| Popis: |
With the growing demand for the use of UAVs in urban environments, the safety and effectiveness of these missions must be guaranteed. It is known that in these environments the high density of obstacles can put flight at risk in the case collision. The navigation capacity estimation of the position and therefore the execution error - of these UAVs depends on the availability and performance of their on-board sensors, which vary in the environment.In this context, this thesis proposes a safe and effective path planning framework for UAVs in clustered environments. We based our work on the Mixed Observability Markov Decision Processes (MOMDP) because it allows us to model long-term decision processes while taking into account environmental uncertainty and mixed observability. We propose a planning model that integrates the guidance, navigation and control system (GNC), in order to better represent the dynamics of the state transition for a drone, as well as the associated execution error. The probable availability, known a priori, of on-board sensors is also considered in the model. In order to ensure safety constraints, we propose a cost function that allows us to reason in terms of maximum allowable collision rate. This allows the planner to compute policies that are both effective - minimizing flight time - and safe, by choosing paths that comply with the defined maximum collision rate. In addition, due to the complexity of the planning problem, we propose a new "POMCP-GO" resolution algorithm, which is based on two state-of-the-art algorithms.We have thoroughly evaluated this algorithm for our application framework.; Avec la demande croissante pour l’utilisation de drones autonomes dans des milieux urbains, la sûreté et l’efficacité de ces missions doivent être garanties. D’une part, il est connu que dans ces milieux la haute densité d’obstacles peut mettre en péril le vol en cas de collision.D’autre part, la capacité de navigation - estimation de la position et par conséquent l’erreur d’exécution - de ces drones dépend de la disponibilité et de la performance de leurs capteurs embarqués qui varient selon l’environnement. Dans ce contexte, cette thèse propose un cadre de planification de chemin sûr et efficace pour des drones en milieux encombrés. Nous avons fondé notre travail sur les Processus Décisionnel de Markov à Observabilité Mixte (MOMDP), car ils permettent de modéliser des processus décisionnels à long terme tout en prenant en compte l’incertitude sur l’environnement et son observabilité mixte. Nous proposons une modélisation du problème de planification qui intègre le système de guidage, navigation et contrôle (GNC), afin de mieux représenter la dynamique de la transition d’état pour un drone, ainsi que l’erreurd’exécution associée. La disponibilité probable, connue a priori, des capteurs embarqués, est aussi considérée dans le modèle. Afin d’assurer les contraintes de sûreté, nous proposons une fonction de coût qui nous permet de raisonner en termes de taux de collision maximal à respecter. Ceci permet au planificateur de définir des politiques qui sont à la fois efficaces - minimisation du temps de vol - et sûres, par le choix des chemins qui favorisent le respect du taux de collisionmaximal défini. De plus, dus à la complexité du problème de planification, nous proposons un nouvel algorithme de résolution "POMCP-GO", qui est basé sur deux algorithmes de l’état de l’art. Nous avons exhaustivement évalué cet algorithme pour notre cadre d’application. |
