Technical Document

e fait l’insecte quand il vole.
Cette terminologie date des années trente, lorsque le drone

était encore lent et très bruyant, à l’image des bourdons de jardins[CITATION Gav16 \l 1036 ].
D’un point de vue scientifique les drones ou UAVs sont définis comme des aéronefs
inhabités, inclus dans le domaine de la robotique aérienne, équipés de capteurs visuel de
système de navigation et parfois d’armes, ces derniers sont capables de voler et d’effectuer
une mission sans pilote à bord, de parcourir de grande distance et d’effectuer des relevés dans
des zones dangereuses afin d’éviter à des personnes de s’exposer à ces dangers, en faisant :
des relevés extrêmement précis sur l’imagerie thermique, relevé topographique, calcul de
distance, calcul de volume … etc.
Le pilotage de ce genre d’engins se fait d’une manière autonome ou télé piloté. Elles peuvent
également effectuer des missions variées, pour des usages civils ou militaires selon son genre,
cela repose sur les caractéristiques et les capacités de contrôle de leur vol dans les différents
environnements.
Les performances d’un drone se mesurent par sa manière de réagir face aux différents facteurs
de l’environnement tel que : les phénomènes aérodynamiques, les perturbations (vents) … etc.
I.3.Historique :
Historiquement, le concept n’est pas neuf et l’utilisation d’avions sans pilote était
avancée, c’est dans le domaine militaire que le drone a radicalement changé les choses et à
révolutionner l’art de la guerre en mettant en place une nouvelle stratégie : faire la guerre sans
être déployer sur le terrain.
Le concept du drone a émergé durant la première Guerre mondiale. À l’origine, le drone était
un avion-cible à vocation militaire[CITATION htt7 \l 1036 ]. Les premiers drones ont vu le jour
en 1916 aux États-Unis avec « l’Aerial Target ». Son développement a suivi le rythme des
grands conflits du XXe
Utiliser des drones permet d'éviter les problèmes d'incendie pouvant parfois se produire avec
la poudre. De plus, les drones permettent de répartir le coup d'achat des effets lumineux sur
plusieurs représentations.
Chapitre I Technologie des Drones – Vue d’ensemble
Figure 1.1. Spectacle de 2000 drones lumineux à Shanghai[CITATION htt5 \l 1036 ].
Ce qui caractérise le drone à application civile, c’est le capteur qu’il pourra emporter. Le
capteur est très souvent une caméra. Cela peut aussi être un appareil photo, voire un compteur
Geiger (Figure 1.8) ou un sonomètre.
Figure 1.2. Un drone détecteur de radiations "compteur Geiger "[CITATION htt2 \l 1036 ].
La tendance actuelle est bien entendu de pouvoir embarquer des marchandises d’un point A à
un point B ou un émetteur Wi-Fi (Figure 1.9) pour couvrir une zone particulièrement
inaccessible.
2
Figure1.3. drone WiFi par Bigben[ CITATION Big16 \l 1036 ].
Certaines sociétés de livraison commencent également à se tourner vers les drones pour livrer
quelques-uns de leurs colis (Figure 1.10). On peut, par exemple, voir depuis quelques temps
des vidéos sur internet d'un drone qui livre un colis Amazon à peine quelques heures après sa
commande sur internet. A ce jour, cette vidéo semble un petit peu illusoire. Pourtant,
plusieurs autres marques ont l'air de suivre le pas. C'est le cas de Domino's Pizza qui a lancé
un nouveau spot publicitaire où l'on peut voir 2 pizzas livrées à domicile en moins de 10
minutes à l'aide d'un drone.
Figure 4. Un drone de livraison Amazon, Domino’s pizza[CITATION htt3 \l 1036 ][CITATION htt4 \l 1036 ].
De nos jours Les pays développés proposent des solutions High-Tech face au Covid-
19(Figure 1.11). En Chine, on recourt aux drones depuis le début de la crise sanitaire, en
décembre 2019. Ces derniers ont de multiples rôles.
Dans le pays, les drones à caméra thermique font également partie des dispositifs déployés
pour enrayer l'épidémie. Dans la province chinoise de Jiangxi notamment, la température des
résidents peut être prise directement à la fenêtre, sans contact humain [ CITATION htt \l
1036 ].
3
Dans d’autre pays le drone nettoyeur doit opérer une «désinfection aérienne» dans les espaces
communs en toute autonomie. La désinfection par drones nécessite moins de temps et de
main-d’œuvre que la désinfection manuelle [CITATION htt1 \l 1036 ].
Figure 1.5. Le drone face au Covid-19[CITATION htt8 \l 1036 ][CITATION htt9 \l 1036 ][CITATION dat5 \l 1036 ].
I.5.Réglementations des UAVs :
L’utilisation commerciale de drones est aujourd’hui autorisée dans de nombreux pays qui
ont mis en place des réglementations visant à limiter les risques associés à leur exploitation.
Ces réglementations concernent essentiellement les drones de petite taille, télé pilotés
évoluant à basse altitude, comme toutes les nouvelles technologies, le drone requiert un cadre
légal précis pour empêcher les dérives auxquelles son utilisation pourrait donner lieu. Celle-ci
pose de multiples questions, en particulier du point de vue de la vie privée et du respect des
droits d'autrui. Ce "faux-bourdon" peut être en effet très invasif, tant par sa mobilité que par
sa caméra, véritable œil électronique volant[CITATION Gav16 \l 1036 ].
Le droit concernant les drones civils en Algérie est tiré des règles concernant l'espace aérien et
il est assez simple : interdiction de voler avec un drone sans autorisation, cependant aucune
4
autre législation a été faite en ce qui concerne les drones de loisir. Il est en effet plus simple
d'interdire l'usage d'une nouvelle technologie en attendant l'élaboration d'une réglementation
que de l'autoriser sans limite au risque de voir nombre de litiges concernant cette nouvelle
technologie exploser[ CITATION PAN151 \l 1036 ].
I.6 Architectures de communication des UAVs :
L’architecture de communication est définie comme un ensemble de règles et de

mécanismes qui déterminent les modes d’échanges des informations relatives à la mission.
Plusieurs structures de réseaux sans fil sont envisageables pour établir une communication
entre les différentes entités du système UAV, nous avons le choix entre une architecture
centralisée, une architecture distribuée, et une architecture hybride (combinaison des
architectures centralisée et distribuée)[ CITATION Jea17 \l 1036 ].
I.6.1.Architecture centralisée :
Il est possible de déployer un réseau à communication directe entre la station de contrôle et un

ou plusieurs drones. Dans cette architecture, chaque drone est connecté directement à la
station sol avec un lien dédié. La station sol est considérée comme étant un nœud central, elle
a une vue globale de tout ce qui se passe et communique avec tous les drones simultanément
(Figure 1.12).
Ce type d’architecture à plusieurs inconvénients et ils sont liés au fait qu’il existe un unique
point central, tout d’abord il engendre une latence (non négligeable) de transmission entre
deux drones voisins, car les données doivent transiter vers la station sol et ce n’est qu’à la fin
de la réception de tous les données que le nœud centrale prend une décision, qui a son tour va
être retransmise vers le destinataire; le second point est le risque de suspension de la mission,
par des obstacles ou une panne qui feront que la mission sera suspendue . Ce qui nous mène à
dire que cette architecture est avantageuse que dans le cas de missions qui ne nécessitent pas
d’être faites en temps réel.
5
Figure 1.6. Architecture de communication centralisée.
Un autre type de communication basé sur la topologie centralisé est possible, c’est le réseau
de communication cellulaire (Figure 1.13). Il consiste à diviser un territoire en plusieurs
zones. Chaque zone est gérée par une station de base dont la tâche principale est de gérer la
communication d’un groupe de nœuds. Cette structure de communication est la base des
technologies de la téléphonie mobile, comme le GSM, GPRS, UMTS, LTE et des
communications de données sans fil, comme le Wi-Fi et le WiMax. Cependant, un frein à leur
déploiement reste le coût de communication non négligeable, et difficilement amorti par une
utilisation peu fréquente des drones.
6
Figure 1.7. Architecture de communication cellulaire.
Il est également possible de recourir à une communication par satellite pour faire
communiquer deux nœuds géographiquement éloignés (Figure 1.14). Nous pouvons citer
deux types de satellites nommés géostationnaire et satellite orbital, pour lesquels les
différences peuvent être décrites comme suit : le satellite orbital comprend une zone variable,
tandis que le satellite géostationnaire est considéré comme fixe par rapport à une référence
.De plus, le satellite géostationnaire est considéré comme fixe par rapport à une référence, la
communication par satellite peut être réalisée pour le Drone-Drone et le Drone-GCS à
condition que les drones sont sur la ligne couverte par le satellite[ CITATION RAN19 \l 1036 ].
Or, cette approche a un impact négatif sur les performances, notamment sur la latence
engendrée par la transmission ou le coût d’exploitation d’un satellite.
7
Figure 1.8.Architecture de communication par satellite.
I.6.2.Architecture distribuée :
Autrement dit « réseau ad hoc de drones ». Il se base sur la capacité des nœuds à
coopérer pour former un réseau entre eux sans recourir à une entité centrale (Figure 1.15), le
traitement des diverses tâches est fait de manière distribuée au niveau des drones le réseau
doit utiliser des protocoles de communication fiables permettant de reconstruire une topologie
communicante en tout temps. Les protocoles de routage en sont des exemples de ces
protocoles. Ils ont pour rôle de trouver une route entre deux nœuds communicants et de
s’adapter aux changements fréquents dans des topologies dynamiques. On constate donc un
temps de réaction plus rapide par rapport à l’architecture centralisée et pas de risque de panne
totale du réseau puisque si un drone tombe en panne les autres drones vont continuer à faire
leurs taches.
8
Figure 1.9.Architecture de communication distribuée.
I.6.3.Architecture hybride :
L’architecture hybride est la combinaison des architectures centralisée et distribuée.

Les drones communiquent entre eux et avec le point central et relayent des informations aux
autresdrones(Figure.16).Les drones envoient des données au point central, mais échangent
aussi des données entre eux. Les décisions sont soit prises au niveau des drones de manière
locale, soit au niveau du point central[ CITATION Espace_réservé1 \l 1036 ].
9
Figure 1.10.Architecture de communication hybride.
Le système de flotte de drones est également caractérisé par une capacité de charge utile et
par une capacité en énergie restreinte. En effet, dans la plupart des cas, un mini-drone ne peut
pas supporter trop de charge, car les équipements à bord conditionnent son altitude et son
endurance, en outre, les drones sont aussi connus pour être utilisés dans des zones
dangereuses où les obstacles sont nombreux et dans lesquelles, il est difficile d’avoir une
couverture cellulaire ou d’établir une communication directe entre une station et un
drone[ CITATION Jea17 \l 1036 ], pour toutes ces raisons, les réseaux hybrides semblent être
les mieux adaptés au réseau de communication d’une flotte de drones.
I.7. Stratégie de contrôle :

La stratégie de contrôle est un ensemble de techniques permettant l’autonomie et
l’organisation des drones, il en existe plusieurs, on distingue 3 catégories :
I.7.1.Leader - suiveur (approche hiérarchique):
Cette approche est largement utilisée pour le système multi-agents dans lequel les
coéquipiers de la flotte suivent un drone considéré comme le leader, le chef (Figure 1.17).
10
C’est lui qui décide de la trajectoire de la mission et les autres drones doivent suivre sa
décision. Cependant, le principal problème se produit lorsque le leader est perdu ou affecté
par des échecs, qui influeront sur la totalité de la mission.
Figure 1.11. Stratégie du leader – suiveur.
I.7.2.Virtual Leader :
Cette approche consiste à remplacer le leader de la formation par un autre virtuel

(Figure 1.18). Tous les agents de la flotte reçoivent le chemin de mission qui est le même que
celui du virtuel leader. La trajectoire prédéfinie réduit l'autonomie du vol de formation de la
flotte. Néanmoins, le risque de collision entre les coéquipiers augmente.
Figure 1.12.Stratégie du virtual Leader.
11
I.7.3.Approche comportementale (approche décentralisée) :
Cette technique permet à chaque agent de suivre des règles spécifiques afin
d’effectuer un comportement de groupe. En fait, cette approche a été inspirée par les règles de
Reynolds (Reynolds, 1987) en termes de mouvements collectifs d’animaux. En première
règle, chaque agent de la flotte doit garantir une distance de sécurité prédéfinie avec ses
voisins (Figure 1.19). Un contrôleur intégré à chaque agent de la flotte pourrait assurer cette
garantie. Ce contrôleur génère des forces de pulsion lorsque la distance avec les voisins
devient inférieure à la distance de sécurité. Dans la règle de correspondance de vitesse,
chaque membre doit faire correspondre sa vitesse avec celle de ses voisins. Le contrôleur
régule les vitesses à zéro par rapport aux agents voisins. Dans la règle de centrage de la flotte,
chaque membre tente de rester proche de ses voisins. Le contrôleur génère une force
d'attraction vers les agents voisins. Chaque agent doit maintenir un objectif global de la flotte
qui pourrait être un point de rendez-vous ou une trajectoire de référence connue de tous les
équipiers.
Figure 1.19.Stratégie de l'approche comportementale.
L'approche comportementale représente une structure facilement auto-organisée puisque

chaque membre doit suivre des règles spécifiques et connaît la trajectoire objective.
[ CITATION RAN19 \l 1036 ]
12
I.8.Conclusion :
Ce chapitre nous a permis d’avoir une vision globale sur les drones, leurs évolutions,
intérêt et domaine d’utilisation. Nous avons également vu, les différentes architectures et
stratégies de contrôles possibles.
Pour la suite de notre travail, nous choisissons de commencer par étudier la surveillance d’une
cible mobile en utilisant un seul drone : à ailes rotatives, avec une : architecture de
communication hybride, une technologie de communication LTE.
13
14
Chapitre II :
Caractéristique du déploiement des

drones
Chapitre II Caractéristique du déploiement des drones
II.1. Introduction :
L'étonnante rapidité des développements dans les domaines de l'informatique, de
l'électronique et de la mécanique, et plus particulièrement de la robotique, au cours des
dernières années, permet de croire que la vision de science-fiction d'un monde entouré de
toutes sortes de robots en interaction avec humains dans toutes sortes de tâches, n'est plus un
rêve de fée, mais une possibilité réelle dans un avenir proche [CITATION Die15 \l 1036 ].
De nos jours, l'utilisation d'appareils intelligents dans la vie quotidienne est de plus en plus
courante. Des téléphones intelligents aux montres et aux télévisions, une véritable révolution
logicielle permet que même les petits objets insignifiants comme les clés soient de plus en
plus intelligents. Par contraste, les choses ont été plus lentes pour la robotique en raison du
grand danger que certains robots pourraient représenter tout en travaillant à proximité des
humains ou en interagissant avec eux. C'est un sujet délicat qui doit être pris avec précaution.
En gardant tout cela à l'esprit, concentrons-nous sur le type de robots qui présentent un intérêt
pour le présent travail, les robots aériens, plus connus sous le nom de drone. Certaines
applications intéressantes pour les drones ont émergé des nouvelles technologies[CITATION
Die15 \l 1036 ].
Dans le chapitre précédent, nous avons évoqué l’opportunité d’utiliser des drones afin de
constituer une infrastructure de communication lors d’événements tels que des catastrophes
naturelles ou des grands rassemblements. Rappelons que l’infrastructure de
télécommunication peut être endommagée ou simplement saturée dans le cadre d’un tel
scénario[CITATION Dor19 \l 1036 ].
Dans ce carde-là, il existe de nombreuses recherches sur la conception et développement d'un

drone avec navigation de manière autonome, et des résultats précis pourraient être acquis lors
d'essais sur le terrain. Cependant le défi principal reste la fiabilité et la continuité afin
d’obtenir des informations précises et en temps réel[CITATION Jia07 \l 1036 ].
À travers ce chapitre, nous allons décrire plus formellement les modèles qui se trouvent à la
base des travaux développés. Dans la conception de ces modèles nous tenons compte des
contraintes de déploiement des drones. De plus, nous introduisons une de nos contributions et
les points d’intérêts[CITATION Dor19 \l 1036 ]. Voici les grandes lignes de ce chapitre :
 Travaux antérieur : Un des mots clés de ce mémoire est le suivi de cibles mobiles.
Nous allons donc passer en revue les différentes façons de suivre un objet [CITATION
Jul16 \l 1036 ].
 Interaction entre les utilisateurs et les drones : Un des piliers de notre contribution.
Elle permettra le déploiement distribué et dynamique des drones[CITATION Dor19 \l
1036 ].
 Modélisation des conditions de communication : Cette dernière définira comment les
interactions entre les utilisateurs et les drones auront lieu[CITATION Dor19 \l 1036 ].
 Trafic réseau et Qualité de Service (QoS) : Nous permettra d’introduire des contraintes
sur les interactions et donc sur le déploiement[CITATION Dor19 \l 1036 ].
II.2. Travaux antérieure
II.2.1. Le modèle préalable de l’objet est inconnu :
II.2.1.1. Suivi par infrarouges :

La première méthode, qui est la plus utilisée dans le commerce de par sa fiabilité et
sa facilité à mettre en œuvre, repose sur l'ajout d'un module extérieur au drone que l'on vient
fixer sur la cible. Ce module est généralement actif et émet donc un signal qui sera perçu par
le drone suiveur. C'est en travaillant sur ce principe que la start-up « IR-Lock » a vu le jour.
Cette jeune société commercialise des ampoules spéciales ainsi qu'une caméra à infra-rouges
afin de déterminer l'endroit où se trouve la cible (Figures 2.1 & 2.2). Il sut donc de mettre un
petit dispositif reprenant une ampoule à infrarouges et une batterie sur l'objet que l'on veut
suivre et d'allumer le drone pour que sa caméra repère la source d'infrarouges[CITATION
Jul16 \l 1036 ].
Figure 2.13. Concept de la start-up IR-LOCK[CITATION htt12 \l 1036 ].
17
Figure 2. 14. Caméra et ampoule infrarouges[ CITATION htt12 \l 1036 ].
Toujours dans cette première méthode de suivi de cible, la société « Hexo+ » commercialise
des drones capables de suivre leur propriétaire et de les filmer selon différents angles
facilement programmables via un Smartphone.
II.2.1.2 Suivi par coordonnées GPS :
Le fabricant de drone Hexo+ est une véritable réussite Française en 2016. Tout a
commencé en 2014 avec la création de la page kickstarter présentant le projet de ces 3
ingénieurs, un drone intelligent capable d’éviter les obstacles tout en vous suivant et vous
filmant, le drone s'exécute alors et enregistre de magnifiques vidéos reprenant le plus souvent
les acrobaties sportives de son propriétaire. Afin de savoir où se trouve sa cible et à quelle
vitesse elle se déplace, le drone d'Hexo+ est en permanence connecté au smartphone de
l'utilisateur (Figure 2.3) qui lui transmet ses coordonnées GPS[CITATION Dro1 \l 1036 ].
Figure 2.15.Drone Hexo+ qui suit un joggeur[CITATION htt13 \l 1036 ].
18
II.2.1.3 Suivi basé sur des couleurs :
Dans les deux exemples cités ci-dessus, que ce soit une lampe à infrarouges ou un
smartphone doté d'une puce GPS, le drone a toujours besoin d'une source extérieure pour
pouvoir suivre sa cible. Ce qui ne rend pas le drone totalement autonome. Dans le but de
combler cette dépendance extérieure, certaines personnes ont décidé de se baser uniquement
sur le traitement du flux vidéo pour suivre une cible[CITATION Jul16 \l 1036 ].
Parmi les capteurs existants (ultrasons, infrarouges...) la caméra vidéo est celui qui délivre le
plus d’informations exploitables pour le positionnement dans un environnement complexe.
C’est donc tout naturellement que de nombreuses études se sont portées sur le couplage de la
vision et de la commande d’actionneurs. Ce domaine de recherche permet de commander les
mouvements d’un robot à partir d’informations visuelles. Le besoin d’extraire des
informations fiables des images acquises implique l’utilisation d’un traitement d’image qui
peut se révéler couteux en temps de calcul. Cela vient en contradiction avec la nécessité de
contrôler les mouvements du robot à une cadence élevée pour garantir une grande réactivité
ainsi qu’une grande stabilité. C’est pourquoi la plupart des méthodes d’asservissement visuel
ont un point commun, l’utilisation de marqueurs sur les objets. Ceci permet de simplifier au
maximum les algorithmes d’extraction de l’information visuelle[CITATION Ben07 \l 1036 ].
Il est pertinent de parler de la façon dont les créateurs de « Joggobot » ont implémenté leur
drone pour le rendre capable de suivre une personne. Joggobot est un « AR.Drone 2.0 » de
chez « Parrot » identique à ceux que nous utilisons pour notre mémoire. Il est destiné à
motiver les sportifs à courir grâce à sa présence. Son fonctionnement est simple, le drone se
positionne en face du coureur et pointe sa caméra sur lui. Lorsque le coureur démarre, le
drone recule pour toujours rester à la même distance de celui-ci. Afin de localiser sa cible et
de pouvoir reculer à la même allure qu'elle, le joggeur est obligé de mettre un t-shirt
comportant les tags visuels que nous avions décrits à la Figure 2.4 et dont la détection est
implémentée par « Parrot ».
Cet algorithme n'est donc pas très développé et ses résultats ne semblent pas exceptionnels, le
drone ne pouvant précéder le joggeur que si celui-ci court en ligne droite. Ce concept semble
néanmoins beaucoup faire parler de lui sur la toile[CITATION Jul16 \l 1036 ].
19
Figure 2.16.Joggeur avec un t-shirt taggué[CITATION htt14 \l 1036 ][CITATION htt15 \l 1036 ].
Il existe une autre méthode exploitée par l'Université de Salford qui consiste à repérer un
carré d'une couleur vive, le rouge dans ce cas-ci, et à le suivre. Il s'agit donc d'une méthode
ressemblant à la précédente sauf qu'ici, n'importe quelle couleur peut être utilisée. Cette
fonction permet de détecter n'importe quelle forme d'une couleur prédéfinie que l'on peut
facilement modifier[CITATION Jul16 \l 1036 ].
II.2.1.4. Suivi d’une cible sélectionnée par l’utilisateur :

Dans une autre étude menée par « GIPSA-lab », l’objectif a été de développer un
algorithme autorisant le suivi d’objets, sans connaissance à priori sur leurs formes par une
caméra commandable, embarquée sur un drone. La tâche d’asservissement visuel se résume à
garder un objet sélectionné par l’utilisateur au centre de l’image quelques soient les
mouvements du drone. Les images sont acquises par la caméra embarquée dans le drone.
Elles sont transmises au sol, puis traitées par l’algorithme d’estimation du mouvement.. Une
liaison par modem radio assure la transmission des ordres à la tourelle[CITATION Ben07 \l
1036 ].
20
II.2.2 Le modèle préalable de l'objet est connu :
II.2.2.1. Suivi basé sur la structure corporelle :

Enfin, une dernière méthode bien plus complexe a retenu notre attention. Des
chercheurs de Telecom ParisTech ont mis sur pied le suivi autonome d'une personne à l'aide
d'un AR.Drone 2.0. Pour ce faire, ils ont implémenté un algorithme d'Histogramme de
Gradient (HOG) permettant de détecter n'importe quel piéton et de le suivre. Cet algorithme
se base sur le fait que notre structure corporelle générale est la même quels que soient notre
genre et notre origine ethnique. En effet, la plupart des êtres humains ont la même
morphologie générale (une tête, un torse, deux jambes et deux bras) (Figure 2.5). C'est ce que
cet algorithme essaie de détecter lors de son exécution. Cette méthode comporte de nombreux
avantages. Elle permet, entre autres, de détecter une forme générale plutôt qu'un élément
précis comme c'était par exemple le cas pour le Joggobot. Ainsi, si l'on recherche une voiture
abandonnée dans un désert, il n'est pas nécessaire de connaître le modèle du véhicule ni sa
couleur, une simple information sur sa forme sut pour la détecter[CITATION Jul16 \l 1036 ].
Figure 2.5. Suivi par la structure corporelle [ CITATION vin10 \l 1036 ][CITATION htt17 \l 1036 ].
21
Figure 2.17.Images et leurs descripteurs HOG[CITATION htt18 \l 1036 ].
II.2.3. Recherche universitaire :
II.2.3.1. Projet de WITAS:

Le laboratoire de Wallenberg pour les technologies de l'information et les systèmes
autonomes (WITAS) mène un projet de recherche fondamentale à long terme sur les véhicules
aériens sans pilote à l'Université de Linkoping (LiU), en Suède. Le projet est pluridisciplinaire
et en la coopération avec un certain nombre d'universités en Europe, aux États-Unis et en
Amérique du Sud. L'objectif de ce projet est de développer les technologies et les
fonctionnalités nécessaires à la réussite le déploiement d'un drone entièrement autonome
opérant sur des terrains géographiques divers contenant les réseaux routiers et de circulation.
Elle implique l'intégration de l'autonomie avec un système de vision composé de caméras
vidéo numériques et IR (infrarouge), et un dialogue de contrôle au sol système[CITATION
Anu \l 1036 ].
L'UAV est destiné à naviguer de manière autonome à différentes altitudes, à planifier les
objectifs de la mission tels que la localisation, l'identification, le suivi et la surveillance de
différents types de véhicules (Figure 2.6), et à construire des représentations internes de son
centre d'attention pour les utiliser dans la réalisation de ses objectifs de mission. Le projet vise
également à identifier des modèles complexes de comportement tels que le dépassement de
véhicules, la traversée d'intersections, les activités de stationnement, etc…[CITATION Pat00 \l
1036 ]
22
Figure 2.18.Simulation virtuelle : Scénario de trafic/tunnel ; Simulation pseudo-virtuelle sur

Stockholm[CITATION Pat00 \l 1036 ].
II.2.3.2. Projet de Georgia Tech:

Traffic Surveillance Drone est un projet financé par le département géorgien du
transport et le programme de technologie prioritaire de l'Administration fédérale des routes
(Figure 2.7). Il est développé dans le cadre du programme "Advanced Vehicle" du Georgia
Tech Research Institute (GTRI). Cette recherche se concentre sur le développement de banc
d'essai générique pour drones VTOL (Vertical Take-off and Landing). Ce drone est conçu et
testé dans un souci d'accessibilité et de sécurité, ce qui le rend attrayant pour les forces de
l'ordre, les équipes de recherche, de sauvetage d'urgence et les services des autoroutes.
Une version militarisée du drone connue sous le nom de « Dragon Stalker » possède des
capacités qui le rendent attractif en cas de conflits de faible intensité et de guerre urbaine. Les
deux versions du drone sont des VTOL et n'ont pas besoin de beaucoup d'espace pour le
décollage et l'atterrissage. Le drone sera capable de retransmettre en direct des images vidéo
et des sons bidirectionnels depuis le site des incidents de circulation, vers le système de
gestion avancée du trafic de l'État. Les images seraient relayées sur une distance de 5 à 10
miles via une liaison à spectre étalé. L'effort initial implique le développement et le travail
d'un prototype pour démontrer les capacités de collecte de données sur le trafic[CITATION Anu
\l 1036 ].
23
Figure 2.19. Traffic Surveillance Drone developed at Georgia Tech[CITATION htt19 \l 1036 ].
II.2.3.3 Projet d’ADAS :

Un consortium national sur la technologie de la télédétection dans les transports
(NCRST : National Consortium on Remote Sensing Technology), partenaire d'application
utilise un ADAS (Airborne Data Acquisition System) non piloté pour la surveillance du trafic,
le suivi et la gestion (Figure 2.8). L'ADAS se compose d'un avion, d'une nacelle de détection
et d'un système de surveillance au sol. L'avion peut voler pendant plus de deux heures avec
une charge utile de 20 livres. Une démonstration des capacités a été effectuée en coopération
avec le ministère des transports de Virginie en décembre 2001 et avril 2002. Les objectifs
étaient de démontrer la faisabilité de l'ADAS pour la surveillance du trafic ; L'utilisation dans
des conditions réelles (surveillance des incidents de circulation, des signaux et dès l'état des
zones en bordure de route)[CITATION Anu \l 1036 ].
24
Figure 2.20. ADAS for Traffic Surveillance[CITATION Anu \l 1036 ].
II.2.3.4. Projet d’Arizona’s University:

Le ministère Américain des transports, avec le soutien de la NASA, a lancé le
Consortium national sur la télédétection dans les transports (NCRST). L'un des quatre
consortiums se concentre sur les flux de trafic (NCRST-F). L'objectif de ce consortium est de
développer et de démontrer des méthodes d'utilisation de plates-formes de détection
satellitaires et aériennes pour améliorer la surveillance et la gestion des flux de trafic .Les
recherches en cours à l'université de l'Arizona ont pour but d'utiliser une vidéo aérienne pour
améliorer les sources de données existantes et la gestion du trafic.
Le projet tente d'examiner l'intégration de la vidéo numérique, du GPS et des systèmes

automatisés du traitement des images afin d’améliorer la précision et la rentabilité de la
collecte des données [CITATION Anu \l 1036 ].
II.3. Interactions entre les UAVs et les utilisateurs:

Le module d'interaction d’un UAV relie principalement le changement d'attitude du
contrôleur avec le mouvement d’UAV pour obtenir une télécommande flexible. Cela veut
dire, obtenir un contrôle en temps réel, le drone doit répondre avec sensibilité aux
changements d'attitude du contrôleur en suivant le chemin du contrôleur en mouvement.
25
Quelle que soit la stratégie utilisée (Figures 2.9 & 2.10), il semble important d'intégrer
l'interaction entre le drone et son environnement dans la modélisation. D’où, la mobilité des
utilisateurs nécessite que les solutions soient flexibles, dynamiques et auto-configurables pour
couvrir en permanence le nombre maximum d'utilisateurs. De plus, les drones utilisant le
même canal de communication peuvent interférer, il est donc nécessaire de les maintenir à
une distance suffisante pour maintenir l'effet et la capture. Compte tenu de ces diverses
restrictions de mise en œuvre, Par conséquent, nous pouvons suivre un modèle de placement
d'UAV basé sur la force électromagnétique pour couvrir les utilisateurs à travers une loi
similaire à l'interaction des particules chargées de Coulomb.
Les drones sont placés comme des points d'accès au hasard au-dessus des utilisateurs dans
une zone définie. À cette fin, nous définissons les drones comme des charges négatives dans
le modèle, tandis que les utilisateurs représentent des charges positives. Les drones étant des
charges négatives, ils seront repoussés si jamais ils se retrouvent à un seuil appelé, zone de
communication, permettant ainsi d’assurer les communications entre chaque drone et ses
utilisateurs, sans subir les interférences d’un autre drone utilisant le même canal. Par
conséquent, nous évitons de rassembler plusieurs drones au-dessus du même utilisateur, ce
qui serait contre-productif en raison d'interférences. Évidemment, si le nombre d'utilisateurs
dans la foule est important, il aura une plus grande attraction que la force de répulsion entre
les drones, permettant ainsi à plusieurs UAVs de couvrir la même zone.
Dans le cas où un drone est connecté à un grand nombre d’utilisateurs et qu’un autre drone
traverse sa zone de communication, le premier restera statique, et seul le drone intrusif sera
repoussé. Ce modèle peut être appliqué à toute technologie physique sans fil, et le "champ
électrique" émis par la charge peut être dérivé de la puissance du signal tel que les balises Wi-
Fi.
Figure 2.21. Interaction entre un drone et un utilisateur.
26
Figure 2.22. Interaction entre deux drones et un utilisateur.
Afin de mieux comprendre l'interaction entre le drone et l'utilisateur, la Figure 2.9 montre
quelques étapes clés d’un modèle de placement. L'utilisateur U1 utilise son support de
communication pour transmettre des messages à intervalles réguliers, imitant ainsi le champ
électromagnétique émis par la charge électrique. Lorsque l'utilisateur entre dans la zone de
communication du drone, le drone D1 détectera la présence de l'utilisateur et il se positionne
juste au-dessus de l’utilisateur. Par conséquent, lorsque le drone D2 est situé au-dessus de
l'utilisateur pour fournir une couverture réseau (Figure 2.10). Le drone D1 qui recherche des
utilisateurs s'approche de D2. Comme dans ce modèle, deux drones détiennent la même
charge, le premier drone sera repoussé par le deuxième drone. Par la suite une zone de
communication se crée (la zone rouge). [CITATION Dor19 \l 1036 ].
Pour que tout type de véhicule intelligent soit considéré comme un agent autonome, il doit
être capable de prendre des décisions autonomes sans assistance directe de l'homme ou
d'autres opérateurs externes. Le modèle dessiné dans la Figure 2.11 est un modèle autonome
simple adapté aux drones. Bien que ce modèle puisse être très limité, il fera des drones un
véritable agent autonome[CITATION AFo17 \l 1036 ].
La solution la plus intuitive est de garder la cible au centre du champ de vision du drone.
Cette solution génère de nombreux déplacements inutiles. En fait, il n'est pas nécessaire de
maintenir la cible précisément au centre du champ de vision du drone, suffisamment pour
s'assurer qu'elle reste sous le couvercle du drone. Par exemple, si la cible se déplace sur une
trajectoire rectiligne et alterne entre les voies gauche et droite, le drone n'a pas besoin de voir
le même objet directement au centre de son champ de vision, il peut maintenir un mouvement
rectiligne. L’idée proposée par Melle Elloumi dans le cadre d’une thèse est donc de proposer
une méthode de mobilité pour les drones afin d'optimiser leur mouvement. Cette méthode
maintient la cible dans la vision du drone et minimise la consommation d'énergie du drone,
car la consommation d'énergie est directement liée au mouvement du drone.
27
Figure 2.23. Les zones d’ajustements.
La Figure 2.11 nous montre le principe de la méthode des trois zones. Elle consiste à
maintenir la cible précisément au centre du champ de vision du drone (Figure 2.11). Dans un
premier temps, le drone fera de nombreux ajustements, mais le risque de ne pas voir la cible
est limité. La première zone consiste à que le drone ajuste sa position uniquement lorsque la
cible quitte le champ de vision (zone autorisé). Cette méthode limite le nombre de
mouvements d'UAV. Une zone intermédiaire est ajoutée, elle sera la zone de correction, afin
que le mouvement du drone et que le risque de perdre la cible du champ de vision puisse être
restreint. La dernière zone, est la zone de la re-détection. Cette zone permet de repositionner
le drone lorsque la cible quitte le champ de vision du drone (la zone intermédiaire) [26].
II.4. Modélisation de condition de communication :

Quant à la modélisation des canaux de communication utilisés, nous espérons fournir le
plus de contenu général possible. Dépend effectivement de la technologie et de l'architecture
utilisée, mais l'impact sur le modèle d'interaction entre l'utilisateur et le drone doit être
minime.
La modélisation des conditions de communication est un élément important et aura de

multiples fonctions. D'une part, il nous permet d'effectuer des simulations pour évaluer les
performances des méthodes de communication mises à la disposition des utilisateurs, d'autre
part, il nous donne pour objectif d'utiliser des méthodes analytiques pour trouver la meilleure
solution. De plus, il peut être utilisé en implantation réelle pour maintenir le mouvement du
28
drone afin de trouver un emplacement qui permette de bonnes conditions de communication.
Par exemple, il est concevable que le modèle soit utilisé pour décrire la force d'attraction et la
force de répulsion entre les charges ci-dessus. Par conséquent, le mouvement résultant sera
étroitement lié à ses objectifs d'améliorer la communication[CITATION Dor19 \l 1036 ].
Le modèle de communication air-sol pourrait être différent d’autres modèles existants.

Certaines études tentent de trouver un modèle de canal réaliste pour les communications
UAV. Ces études ont dérivé une expression de forme basée sur l'angle d'élévation pour
présenter la probabilité d'avoir une connexion LoS (Line of Sight) pour les plates-formes à
basse altitude (LAP). L’expression selon l'Union International des Télécommunications (UIT)
est qu’il y’a des paramètres environnementaux relié à l'angle d'élévation d'une connexion
entre un drone et les utilisateurs. Aussi, dans un modèle d'observation pour les plates-formes à
haute altitude (HAP) dans les zones bâties. L'impact des différentes conditions
météorologiques dans diverses zones urbaines sont également étudiées par les
chercheurs[CITATION AFo17 \l 1036 ].
D’après l'application, nous pouvons choisir entre une architecture centralisée, une architecture
distribuée et une architecture hybride. L'architecture de communication définira comment les
éléments du réseau communiquent et les entités qui prennent les décisions (Voir Chapitre 1).
Par conséquence dans le cas du déploiement d'un seul drone pour effectuer des tâches dans
une petite zone, ou dans le cas de missions qui ne nécessitent pas d’être faites en temps réel,
une architecture centralisée est également utilisée [26].
Le choix de la technologie de communication est basé sur les besoins de l'application. En

particulier, vous devez comprendre la taille du terrain sur lequel le drone fonctionnera, le type
de trafic et la fréquence des transactions. La sélection doit tenir compte de ce que chaque
technologie peut offrir en termes de couverture, de vitesse, de pénétration, de mode de
transmission et de coût de mise en œuvre [26]. Le déploiement à grande échelle de drones
nécessite une coordination et une gestion des flux. En particulier pour les grandes flottes sans
pilote et / ou volant à proximité d'un espace aérien contrôlé (par exemple, aéroports ou bases
militaires aériennes). Cependant, peu de gens se rendent compte que la technologie cellulaire
peut apporter de nouvelles dimensions, à savoir une large crédibilité, une sécurité renforcée,
une couverture complète et une intégration à grande échelle des opérations de drones. Les
réseaux cellulaires permettent d'exploiter et de contrôler des drones au-delà de la ligne de vue
du pilote, ce qui est essentiel pour des opérations sûres à grande échelle et de garantir que les
drones introduisent de nouveaux services. De plus, la connectivité cellulaire peut améliorer la
sécurité des opérations de drones autonomes en accélérant la livraison du meilleur plan de vol
et l'envoi d'autorisations de vol, ce qui permet de suivre l'emplacement du drone et d'ajuster la
route de vol dans un avenir proche. C'est vrai, la connexion cellulaire peut également être
utilisée pour partager des vidéos en temps réel, par exemple, des vidéos provenant de drones
de surveillance. Il semble que l'utilisation de la technologie cellulaire dans le vol autonome de
29
drones soit très raisonnable et pratique. Cependant, certaines personnes continuent de la
critiquer et de remettre en question sa sécurité [44].
II.5. Trafic réseau:

Nous envisageons diverses applications que le réseau de drones peut exploiter : collecte
de données à partir de capteurs IoT (Internet of Things), vidéosurveillance, communication
vocale basée sur VoIP (Voice Over Internet Protocol), etc. Selon la situation, différentes
applications du réseau peuvent être envisagées.
Le but de ce travail n'est pas de proposer ou d'améliorer des algorithmes pour planifier le
trafic ou d’implémenter la QoS. Par conséquent, nous ne construirons pas de modèles de trafic
complexes, mais nous supposerons que nous couvrirons qu’un trafic routier (une surveillance)
Par souci de simplicité, nous pensons à suivre seulement une cible (une voiture) dans un trafic
routier, nous verrons par la suite dans notre simulation. L'UAV divisera la vitesse maximale
qu'il peut atteindre à la vitesse disponible de la cible.
II.6. Conclusion :
Dans ce chapitre on a vu quelques systèmes existants et travaux de recherches en cours

sur les drones autonomes, nous avons choisi de proposer des méthodes de gestion de la
mobilité des drones afin de garder le plus de cibles dans son champ de vision pour détecter le
plus d'événements et réduire leur consommation d'énergie, la plus récente est le modèle des
trois zones. Enfin on a donné un bref aperçu du trafic réseau.
Pour notre étude, nous choisissons de travailler sur l’application de la surveillance du trafic
routier en utilisant un seul drone que nous traiterons dans le chapitre suivant.
NB :
1. Pour ce chapitre la numerotation des figure est tout à refaire tu doit commencer par
Figure 2.1 et non Figure 2.21.
2. Tu doit par conséquent revoir toutes les correspondance des figures dans les
paragraphes.
30
Chapitre III :
Simulation de Surveillance d’un Trafic

Routier par un Drone
Chapitre III Simulation de Surveillance d’un Trafic Routier par un Drone
III.1. Introduction :
L'augmentation du nombre de véhicules sur les réseaux routiers a conduit le transport pour
permettre l'utilisation des progrès technologiques et ainsi prendre de meilleures décisions. La
mission des agences de transport routier est d'évoluer de la simple fourniture de
l'infrastructure routière pour se concentrer sur les besoins du public voyageur, la gestion et
l'amélioration des performances du système de transport de surface. Cela nécessite la collecte
d'informations précises et exactes sur l'état du trafic et de la route. Il est également tenu
d'obtenir des informations en temps utile en cas d'urgence (accidents, fuite de chauffard, etc).
En cas d'accident, le temps de réponse est la contrainte la plus critique dans la capacité de
survie des victimes. C’est pour cela, l’intervention des drones peuvent être utilisés pour un
large éventail d'opérations de transport et d'applications de planification [40]. Les drones
suivent un processus en trois étapes. Tout d'abord, ils se positionnent sur la route et ajuste leur
trajectoire de manière efficace. Deuxièmement, ils collectent des informations pertinentes sur
le véhicule, telles que l'identification, la vitesse et l'emplacement de l’accident.
Troisièmement, ils transmettent ces informations au point central [26].
Dans ce chapitre nous allons appliquer une solution récente qui assure une surveillance
continue de la cible en mouvement, à l'aide d'un seul drone et en économisant son énergie
consommée.
III.2. Problématique & Conditions :

Assurer une continuité sur une cible en mouvement dans un environnement inconnu est
interprété par une bonne gestion au déploiement d’UAV, afin de survoler plus longtemps que
possible, vu que les drones sont équipés par des batteries.
Les conditions considérées dans ce chapitre sont donc les suivantes :
 L'environnement est supposé inconnu,

 Le suivi doit être temps réel.
 Le drone se place au-dessus de la cible et réalise des mouvements similaires dans un
plan situé à une altitude fixée.
 Pas d'obstacles, donc le drone n'a pas besoin de détecter et d'éviter les obstacles.
 La cible se déplace dans le plan 2D (la hauteur de la cible est constante et nulle).
III.3. L’objectif de l’étude :

Notre objectif est de trouver une méthode pour optimiser les déplacements du drone afin
de minimiser le cout énergétique. Plusieurs types de relevés aériens ont été utilisés ou testés
pour mesurer les données liées à la gestion du trafic. Par exemple, dès 1965 par un consultant
en transport du Maryland pour collecter les données sur la congestion et le trafic ; En
32
Allemagne, des chercheurs de l'université de Karlsruhe ont examiné la concordance des

images de véhicules à partir d'avions en 1987. Cependant, de nouvelles méthodes
d'amélioration de cette technologie sont en cours de développement et de recherche dans
différentes universités du monde. En tentant des expériences sur des avions à voilure fixe, des
hélicoptères, des ballons d'observation satellites.
Pour le type d'applications visé dans le cadre de ce mémoire, à savoir l'utilisation

d'informations visuelles commandé par un mini-drone, nous nous sommes intéressés à la
possibilité de suivre un objet mobile dans un environnement inconnu par la méthode des 3
zones. En effet, pour des tâches d'inspection ou de surveillance, notamment en extérieur, on
ne dispose pas toujours d'un modèle de l'environnement dans lequel le drone doit évoluer, ni
des objets que l'on va y rencontrer. Cette méthode proposée maintient la cible à la vue du
drone et permet de minimiser la consommation d'énergie, car elle est directement liée au
mouvement du drone, démontré dans une étude de [26]. (Expliquer aussi dans le chapitre 2)
III.4. Modèle de l’expérience :
Notre système se compose d'un seul drone « U » et d'une seule cible mobile « C ». Le
drone se caractérise par sa position (Pux, Puy), sa vitesse (Vux, Vuy), sa hauteur A et son rayon
de champ de vision R. La vitesse de l'UAV est comprise entre la vitesse minimale Vmin et la
vitesse maximale Vmax, et Étant donné que le drone peut planer, donc Vmin = 0 m / s.
Le rayon R du champ de vision du drone correspond au rayon du champ de vision de sa

caméra, et il est calculé selon l’expression suivante :
( A × θ)
R= (3.1)
2 ×CST
Où A est exprimée en mètre, θ est l’angle de la caméra du drone, exprimé en degré, et CST
est une constante égale à 57,3. Plus l’angle θ est grand, plus le rayon R est grand. Plus
l’altitude A est élevée, plus le rayon R est grand.
D'autre part, il peut y avoir des erreurs dans l'estimation de l'état cible (position et vitesse). Le
drone surveillera la cible mobile C pendant la période d'observation TMAX, qui est divisée en
intervalles de temps de durée T. A chaque intervalle de temps T, l'état cible et la trajectoire du
drone est ajustée.
33
III.5. Suivi de la cible :
Le suivi de la cible est divisé en trois étapes : Détection de la cible ; Estimation de l'état de
la cible et enfin l’ajustement de la trajectoire du drone. Nous supposons que quelle que soit la
hauteur du drone, la cible peut toujours être détectée et la phase de détection est toujours
correcte.
III.5.1. Processus EKF (Extented Kalman Filter) :
L'estimation statistique est un processus qui consiste à déterminer les valeurs de certains
paramètres ou signaux à partir de données empiriques (mesurées ou collectées) qui sont
généralement bruyantes et de nature aléatoire. Cependant l’estimation de l’état d’une cible
mobile repose sur l’estimation de ses paramètres : sa vitesse, sa position et sa direction de
mouvement.
Dans notre cas, la trajectoire de la cible implique des changements de vitesse et de direction.
Ces changements ne sont pas linéaires. Lorsque les processus d'évolution et de mesure des
états sont non linéaires et gaussiens, la version classique du filtre de Kalman n'est plus
applicable tel quel. On peut tout de même linéariser localement le problème à l'aide d'un filtre
de Kalman dit « étendu » qui peut être utilisé pour l'estimation des états.
L’EKF nous permettra de prédire et corriger les états de notre cible. Dans un premier temps,
l’état courant de la cible est prédit en fonction de son état précédent (Eqt 3.2). Dans un second
temps, les mesures effectuées de l’état courant de la cible sont utilisées pour corriger la
prédiction de son état courant (Eqt 3.3).
Les équations de EKF sont les suivantes :
x ( k )=f [ x ( k −1 ) ]+ w ( k −1 ) (3.2)
z ( k )=h [ x ( k ) ] +v ( k ) (3.3)
Où,
 Le vecteur d'état prédit x (k ) (position et vitesse) est représenté par:

 f [ x ( k ) ]=[Ptx esti (k ), Pty esti (k) , Vtx esti (k ), Vty esti (k )]est une fonction qui prédit l'état au
moment k en fonction de d’état a l’instant k −1;
 w ( k ) est un bruit gaussien représentant l’erreur du système, sa matrice de covariance
est diagonale et de variance σ 2w .
 Le vecteur de l'état de mesure est enregistré sous la forme z ( k ):

 h [ x ( k ) ] =[ X ( k ) ,Y ( k ) , Vx ( k ) , Vy (k )] est une fonction selon laquelle la valeur mesurée
est associée au vecteur d'état ;
34
 Le bruit v ( k ) est un bruit gaussien représentant l'erreur de détection, sa matrice de

covariance est diagonale et de variance est σ 2v .
Pour être plus explicite et rendre les équations 3.2 & 3.3 plus simples, la fonction « EKF »
prend comme paramètre la position estimée de la cible au moment précèdent k −1 :
[Ptx esti (k −1), Pty esti (k −1)] et la position mesurée de la cible à l’instant courant
k : [ X ( k ) , Y ( k ) ] . En sortie, cette fonction donnera la position [Ptx esti (k ), Pty esti (k )] et la vitesse
[Vtx esti ( k), Vty esti (k )] estimées à l’instant courant k.
III.5.2. Méthode des trois zones - Principe :
La méthode appelée « principe de trois zones » possède une zone intermédiaire

considérée comme une zone de correction, afin de permettre la limitation des déplacements
du drone et du risque de perdre en vue la cible. Les trois zones (Figure 3.1 & 3.2) qui illustre
cette méthode sont :
 La zone autorisée fait référence à la zone centrée sur le champ de vision du drone, où le
rayon (r) est strictement inférieur au rayon du champ de vision du drone. Lorsque
l'objectif est dans la zone autorisée, le drone ne règle ni la vitesse ni la hauteur, il ne fait
que régler la position.
 La zone de correction est la zone dont le rayon est compris entre le rayon de la zone
autorisée et le rayon de vision (R) du drone. Lorsque la cible est dans la zone de
correction, le drone au lieu de régler la hauteur, ajuste la position et la vitesse. Si la cible
se trouve dans cette zone, elle commence à s'éloigner du drone, donc ce dernier doit être
ajusté pour le garder dans son champ de vision.
 La zone de re-détection est la zone en dehors du champ de vision du drone. Lorsque la
cible rentre dans cette zone elle n’est plus dans le champ de vision du drone. Le drone
augmente son altitude de façon progressive pour avoir plus de vision et détecter à
nouveau la cible, et en parallèle il ajuste sa positon et sa vitesse. Lorsque la cible est à
nouveau sous la couverture du drone, il descend de façon progressive jusqu’à atteindre
l’attitude initiale.
35
Figure 3.1. Principe de la méthode des 3 zones.
En bref, cette méthode permet d'ajuster le degré d'ajustement du drone en fonction de la

position de la cible par rapport au champ de vision. En fait, l'objectif est d'assurer le suivi des
cibles en mouvement et de réduire la consommation d'énergie du drone en évitant les
déplacements inutiles [26].
La Figure 3.2 illustre un scénario dans lequel nous observons la réaction du drone en fonction
de la position de la cible par rapport aux trois zones. À t = t0, la cible est exactement au
centre du champ de vision du drone (Pdrone = Pcible). À t = t0 + 1, la cible accélère, mais la
cible est toujours dans la zone autorisée (Pcible <r), par conséquent, le drone ne fera que
régler sa position, pas corriger sa vitesse. À t = t0 + 2, la cible accélérera davantage et finira
par atteindre la zone de correction (r <Pcible <R), donc le drone corrigera sa vitesse cette
fois.
À t = t0 + 3, la cible est à nouveau au centre de la cible La vision du drone (Pdrone =
Pcible) [26].
36
Figure 3.2. Scénario de la poursuite d’une cible par la méthode des 3 zones.
III.5.2. Méthode de trois zones - Algorithme :
Afin d’appliquer les principes de cette méthode, un algorithme est mis en œuvre, il
s’accorde principalement avec une estimation des positions (l’EKF dans notre cas) ce dernier
va donner des instructions au drone selon des conditions prescrites.
Ces conditions se résument en 3 parties, la Figure 3.3 présente la formalité de l’algorithme

pendant une durée de simulation de Tmax :
 La cible C est détectée et figure dans la zone autorisée : cette métaphore se traduit
dans l’algorithme par l’infériorité de « d » la distance entre l’estimation de la cible et
projection de la position du drone par rapport au rayon r, cette condition permet au
drone de garder sa vitesse actuelle (Vux, Vuy) en ajustant seulement sa position
(Pux,Puy).
 La cible C est détectée et figure dans la zone de correction : pour ce cas, la distance d
est comprise entre les rayons r et R, le drone doit donc mettre à jour ses paramètres,
les vitesses et positions seront remplacées par les estimations des paramétres de la
cible (Ptx,Pty). Ces changements permettront au drone de rejoindre la cible tout en
s’assurant que la vitesse du drone ne dépasse pas Vmax.
 La cible C n’est pas détectée : dans ce cas, la cible est en dehors du champ de vision
du drone, c’est-à-dire, dans la zone de re-detection, la solution consiste à renouveler
tous les paramètres (Altitude, vitesse et positions).
Pour localiser la cible, le drone prend de l’altitude, en fonction de cette condition l’algorithme
effectue une incrémentation successive sur l’élément A représentant l’altitude en s’assurant
que ce dernier ne dépasse pas l’altitude maximale, une fois la cible détectée le drone mettra à
jour sa vitesse et position et reviendra à l'altitude la plus basse Amin en décroissant
continuellement (par unité) exprimée en mètre.
37
Dans le cas où la hauteur maximale du drone est atteinte et que la cible n’est toujours pas
repérée, le drone garde l’altitude maximal tout en boostant sa vitesse jusqu’à atteindre la
vitesse maximale en préservant sa direction de mouvement. Cette intervention représente la
dernière tentative de détecter le drone jusqu’à épuisement de la batterie.
Figure 3.3. Algorithme du poursuite d’une cible par UAV [45].
III .6. Évaluations et Interprétations :

Comme nous l’avons précédemment mentionné le but de notre étude est d’avoir un suivi
continu et correct. Dans cette section nous allons étudier l’influence des mouvements de la
cible sur le comportement du drone, le drone est programmé et a pour mission de poursuivre
cette cible. Pour tous les scénarios, nous supposons que la cible est toujours détectée et que le
drone est en phase de croisière, c’est-à-dire que les phases décollage et atterrissage ne seront
pas prises en considération, l’attitude du drone est fixée à 60m (Amin).
La 3ème zone du l’algorithme qui représente la zone de redirections sera donc banni de notre
étude, on passera de 3 à 2 zones (la zone autorisée et la zone de correction).
Le rayon r est égal à R/3, et nous choisissons ce rapport pour vérifier la capacité de notre
algorithme à assurer la continuité du suivi de la cible. Nous vérifierons par la suite le choix de
ce rapport en étudiant la consommation d'énergie du drone en variant le rapport r/R entre 0,1
et 0,9.
38
Les critères d’évaluation des performances de l’algorithme sur nos deux expériences se

basera en termes de suivi correct et la réduction de la consommation d'énergie du drone. Pour
être plus explicite, l’évaluation de cette méthode se basera sur ces deux critères :
- Vitesses de la cible & du drone : Ce critère nous permettra de déterminer dans quelle
zone se trouve la cible et de déduire si la cible a quitté ou pas la zone autorisée du
drone.
- La différence entre la trajectoire de la cible et la trajectoire de l’UAV : Ce critère
nous permettra d'observer le déplacement du drone et de le comparer avec le
déplacement de la cible dans le plan 2D, et d'obtenir la proximité de leurs trajectoires
en gardant l’œil en continu sur la consommation d’énergie du drone.
MATLAB est utilisé à des fins de simulation. Les mesures sont effectuées toutes les secondes.
Les paramètres communs de simulation sont présentés dans le tableau suivant.
Tableau 3.I. Paramètres de simulation pour l'algorithme de suivi [26].
Paramètres Valeurs Unité

Vitesse maximale 120 m/s
Vitesse minimal 0 m/s
Altitude 60 m
Angle de la caméra du drone 50 Degré
Durée de simulation expérience 133 s
1 24 s
Durée de simulation expérience

2
III .6.1. Expérience I :
Dans ce premier scenario, l’étude se portera sur une trajectoire d’une cible réelle (type
voiture) que nous avons pu intégrer dans notre programme. Dont les données ont été prises
d’une database d’une étude du trafic routier en France – [46]).
III .6.1.1. Simulation :
III .6.1.1.1. La poursuite de la cible :

La Figure 3.4 illustre bien les changements de positions du drone en fonction du
déplacement de la cible, nous observons que le drone suit presque le même parcours que celui
de la cible et cela est dû à la vitesse de déplacement de la cible, cette dernière se trouve la
plupart du temps dans la zone de correction le drone doit donc changer régulièrement de
position afin de garder la cible dans la zone autorisée.
39
Les changements de déplacement du drone sont marqués en cercle rouge, le cercle noir
signifie que la cible est dans la zone autorisée, le drone n’a donc pas besoin de se déplacer, il
reste immobile en altitude.
Figure 3.4. Poursuite de la cible par le drone sur la base de la trajectoire estimée de la cible par EKF.
III .6.1.1.2. Vitesses, distances et accélérations :

Après nous avoir assuré que l’algorithme des 2 zones fonctionne avec perfection, nous
nous penchons vers l’estimation de la vitesse faite par notre EKF.
La Figure 3.5 nous permet de faire une comparaison entre les vitesses de la cible & drone,
réelle, estimée et une autre calculée. Ces deux dernières vitesses ont été calculées par la
projection des positions aux instants t et t-1 sur les axes X et Y, cette projection va déterminer
les 2 vecteurs composants du vecteur de la vitesse V x et Vy comme le démontrent les
équations suivantes :
Vx ( t )=
[ X ( t ) −X ( t−1 ) ] (3.4)
T
Vy ( t )=
[Y ( t )−Y ( t−1 ) ] (3.5)
T
2 2
V ( t ) =√Vx ( t ) +Vy ( t ) (3.6)
La vitesse calculée (représentée en couleur bleu) est identique à la vitesse réelle (indiquée en
bleu ciel) et on voit une légère différence entre elles et la vitesse estimée (en couleur rouge)
40
qui est due aux erreurs d’estimations, cependant cette différence est considérée comme
négligeable par ce qu’elle n’influe pas négativement sur notre algorithme.
En ce qui concerne la 4ème vitesse elle représente la vitesse du drone illustrée en couleur jaune
est calculée par la même méthode de projection, on remarque en effet une différence
considérable par rapport aux autres vitesses mais cela n’est en rien anormal, le drone n’a pas
forcément besoin de se déplacer à la même vitesse de la cible tant que cette dernière est dans
la zone autorisée, par exemple a l’instant 2, 9, 58 et 103 sec, le drone n’ajuste que sa position
et garde sa vitesse constante. Pour le reste le drone ajuste sa position et sa vitesse parce que la
cible est sortie de la zone autorisée et se trouve dans la zone de correction.
Figure 3.5. L’influence des vitesses estimées, réelles et calculées de la cible et de la vitesse générée par le
drone.
Nous avons conclu la même chose pour la Figure 3.6 qui illustre la distance parcourue par le
drone et la cible, les deux distances sont presque identiques. Dans l’intervalle [61 :103 sec]
nous voyons une différence remarquable, la cible a une distance nulle alors que le drone
continue à se déplacer lentement, cela s’explique aux erreurs d’estimations sur la position de
la cible comme une réaction sur le drone et par la suite il essaye de garder sa cible bien au
centre de sa zone autorisée.
41
Figure 3.6. Comparaison entre la distance parcourue par la cible & celle du drone.
Dans la Figure 3.7, nous observons que le drone prend un laps d’environs 2 seconde avant
d’avoir une accélération brusque, cela s’explique que le drone est resté en altitude pendant
tout ce temps, à cause de la cible qui se trouve bien dans sa zone autorisée. Donc pas besoin
de faire d’effort. Suite à l’accélération de la cible, le drone réagit seulement quand la cible
sort de la zone autorisée, il est donc obligé de se déplacer à une accélération presque similaire
afin de rattraper cette dernière. A l’instant 61 sec, l’accélération de la cible est nulle, une fois
de plus, le drone réagit en ralentissant pour ne pas le dépasser et de le perdre de son champ de
vision.
Figure 3.7. Comparaison entre l'accélération de la cible & du drone.
42
III .6.2. Expérience II:

Dans ce deuxième scenario, nous évaluons les performances en utilisant des données
synthétiques pour cela, on se réfère à un sous-programme basé sur le modèle de mobilité de
Gauss-Markov qui sert à générer des traces sous forme d’une trajectoire qu’on considère
comme la trajectoire de la cible, les critères restent les mêmes.
III .6.2.1. Simulation :
III .6.2.1.1. Poursuite de la cible :

Dans la Figure 3.7, on observe que le drone est entrain de suivre la cible de façon
permanente, une fois que la cible sort de la zone autorisée elle engendre le déplacement du
drone qui a pour objectif de garder cette dernière au centre de la zone autorisée.
Figure 3.7. Poursuite de la cible par le drone sur la base de la trajectoire Gauss-Markov estimée par EKF.
III .6.2.1.2. Vitesses, distances et accélérations :

À travers la Figure 3.8, nous remarquons qu’il y a plus d’erreurs d’estimation de la
vitesse, bien qu’ils paraissent considérables cela n’influe pas pour autant sur le comportement
de notre drone. Pour ce scenario la vitesse de déplacement du véhicule est nettement inférieur
à la vitesse de la première expérience, ce qui nous mène à dire que ces erreurs d’estimations
sont seulement plus claires et visibles sur cette figure que sur la Figure 3.5.
43
Figure 3.8. L’influence des vitesses estimées, réelles et calculées de la cible et de la vitesse générée par le drone.
Dans la Figure 3.9, nous observons de légères déférences entre la distance parcourue par la
cible et la distance parcourue par le drone. En effet, l’allure des deux courbes est très proche,
il n’y a pas de changement brusque de direction ou de vitesse, le drone n’a donc pas besoin de
parcourir la même distance pour garder la cible dans son champ de vision tant que cette
dernière est dans la zone autorisée.
Figure 3.9. Comparaison entre la distance parcourue par la cible & le drone.
44
Nous constatons la même chose dans la Figure 3.10 qui illustre les accélérations et
décélérations de la cible et du drone. Vu que, les cercles rouges dans la Figure 3.7 montrent
bien que la cible se déplace avec une vitesse importante ce qui va générer une accélération au
début ensuite il essaye de garder sa cible dans son champ de vision selon le mode
d’accélération de la cible.
Figure 3.10. Comparaison entre l'accélération de la cible & du drone.
III .7. Évaluation de la consommation d’énergie du drone :

Dans cette section, le but est de confirmer la capacité de la méthode des trois zones à
minimiser la consommation d’énergie du drone, pour le calcul de cette dernière nous utilisant
l’équation suivante :
E 1=P 1× T + m× a× V × T (3.7)
Où E1 est l’énergie dissipée pendant la phase de croisière, m est le poids du drone, a est
l’accélération ou le ralentissement, V est la vitesse du drone, T est la durée entre deux
mesures et P1 est une énergie consommée durant la phase de croisière.
Pour notre étude on a décidé d’utiliser les paramètres d’un Ar.Drone version 2.0 pour obtenir
des observations réaliste, ces paramètres de simulation sont représentés dans le Tableau 3.II.
45
Tableau 3. II. Paramètres de simulation pour la consommation d'énergie [26].
Paramètres Valeurs Unité

Capacité de la batterie (E0) 47952 Joules
Masse du drone (m) 0.38 Kg
Énergie consommée en phase de croisière 80 Watt
(P1) 1 Seconde
la durée entre deux mesures (T)
La Figure 3.11 illustre la consommation d’énergie du drone de la 1 ère expérience, au bout

de 2min et 13s de simulation le drone n’a consommé que 22% de sa batterie. Pour la 2 ème
expérience on remarque dans la Figure 3.12 que le drone n’a consommé que 3% de sa batterie
en 25 secondes. Du point de vue comparatif, on déduit que le niveau d’énergie restante dans
la batterie du drone diffère d’une expérience à une autre, ces différences sont dues à plusieurs
facteurs dont : La vitesse de la cible et la distance parcourue par le drone.
Cependant, les résultats obtenus des 2 simulations approuvent que la méthode que nous avons
appliquée donne les meilleurs résultats à savoir : la plus grande quantité d’énergie restante
dans la batterie du drone.
Figure 3.11. Consommation d'énergie - Expérience I.
46
Figure 3.12. Consommation d'énergie - Expérience II.
III .8. L’influence du rapport r/R sur la distance parcourue par le

drone et sa consommation d’énergie :
Dans la section précédente, nous avons validé la capacité que l’algorithme à bien assurer
la continuité du suivi de la cible mobile et la réduction de consommation d’énergie.
Afin d’élargir notre étude, nous avons décidé d’analyser l’influence du rapport r/R (Impact du
rapport entre la dimension de la zone autorisée et la dimension de la zone de correction) sur la
performance de cette méthode des 3 zones. Dans un premier temps, l’étude se portera sur la
distance parcourue par le drone, nous verrons par la suite son impact sur la consommation
d’énergie du drone.
Dans le premier scenario, le but est de faire varier le rapport r/R et d’observer le changement
sur la distance parcourue, pour cela nous ne varions que le rayon r de façon à avoir un rapport
r/R = [0.1 :0.9], le rayon R qui définit la zone de correction restera fixe.
Dans la Figure 3.13, nous observons que plus le rapport r/R est petit plus la distance à
parcourir est grande. En effet, pour r/R=0.1 la distance parcourue est environ 1470m, alors
que pour r/R=0.5, la distance est égale à 874m. Nous déduisons par cela que, quand la zone
autorisée est plus grande, le drone va faire moins d’ajustements.
Pour les valeurs r/R= [0.65 :0.9] la distance parcourue est nulle, pour ce cas la cible est
toujours dans la zone autorisée du drone, donc ce dernier ne se déplace plus il reste tout le
temps en altitude.
47
Figure 3.13. Influence du rapport r/R sur la distance parcourue par le drone - Expérience I.
Dans le deuxième scénario, nous faisons varier le rapport r/R, mais cette fois nous observons
la consommation d’énergie du drone.
La Figure 3.14 illustre l’évolution de la consommation d’énergie, nous observons pour les
valeurs r/R= [0.1 0.2 0.3 0.4 0.5] que le drone consomme de plus en plus de batterie, cela
peut s’expliquer par le fait que la zone de correction est de plus en plus petite, ce qui ne laisse
pas le temps au drone d’ajuster ses mouvements. La zone autorisée n’est toujours pas assez
grande pour permettre un repos au drone et cela est dû à la vitesse de déplacement de la cible,
il reçoit de nouveau paramètres régulièrement ce qui fait que ses déplacements sont plus
fréquents à chaque fois que la zone de correction rétréci.
Nous pouvons déduire que, plus le rapport r/R est grand plus l’énergie restante dans la batterie
diminue, mais ce n’est pas toujours le cas.
En effet comme nous pouvons le constater pour les valeurs r/R=[0.6 0.7 0.8], le drone
consomme moins d’énergie, la cible se trouve majoritairement dans la zone autorisée ce qui
permet au drone de faire moins de mouvement jusqu’à n’en faire aucun au moment où la
distance parcourue est nulle le drone reste en altitude sans se déplacer, bien que cette méthode
semble la plus performante en terme de consommation d’énergie elle n’est pas pour autant la
plus adéquat, en effet en élargissant la zone autorisé le drone aura certes la cible dans son
champs de vision mais cette dernière peut être au coin loin ou incomplète, les données
recueilli par le drone ne seront donc pas de grande utilités.
48
Figure 3.14. Influence du rapport r/R sur la consommation d'énergie du drone - Expérience II.
III .7. Conclusion :

Dans ce chapitre, nous avons traité la surveillance de trafic mobile par un seul drone
dans son intégralité, nous avons mis en place une méthode pour gérer la mobilité du drone,
cette méthode nous a permis de faire un suivi continu en temps réel.
Après avoir confirmé la fiabilité de l’algorithme des 3 zones par 2 expériences, nous nous
sommes intéressés à la consommation d’énergie du drone, et nous avons conclu que cette
méthode permet d’économiser cette énergie en minimisant les mouvements du drone.
Finalement, nous avons étudié l’influence du rapport de la zone autorisée sur la zone de
correction sur la distance parcourue et la consommation d’énergie, nous avons confirmé que
r=R/3 était le rapport optimal et le plus adapté pour un suivi correcte et précis.
49
Conclusion Générale
L ’utilisation des drones connait une expansion impressionnante, ces engins volants ont
su surprendre et intriguer le grand public, montrant des capacités hors normes et
accomplissent des missions qu’ils semblaient il y a quelques années impossibles.
Bien que cela puisse paraitre banale, la conception et la programmation d’un drone sont loin
d’être un jeu d’enfant, l’enjeu est de taille, le robot doit répondre à plusieurs critères pour
donner le meilleur des résultats.
Dans ce mémoire, nous nous sommes concentrés sur le thème de la surveillance autonome et
continue d’une cible mobile par un drone. L’étude s’est portée sur le suivi d’une seule cible
par un seul drone, nous avons commencé par appliquer une méthode qui sert à ajuster le drone
selon la position de la cible, composée de trois zones (zone autorisée, zone de correction, zone
de re-détection) chacune de ces trois zones a des instructions précises.
Pour la 1er zone (la zone autorisée) le drone n’ajuste que sa position tout en gardant une
vitesse constante, la 2ème zone (la zone de correction) sert à avertir le drone que la cible est en
train de sortir de son champ de vision, ce dernier doit donc ajuster sa position et sa vitesse
pour rattraper la cible et la garder dans la zone autorisée, pour la 3 ème zone (la zone de re-
détection) la cible ne figure plus sur le champ de vision du drone, essayant de la détecter à
nouveau, le drone prend de l’altitude et accélère tout en ajustant sa position pour tenter de
localiser cette dernière. Pour notre étude, nous avons décidé d’éliminer la zone de re-détection
en supposant que la cible est toujours détectée. L’altitude a été fixée à 60m pour un vol
croisière. Cette méthode permet d’éviter des déplacements sans intérêt du drone.
Après avoir mis en œuvre un programme où on a associé le concept de notre méthode avec le
filtre de Kalman étendu qui a servi dans notre cas à estimer l’emplacement de la cible, la
méthode appliquée s’est montrée efficace en terme de suivi continu. L’étude s’est portée sur 2
traces de cible générées chacune différemment. Nous avons commencé par des traces d’un
véhicule réel se déplaçant dans la ville de Créteil (France), ensuite des traces générées par un
modèle de mobilité de Gauss Markov. Nous avons pu déduire de ces 2 tests que les traces de
mobilité de la cible influent sur les performances de la méthode appliquée, même si cette
dernière s’est montrée satisfaisante dans les 2 expériences menées.
La méthode des trois zones nous a aussi permis d’économiser de l’énergie du drone en
minimisant ses mouvements. En effet, après avoir consulté l’énergie restante dans la batterie
du drone, nous avons constaté que la consommation de cette dernière est faible pour des
mouvements importants et fréquents de la cible.
Enfin, nous nous sommes assuré que les paramètres choisis en terme de dimensionnement des
zones sont optimaux, après avoir exploité les différents cas en changeant régulièrement de
dimensionnement. Nous avons conclu que les notions prises au début de notre étude sont
avérées être les plus performantes.
Bibliographie
[1] A. D. S. MARTIN, LES DRONES, LA NOUVELLE RÉVOLUTION TECHNOLOGIQUE,

Bruxelle: Centre Jean Gol, 2015.
[2] B. O. B. Badra, MEMOIRE MASTER ǁ :Réalisation d’un drone Quad-copter, Université

Abdelhamid Ibn Badis Mostaganem , 2019.
[3] R. Gavroy, Les drones et le droit au respect de la vie privée, Louvin: Université
catholique de louvain :Faculté de droit et de criminologie (DRT), 2016.
[4] F. Science, «Drone,» 16 Septembre 2016. [En ligne]. Available: https://www.futura-

sciences.com/sciences/definitions/aeronautique-drone-6174/. [consulté le 25 Mars
2020].
[5] E. Krempff, «Drones, la révolution en marche,» 15 Janvier 2015. [En ligne]. Available:
https://www.youtube.com/watch?v=0NNMAzcgTeg&t=138s. [consulté le 26 Mars
2020].
[6] J.-F. Prevéraud, «Veille technologique pour les professionnels de l’industrie,» 03 Mars
2015. [En ligne]. Available: https://www.industrie-techno.com/article/le-drone-a-100-
ans.36883. [consulté le 25 Mars 2020].
[7] USN, «Wikipedia,» 09 Octobre 2009. [En ligne]. Available:

https://fr.wikipedia.org/wiki/Fichier:Grumman_F6F-5K_drone_1946.jpg#filehistory.
[consulté le 25 Mars 2020].
[8] S. d. s. h. e. P. crowther, «France24 Drones : une révolution militaire,» 12 Mai 2014.

[En ligne]. Available: https://www.youtube.com/watch?v=r0d70Lqtp58. [consulté le
51
25 Mars 2020].
[9] L. C. L. Pratt., «MQ-1 Predator en vol,» Wikipedia, 18 Decembre 2008. [En ligne].
Available: fr.wikipedia.org/wiki/General_Atomics_MQ-1_Predator. [consulté le 25
Mars 2020].
[10] Maks,«Wikipedia,» 17 juillet 2017. [En ligne]. Available:

https://fr.wikipedia.org/wiki/Wing_Loong. [consulté le 2020 Mars 2020].
[11] G. Drone, «L’utilisation des drones dans l’agriculture,» 31 octobre 2018. [En ligne].
Available:https://www.guide-drone.com/utilisation-drones-dans-agriculture/.
[12] D. sergent, «La croix,» 06 Aout 2019. [En ligne]. Available: https://www.la-
croix.com/France/Securite/drones-innovants-lutter-contre-feux-forets-2019-08-06-
1201039557. [consulté le 30 Mars 2020].
[13] B. TV, «Un impressionnant spectacle de drones anime le Nouvel An à Shanghai,» 01

Janvier 2020 . [En ligne] Available:
https://img.gentside.com/s3/frgsl/drone/default_2020-01-01_c565320c-b89e-4fba-
acff-30c9384164d2.png. [consulté le 31 Mars 2020].
[14] R. KNIGHT, «inside unmanned systems,» 04 Septembre 2018. [En ligne]. Available:
https://insideunmannedsystems.com/wp-
content/uploads/2018/09/Zoe_with_DroneRad_ST_1.jpg. [consulté le 30 Mars 2020].
[15] Bigben, «Les drones : un décollage pour le marché des objets connectés de loisirs,»
28 Octobre 2016. [En ligne]. Available: https://www.bigben.fr/decouvrez-le-drone-
wifi-par-bigben. [consulté le 30 Mars 2020].
[16] G. R, «ObjetConnect,» 22 Mars 2016. [En ligne]. Available:

https://www.objetconnecte.com/lobbying-amazon-livraison-drone-220316/.
[17] V. D. Lavissier, «IGN France,» 17 Novembre 2016. [En ligne]. Available:

https://fr.ign.com/tech/20167/news/dominos-pizza-inaugure-son-service-de-
livraison-par-drone. [consulté le 30 Mars 2020].
[18] [En ligne]. Available: https://france3-regions.francetvinfo.fr/centre-val-de-loire/indre-

loire/coronavirus-drone-pourrait-bientot-prendre-votre-temperature-distance-
1804064.html.
[19] CNEWS, «CNEWS France,» 9 Avril 2020. [En ligne]. Available:

https://www.cnews.fr/france/2020-04-09/coronavirus-un-drone-pour-desinfecter-
52
les-rues-de-cannes-945449. [consulté le 14 Mai 2020].
[20] M. Landaz, «L'OBS,» 12 fevrier 2020. [En ligne]. Available:

https://www.nouvelobs.com/monde/20200212.OBS24725/le-coronavirus-va-
accelerer-la-digitalisation-de-l-economie-chinoise.html. [consulté le 1 Avril 2020].
[21] L. Santocchia, «euronews,» 27 Mars 2020. [En ligne]. Available:

https://www.euronews.com/2020/03/26/watch-italian-mayor-uses-drone-to-scream-
at-locals-to-stay-indoors-amid-coronavirus-crisis. [consulté le 1 avril 2020].
[22] B. Cohen, «ESTADO DE MINAS,» 10 Avril 2020. [En ligne]. Available:

https://www.em.com.br/app/noticia/internacional/2020/04/10/interna_internaciona
l,1137427/coronavirus-franca-usa-drones-para-desinfectar-ruas-e-pracas.shtml.
[consulté le 14 Mai 2020].
[23] D. D. (. e. J. PANHALEUX, «Rapport n° 008816-01 : Les drones civils, enjeux et

perspectives,» octobre 2015.
[24] J. A. Maxa, Thése:Architecture de communication sécurisée d’une flotte de drones,

L’UNIVERSITE DE TOULOUSE, juin 2017.
[25] R. ABDALLAH, Thése :Reliability approaches in, L’Université de Technologie de Belfort-

Montbéliard, Mai 2019.
[26] M. Elloumi, Thése:Surveillance de cibles mobiles fondée sur un réseau de drones,

toulouse: Université de toulouse, 2019.
[27] D. A. Mercado-Ravell, «Autonomous navigation and teleoperation of unmanned,»

Université de Technologie Compiégne, Hauts-de-France, 04 décembre 2015.
[28] D. RAUTU, «Déploiement temporaire d’une infrastructure de communication à base

de drones,» UNIVERSITÉ DE TOULOUSE, Toulouse, 2019.
[29] J. S. Z. Shi, «Vision-based Runway Recognition for UAV Autonomous Landing,» College
of Automation, Northwestern Polytechnical University, Northwestern, 3 mars 2007.
[30] F. S. Julien GÉRARDY, «Suivi d’une cible mobile par des drones autonomes,» Ecole
polytechnique de Louvain(EPL), Louvain, 2015-2016.
[31] Droneblog, «IR-LOCK: infrared target tracking for Drones & DIY Robotics,» 31 Aout
2014. [En ligne]. Available: https://www.droneblog.com/2014/08/31/ir-lock-infrared-
target-tracking-for-drones-diy-robotics/. [consulté le 15 Mai 2020].
[32] D. Hexo+, «Drone,» 13 Septembre 2016. [En ligne]. Available: https://www.les-

drones.com/drone-hexo-plus/. [consulté le 10 fevrier 2020].
53
[33] Auré, «journal du geek,» 14 juin 2014. [En ligne]. Available:
https://www.journaldugeek.com/files/2014/06/hexo.png. [consulté le 12 fevrier
2020].
[34] L. B. N. M. G. B. Benoît Louvat, «Suivi d’objets pour une caméra embarquée dans un
drone,» Colloque GRETSI, Lille, 2007.
[35] i-programmer, «AR.Drone,» 15 Juin 2012. [En ligne]. Available: https://www.i-

programmer.info/images/stories/News/2012/JUNE/A/joggobot1.jpg. [consulté le 10
fevrier 2020].
[36] A. F. RANDRIAVANIAINA, «tom's guide,» 21 Juin 2012. [En ligne]. Available:

https://www.tomsguide.fr/un-ar-drone-modifie-en-partenaire-de-jogging/. [consulté
le 10 Mai 2020].
[37] v. desjardins, «Wikipedia,» 29 Octobre 2010. [En ligne]. Available:

https://fr.wikipedia.org/wiki/Fichier:D%C3%A9tection_de_personne_-
_exemple_1.jpg. [consulté le 12 Mai 2020].
[38] F. Porikli, «Research Gate,» Research Gate, 10 Janvier 2012. [En ligne]. Available:
https://www.researchgate.net/publication/232905480_Object_Detection_and_Tracki
ng. [consulté le 12 Mai 2020].
[39] A. B. Massimo Bertozzi, «semantic scholar,» 3 Octobre 2007. [En ligne]. Available:
https://www.semanticscholar.org/paper/A-Pedestrian-Detector-Using-Histograms-of-
Oriented-Bertozzi-Broggi/5251cb5349e37495b3ca29b06e6ed7422f12d126. [consulté
le 12 Mai 2020].
[40] A. Puri, «A Survey of Unmanned Aerial Vehicles (UAV) for Traffic Surveillance,»
Department of Computer Science and Engineering, South Florida, 2005.
[41] G. G. K. Patrick Doherty, «The WITAS Unmanned Aerial Vehicle Project,» In W.Horn
(ed.): ECAI 2000. Proceedings of the 14th European Conference on Artificial
Intelligence, IOS Press, Amsterdam, 2000.
[42] R. Michelson, «Avdil Gtri Gatech.,» Principal Research Engineer, Emeritus - Georgia
Tech Research Institute, 2001. [En ligne]. Available:
http://avdil.gtri.gatech.edu/RCM/RCM/DronePictures/GDOT_Drone.GIF. [consulté le
15 fevrier 2020].
[43] A.Fotouhi, «Improving Performance of Mobile Networks Using Drone-Mounted Flying

Base Stations,» Université de nouvelle Galles du sud, Sydney,Australie, novembre
2017..
54
[44] Z.Maged, «Optimisation des réseaux commerciaux LTE pour la communication,»
Telecom review africa, 12 OCTOBRE 2016.
[45] B. E. ,. R. D. ,. H. I. ,. L. A. S. Mouna Elloumi, «Designing an energy efficient UAV

tracking algorithm,» chez International Wireless Communications and Mobile
Computing Conference (IWCMC), Valencia,Spain, 2017.
[46] F. L. M. Marie-Ange Lèbre, «Microscopic vehicular mobility trace of Europarc

roundabout, Creteil, France,» 24 Septembre 2013. [En ligne]. Available:
http://vehicular-mobility-trace.github.io/index.html#datase. [consulté le 18 Janvier
2020].
55

Technical Document

Transféré par

Droits d'auteur :

Formats disponibles

Technical Document

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Technical Document

Transféré par

Droits d'auteur :

Formats disponibles

e fait l’insecte quand il vole.

Cette terminologie date des années trente, lorsque le drone

Figure 1.1. Spectacle de 2000 drones lumineux à Shanghai[CITATION htt5 \l 1036 ].

Figure1.3. drone WiFi par Bigben[ CITATION Big16 \l 1036 ].

I.5.Réglementations des UAVs :

I.6 Architectures de communication des UAVs :

L’architecture de communication est définie comme un ensemble de règles et de

Il est possible de déployer un réseau à communication directe entre la station de contrôle et un

Figure 1.6. Architecture de communication centralisée.

Figure 1.7. Architecture de communication cellulaire.

Figure 1.8.Architecture de communication par satellite.

Figure 1.9.Architecture de communication distribuée.

L’architecture hybride est la combinaison des architectures centralisée et distribuée.

Figure 1.10.Architecture de communication hybride.

I.7. Stratégie de contrôle :

I.7.1.Leader - suiveur (approche hiérarchique):

Figure 1.11. Stratégie du leader – suiveur.

Cette approche consiste à remplacer le leader de la formation par un autre virtuel

Figure 1.12.Stratégie du virtual Leader.

I.7.3.Approche comportementale (approche décentralisée) :

Figure 1.19.Stratégie de l'approche comportementale.

L'approche comportementale représente une structure facilement auto-organisée puisque

Caractéristique du déploiement des

Dans ce carde-là, il existe de nombreuses recherches sur la conception et développement d'un

II.2. Travaux antérieure

II.2.1. Le modèle préalable de l’objet est inconnu :

II.2.1.1. Suivi par infrarouges :

Figure 2.13. Concept de la start-up IR-LOCK[CITATION htt12 \l 1036 ].

Figure 2. 14. Caméra et ampoule infrarouges[ CITATION htt12 \l 1036 ].

II.2.1.2 Suivi par coordonnées GPS :

Figure 2.15.Drone Hexo+ qui suit un joggeur[CITATION htt13 \l 1036 ].

II.2.1.4. Suivi d’une cible sélectionnée par l’utilisateur :

II.2.2 Le modèle préalable de l'objet est connu :

II.2.2.1. Suivi basé sur la structure corporelle :

Figure 2.17.Images et leurs descripteurs HOG[CITATION htt18 \l 1036 ].

II.2.3. Recherche universitaire :

II.2.3.1. Projet de WITAS:

Figure 2.18.Simulation virtuelle : Scénario de trafic/tunnel ; Simulation pseudo-virtuelle sur

II.2.3.2. Projet de Georgia Tech:

II.2.3.3 Projet d’ADAS :

Figure 2.20. ADAS for Traffic Surveillance[CITATION Anu \l 1036 ].

II.2.3.4. Projet d’Arizona’s University:

Le projet tente d'examiner l'intégration de la vidéo numérique, du GPS et des systèmes

II.3. Interactions entre les UAVs et les utilisateurs:

Figure 2.21. Interaction entre un drone et un utilisateur.

Figure 2.22. Interaction entre deux drones et un utilisateur.

Figure 2.23. Les zones d’ajustements.

II.4. Modélisation de condition de communication :

La modélisation des conditions de communication est un élément important et aura de

Le modèle de communication air-sol pourrait être différent d’autres modèles existants.

Le choix de la technologie de communication est basé sur les besoins de l'application. En

II.5. Trafic réseau:

Dans ce chapitre on a vu quelques systèmes existants et travaux de recherches en cours

Simulation de Surveillance d’un Trafic

III.2. Problématique & Conditions :

Les conditions considérées dans ce chapitre sont donc les suivantes :

 L'environnement est supposé inconnu,

III.3. L’objectif de l’étude :

Allemagne, des chercheurs de l'université de Karlsruhe ont examiné la concordance des