Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

Le ciel au-dessus de nos villes devient de plus en plus encombré, non pas par des oiseaux, mais par de petits aéronefs autonomes conçus pour livrer des colis, inspecter les infrastructures et fournir des services d'urgence. Alors que ces véhicules sans pilote passent de l'expérimentation militaire et académique à la logistique quotidienne, ils sont confrontés à un problème fondamental : l'espace aérien à basse altitude est un goulot d'étranglement physique partagé. Contrairement à une autoroute où les voitures peuvent simplement changer de voie, l'air nécessite une coordination précise pour éviter les collisions, garantir que deux drones n'occupent pas le même espace au même moment et gérer les ressources limitées comme les stations de recharge. Ce défi appartient au domaine de la gestion du trafic pour les systèmes sans pilote, une discipline qui mêle la logique de l'informatique aux contraintes physiques du vol. À la base, ce travail repose sur deux idées distinctes mais complémentaires. La première est une méthode de « contrôle supervisé », qui agit comme un agent de circulation strict, définissant les règles absolues de la route pour garantir la sécurité et prévenir les blocages où les véhicules resteraient bloqués à s'attendre indéfiniment. La seconde est le « contrôle prédictif », une stratégie où chaque véhicule regarde quelques étapes à l'avance pour choisir le chemin le plus efficace, en pesant des facteurs tels que l'autonomie de la batterie et le temps de livraison. La question à laquelle les chercheurs sont confrontés depuis longtemps est de savoir comment combiner ces deux approches pour une grande flotte de drones sans créer un système informatique si complexe qu'il ne pourrait pas fonctionner en temps réel.

Dans une étude récente, des chercheurs de l'Université Fédérale de Minas Gerais au Brésil ont proposé une solution qui comble cet écart, créant un cadre qu'ils appellent le Contrôle Supervisé Prédictif par Modèle (Model Predictive Supervisory Control). Ils ont conçu un système qui permet à un grand groupe de drones d'opérer en toute sécurité dans un environnement urbain dense en séparant la tâche de « maintenir la sécurité de tous » de la tâche de « trouver le meilleur itinéraire ». Imaginez une ville où une autorité centrale dessine les limites de chaque rue et de chaque intersection, déclarant quels chemins sont ouverts et lesquels sont fermés pour prévenir les accidents. Cette autorité ne dit pas à chaque conducteur exactement quel tour prendre ; elle interdit simplement les mouvements dangereux. Chaque conducteur, connaissant les règles, regarde ensuite la carte et choisit l'itinéraire le plus rapide et le plus économe en carburant pour atteindre sa destination tout en restant dans ces limites de sécurité. C'est exactement ainsi que fonctionne le nouveau système. Un contrôleur central, agissant comme le superviseur, surveille l'ensemble de la flotte et l'espace aérien partagé. Il utilise un modèle mathématique pour identifier quels mouvements causeraient une collision ou violeraient une règle, comme entrer dans une zone restreinte ou tenter d'atterrir à une station de recharge déjà occupée. Il diffuse ensuite une liste de « mouvements interdits » à chaque drone de la flotte.

Chaque drone reçoit cette liste et utilise son propre ordinateur de bord pour résoudre un problème d'optimisation à court terme. Il examine sa position actuelle, son niveau de batterie et sa mission assignée, puis calcule la séquence de mouvements qui lui permettra d'atteindre son objectif avec le moins de temps et d'énergie, en évitant strictement les mouvements figurant sur la liste des interdits. Une fois que le drone exécute le tout premier mouvement de cette séquence, le processus se répète. Le drone renvoie sa nouvelle position au superviseur central, le superviseur met à jour la liste des mouvements interdits en fonction de la nouvelle réalité, et le drone planifie son étape suivante. Ce cycle se produit en continu, permettant à la flotte de s'adapter instantanément aux changements, comme une nouvelle demande de livraison ou une alerte soudaine de batterie. Les chercheurs ont testé ce système dans un environnement urbain simulé en utilisant une plateforme logicielle de robotique standard. Ils ont créé deux scénarios : un test plus petit avec deux drones naviguant sur une carte simple de neuf nœuds, et un test plus large et plus complexe avec quatre drones naviguant sur une carte de dix-neuf nœuds répartis sur deux couches d'altitude différentes.

Les résultats de ces simulations ont démontré que cette approche hiérarchique résout le problème de complexité qui a entravé les tentatives précédentes. Lorsque les chercheurs ont tenté de construire un modèle informatique unique et omniscient pour gérer l'ensemble de la flotte à la fois — une méthode connue sous le nom de synthèse monolithique — le système est devenu saturé. Pour le scénario plus petit à deux drones, le modèle unique nécessitait près de 445 000 états internes pour décrire toutes les combinaisons possibles de positions et d'actions, un nombre qui croîtrait de manière explosive si davantage de drones étaient ajoutés. En revanche, le nouveau système hiérarchique a réduit la complexité du superviseur à seulement 570 états, soit une réduction d'environ 780 fois. Cette simplification massive a permis au système de fonctionner efficacement sans avoir besoin de supercalculateurs. Dans le scénario plus large à quatre drones, le système a mené à bien cinq des six missions assignées, avec un temps de mission moyen de 44,42 secondes et un débit de 2,46 missions par minute. Le superviseur central a dû interdire en moyenne 19,28 mouvements par étape temporelle pour maintenir la sécurité, prouvant que le système gérait activement les conflits plutôt que de laisser les drones voler librement.

L'étude confirme que la séparation des règles de sécurité globales de la prise de décision locale permet une solution évolutive. Le superviseur central n'a pas besoin de connaître les détails spécifiques de la batterie ou de la cargaison de chaque drone ; il doit seulement suivre l'occupation de l'espace aérien et la disponibilité des ressources partagées. Les drones, quant à eux, sont libres d'optimiser leurs propres trajectoires tant qu'ils respectent les limites fixées par le superviseur. Cette architecture garantit que le système reste sûr et non bloquant, ce qui signifie qu'aucun drone ne se retrouve dans une situation où il ne peut plus avancer ni reculer. Les chercheurs ont constaté que même lorsque le nombre de drones et la complexité de l'espace aérien augmentaient, le système maintenait sa capacité à coordonner la flotte sans collisions ni retards. Ces travaux suggèrent que cette méthode constitue une voie viable pour l'avenir de la mobilité aérienne urbaine, où des milliers de véhicules pourraient un jour partager les mêmes couloirs à basse altitude. En utilisant un cadre qui combine une application stricte de la sécurité et une optimisation locale flexible, les chercheurs ont montré qu'il est possible de gérer un système multi-agents complexe de manière à la fois efficace sur le plan computationnel et robuste sur le plan opérationnel. L'étude conclut que, bien que le système soit actuellement validé par simulation, les principes établis offrent une base concrète pour le développement de systèmes de gestion du trafic en conditions réelles capables de répondre aux demandes dynamiques d'un ciel urbain très fréquenté.