Les Boursiers du réseau DSTN

DSTN > Boursiers > OLOU Babatoundé Hervé

Titre : Conception et intégration de l’apprentissage profond pour le contrôle adaptatif et contextuel des véhicules aériens sans pilote : application à la surveillance environnementale

Projet affilié : Deep4EnvMonitoring

CEA affilié : Université d’Abomey-Calavi : CEA SMIA & Université Gaston Berger : CEA MITIC

Directeur de thèse Eugène EZIN, Institut de Mathématiques et de Sciences Physiques, University of Abomey-Calavi, CEA SMIA, Bénin, eugene.ezin@gmail.com

Co-directeur de thèseJean Marie DEMBELE, UFR SAT, CEA MITIC, Sénégal, jmdembele@gmail.com

Autres contributeurs à l’encadrement de la thèse :
Christophe CAMBIER, Sorbonne-UniversitéIRD
Cédric HERPSON, Sorbonne-Université, – LIP6

Publications scientifiques :

[1] Olou, H. B., Ezin, E. C., Dembele, J. M., & Cambier, C. (2022, November). FCPNet: A novel model to predict forward collision based-upon CNN. In 2022 22nd International Conference on Control, Automation and Systems (ICCAS) (pp. 1327-1332). IEEE.
[2] Olou, H. B., Ezin, E. C., Dembele, J. M., & Cambier, C. (2022, November). Forward Obstacle Detection by Unmanned Aerial Vehicles. In Pan-African Artificial Intelligence and Smart Systems Conference (pp. 397-410). Cham: Springer Nature Switzerland.
[3] Olou, H. B., Ezin, E. C., Dembele, J. M., & Cambier, C. (2023). Global Motion Planning for Unmanned Aerial Vehicle Automation. In 2023 6th International Conference on Intelligent Autonomous Systems (ICoIAS). IEEE.
[4] Olou, H. B., Ezin, E. C., Dembele, J. M., & Cambier, C. (2023). Autonomous Navigation of Unmanned Aerial Vehicle: Investigating Architectures and Techniques for a Flexible Platform. Unmanned Systems, 1-17.

DSTN > Boursiers > OLOU Babatoundé Hervé

Date de début : 01/01/2021
Date prévisionnelle de soutenance de thèse : Mai 2024
Profil ORCID : 0000-0002-2607-2809

Problématique
Les véhicules aériens sans pilote sont des robots volants qui sont actuellement largement utilisés dans de nombreux domaines, tant militaires que civils. Leur développement constitue un domaine de recherche en automatique et en robotique, suscitant l’intérêt d’une vaste communauté. Les UAVs trouvent notamment leur utilité dans la surveillance environnementale, contribuant à la détection de déchets, à la surveillance des terres ou à l’agriculture de précision, et facilitant ainsi diverses missions d’analyse et de contrôle. L’objectif de ce travail est de mettre en place un drone autonome à l’aide des techniques d’intelligence artificielle et de générer des trajectoires optimales pour la localisation et la navigation autonomes. Ce travail vise à développer une intelligence artificielle capable d’ajuster le plan de vol afin de moduler l’altitude de survol en fonction du contexte spécifique, ainsi que la définition et la fréquence des captures, en intégrant si nécessaire l’usage d’autres capteurs terrestres.

Objectifs / Résultats attendus :

  • Une plateforme flexible est proposée dans [4], qui peut être facilement suivie pour mettre en œuvre un UAV autonome en fonction de la mission.
  • Un nouveau modèle est construit pour prédire les collisions frontales en se basant sur les CNN. Ce modèle est utilisé sur un Raspberry pi 4 et présente d’excellents résultats [1].
  • Après la prédiction de collision, un algorithme est proposé dans [2] pour détecter la position des obstacles et indiquer la prochaine direction à l’UAV.
  • Au cours de cette thèse, aucun outil en accès libre n’a été trouvé pour nous aider à définir une zone dangereuse et à générer de manière autonome une trajectoire pour éviter ces zones. À cette fin, dans [3], nous avons modifié le code source de QGroundControl et intégré un module de définition de zone d’interdiction de vol et un module de génération de chemin autonome. De plus, dans [3], un algorithme est proposé pour régénérer la trajectoire pendant la mission lorsqu’un obstacle est détecté.

 

Perspectives pour la fin de la thèse :

  • Détection des bâtiments à l’aide des techniques de segmentation et images satellitaires

Perspectives après l’achèvement de la thèse :

  • Collecter de Nouvelles données et réentraîner les modèles pour de meilleures performances
  • Acheter de nouveaux matériels pour continuer la mise en place de drone autonome
  • Continuer la mise en place d’une plateforme web de supervision
  • Développer un nouveau module dans QGroundControl pour la détection automatique des zones dangereuses à l’aide d’images satellitaires.

Contribution / valeur ajoutée au projet affilié :
Dans ce programme, il y a une autre thèse sur l’hyper réseau évolutif pour les réseaux de neurones convolutifs (CNN). En collaboration avec cette thèse, la présente thèse adoptera et appliquera la généralisation de l’hyper réseau évolutif pour contrôler l’UAV afin d’adresser différents problèmes de surveillance environnementale.