Combiner Optimisation Stochastique et Frontières pour l'Exploration 3D avec une Flotte de Drones


Ce papier adresse le problème de l'exploration de terrains inconnus par une flotte de drones aériens coopératifs. Nous présentons une nouvelle approche décentralisée qui alterne exploration locale par optimisation stochastique et exploration par frontières. L'approche permet à chaque robot de générer une trajectoire en fonction des données qu'il collecte et de la carte locale qu'il construit par intégration des données partagées entre agents. Dès que l'agent arrive dans un minimum local, correspondant à une position où il est entouré d'espaces déjà explorés, alors l'algorithme identifie la plus proche frontière où il se rend avant de reprendre l'optimisation locale. Avec un faible coût calculatoire, une capacité à gérer les contraintes, et une prise de décision décentralisée, l'approche est particulièrement adaptée aux applications multi-robot en environnement complexes 3D. Les résultats en simulation montrent que l'approche génère des trajectoires sures et valides qui guident les robots pour une exploration complète de l'environnement. Par ailleurs, en terme de temps d'exploration, notre approche est significativement meilleure que la méthode des frontières proches. Elle fournit des temps équivalents à la méthode gloutonne centralisée tout en étant bien moins coûteuse en calcul.