Des drones aux robots d’entrepôt, la programmation de sécurité est cruciale – le MIT pourrait avoir une solution

Le besoin de gérer de grandes flottes de véhicules autonomes et drones continue de croître.  Malheureusement, les systèmes en place aujourd’hui exigent beaucoup d’efforts et de puissance de calcul. De plus, ces systèmes de programmation de sécurité ne peuvent pas s’ajuster à la volée.

Spectacles de drones

Des Jeux Olympiques aux lancements de nouveaux produits, les spectacles de drones sont devenus plus courants que jamais. Ces événements peuvent utiliser des centaines de drones qui travaillent à l’unisson pour créer des images, des animations et bien plus encore. Ces affichages lumineux à grande échelle sont à couper le souffle. Ce qui est encore plus impressionnant que ces actions, c’est tout le travail nécessaire pour rendre ces spectacles possibles.

Méthodes actuelles de programmation de sécurité

La façon actuelle dont les ingénieurs contrôlent de grandes essaims de drones ou d’autres systèmes robotiques multi‑autonomes est d’utiliser les systèmes multi‑agents (MAS). Ces protocoles combinent des trajectoires, des points de passage et des contraintes temporelles. Ensemble, ces facteurs permettent à chaque drone de savoir où il se trouve le long de son itinéraire pré‑planifié.

Cette approche fonctionne lorsque les conditions sont bonnes et que les drones sont à l’endroit prévu à temps. Cependant, des inconvénients sérieux peuvent survenir lorsque les appareils dévient de leur trajectoire. Pour éviter les collisions, les ingénieurs utilisent une technique appelée planification de trajectoire pair‑à‑pair.

Inconvénients de la programmation de sécurité

Cet algorithme permet à chaque drone de savoir où il doit être par rapport aux autres drones si tout se passe parfaitement. Cependant, lorsqu’il y a des malentendus, des problèmes graves peuvent survenir. Étant donné que chaque drone dans la configuration MAS vole à l’aveugle après le lancement, il supposera suivre le cours pré‑planifié même si des facteurs externes rendent le plan original incorrect. Cette situation peut conduire à des actions très étranges, comme des drones qui atterrissent de façon inattendue, tombent du ciel sur les spectateurs, s’envolent vers nulle part ou deviennent non réactifs.

Accidents récents de spectacles de drones

L’essor soudain des spectacles de drones et de la robotique autonome a entraîné des situations dangereuses. Les drones représentent de nombreuses menaces, même lorsqu’ils ne sont pas armés. Ces appareils peuvent perdre la connexion et tomber du ciel à plusieurs dizaines de mètres, endommageant l’appareil et les piétons. De plus, les collisions avec d’autres aéronefs pourraient entraîner des pertes catastrophiques et la mort. Deux exemples récents illustrent ces préoccupations :

Floride

Les résidents d’Orlando qui se sont rassemblés à l’extérieur pour regarder le spectacle de drones le 21 décembre 2024 n’avaient aucune idée que l’événement deviendrait dangereux. Au cours de l’événement, qui comprenait des centaines de drones, une erreur de connexion a entraîné la chute de plusieurs drones au sol, frappant les spectateurs.

Malheureusement, l’un des drones est tombé sur un enfant de 7 ans, causant des blessures graves nécessitant une chirurgie d’urgence. Interrogée au sujet de l’incident, la société à l’origine de l’événement, Sky Elements Drone, a exprimé ses regrets et s’est engagée à enquêter sur la cause afin de prévenir de futurs incidents.

New York

Un autre incident survenu l’année dernière impliquait des drones à Staten Island, New York. Dans cet incident, un opérateur de drone avait volé à 2,5 miles de distance. Étant hors de la ligne de vue claire, il n’a pas pu remarquer un hélicoptère UH‑60 Black Hawk et est entré en collision avec l’appareil.

Heureusement, l’hélicoptère a pu regagner la base en boitant. Cependant, après une inspection plus approfondie, l’équipage a réalisé qu’ils avaient eu une chance exceptionnelle, car des morceaux du drone ont été découverts dans l’arbre principal du rotor. Après une longue enquête, le National Transportation Safety Board a publié un rapport d’accident révélant la responsabilité de l’opérateur du UAV.

Étude de programmation de sécurité multi‑agents

Reconnaissant le besoin d’un système de sécurité plus agile et réactif lorsqu’il s’agit de flottes d’unités autonomes, des ingénieurs du MIT ont présenté une nouvelle méthode d’entraînement dans un article récent publié dans IEEE Transactions on Robotics¹. Leur recherche décrit une nouvelle méthode d’entraînement qui renforce les protections de sécurité et réduit la charge de travail liée à l’implémentation de ces protocoles.

Fonction de barrière de contrôle de graphe GCBF+

Le protocole Graph Control Barrier Function + s’appuie sur les algorithmes de fonction de barrière antérieurs et ajoute des systèmes propriétaires pour simplifier le maintien de la sécurité à travers d’immenses flottes de véhicules. De manière impressionnante, GCBF+ permet aux drones de naviguer dans des environnements complexes comme le font les humains.

Rayon de détection

Le système commence par créer un rayon de détection plus petit qui se concentre principalement sur les risques de collision plutôt que sur l’ensemble du plan de vol. Cela réduit les besoins de gestion du drone et lui permet de suivre activement et d’éviter les obstacles dans les zones environnantes.

Conscience situationnelle

Le GCBF+ mis à jour permet aux drones de savoir exactement où ils se trouvent en temps réel ainsi que leur position par rapport aux autres UAV à proximité. Le suivi de tous les drones en temps réel permet à plusieurs agents coordonnés, collaboratifs et programmés par ordinateur de travailler ensemble pour accomplir des tâches.

Réseaux de neurones graphiques (GNN)

L’équipe a créé un modèle informatique personnalisé qui exploite les réseaux de neurones graphiques avancés, leur permettant de tirer parti de certains avantages clés comme la capacité de paramétrer un GCBF et de distribuer des politiques de contrôle. Plus précisément, le système simule des agents et des contrôleurs.

Source – MIT

Les ingénieurs utilisent les spécifications exactes des drones du monde réel. Ils ont inclus leurs capacités mécaniques, leurs limites, leurs performances, l’autonomie de la batterie et d’autres facteurs cruciaux. La simulation a ensuite pris ces informations et les a utilisées pour créer des tests à grande échelle que les ingénieurs ont surveillés.

Il est notable que le choix d’utiliser un réseau de neurones graphique (GNN) soit logique, car il permet de suivre la topologie graphique changeante du flux d’information d’observation basé sur la distance. Cette entrée a ensuite été utilisée conjointement avec d’autres données pour programmer le système d’IA afin d’équilibrer performance et sécurité.

Ajouter plus d’agents et de tâches

Les ingénieurs ont ensuite commencé à augmenter l’échelle de la simulation pour inclure davantage d’unités et des tâches plus complexes. Ils ont constaté que les systèmes de sécurité en temps réel s’ajustaient automatiquement après avoir été copiés‑collés sur de nouveaux drones. Chaque interaction a été notée à mesure que davantage de drones étaient ajoutés à la simulation.

Suivre les collisions sur des milliers de simulations

À mesure que le nombre et la densité d’agents et d’obstacles augmentaient, le système a été ajusté pour ne voir aucune collision comme récompense. Le GNN a alors commencé à ajuster de façon autonome les entrées du contrôleur afin de réduire les violations de sécurité.

Les ingénieurs ont remarqué comment le GNN permettait aux drones d’ajuster leurs trajectoires en temps réel afin d’éviter les collisions avec d’autres robots. Ce test a aidé à garantir que leur contrôleur était réactif, c’est‑à‑dire qu’il recréait constamment un itinéraire de vol pour les drones en fonction des conditions environnementales en temps réel.

Les ingénieurs du MIT ont également introduit des limites de sécurité dans le cadre de cette approche. Ce sont des zones où les appareils sont susceptibles de rencontrer des violations de sécurité. En instruisant les appareils d’éviter ces zones, l’équipe a considérablement réduit de nombreuses collisions et erreurs qui affectent les systèmes actuels.

Méthode d’entraînement pour les systèmes multi‑agents

De façon impressionnante, le contrôleur a été copié‑collé sur d’autres unités une fois que la simulation a résolu les problèmes de sécurité. Étant donné que le protocole peut gérer des topologies de graphe arbitraires, il est plus facile de monter en échelle verticalement. De plus, il peut prendre en compte le nombre changeant de participants, ce qui signifie que la programmation peut être effectuée sur quelques drones puis partagée avec l’essaim.

Test de programmation de sécurité MAS

Les ingénieurs ont entrepris de tester leur cadre distribué pour le contrôle sûr multi‑agents dans des environnements à grande échelle avec obstacles en utilisant des drones Crazyflies. Ces drones quadrirotors de la taille d’une main ont été améliorés grâce au GNN. Au total, 8 Crazyflies ont été utilisés lors de la phase de test.

Les agents ont utilisé les 8 drones du monde réel pour suivre et surveiller les activités. Ensuite, les données ont été partagées dans une simulation avec 1000 drones. La même méthode d’augmentation a été appliquée aux obstacles. L’équipe a commencé avec 8 obstacles lors d’un test réel. La simulation a porté le nombre à 128 obstacles mobiles et immobiles pour les tests finaux.

Différents objectifs du test de programmation de sécurité MAS

Les drones ont reçu différents objectifs pour voir comment ils pouvaient se comporter dans des environnements encombrés. Une tâche consistait à échanger de position en plein vol. Cette tâche peut sembler simple, mais lorsqu’on gère 1000 drones, le risque de collision est élevé.

Atterrissage

L’objectif suivant était de faire atterrir les drones sur des boîtes mobiles. Les boîtes mobiles étaient des robots appelés Turtlebots. Les Turtlebots étaient configurés pour circuler à différentes vitesses. Les drones devaient naviguer les uns autour des autres et atterrir en toute sécurité sur le turtlebot pour accomplir leur tâche.

Résultats du test de programmation de sécurité MAS

Les résultats de l’étude sur la programmation de sécurité sont révélateurs. D’une part, les appareils ont surpassé leurs prédécesseurs dans les environnements 2D et 3D. L’utilisation par le système d’observations de nuages de points basées sur le LiDAR pour gérer les obstacles s’est avérée être un excellent ajout. Cela a permis aux drones d’effectuer des ajustements en temps réel et de rester dans leurs zones de sécurité désignées.

Les Crazyflies ont volé, ont accompli leurs tâches en plein vol et ont atterri avec succès sans collision. Les ingénieurs ont conclu que leur système pouvait offrir une réduction de 40 % des collisions. Il a également amélioré les performances des drones, leur permettant d’accomplir des tâches impliquant des centaines de drones sans incident.

Avantages de l’étude de programmation de sécurité MAS

Cette étude apporte plusieurs avantages au marché. D’une part, elle permet aux ingénieurs d’équilibrer automatiquement les exigences de sécurité et les critères de performance. L’utilisation par le système de la théorie des fonctions de barrière de contrôle pour les garanties de sécurité réduit considérablement les risques pour les personnes à proximité de ces engins. De plus, l’utilisation de systèmes LiDAR assure un retour d’information en temps réel et des ajustements du trajet de vol.

Destination uniquement

L’un des plus grands avantages de cette technologie est que les ingénieurs n’ont pas planifié de trajectoire de vol, contrairement aux méthodes traditionnelles qui nécessitent beaucoup de temps et d’efforts de calcul pour être créées. L’équipe a simplement donné des instructions et une destination au drone. L’appareil n’a pas calculé une seule trajectoire sans collision. Au lieu de cela, il a calculé des milliers de trajectoires basées sur ses capteurs en temps réel, garantissant que tous les changements sont suivis et que des ajustements sont effectués.

Évolutif

Les ingénieurs ont apporté une mise à jour majeure au système actuel avec leur dernier contrôleur copier‑coller. Ce protocole utilise une structure de graphe idéale pour un contrôle distribué évolutif et généralisable des MAS.

Cette approche signifie que les futurs pilotes de drones n’auront besoin de programmer qu’un petit nombre d’unités. Les paramètres de sécurité peuvent ensuite être étendus à un nombre illimité de drones, économisant ainsi de l’argent, du temps et des efforts, sans sacrifier les performances.

Applications de la programmation de sécurité MAS

La liste des applications de cette technologie continue de croître. La capacité de créer, distribuer et mettre à l’échelle facilement le protocole de contrôleur constitue une amélioration majeure des systèmes anti‑collision des drones. Elle permet de configurer rapidement des applications à grande échelle pour de nouveaux environnements. Cette capacité rend cette technologie adaptée à une utilisation dans les entrepôts, les opérations de recherche et de secours, les voitures autonomes et les missions militaires.

Chercheurs en programmation de sécurité MAS

Les chercheurs à l’origine de cette tâche comprennent le professeur associé en aéronautique et astronautique du MIT, Chuchu Fan. De plus, Songyuan Zhang, Oswin et Kunal Garg ont participé à la recherche. Il est à noter que l’étude a reçu un soutien financier de la National Science Foundation des États‑Unis, du MIT Lincoln Laboratory dans le cadre du programme Safety in Aerobatic Flight Regimes (SAFR), et de la Defence Science and Technology Agency de Singapour.

Une entreprise leader dans les véhicules autonomes

Plusieurs entreprises pourraient exploiter l’étude de programmation de sécurité MAS pour améliorer leurs offres de UAV ou de véhicules électriques. À mesure que davantage de fabricants d’engins autonomes se lancent, les exigences de sécurité pour les flottes de véhicules autonomes augmenteront. Voici une entreprise qui est parfaitement positionnée pour exploiter ces données et améliorer son retour sur investissement.

Amazon

Lorsqu’il s’agit de faire fonctionner des essaims de robots autonomes, Amazon (AMZN ) est le leader du marché. L’entreprise a intégré des robots autonomes dans son usine il y a de nombreuses années. Depuis, elle a élargi sa flotte de drones pour inclure des UAV et des véhicules électriques. À mesure que sa flotte grandit, la demande de paramètres de sécurité et de systèmes de contrôle comme ceux développés par les chercheurs du MIT augmentera.

Amazon a longtemps évoqué ses flottes de livraison par drones. L’année prochaine, l’entreprise pourrait lancer son service. Il est notable que la FAA a approuvé les drones MK30 qu’ils envisagent d’utiliser pour le vol depuis novembre dernier.

Amazon a également progressé vers son objectif à 10 ans de livrer des colis par drone dans l’UE. Plus précisément, l’entreprise a testé son système de livraison à San Salvo, en Italie, en décembre dernier avec d’excellents résultats.

Si cela réussit, Amazon pourrait utiliser des drones pour livrer à plus de 500 M de clients chaque année. Cette manœuvre réduirait considérablement les coûts de livraison et les vols, ce qui pourrait entraîner une hausse du cours de l’action AMZN.

Avenir de la programmation de sécurité MAS

L’avenir de la programmation de sécurité des drones repose sur des systèmes d’IA haute performance et évolutifs. Ces systèmes permettront aux ingénieurs de simplifier tout, de la création à la gestion et à la distribution des protocoles de sécurité.

À l’avenir, votre drone de livraison comprendra pleinement son environnement en temps réel, son itinéraire de vol et la localisation de ses collègues. Ainsi, les gens se rapprochent du jour où une livraison en 24 heures pourrait sembler trop lente.

Découvrez d’autres développements intéressants dans le secteur de la robotique ici.

Référence de l’étude:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: un cadre de fonction de barrière de contrôle de graphe neuronal pour le contrôle sûr distribué multi‑agents. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}