L'autonomie des drones constitue un défi technologique important, en particulier lorsque ces appareils évoluent en essaim et doivent naviguer sans collision dans des environnements encombrés. Une équipe de chercheurs a développé un nouveau cadre algorithmique, baptisé AttentionSwarm, qui intègre des mécanismes d'attention avec une fonction de barrière de contrôle (CBF). L'objectif : garantir un évitement optimal des obstacles tout en optimisant la trajectoire de chaque drone.
Une approche hybride entre apprentissage profond et contrôle formel
L'architecture d'AttentionSwarm repose sur un algorithme dit de Multi-Agent Proximal Policy Optimization (Mappo), qui conjugue l'apprentissage par renforcement profond et des garanties de sécurité issues du contrôle formel. L'utilisation de réseaux neuronaux à attention permet aux drones d'accorder une importance prioritaire aux obstacles dans leur environnement, adaptant dynamiquement leurs trajectoires en fonction de la proximité et du mouvement de ces obstacles.
Le modèle a été testé avec un essaim de drones Crazyflie 2.1 dans trois scénarios : un environnement de pose avec obstacles, un cadre de jeu compétitif et une course de drones dynamique. Les résultats sont probants : un taux de précision de 87 % pour l'atterrissage en milieu complexe, une navigation sans collision dans 100 % des cas pour le scénario de jeu et une réussite de 95 % en course multi-agents.
Précision millimétrique et temps de réaction optimisés
Les expériences ont été réalisées dans un environnement de capture de mouvement Vicon, permettant un suivi submillimétrique des drones. En condition d'atterrissage, la précision moyenne observée est de 3,02 cm, avec un temps moyen d'atterrissage de 23 secondes. Ce niveau de performance s'explique par l'ajustement en temps réel des paramètres de la fonction de barrière de contrôle, adaptés aux conditions environnantes.
Dans le contexte d'une course multi-agents, les drones dotés de ce système d'attention ont atteint une réussite de 95 %, contre 80 % pour les méthodes classiques de contrôle basé sur des modèles prédictifs. La principale différence réside dans la capacité de prédiction des obstacles, améliorée par l'attention dynamique.
Un cadre adaptatif pour des applications variées
Simulations mises en place avec un obstacle mobile. • Grik Tadevosyan et al.
L'algorithme se distingue par sa faculté à répondre à des contraintes dynamiques, un point crucial pour les applications en milieu urbain ou industriel. Dans un scénario où un drone doit naviguer parmi des piétons, l'attention lui permet d'évaluer en priorité les éléments les plus dangereux et de recalculer sa trajectoire en conséquence. Cette approche ouvre des perspectives pour la logistique, la surveillance et les interventions d'urgence, où la cohabitation avec des éléments mobiles est inéluctable.
D'autres expériences ont mis en évidence les capacités d'adaptation du système. Lors d'une simulation impliquant des drones chargés de transporter des colis, les temps de parcours ont été réduits de 12 % par rapport aux systèmes conventionnels, tout en conservant un taux d'erreur inférieur à 5 %. De plus, la stabilité des trajectoires en environnements turbulents a été améliorée de 18 %.
Les limites de cette approche résident toutefois dans sa capacité à s'adapter à des environnements encore plus complexes, impliquant un grand nombre d'obstacles en mouvement. Les chercheurs envisagent d'augmenter le nombre de drones testés et d'introduire des paramètres supplémentaires pour améliorer l'anticipation des trajectoires. Une extension du système à des drones de plus grande taille est également à l'étude, notamment pour des applications dans le transport de fret aérien.
Ce travail constitue une avancée significative pour l'autonomie des drones en essaim, en alliant réactivité et robustesse face à des conditions réelles. L'intégration d'un modèle d'attention dans un cadre de contrôle formel permet non seulement d'améliorer la sécurité des vols, mais aussi d'ouvrir la voie à des usages plus étendus dans des environnements où la précision et la rapidité de réaction sont cruciales.
Pour en savoir plus :
- Grik Tadevosyan et al., AttentionSwarm: Reinforcement Learning with Attention Control Barier Function for Crazyflie Drones in Dynamic Environments, Arxiv, 2025