Planificateur séquentiel décentralisé économe en ressources pour l'atténuation spatio-temporelle des feux de forêt
Planificateur séquentiel décentralisé efficace basé sur des drones multiples pour la prévention et le contrôle des feux de forêt spatio-temporels
Contexte académique
Les feux de forêt constituent une menace majeure pour la biodiversité et la durabilité des ressources à l’échelle mondiale, en particulier dans leurs phases initiales. S’ils ne sont pas contrôlés à temps, leur ampleur peut s’étendre rapidement, entraînant des dommages écologiques graves. Ces dernières années, les systèmes multi-drones (Unmanned Aerial Vehicles, UAVs) sont de plus en plus utilisés pour la prévention et le contrôle des feux de forêt, principalement pour réduire l’exposition humaine aux environnements dangereux et améliorer l’efficacité des interventions d’urgence. Cependant, la plupart des recherches existantes se limitent à des aspects isolés tels que la recherche, la surveillance ou l’extinction des incendies, et manquent d’une étude globale sur la coordination des tâches des drones multiples. En particulier, dans des environnements partiellement observables où les ressources sont limitées, le nombre de drones est insuffisant et les incendies évoluent dynamiquement, la question de savoir comment allouer efficacement les tâches des drones pour une prévention précoce des feux de forêt reste un problème complexe et difficile.
Cet article propose un Planificateur séquentiel décentralisé efficace avec gestion des conflits (Conflict-aware Resource-efficient Decentralized Sequential Planner, CREDS), visant à utiliser des drones hétérogènes pour prévenir et contrôler les feux de forêt en expansion dynamique à un stade précoce, maximisant ainsi l’efficacité des ressources tout en minimisant la perte de biodiversité.
Source de l’article
Cet article est co-écrit par Josy John, Shridhar Velhal et Suresh Sundaram, tous issus du Département d’ingénierie aérospatiale de l’Institut indien des sciences (Indian Institute of Science). L’article a été publié en 2025 dans la revue IEEE Transactions on Automation Science and Engineering.
Processus de recherche
1. Modélisation du problème et allocation des tâches
CREDS modélise le problème de prévention des feux de forêt comme un problème d’allocation de tâches spatio-temporelles décentralisées, avec pour objectif de maximiser le taux de réussite des tâches exécutées par un seul drone tout en minimisant les dommages écologiques causés par les incendies. L’étude suppose que les incendies ont une capacité d’expansion dynamique et que la portée de détection des drones est limitée, ce qui entraîne une observation partielle de l’environnement. Pour ce faire, CREDS utilise un cadre en trois phases : phase de recherche, phase de génération de trajectoire locale et phase de résolution des conflits.
a) Phase de recherche
Les drones utilisent un algorithme de recherche inspiré d’Oxyhrris Marina (OMS) pour rechercher les incendies dans la zone de mission. OMS est un algorithme de recherche multi-niveaux qui simule le comportement de recherche de nourriture des planctons marins. Lorsque la température est inférieure à un seuil donné, les drones utilisent une recherche de type Levy pour explorer ; lorsque la température dépasse ce seuil, ils utilisent une recherche de type mouvement brownien. Lorsqu’une caméra infrarouge détecte un incendie, les informations relatives à sa position, son étendue et son taux d’expansion sont enregistrées dans la liste de détection des drones.
b) Phase de génération de trajectoire locale
CREDS utilise un Planificateur séquentiel décentralisé efficace en ressources (Resource-efficient Decentralized Sequential Planner, REDS) pour générer les trajectoires locales d’extinction des incendies des drones. REDS propose un nouveau Coût d’extinction prioritaire basé sur les délais (Deadline-prioritized Mitigation Cost, DPMC) pour allouer efficacement les tâches en fonction des délais d’extinction des incendies. Le coût DPMC comprend un coût de délai et un coût de démarrage des tâches, le premier étant utilisé pour garantir que les tâches sont terminées avant le délai, et le second pour minimiser les dommages causés par l’expansion des incendies.
c) Phase de résolution des conflits
Les tâches générées localement par les drones peuvent entrer en conflit. Pour résoudre cela, CREDS utilise un algorithme de consensus avec gestion des conflits, synchronisant les informations avec d’autres drones via un réseau de communication et allouant les tâches en fonction des coûts les plus bas, générant finalement des trajectoires globales sans conflit.
2. Expérimentation et évaluation des performances
L’étude évalue les performances de CREDS dans des conditions d’observabilité partielle et complète à l’aide de simulations de Monte Carlo, testant à la fois des équipes de drones hétérogènes et homogènes pour différents ratios incendies-drones.
a) Équipe de drones homogènes
Dans les équipes de drones homogènes, tous les drones ont la même vitesse et la même capacité d’extinction. Les résultats expérimentaux montrent que CREDS atteint un taux de réussite de 100 % lorsque le ratio incendies-drones est de 4. Même avec un ratio de 5, le taux de réussite de CREDS reste significativement supérieur à celui des méthodes de base.
b) Équipe de drones hétérogènes
Dans les équipes de drones hétérogènes, les drones ont des vitesses et des capacités d’extinction différentes. Les résultats expérimentaux montrent que CREDS excelle dans le traitement des tâches avec des délais hétérogènes, atteignant un taux de réussite de 84 % pour un ratio incendies-drones de 5, bien supérieur au taux de 67 % des méthodes de base.
3. Évolutivité et convergence
L’étude évalue également l’évolutivité et la convergence de CREDS. Les résultats montrent qu’avec l’augmentation de la capacité d’extinction, le taux de réussite de CREDS s’améliore significativement pour des ratios élevés incendies-drones. De plus, CREDS atteint un taux de convergence de 100 % dans tous les scénarios testés, avec un nombre d’itérations inférieur à celui des méthodes de base.
Résultats de la recherche
- Taux de réussite des tâches : Dans les cas extrêmes où le ratio incendies-drones est de 5, le taux de réussite des tâches de l’équipe hétérogène de CREDS atteint 84 %, soit 17 % de plus que les méthodes de base.
- Taux de convergence et nombre d’itérations : CREDS atteint un taux de convergence de 100 % dans tous les scénarios testés, avec un nombre moyen d’itérations réduit de 26,3 % par rapport aux méthodes de base.
- Temps d’extinction et ratio d’expansion des incendies : CREDS réduit significativement le temps total d’extinction et le ratio d’expansion des incendies, prouvant son efficacité à minimiser les dommages écologiques.
Conclusion et signification
Le CREDS proposé dans cet article offre une méthode de planification séquentielle décentralisée efficace, permettant une prévention et un contrôle précoces des feux de forêt en expansion dynamique grâce à la collaboration de drones multiples dans des conditions de ressources limitées. Ses points d’innovation incluent :
- Stratégie d’allocation des tâches : Grâce à la fonction de coût DPMC, CREDS peut allouer efficacement les tâches dans un environnement dynamique, garantissant que les tâches sont accomplies avant les délais tout en minimisant l’expansion des incendies.
- Avantages des équipes hétérogènes : Les équipes de drones hétérogènes excellent dans le traitement des tâches aux délais variés, améliorant davantage le taux de réussite des tâches.
- Évolutivité et convergence : CREDS montre une bonne évolutivité dans des conditions de ressources limitées et atteint une convergence rapide dans tous les scénarios testés.
Points forts de la recherche
- Allocation efficace des tâches : CREDS utilise la fonction de coût DPMC pour allouer efficacement les tâches, augmentant significativement le taux de réussite des missions.
- Performance exceptionnelle dans des environnements partiellement observables : Même dans des environnements partiellement observables, CREDS maintient un taux de réussite et de convergence élevé.
- Valeur pratique : L’efficacité et l’évolutivité de CREDS lui confèrent un grand potentiel d’application dans les scénarios réels de prévention des feux de forêt.
CREDS propose une solution innovante pour résoudre les problèmes complexes de prévention et de contrôle des feux de forêt avec des drones multiples, avec une valeur scientifique et pratique importante.