PD Sliding Mode Controller Based Decoupled Aerial Manipulation. ICINCO (2020). 
• Abouselima E., et al., Robust Actuator Fault Diagnosis for LPV systems: Application to Quadrotor. American Control Conference, (2021). 
• Ibenthal J., et al. Bounded-error target localization and tracking using a fleet of UAVs, Automatica, vol. 132, 109209, (2021). 
• Chevet T., et al. Decentralized MPC for UAVs Formation Deployment and Reconfiguration with Multiple Outgoing Agents. J Intell Robot Syst 97, (2020).