⚡ electrical engineering

Obstacle-aware multi-UAV scheduling for plant-protection operations using an enhanced walrus optimizer

Cet article propose un algorithme d'optimisation du morse amélioré (CRWO) qui intègre la mutation différentielle aléatoire, l'apprentissage par opposition basé sur l'imagerie de lentilles et la recherche de voisinage discrète pour optimiser conjointement l'assignation des tâches et l'ordre de visite pour les opérations de protection des plantes par multi-UAV, équilibrant efficacement la charge de travail de la flotte et garantissant la faisabilité des itinéraires tenant compte des obstacles sous des contraintes d'autonomie.

Auteurs originaux : zhe sun, anchan liao, yunrui bi, zhixin sun

Publié 2026-09-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : zhe sun, anchan liao, yunrui bi, zhixin sun

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans les rangées silencieuses des vergers modernes, un nouveau type de travailleur a pris son envol : le véhicule aérien sans pilote, ou drone. Contrairement aux gros tracteurs vrombissants du passé, ces machines sont assez agiles pour se faufiler entre les arbres et assez précises pour ne cibler que les feuilles malades ou les branches carencées qui nécessitent une attention particulière. Ce passage d'une couverture globale à des soins ciblés promet d'économiser les produits chimiques et de protéger l'environnement. Cependant, un seul drone ne peut pas accomplir tout le travail seul. Sa batterie s'épuise et son réservoir de liquide pesticide se remplit rapidement. Pour protéger un grand champ, une flotte de ces drones doit travailler ensemble, en se relayant pour décoller, pulvériser un point spécifique, revenir à une base centrale pour se remplir, puis repartir. Le défi consiste à décider quel drone va à quel arbre, dans quel ordre, et combien de trajets chaque drone effectue. Si le plan est mauvais, certains drones seront épuisés tandis que d'autres resteront oisifs, ou pire, un drone pourrait être envoyé sur un trajet qui semble court sur une carte mais qui est en réalité bloqué par un arbre ou une zone interdite, le forçant à s'écraser ou à gaspiller une énergie précieuse.

Des chercheurs de l'Université de poste et de télécommunications de Nanjing et de l'Institut de technologie de Nanjing ont abordé ce casse-tête complexe de planification en développant une nouvelle méthode pour coordonner ces flottes. Ils ont créé un système qui ne se contente pas de regarder la distance en ligne droite entre les arbres, mais calcule plutôt le chemin sûr réel qu'un drone doit emprunter pour éviter les obstacles tels que les branches, les bâtiments et les zones restreintes. Pour trouver le meilleur planning possible pour une flotte de drones, ils ont conçu un nouvel algorithme informatique inspiré par le comportement des morse. Dans la nature, les morses se déplacent en groupes, équilibrant le besoin d'explorer de nouvelles zones de nourrissage avec la sécurité de rester près du troupeau. Les chercheurs ont traduit ces comportements sociaux en règles mathématiques qui aident un ordinateur à parcourir des millions de plans de vol possibles pour en trouver un qui permette à chaque drone de travailler de manière équilibrée et sécurisée.

L'équipe a testé son nouvel algorithme, qu'elle appelle l'optimiseur de morse amélioré, contre plusieurs autres méthodes existantes utilisées pour des problèmes similaires. Ils ont simulé un environnement de verger réaliste, comprenant un terrain vallonné, des arbres de hauteurs variées et des zones d'exclusion aérienne où les drones ne sont pas autorisés à entrer. Dans ces simulations, le nouvel algorithme a systématiquement surpassé les autres. Il a réussi à réduire la distance totale que la flotte devait parcourir par une marge petite mais significative, mais sa réussite la plus importante a été de l'équilibre de la charge de travail. Dans les meilleurs résultats, la différence de distance parcourue entre le drone le plus occupé et le moins occupé a été réduite de près de moitié par rapport à la méthode suivante la plus performante. Cela signifie que, dans un scénario réel, les drones s'useront à peu près au même moment, et que la flotte pourra fonctionner plus longtemps sans avoir besoin de remplacer les machines épuisées.

Un aspect crucial de ce succès a été la manière dont les chercheurs ont pris en compte la réalité du verger. De nombreux systèmes de planification supposent qu'un drone peut voler en ligne droite d'un arbre à l'autre. Les chercheurs ont démontré que cette supposition est dangereuse. En utilisant une technique de recherche de chemin éprouvée pour cartographier les détours réels nécessaires pour contourner les obstacles, ils ont garanti que le planning généré par l'algorithme était physiquement possible à effectuer. Ils ont également ajouté une troisième dimension à la planification, en veillant à ce que les drones maintiennent une hauteur sûre au-dessus du sol et de la canopée, et qu'ils ne montent ou ne descendent pas trop abruptement, ce qui pourrait être dangereux pour l'aéronef. Chaque trajectoire de vol générée par leur système a été vérifiée pour s'assurer qu'elle respectait les limites de batterie du drone et les règles de sécurité.

L'étude confirme que cette nouvelle approche fonctionne bien pour les environnements statiques où les arbres et les obstacles ne bougent pas. Les chercheurs ont constaté que leur méthode était particulièrement efficace pour empêcher qu'un drone ne soit surchargé pendant que d'autres se reposent, un problème courant qui peut ralentir toute l'opération. Bien que le système ne gère pas encore les obstacles mobiles ou les changements météorologiques, et qu'il suppose que tous les drones sont identiques, il constitue une base solide pour l'avenir de l'agriculture automatisée. En traitant le verger comme un espace tridimensionnel complexe plutôt que comme une carte plate, et en utilisant un algorithme intelligent inspiré de la nature pour gérer la flotte, les chercheurs ont offert une voie pratique pour maintenir ces travailleurs robotiques sûrs, efficaces et équilibrés. Le résultat est une méthode de planification qui transforme un mélange chaotique de vols en une opération coordonnée et fiable, garantissant que le verger est protégé sans surcharger les machines qui effectuent le travail.

Résumé technique : Ordonnancement multi-UAV sensible aux obstacles pour les opérations de protection des cultures à l'aide d'un optimiseur de morse amélioré

Énoncé du problème
L'article traite du défi de l'ordonnancement de drones (UAV) coopératifs pour la protection des cultures dans des environnements de vergers caractérisés par un terrain complexe et des obstacles. Contrairement à la planification de trajectoire de couverture traditionnelle, cette étude se concentre sur le traitement ciblé de zones discrètes de maladies ou de carences nutritionnelles. Le problème central est une tâche d'ordonnancement multi-UAV, multi-sorties, à dépôt unique contrainte par :

Autonomie et charge utile : Une autonomie de batterie et une capacité de pesticide limitées nécessitant des retours répétés à un dépôt central.
Évitement d'obstacles : La présence d'arbres, de bâtiments et de zones d'exclusion aérienne qui rendent les distances euclidiennes (en ligne droite) inexactes pour la planification des itinéraires.
Équilibre de la charge de travail : La nécessité de distribuer les tâches uniformément entre une flotte homogène pour éviter de surcharger des UAV spécifiques.
Faisabilité 3D : L'exigence de générer des itinéraires exécutables respectant le dégagement du terrain, les limites d'angle de montée et des altitudes de travail spécifiques au-dessus de la canopée.

Les méthodes existantes évaluent souvent les ordonnancements en utilisant des distances en ligne droite, ce qui peut conduire à des itinéraires infaisables ou inefficaces lorsque des obstacles sont introduits. De plus, peu d'études optimisent simultanément l'assignation des tâches, l'ordre de visite et la réalisation de l'itinéraire sous ces contraintes spécifiques de 2,5 dimensions.

Méthodologie
Les auteurs proposent un cadre à deux étapes combinant une couche de réalisation d'itinéraire déterministe avec un optimiseur d'ordonnancement métaheuristique.

Modèle d'ordonnancement :
- Objectif : Une fonction multi-objectif minimisant la distance de trajet cumulée, la distance cumulée maximale par UAV (makespan) et l'écart type des longueurs de trajet entre les UAV (équilibre de la charge de travail).
- Coûts des arêtes : Au lieu de la distance euclidienne, les coûts des arêtes ( $c_{ij}$ ) sont dérivés d'une recherche A* sur un graphe d'occupation statique. Cela garantit que l'algorithme d'ordonnancement tient compte des détours horizontaux autour des obstacles et des zones d'exclusion aérienne.
- Contraintes : Le modèle impose des limites de charge utile, une longueur de sortie maximale et des contraintes de retour à dépôt unique. Un décodeur construit les sorties en regroupant les tâches jusqu'à ce que les limites de capacité ou de portée soient atteintes.
Réalisation de l'itinéraire (2,5-dimensionnelle) :
- Horizontal : A* reconstruit des chemins sans collision entre les tâches en fonction de l'ordonnancement.
- Vertical : Un modèle d'altitude 2,5D assigne des profils d'élévation. L'UAV maintient une hauteur de croisière ( $H_c$ ) au-dessus du terrain, descend de manière fluide vers une altitude de travail ( $H_{min}$ ) au-dessus de la canopée des arbres au niveau des sites de tâches, et respecte un angle de montée maximal ( $20^\circ$ ).
- Vérification de faisabilité : La distance spatiale 3D réalisée est calculée après l'ordonnancement et vérifiée par rapport à la limite d'autonomie de l'UAV.
Optimiseur de Morse amélioré (CRWO) :
Pour résoudre le problème d'ordonnancement combinatoire NP-difficile, les auteurs améliorent l'optimiseur de Morse (WO) standard avec trois stratégies spécifiques :
- Mutation différentielle aléatoire : Utilise la différence entre la meilleure solution historique et des individus aléatoires pour diriger la perturbation, équilibrant l'exploration et l'exploitation.
- Apprentissage par opposition par imagerie de lentille (Lens-Imaging Opposition-Based Learning) : Génère des solutions candidates symétriques à travers l'espace de recherche pour échapper aux optima locaux.
- Recherche de voisinage discrète : Appliquée aux solutions d'élite pour affiner la réassignation des tâches et les priorités de visite.
- Encodage : Une représentation à double clé aléatoire encode à la fois l'assignation des tâches à l'UAV et la priorité de visite, permettant aux opérateurs d'optimisation continue de résoudre des problèmes discrets.

Principales contributions

Formulation sensible aux obstacles : L'article formule un modèle d'ordonnancement où les coûts des arêtes sont précalculés via A* plutôt que par la distance euclidienne, garantissant que l'objectif d'optimisation s'aligne sur les coûts de trajet exécutables.
Algorithme CRWO : Le développement d'une métaheuristique améliorée (CRWO) spécifiquement adaptée à l'ordonnancement multi-UAV à haute dimension et contraint, démontrant des performances supérieures au WO standard, au PSO, au GWO et à d'autres.
Cadre de réalisation 2,5D : Une approche séquentielle qui découple la recherche d'ordonnancement 2D de la réalisation de l'itinéraire 3D, garantissant que les ordonnancements générés respectent les contraintes de dégagement du terrain et d'angle de montée sans compliquer l'espace de recherche par une dynamique 3D complète.
Évaluation complète : Un benchmarking rigoureux par rapport à huit algorithmes à travers des densités d'obstacles faibles, moyennes et élevées, incluant des études d'ablation pour isoler la contribution de composants spécifiques du CRWO.

Résultats expérimentaux
Les expériences ont été menées sur une carte de verger de 800 m × 800 m avec 50 tâches et 6 UAV.

Performance par rapport aux bases de référence : Dans le scénario à densité d'obstacles moyenne, le CRWO a surpassé la base de référence la plus forte (PSO) en réduisant la valeur objective moyenne de 3,71 %, la distance spatiale cumulée maximale par UAV de 3,70 % et l'écart type de la longueur de trajet entre les UAV de 47,62 %.
Équilibre de la charge de travail : Le CRWO a systématiquement obtenu la plus faible variation de charge de travail (écart type) à travers toutes les densités d'obstacles, indiquant une utilisation supérieure de la flotte.
Faisabilité : Toutes les sorties réalisées respectaient les contraintes d'autonomie, d'évitement d'obstacles, de dégagement du terrain (minimum 5,52 m) et d'angle de montée ( $\le 20^\circ$ ).
A* vs Euclidien : L'utilisation des coûts d'arêtes A* n'a pas réduit de manière significative la distance totale cumulée par rapport à l'ordonnancement euclidien, mais a considérablement amélioré l'équilibre de la charge de travail (réduisant l'écart type de la longueur du trajet de 50,43 m à 23,11 m lors de tests appariés).
Ablation : L'étude a confirmé que la combinaison de la mutation différentielle, de l'apprentissage par opposition et de la recherche de voisinage discrète était nécessaire pour atteindre la performance finale ; supprimer n'importe quel composant dégradait les résultats.

Signification et revendications
L'article affirme que le CRWO offre une méthode d'ordonnancement pratique pour les opérations de protection des cultures à dépôt unique et statique, où l'évitement d'obstacles et l'équilibre de la flotte sont critiques. Les auteurs soulignent que la méthode est un « ordonnanceur équilibré » plutôt qu'un pur algorithme de chemin le plus court ; sa valeur principale réside dans la distribution uniforme de la charge de travail et la garantie que les contraintes de sécurité sont respectées sans nécess plusieurs de couplage 3D complexe durant la phase d'optimisation.

Les auteurs maintiennent un champ d'application modeste, reconnaissant que le cadre actuel est limité aux cartes statiques, aux demandes déterministes et aux flottes homogènes. Ils déclarent explicitement que la méthode ne garantit pas un optimum global et que des travaux futurs sont nécessaires pour traiter la réassignation dynamique, les flottes hétérogènes et l'incertitude des conditions de vol. L'étude conclut que bien que les gains de distance cumulée soient marginaux, l'amélioration significative de l'équilibre de la charge de travail et de la conformité à la sécurité fait du CRWO une solution viable pour la protection ciblée des vergers.

Articles similaires