• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2025ULILB024
• Type de thèse : Doctorat
• Date de soutenance : 17/11/2025

Résumé en langue originale

Les Systèmes Multi-Robots (MRS) sont devenus essentiels pour les missions autonomes dans des environnements inconnus ou dangereux, notamment dans des scénarios critiques tels que la recherche et le sauvetage, où une cartographie efficace et une communication robuste sont cruciales. Cependant, équilibrer efficacement une exploration rapide avec une connectivité réseau fiable demeure un défi, particulièrement pour les systèmes décentralisés opérant dans des conditions dynamiques sans contrôle centralisé.Cette thèse présente un nouvel algorithme d'exploration multi-robots distribué, l'Exploration Dynamique Basée sur les Rôles avec Maintien de la Connectivité (DRBECM), spécifiquement conçu pour répondre à ces défis. L'algorithme proposé utilise une prise de décision décentralisée basée sur le partage d'informations locales, permettant une attribution autonome des rôles entre robots sans s'appuyer sur des informations globales ou une supervision centralisée. Les robots adoptent dynamiquement soit des rôles «d'explorateurs» —se concentrant sur la maximisation du gain d'information à travers des stratégies basées sur les frontières— soit des rôles de «supporteur», employant un positionnement inspiré du comportement d'essaim pour maintenir des liens de communication robustes à travers l'équipe. La sélection des voisins et le maintien de la connectivité sont gérés efficacement en utilisant le Graphe de Voisinage Relatif (RNG).Pour optimiser davantage l'efficacité d'exploration sous des contraintes de communication réalistes, nous étendons DRBECM en un framework amélioré par apprentissage automatique, DRBECM-ML (Exploration Multi-Robots via Coordination d'Essaim et Évaluation de Connectivité Pilotée par l'Apprentissage Automatique). DRBECM-ML intègre une dynamique d'essaim distribuée avec des modèles d'apprentissage automatique légers, entraînés en utilisant des données de propagation de signal du monde réel provenant de la plateforme d'essai FIT-IoT-Lab, pour prédire avec précision les valeurs d'Indicateur d'Intensité du Signal Reçu (RSSI) en temps réel. Ces prédictions améliorent significativement la prise de décision autonome liée au changement de rôles et à la sélection des frontières, assurant des réseaux de communication stables et résilients tout au long des tâches d'exploration. Les évaluations comparatives indiquent que les algorithmes basés sur les arbres, incluant les Arbres de Décision et l'Amplification de Gradient Extrême (XGBoost), offrent un équilibre optimal entre précision de prédiction et efficacité computationnelle adapté au déploiement sur robots mobiles.De plus, cette thèse examine des stratégies de communication alternatives en comparant les performances des k plus proches voisins (KNN) par rapport au RNG pour la communication inter-robots, utilisant des données générées via le simulateur réseau ns-3 pour analyser leur efficacité sous diverses configurations. Nos résultats de simulation montrent de manière constante des améliorations significatives du temps d'exploration et une réduction de l'exploration redondante comparé aux approches de référence, tout en maintenant efficacement la connectivité réseau. Ultimement, ce travail vise à fournir des solutions de systèmes multi-robots robustes, adaptables et décentralisées, appropriées pour le déploiement dans des scénarios réels complexes, dynamiques et à infrastructure limitée.

Résumé traduit

Multi-robot systems (MRS) have become essential for autonomous missions in unknown or hazardous environments, notably in critical scenarios like search and rescue, where efficient mapping and robust communication are crucial. However, effectively balancing rapid exploration with reliable network connectivity remains challenging, especially for decentralized systems operating under dynamic conditions without centralized control.This thesis introduces a novel distributed multi-robot exploration algorithm, Dynamic Role-Based Exploration with Connectivity Maintenance (DRBECM), specifically designed to address these challenges. The proposed algorithm utilizes decentralized decision-making based on local information sharing, enabling autonomous role assignment among robots without relying on global information or centralized oversight. Robots dynamically adopt either "explorer" roles—focusing on maximizing information gain through frontier-based strategies—or "supporter" roles, employing flocking-inspired positioning to sustain robust communication links across the team. Neighbor selection and connectivity maintenance are efficiently managed using the Relative Neighborhood Graph (RNG).To further optimize exploration efficiency under realistic communication constraints, we extend DRBECM into a machine learning-enhanced framework, DRBECM-ML (Multi-Robot Exploration via Flocking Coordination and Machine Learning-Driven Connectivity Assessment). DRBECM-ML integrates distributed flocking dynamics with lightweight machine learning models, trained using real-world signal propagation data from the FIT-IoT-Lab testbed, to accurately predict Received Signal Strength Indicator (RSSI) values in real-time. These predictions significantly improve autonomous decision-making related to role-switching and frontier selection, ensuring stable and resilient communication networks throughout exploration tasks. Comparative evaluations indicate that tree-based algorithms, including Decision Trees and Extreme Gradient Boosting (XGBoost), offer optimal balance between prediction accuracy and computational efficiency suitable for deployment on mobile robots.Furthermore, this thesis investigates alternative communication strategies by comparing the performance of k-nearest neighbors (KNN) against the Relative Neighborhood Graph (RNG) for inter-robot communication, utilizing data generated via the ns-3 network simulator to analyze their effectiveness under various configurations. Our simulation results consistently show significant improvements in exploration time and reduction in redundant exploration compared to baseline approaches, while effectively maintaining network connectivity. Ultimately, this work aims to provide robust, adaptable, and decentralized multi-robot system solutions suitable for deployment in complex, dynamic, and infrastructure-limited real-world scenarios.