Adaptive flight patterns for clouds exploration with a fleet of UAVs : principle, implementation and experiments

Les scientifiques de l’atmosphère cherchent constamment à acquérir de nouvelles données pouvant améliorer leurs modèles des phénomènes atmosphériques, et notamment des nuages. Les méthodes actuelles sont insuffisantes pour collecter des mesures adéquates de la dynamique des nuages et des paramètres microphysiques liés à leur formation générant de grandes incertitudes dans la formulation des modèles. Ce manque de données in-situ pousse les météorologues à trouver de nouvelles méthodes de collecte.L’utilisation des drones est maintenant largement répandue et de nombreuses applications voient le jour dans différents contextes. Bien que l’utilisation d’un drone unique soit très populaire, le déploiement de flottes de drones est encore peu courant et se limite principalement à de l’exploration et de la cartographie d’environnements inconnus statiques. Une flotte pourrait trouver son utilité dans d’autres applications plus complexes comme le suivi de phénomènes dynamiques (e.g flaques d’huiles sur la mer, panaches de fumées d’une usine, phénomènes atmosphériques). Les recherches autour de la coordination d’une flotte de drones et de l’exploration d’environnements dynamiques ne sont pas encore abouties et de nombreuses contributions peuvent être apportées aux problématiques courantes dans ce domaine.L’objectif de cette thèse est d’apporter des solutions et des stratégies afin d’explorer un environnement dynamique tel que l’évolution d’un nuage avec une flotte de drones, permettant ainsi d’assurer une meilleure couverture temporelle et spatiale qu’avec un drone unique. Ceci impose le développement d’une architecture de contrôle et de planification des drones qui assure leur coopération pour mener au mieux la mission. Les contraintes liées à ce type d’environnement et de mission limitent le travail collectif de la flotte. Pour des raisons de robustesse et d’efficacité, les mécanismes du système sont réalisés de manière distribuée où les drones embarquent les processus de planification, communiquent directement entre eux et non par l’intermédiaire d’une station unique.Cette thèse a été réalisée en étroite collaboration avec le projet NEPHELAE qui a pour objectif de collecter des données dans des cumulus afin de reconstruire un modèle spatio-temporel 4D de son évolution. Sachant que les motifs de vols classiques utilisés dans les autopilotes ne sont pas efficaces pour explorer des environnements aussi dynamiques, la contribution principale de cette thèse est le développement et l’implémentation dans le système PAPARAZZI de motifs de vols adaptatifs. Ces schémas de vols utilisent les mesures des capteurs en temps réel pour adapter les trajectoires du drone au nuage à cartographier. Cette action est réalisée à bord du drone et sans intervention d’un opérateur. Le comportement du drone change selon le motif employé, permettant le suivi de la bordure du nuage, la construction d’une carte 3D dense ou encore la détermination du cœur du nuage.La validation de ces nouvelles fonctions de navigation a été réalisée à travers différentes simulations combinant des drones simulés dans un environnement nuageux statique puis dynamique. Par la suite, une première expérimentation hybride a été réalisée avant de déployer la flotte lors d’une campagne de mesures à la Barbade début 2020. Cette campagne a permis d’effectuer un grand nombre de vols d’explorations et de suivis de nuages dans des conditions réelles. En plus d’apporter des résultats et des pistes d’améliorations sur les schémas de vols adaptatifs, elle a permis aux scientifiques de l’atmosphère de collecter des données importantes sur les nuages qui n’avaient pas été observées jusqu’à aujourd’hui. Cette expérimentation a notamment permis de suivre une bordure de nuage avec plusieurs drones en simultané et de réaliser ainsi une première en termes de collecte de données dans un nuage.Atmospheric scientists are constantly seeking to acquire new data that can improve their models of atmospheric phenomena, especially clouds. Current methods are insufficient to collect adequate measurements of cloud dynamics and microphysical parameters related to cloud formation, generating large uncertainties in model formulation. This lack of in-situ data leads meteorologists to find new collection methods.The use of UAVs is now widespread and many applications are emerging in different contexts. Although the use of a single UAV is very popular, the deployment of UAV fleets is still uncommon and is mainly limited to exploring and mapping unknown static environments. A fleet could find its usefulness in other more complex applications such as the monitoring of dynamic phenomena (e.g. oil puddles on the sea, plumes of smoke from a factory, atmospheric phenomena). Research on the coordination of a UAV fleet and the exploration of dynamic environments is not yet complete and many contributions can be made to the current problems in this field.The objective of this thesis is to provide solutions and strategies to explore a dynamic environment such as the evolution of a cloud with a fleet of UAVs, thus providing better temporal and spatial coverage than with a single UAV. This calls for the development of a UAV control and planning architecture that ensures the cooperation of UAVs to carry out the mission in the best possible way. The constraints associated with this type of environment and mission limit the collective work of the fleet. For robustness and efficiency reasons, the system's mechanisms are implemented in a distributed manner, where the UAVs embark the planning processes and communicate directly with each other, rather than through a single station.This thesis was carried out in close collaboration with the NEPHELAE project which aims to collect data in cumulus clouds in order to reconstruct a 4D spatio-temporal model of its evolution. Knowing that classical flight patterns used in autopilots are not efficient to explore such dynamic environments, the main contribution of this thesis is the development and implementation in the PAPARAZZI system of adaptive flight patterns. These flight patterns use real-time sensor measurements to adapt the UAV trajectories to the cloud to be mapped. This action is performed onboard the UAV and without the intervention of an operator. The drone's behavior changes according to the pattern used, enabling the tracking of the cloud edge, the construction of a dense 3D map or the determination of the cloud core.The validation of these new navigation functions was carried out through different simulations combining UAVs simulated in a static then dynamic cloud environment. Subsequently, a first hybrid experiment was carried out before deploying the fleet during a measurement campaign in Barbados in early 2020. This campaign enabled a large number of exploratory flights and cloud tracking in real conditions. In addition to providing results and suggestions for improvements in adaptive flight patterns, it allowed atmospheric scientists to collect important data on clouds that had not been observed until today. In particular, this experiment made it possible to follow a cloud edge with several UAVs simultaneously, thus achieving a first in terms of data collection in a cloud