Thèse Coordination Optimale et Robuste de Systèmes Multi-Agents Sous Incertitudes par Commande Prédictive Distribuée et Jumeau Numérique H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Signaux et Systèmes Direction de la thèse : Sihem TEBBANI ORCID 0000000303882902 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-10T23:59:59 Dans un contexte où les essaims de drones sont de plus en plus déployés dans des secteurs stratégiques (surveillance, cartographie, agriculture de précision, recherche et sauvetage), ce projet doctoral vise à concevoir une architecture de commande distribuée pour une flotte de drones multi-agents, intégrant simultanément la commande prédictive, l'optimisation en temps réel, un jumeau numérique et des modèles boîte grise issus de l'apprentissage automatique. La commande prédictive anticipe l'évolution du système sur un horizon donné afin de générer des actions optimales qui respectent les contraintes physiques, énergétiques et de sécurité, garantissant l'évitement de collisions, la couverture efficace des zones d'intérêt et l'allocation dynamique des tâches. Elle s'appuie sur des modèles boîte grise pour la dynamique de chaque drone, améliorant l'estimation des états non mesurés et accélérant les phases de simulation et d'optimisation, tout en garantissant une meilleure robustesse aux erreurs de modélisation et à l'effet des perturbations.
L'optimisation distribuée en temps réel recalcule rapidement les trajectoires, les commandes et la répartition des ressources face aux perturbations, aux changements de mission ou aux pannes de drones, tout en maintenant la rapidité requise pour le pilotage du système en temps réel. Elle permet donc une coordination optimale, adaptative et robuste de l'essaim de drones.
Cette optimisation s'appuie notamment sur un jumeau numérique (digital twin) pour la prise de décision en temps réel. Il fournit une réplique virtuelle de la flotte et de son environnement. Il est continuellement mis à jour avec les données disponibles lors de la mission et permet ainsi la simulation rapide du système et la détection précoce d'anomalies.
L'objectif est de proposer une solution innovante pour rendre les essaims de drones plus autonomes, robustes et efficaces dans des contextes dynamiques et incertains.
Les développements théoriques seront validés en simulation et expérimentalement. Les cas d'étude envisagés incluent la cartographie de champs de culture pour l'agriculture de précision et/ou la mission de reconnaissance de zones sinistrées (incendie et séisme).
Le développement rapide des essaims de drones a conduit à leur utilisation croissante dans de nombreux secteurs stratégiques et civils. Ces systèmes coopératifs sont employés pour la surveillance de zones sensibles, la cartographie dynamique de terrains, l'inspection industrielle d'infrastructures critiques, l'agriculture de précision, les opérations de recherche et de sauvetage, ainsi que la logistique autonome pour le transport de marchandises. Grâce à leur flexibilité, leur mobilité et leur capacité à couvrir de larges zones, les drones multi-agents représentent une solution prometteuse pour de nombreuses missions complexes.
Cependant, malgré ces avancées, le déploiement opérationnel reste confronté à plusieurs verrous technologiques et scientifiques. Parmi les principales limitations figurent les incertitudes de l'environnement (dont les conditions météorologiques), les risques de collisions entre agents ou avec des obstacles, les pertes de communication, les contraintes énergétiques liées à l'autonomie limitée des batteries, ainsi que la difficulté d'assurer une coordination collective fiable et réactive en temps réel. Ces défis deviennent encore plus critiques lorsque le nombre de drones augmente ou lorsque les missions se déroulent dans des environnements dynamiques et imprévisibles.
Dans ce contexte, le concept de jumeau numérique apparaît comme une approche particulièrement pertinente. Elle consiste à maintenir une réplique virtuelle du système réel, continuellement synchronisée à partir des données issues des drones et de leur environnement. Ce jumeau numérique permet de prédire le comportement futur des agents, de tester différentes stratégies de décision avant leur exécution réelle, de détecter précocement les anomalies ou défaillances, et d'optimiser la commande collective de la flotte. En combinant modélisation, simulation en temps réel et intelligence artificielle, cette technologie ouvre de nouvelles perspectives pour rendre les essaims de drones plus autonomes, plus sûrs et plus performants.
L'objectif principal de ce projet doctoral est de concevoir et développer une architecture avancée de commande distribuée pour une flotte de drones multi-agents, reposant sur l'intégration conjointe de la commande prédictive, de l'optimisation en temps réel, d'un jumeau numérique (Digital Twin) et des modèles boîte noire ou grise issus de l'apprentissage automatique (par exemple les Physics-Informed Neural Networks, PINN). Cette architecture devra permettre à la flotte de drones d'évoluer de manière autonome, coordonnée et robuste dans des environnements dynamiques et incertains.
Plus spécifiquement, la thèse visera à mettre en place une stratégie de commande prédictive capable d'anticiper l'évolution future du système sur un horizon temporel donné, afin de générer à chaque instant des commandes optimales respectant les contraintes physiques, énergétiques et de sécurité. Cette approche devra notamment garantir l'évitement de collisions, la couverture optimale de zones d'intérêt et l'allocation dynamique des tâches entre agents.
L'optimisation en temps réel constituera un second axe majeur de ce projet. Il s'agira de développer des algorithmes rapides et distribués permettant de recalculer en temps réel les trajectoires, les commandes et la répartition des ressources face aux perturbations externes, aux changements de mission ou aux défaillances éventuelles d'un ou plusieurs drones. L'objectif sera de concilier la performance globale et la rapidité de calcul pour une mise en oeuvre en temps réel.
Un jumeau numérique sera développé et jouera un rôle central dans l'architecture proposée en assurant une représentation virtuelle dynamique et continuellement synchronisée de la flotte réelle et de son environnement. Ce jumeau numérique permettra d'évaluer et d'anticiper les conséquences d'une action, de détecter des anomalies de fonctionnement. Il constituera ainsi un support intelligent à la prise de décision en temps réel.
Par ailleurs, une modélisation de type boîte grise (a priori les PINN seront prioritairement étudiés) sera mise en oeuvre pour améliorer la modélisation dynamique des drones et de leur environnement lorsque les modèles physiques classiques sont incomplets, incertains ou coûteux à calculer. Ces modèles boîte grise permettront d'estimer plus précisément les états non mesurés, d'identifier certains paramètres variables du système et d'accélérer certaines étapes de simulation ou d'optimisation.
Ainsi, ce projet doctoral vise donc à proposer des stratégies innovantes de coordination et de commande de systèmes multi-agents autonomes, pilotées par des stratégies de commande et d'apprentissage avancées.

- Master 2 Recherche et/ou Ingénieur(e) en Automatique.
- De bonnes compétences en programmation (Matlab ou Python).
- Des compétences dans l'étude de drones seront appréciées, mais ne sont pas obligatoires.
- Des compétences en ROS2 et Gazebo seront appréciées, mais ne sont pas obligatoires.