Nouvelle méthode pour la planification du déploiement de l’énergie des drones de livraison

À l’avenir, les drones de livraison autonomes pourraient évaluer indépendamment si leur charge de batterie restante est suffisante pour les livraisons à venir. Une équipe de chercheurs de l’Université technique de Darmstadt et de l’Université de Sheffield, en collaboration avec l’Institut national français de recherche en sciences et technologies numériques (INRIA) et partenaire de l’industrie, Ingeniarius Ltd, a développé une nouvelle méthode pour la planification du déploiement de l’énergie.

L’approche permet à chaque drone d’apprendre quelles commandes il est capable de réaliser même si elle ne connaissait pas sa propre santé de batterie. Il est démontré qu’il réduit les délais de livraison et augmente le nombre de commandes traitées par rapport aux approches conventionnelles.

Dans un centre d’exécution, les drones de livraison attribuent des tâches entre elles à l’aide d’un système basé sur les enchères. Chaque drone considère son niveau de batterie actuel et évalue s’il peut effectuer la tâche. Si c’est le cas, il place une offre qui reflète sa confiance. Le drone qui gagne les enchères tente la tâche et utilise le résultat pour affiner sa compréhension de ses véritables capacités, qui sont influencées par des facteurs inconnus tels que la santé à long terme de sa batterie.

De manière contre-intuitive, la sélection du soumissionnaire le moins confiant en tant que gagnant des enchères s’est avéré le système le plus efficace. Cette approche a permis aux drones d’apprendre plus précisément lorsque leurs limites de performance se trouvent et ont favorisé une utilisation plus intelligente des ressources en déploiement des drones dont les capacités étaient bien assorties à la tâche à accomplir.

Les chercheurs, dirigés par le professeur Roderich Groß du Département d’informatique de Tu Darmstadt, ont testé leur méthode dans un simulateur multi-agents spécialement développé sur une période de huit semaines. Les résultats ont montré que l’approche basée sur l’apprentissage a atteint des taux de livraison significativement plus élevés et des délais de livraison plus courts par rapport aux stratégies conventionnelles basées sur les seuils.

Dans une version prolongée, les drones ont même pu effectuer des tâches qu’ils ne pouvaient effectuer qu’une fois suffisamment rechargés, permettant une allocation prospective des ressources. « Ce travail montre comment l’apprentissage en ligne peut aider les robots à faire face aux défis du monde réel, tels que fonctionner sans pleine connaissance de leurs véritables capacités », a déclaré le Dr Mohamed Talamali de l’Université de Sheffield.

L’approche peut également être utilisée pour gérer efficacement les flottes hétérogènes dans lesquelles les drones diffèrent, par exemple, en raison de tolérances de fabrication ou d’usure individuelle. Cela ouvre la voie à des systèmes de livraison de fonctionnement autonome avec une fiabilité plus élevée et une consommation d’énergie optimisée. « Ces drones de livraison autonomes pourraient également fonctionner dans plusieurs centres de réalisation, ce qui réduit encore les délais de livraison et les coûts », a déclaré le professeur Groß.

L’étude, « Ready, Bid, Go! Livraison à la demande à l’aide de flottes de drones avec des contraintes de stockage d’énergie hétérogènes inconnues », sera présentée le 21 mai à la 24e conférence internationale sur les agents autonomes et les systèmes multi-agents (AAMAS 2025) à Detroit, aux États-Unis, et a été sélectionné comme finaliste pour le prix du meilleur document de plus de 1 000 submissions. Le travail est disponible sur le arxiv serveur de préimprimée.