Academic literature on the topic 'Véhicule aérien sans pilote (VAP)'

Le sujet des véhicules aériens sans pilote (VAP) est devenu un domaine d'étude prometteurtant dans la recherche que dans l'industrie. En raison de leur autonomie et de leur efficacitéen vol, les drones sont considérablement utilisés dans diverses applications pour différentestâches. Actuellement, l'autonomie du drone est un problème difficile qui peut avoir un impactà la fois sur ses performances et sur sa sécurité pendant la mission. Pendant le vol, les dronesautonomes sont tenus d'investiguer la zone et de déterminer efficacement leur trajectoire enpréservant leurs ressources (énergie liée à la fois à l'altitude et à la longueur de la trajectoire) et en satisfaisant certaines contraintes (obstacles et rotations d'axe). Ce problème estdéfini comme le problème de planification de trajectoire UAV qui nécessite des algorithmesefficaces pour être résolus, souvent des algorithmes d'intelligence artificielle. Dans cettethèse, nous présentons deux nouvelles approches pour résoudre le problème de planificationde trajectoire UAV. La première approche est un algorithme amélioré basé sur l'algorithmed'optimisation des vautours africains, appelé algorithmes CCO-AVOA, qui intègre la cartechaotique, la mutation de Cauchy et les stratégies d'apprentissage basées sur l'oppositiond'élite. Ces trois stratégies améliorent les performances de l'algorithme AVOA original entermes de diversité des solutions et d'équilibre de recherche exploration/exploitation. Unedeuxième approche est une approche hybride, appelée CAOSA, basée sur l'hybridation deChaotic Aquila Optimization avec des algorithmes de recuit simulé. L'introduction de lacarte chaotique améliore la diversité de l'optimisation Aquila (AO), tandis que l'algorithmede recuit simulé (SA) est appliqué comme algorithme de recherche locale pour améliorer larecherche d'exploitation de l'algorithme AO traditionnel. Enfin, l'autonomie et l'efficacitédu drone sont abordées dans une autre application importante, qui est le problème de placement du drone. La question du placement de l'UAV repose sur la recherche de l'emplacementoptimal du drone qui satisfait à la fois la couverture du réseau et la connectivité tout entenant compte de la limitation de l'UAV en termes d'énergie et de charge. Dans ce contexte, nous avons proposé un hybride efficace appelé IMRFO-TS, basé sur la combinaisonde l'amélioration de l'optimisation de la recherche de nourriture des raies manta, qui intègreune stratégie de contrôle tangentiel et d'algorithme de recherche taboue
The subject of Unmanned Aerial Vehicles (UAVs) has become a promising study field in bothresearch and industry. Due to their autonomy and efficiency in flight, UAVs are considerablyused in various applications for different tasks. Actually, the autonomy of the UAVis a challenging issue that can impact both its performance and safety during the mission.During the flight, the autonomous UAVs are required to investigate the area and determineefficiently their trajectory by preserving their resources (energy related to both altitude andpath length) and satisfying some constraints (obstacles and axe rotations). This problem isdefined as the UAV path planning problem that requires efficient algorithms to be solved,often Artificial Intelligence algorithms. In this thesis, we present two novel approachesfor solving the UAV path planning problem. The first approach is an improved algorithmbased on African Vultures Optimization Algorithm (AVOA), called CCO-AVOA algorithms,which integrates the Chaotic map, Cauchy mutation, and Elite Opposition-based learningstrategies. These three strategies improve the performance of the original AVOA algorithmin terms of the diversity of solutions and the exploration/exploitation search balance. Asecond approach is a hybrid-based approach, called CAOSA, based on the hybridization ofChaotic Aquila Optimization with Simulated Annealing algorithms. The introduction of thechaotic map enhances the diversity of the Aquila Optimization (AO), while the SimulatedAnnealing (SA) algorithm is applied as a local search algorithm to improve the exploitationsearch of the traditional AO algorithm. Finally, the autonomy and efficiency of the UAVare tackled in another important application, which is the UAV placement problem. Theissue of the UAV placement relays on finding the optimal UAV placement that satisfies boththe network coverage and connectivity while considering the UAV's limitation from energyand load. In this context, we proposed an efficient hybrid called IMRFO-TS, based on thecombination of Improved Manta Ray Foraging Optimization, which integrates a tangentialcontrol strategy and Tabu Search algorithms

L'objectif principal de cette thèse est la modélisation, l'évaluation des performances et l'optimisation au niveau du système des réseaux cellulaires de prochaine génération équipés de drones en utilisant l'intelligence artificielle. En outre, la technologie émergente de détection et de communication intégrées est étudiée pour être appliquée aux futurs réseaux sans fil des drones. En particulier, en s'appuyant sur la technique d'apprentissage par renforcement pour contrôler les actions des drones, cette thèse développe un ensemble de nouveaux cadres d'apprentissage automatique pour incorporer des mesures de performance importantes dans l'agent, telles que le débit du système de communication et l'erreur de localisation, qui peuvent être utilisées pour l'analyse et l'optimisation au niveau du système. Plus précisément, un nouvel algorithme basé sur l'apprentissage est proposé pour maximiser le débit du système en utilisant une connaissance préalable de la probabilité de présence des utilisateurs dans un réseau. Un cadre d'apprentissage fédéré a été introduit pour trouver une planification optimale de la trajectoire en formant un agent avec un algorithme d'apprentissage profond dans différents environnements afin d'obtenir une généralisation et une convergence plus rapide. Les performances d'un drone équipé d'un système de communication radar à double fonction sont étudiées et les avantages potentiels de ces systèmes sont démontrés en optimisant conjointement le débit du système de communication et l'erreur de localisation
The main focus of this thesis is on modeling, performance evaluation and system-level optimization of next-generation cellular networks empowered by Unmanned Aerial Vehicles (UAVs) by using Machine Learning (ML). In addition, the emerging technology of Integrated Sensing and Communication is investigated for application to future UAV wireless networks. In particular, relying on Reinforcement Learning (RL) technique for controlling UAV actions, this thesis develops a set of new ML frameworks for incorporating important performance metrics in to the RL agent, such as the communication system throughput and localization error, which can be used for system-level analysis and optimization. More specifically, a new learning-based algorithms proposed to maximize the system throughput by utilizing a prior knowledge of users likelihood of presence in a grid. A Federated Learning (FL) framework introduced to find an optimal path planning through training an agent with RL algorithm in different environment settings to achieve generalization and faster convergence. The performance of UAV equipped with Dual-Functional Radar Communication (DFRC) is investigated and the potential benefits of DFRC systems are shown by jointly optimizing communication system throughput and localization error

Le méthane et le dioxyde de carbone sont les gaz à effet de serre (GES) d'origine humaine les plus abondants dans l'atmosphère. Leur concentration croissante dans l'atmosphère est la principal cause du changement climatique. Il est donc essentiel de surveiller l'évolution de leurs sources et de leurs puits. Une caractérisation et une quantification précises de leurs émissions territoriales provenant de différents secteurs sont nécessaires pour déterminer et gérer des actions et des politiques d'atténuation efficaces. L'objectif principal de cette thèse est d'améliorer la caractérisation des émissions de CH4 et de CO2 secteur par secteur, de l'échelle locale à l'échelle nationale, via le développement de stratégies d'observation mobiles exploitant des plateformes telles que la voiture, le drone et l'avion.Cette étude comporte trois parties. La première partie vise à vérifier un inventaire national de CH4 avec une méthode reproductible, en prenant pour base Chypre. Je me concentre sur la quantification des émetteurs de méthane significatifs (décharges et zones d'élevage) qui représentent cumulativement 28% des émissions nationales de méthane. L'approche se base sur des mesures mobiles en voiture et une modélisation par dispersion gaussienne. Les émissions de méthane calculées provenant des décharges et de la fermentation entérique du bétail étaient environ 160% et 40% plus importantes, respectivement, que les estimations sectorielles ascendantes utilisées dans l'inventaire national. Ces enquêtes mobiles montrent qu'un ensemble de mesures in situ ciblant des points chauds représentatifs des émissions de méthane avec une couverture temporelle et spatiale cohérente peut largement améliorer les inventaires nationaux ascendants des émissions.La deuxième partie se concentre sur les méthodes de quantification des émissions de CH4 pour l'industrie pétrolière et gazière. Elle compare dix systèmes commerciaux de pointe de quantification du méthane par le biais d'une série d'expériences de rejet contrôlé dans une station de compression inerte. Les rejets contrôlés couvraient une série de situations, y compris différents taux de fuite et conditions de vent. Les résultats indiquent que les systèmes "source-level" (proches d'une fuite unique) sous-estiment généralement les émissions, tandis que les systèmes "site-level" (intégrant les émissions pour le site) reposant sur la dispersion atmosphérique surestiment légèrement les taux d'émission. L'analyse de cette partie souligne que les drones (UAV) ont le potentiel de combler le fossé entre les observations au sol et les observations aériennes, mais sont fortement sensibles au vent.La dernière partie était consacrée au développement des mesures de GES par drone. J'ai développé et validé un nouveau système de capteur portable UAV-CO2 qui est léger mais reste suffisamment précis. Grâce à une procédure minutieuse de caractérisation, de correction et de calibration du capteur, nous atteignons une précision en vol de ± 2 ppm (1σ) à 1 Hz et de ± 1 ppm (1σ) à 1 min. Ce système est relativement peu coûteux et facile à reproduire, et a le potentiel pour réaliser une large gamme d'applications sur le terrain, telles que la surveillance des émissions urbaines et des sources ponctuelles.En bref, ce doctorat fait un pas en avant pour la réconciliation future des estimations d'émissions de GES basées sur divers systèmes d'observation et différentes approches, et recherche des méthodes facilement duplicables et applicables à d'autres régions et secteurs d'émission. Alors que les approches mobiles présentées ici représentent clairement des options importantes pour le suivi des émissions, des défis significatifs demeurent dans la capacité actuelle d'estimer régulièrement les trajectoires d'émissions de GES anthropiques avec une précision suffisante et à grande échelle
Methane and carbon dioxide are the most abundant human-induced greenhouse gases (GHG) in the atmosphere. Their increasing atmospheric concentration is the main driver of climate change. Therefore, it is critical to monitor the evolution of their sources and sinks. Accurate characterization and quantification of their territorial emissions from different sectors are required in order to determine and manage efficient mitigation actions and policies. The main goal of this Ph.D. is to improve the characterization of CH4 and CO2 sectoral emissions from local to national scale through the development of mobile observation strategies including platforms such as car, drone and aircraft.This study consists of three parts. The first part aims at verifying a national CH4 inventory with a replicable method. I focus on surveying and quantifying significant methane emitters that represent 28% of national (Cyprus) methane emissions. These are essentially landfills and cattle farm areas. The approach is based on car-based mobile measurements and Gaussian plume dispersion modelling. The calculated methane emissions from landfills and enteric fermentation of cattle were about 160% and 40% larger, respectively, than the bottom-up sectoral estimates used in the national inventory. These mobile surveys show that an ensemble of in situ measurements targeting representative methane emission hotspots with consistent temporal and spatial coverage can largely improve national bottom-up emission inventories.The second part focuses on methods to quantify CH4 emissions for the oil and gas industry. It compares ten state-of-the-art commercial methane quantification systems through a series of controlled release experiments at an inert compressor station. The controlled releases covered a range of situations including various leak rates and wind conditions. The results indicated that ‘source-level' systems (close to single leak) generally underestimate emissions, while ‘site-level' systems (integrating emissions for the site) relying on atmospheric dispersion slightly overestimate emission rates. The analysis of this part highlights that unmanned aerial vehicles (UAV) have the potential to bridge the gap between ground-based and airborne observations but are strongly wind sensitive.The last part focused on the development of UAV GHG measurements. I have developed and validated a novel portable UAV-CO2 sensor system that is lightweight but remains sufficiently precise. Through a careful sensor characterization, correction and calibration procedure, we reach an in-flight precision of ± 2 ppm (1σ) at 1 Hz and ± 1 ppm (1σ) at 1 min. This system is relatively inexpensive and easy to reproduce, and has the potential to perform a wide range of field applications, such as urban and point source emissions monitoring.In short, this Ph.D. makes a step forward for future reconciliation of GHG emission estimates based on various observation systems and different approaches, and seeks methods that are easily duplicated and applicable to other regions and emission sectors. While mobile approaches presented here clearly represent important monitoring options, significant challenges remain in current capacity to estimate routinely anthropogenic GHG emission trajectories with sufficient precision and at large scale