Combiner Optimisation Stochastique et Frontières pour l'Exploration 3D avec une Flotte de Drones

Ce papier adresse le probleme de l'exploration de terrains inconnus par une flotte de drones aeriens cooperatifs. Nous presentons une nouvelle approche decentralisee qui alterne exploration locale par optimisation stochastique et exploration par frontieres. L'approche permet a chaque robot de generer une trajectoire en fonction des donnees qu'il collecte et de la carte locale qu'il construit par integration des donnees partagees entre agents. Des que l'agent arrive dans un minimum local, correspondant a une position ou il est entoure d'espaces deja explores, alors l'algorithme identifie la plus proche frontiere ou il se rend avant de reprendre l'optimisation locale. Avec un faible cout calculatoire, une capacite a gerer les contraintes, et une prise de decision decentralisee, l'approche est particulierement adaptee aux applications multi-robot en environnement complexes 3D. Les resultats en simulation montrent que l'approche genere des trajectoires sures et valides qui guident les robots pour une exploration complete de l'environnement. Par ailleurs, en terme de temps d'exploration, notre approche est significative-ment meilleure que la methode des frontieres proches. Elle fournit des temps equivalents a la methode gloutonne centralisee tout en etant bien moins couteuse en calcul.