Soutenance de thèse : Mohamed ASSENINE

Apprentissage par renforcement pour l’optimisation de la mobilité dans les réseaux de capteurs sans fil : application au suivi de la pollution par des flottes de drones

Doctorant : Mohamed ASSENINE

Laboratoire INSA : CITI - Centre d'innovation en Télécommunications et Intégration de Services
École doctorale n°512 lnfoMaths - Informatique et Mathématiques de Lyon

La pollution atmosphérique demeure un enjeu environnemental et sanitaire majeur, touchant aussi bien les grandes agglomérations que les zones industrielles. Si la pollution chronique résulte d’émissions persistantes qui durent dans le temps, la pollution accidentelle, causée par des événements soudains tels que des fuites chimiques ou des explosions, exige une surveillance précise et une intervention rapide pour limiter ses impacts. Les méthodes traditionnelles, qu’il s’agisse de stations de mesure fixes ou d'observations satellitaires, fournissent des données de haute qualité pour une surveillance continue et à grande échelle de la pollution. Toutefois, leur résolution spatiale et temporelle limitée les rend insuffisantes pour détecter et suivre des épisodes de pollution accidentelle, lesquels évoluent rapidement tant dans l’espace que dans le temps. Pour pallier ces limites, la recherche s’oriente vers l’exploitation de capteurs embarqués sur des plateformes robotiques mobiles, telles que les drones. Ces systèmes offrent une flexibilité et une capacité d’échantillonnage actives inédites, permettant d’acquérir des données spatio- temporelles à haute résolution dans des zones inaccessibles ou à haut risque pour les opérateurs humains. Ces avancées en matière de capteurs et de robotique, associées aux progrès récents de l’intelligence artificielle, plus particulièrement de l’apprentissage par renforcement profond (DRL), transforment profondément le contrôle autonome des drones. En intégrant la planification de trajectoires et la prise de décision intelligente, ces approches permettent une surveillance adaptative et multi-agent, optimisant simultanément la couverture, la réactivité et la robustesse des opérations. Cette convergence de capteurs à faible coût, de robotique et de DRL a motivé les travaux de cette thèse, qui explorent cette synergie afin de concevoir des systèmes autonomes dédiés à la cartographie en temps réel de phénomènes dynamiques, tels que les panaches de pollution accidentelle. Nos contributions s’inscrivent à la croisée de la modélisation spatio-temporelle et de la planification multi-agent, avec pour objectif d’optimiser conjointement la qualité de la cartographie ainsi que le déploiement et le redéploiement des agents mobiles. Ces contributions s’articulent autour de deux axes principaux : (1) une approche DRL couplée à un modèle probabiliste de type Processus Gaussien pour la cartographie active, dans laquelle une flotte de drones apprend à explorer les zones les plus informatives grâce à des récompenses basées sur la réduction d’incertitude, et enrichie d’une contrainte de connectivité assurant la fiabilité des communications inter-drones ; (2) une approche DRL combinée à l’assimilation de données, visant à améliorer à la fois la précision et la rapidité de la cartographie tout en tenant compte des contraintes de communication et des dynamiques du phénomène observé. Cette thèse introduit une nouvelle approche modulaire combinant la modélisation spatio-temporelle de phénomènes dynamiques et la planification de trajectoires anticipatives de drones en temps réel. En optimisant ensemble l’informativité et la communication via le DRL, notre approche offre une stratégie de surveillance robuste et généralisable.