AVIS DE SOUTENANCE
Monsieur Maxime ZAGAR
Laboratoire des Signaux et Systèmes, pôle Télécoms et Réseaux
ONERA, Département Traitement de l’Information et Systèmes.
Soutiendra publiquement ses travaux de thèse, intitulés :
« Estimation ensembliste et commande distribuée de flotte pour la recherche et le suivi de cibles »
« Set-membership estimation and distributed control for a fleet of UAVs for target search and tracking »
Dirigés par M. Michel KIEFFER et Mme Hélène Piet-LAHANNIER
Le Mercredi 04 décembre 2024 à 09h30
Lieu : CentraleSupélec, campus de Saclay,
Salle : Amphithéâtre sd. 206, Bâtiment Bouygues
Visio-conférence: https://teams.microsoft.com/l/meetup-join/19:8e4c6849b06b44eda99b6ea16020c459@thread.tacv2/1732709310869?context=%7B%22Tid%22:%2261f3e3b8-9b52-433a-a4eb-c67334ce54d5%22,%22Oid%22:%2217d3be21-bd31-4692-b11d-7b537c627426%22%7D
Membres du jury :
M. Philippe BONNIFAIT, Université de Technologie de Compiègne, examinateur
Mme Ouiddad LABBANI-IGBIDA, Université de Limoges, examinatrice
M. Simon LACROIX, LAAS-CNRS/INSA Toulouse, rapporteur
Mme Sylvie LE HEGARAT, Université Paris-Saclay, examinatrice
M. Fabio MORBIDI, Université de Picardie Jules Verne, rapporteur
Encadrement :
M. Michel KIEFFER, Université Paris-Saclay, co-directeur
M. Luc MEYER, ONERA Palaiseau, co-encadrant
Mme Hélène PIET-LAHANNIER, ONERA Palaiseau, co-directrice
Mots-clés : Estimation ensembliste, Estimation distribuée, Vision par ordinateurs, Commande prédictive, Flottes de drones
Keywords: Set-membership estimation, Distributed estimation, Computer vision, Model Predictive control, Fleet of UAVs
Abstract: This thesis addresses the problem of searching and tracking of an unknown number of mobile targets spread within an unknown Region of Interest (RoI) using a fleet of cooperating Unmanned Aerial Vehicles (UAVs). Such Cooperative Search, Acquisition, and Tracking (CSAT) problem appears in military contexts, e.g., when enemy vehicles have to be found and tracked, or in civilian applications, e.g., when searching for lost people after a disaster.
To solve this CSAT problem, each UAV embeds a Computer Vision System (CVS) consisting of a camera and image processing algorithms that provide measurements related to the RoI. The CVS measurements consist of images with labeled pixels, depth maps, and boxes in the images containing pixels related to detected and identified targets.
This thesis considers a set-membership approach to address the CSAT problem. Compared to alternative approaches relying on stochastic assumptions on the measurement noise, set-membership approaches assume bounded measurement noise with known bounds. Set-membership approaches can then characterize sets that are guaranteed to contain the location of the targets, provided that the hypotheses on the measurement models and noise bounds are satisfied. Very few previous works directly exploit CVS measurements in a set-membership approach. This is mainly because obtaining measurement models for a CVS involving deep learning algorithms is difficult. To address these issues, we introduce several assumptions to relate the CVS measurements with the targets and obstacles present in the RoI using a geometric approach. With these assumptions, we propose a new set-membership estimator that directly exploits the CVS measurements to characterize sets that are guaranteed to contain the location of each identified target. The CVS measurements are also exploited to evaluate sets that are guaranteed to contain no target location. A prediction-correction process similar to the Kalman filter has been considered to account for the exchange of information between UAVs. The correction involves CVS measurements acquired by each UAV and estimates shared by neighboring UAVs. Several additional sources of uncertainty may be considered in the proposed approach. We have also accounted for the state uncertainty of UAVs.
As the RoI is cluttered with unknown obstacles, each UAV builds an occupancy-elevation map during the search and tracking of targets using CVS measurements. The map provides an approximate description of the location, height, and shape of the obstacles. The map may be exploited for obstacle avoidance. In this thesis, it is used to predict the occlusion by obstacles in the field of view of the camera of each UAV. This information is instrumental in the design of a Model Predictive Control (MPC) algorithm to determine the trajectory of each UAV, minimizing the localization uncertainty of identified targets and reducing the size of the set containing potentially undetected targets. If the targets outnumber the UAVs, a trade-off has to be found between searching for new targets and tracking already identified targets to reduce the localization uncertainty.
Simulations performed with Webots illustrate the performance of the target location estimator and the MPC design by evaluating the efficiency of the cooperating UAVs to explore the environment, find and identify the targets, and maintain an accurate estimation of their location.
Résumé : Cette thèse aborde le problème de la recherche et du suivi d’un nombre inconnu de cibles mobiles réparties dans une région d’intérêt (RdI) inconnue à l’aide d’une flotte coopérative de robots aériens sans pilote (UAV). Ce problème de recherche, d’acquisition et de suivi coopératif (CSAT) apparaît dans des contextes militaires, p.e., pour trouver et suivre des véhicules ennemis, ou dans des applications civiles, p.e., pour rechercher des personnes perdues à la suite d’une catastrophe.
Pour résoudre ce problème, chaque drone embarque un système de vision par ordinateur (CVS) composé d’une caméra et d’algorithmes de traitement d’images qui fournissent des mesures liées à la RdI. Les mesures fournies par le CVS consistent en des images avec des pixels labellisés, des cartes de profondeur et des boîtes contenant des pixels associés aux cibles qui ont été identifiées.
Cette thèse considère une approche ensembliste pour aborder le problème CSAT. Par rapport à d’autres approches reposant sur des hypothèses stochastiques sur le bruit de mesure, les approches ensemblistes supposent que le bruit de mesure est borné avec des bornes connues. Ces approches peuvent alors caractériser des ensembles qui contiennent de manière certaine la position des cibles, à condition que les hypothèses sur les modèles de mesure et les bornes du bruit soient respectées. Très peu de travaux antérieurs exploitent directement les mesures CVS à l’aide d’une approche ensembliste. Cela s’explique principalement par le fait qu’il est difficile d’obtenir des modèles de mesure pour un CVS employant des algorithmes d’apprentissage. Pour résoudre ces problèmes, nous introduisons plusieurs hypothèses pour relier les mesures CVS aux cibles et aux obstacles présents dans la RdI en utilisant une approche géométrique. A partir de ces hypothèses, nous proposons un nouvel estimateur ensembliste qui exploite directement les mesures CVS pour caractériser des ensembles contenant la position de chaque cible identifiée. Les mesures CVS sont également exploitées pour évaluer les ensembles qui ne contiennent aucune cible. Un processus de prédiction-correction similaire au filtre de Kalman a été proposé pour tenir compte de l’échange d’informations entre les drones. La correction se fait via les mesures CVS acquises par chaque drone et les estimées transmises par les drones voisins. Plusieurs sources d’incertitude supplémentaires peuvent être prises en compte dans l’approche proposée. Nous nous sommes concentrés sur la manière de prendre en compte l’incertitude de l’état des drones.
Comme la RdI est encombrée d’obstacles inconnus, chaque drone établit une carte d’occupation et d’élévation pendant la recherche et le suivi des cibles à l’aide des mesures CVS. Cette carte fournit une description approximative de l’emplacement, de la hauteur, et de la forme des obstacles. La carte peut être exploitée pour éviter les obstacles. Dans cette thèse, elle est utilisée pour prédire la portion du champ de vue de la caméra de chaque drone qui est masquée par un obstacle. Cette information est déterminante dans la conception d’un algorithme par commande prédictive (MPC) pour déterminer la trajectoire de chaque drone, en minimisant l’incertitude de localisation des cibles identifiées et en réduisant la taille de l’ensemble contenant les cibles potentiellement non détectées. Si les cibles sont plus nombreuses que les UAVs, un compromis entre la recherche de nouvelles cibles et le suivi des cibles déjà identifiées afin de réduire l’incertitude de la localisation doit être trouvé.
Des simulations réalisées avec Webots illustrent les performances de l’estimateur et de la loi de guidage en évaluant l’efficacité des drones coopératifs pour explorer l’environnement, trouver et identifier les cibles, et maintenir une estimation précise de leur position.
