Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Uncrewed Aerial Vehicles (UAVs) are increasingly deployed in healthcare, disaster response, and search-and-rescue (SAR) operations, where rapid decisions in complex and uncertain environments can save lives. However, their effectiveness is constrained by three major challenges. The first is efficiently exploring an Area of Interest (AOI) to identify and prioritize the most informative Regions of Interest (ROI) in missions that are both time-critical, where every minute can determine survival outcomes, and energy-critical, where limited battery capacity restricts flight endurance. The second is coordinating multiple UAVs so that tasks are distributed in a balanced way across ROIs while avoiding redundant exploration and wasted energy. The third is guaranteeing safe autonomous landings, whether in cluttered areas near survivors to support communication with first responders, or in unpredictable situations such as GPS-denied environments and sudden emergencies where immediate landing is required. Single-UAV and multi-UAV informative path planning (IPP and MIPP) approaches have advanced, but they still face important limitations in practice: effectively balancing energy and time budgets while prioritizing information gain, and coordinating multiple vehicles to avoid redundant effort and uneven workload. Likewise, existing landing systems often fail to ensure obstacle avoidance and survivor-aware decision-making under emergency conditions, and many rely on pre-defined landing pads that are not available in real SAR scenarios. This thesis addresses these gaps with three contributions. First, it introduces an Energy- Aware Informative Path Planner with two-step lookahead (EA-IPP2n), designed to maximize information gain while explicitly accounting for both time and energy as mission-critical resources. Second, it extends this framework to cooperative operations through a V-shape Area Partitioning (VAP) strategy and an Energy-Aware Multi-UAV Informative Path Planner (EAMIPP), distributing ROI tasks across agents in a workload-balanced manner while handling static obstacles and Non-Flying Zones (NFZ). Third, it develops an Emergency Safe Landing System (ESLS) that integrates mapping, localization, and object detection to autonomously identify safe landing zones, including an ESLZD-SAR mode that prioritizes landings near detected survivors. Together, these contributions advance a unified framework for UAV autonomy that is both resource-aware and resilient in mission execution. The proposed methods improve information collection in AOIs, enable scalable multi-UAV collaboration across ROIs, and support safe emergency landings. By combining energy-aware path planning with adaptive landing strategies, this work enhances the operational capabilities of UAVs in healthcare and SAR missions.

Les véhicules aériens sans pilote (UAV – Uncrewed Aerial Vehicles) sont de plus en plus utilisés dans les domaines de la santé, de la gestion des catastrophes et des opérations de recherche et sauvetage (SAR). Dans ces environnements, la prise de décision rapide est essentielle. Elle s’effectue dans des environnements complexes et incertains, ou chaque instant compte et peut sauver des vies. Cependant, leur efficacité demeure limitée par trois défis majeurs. Le premier défi consiste à explorer efficacement une zone d’intérêt (AOI – Area of Interest). L’objectif est d’identifier et de prioriser les régions informatives importantes (ROI – Regions of Interest). Ces missions sont à la fois critiques en temps, où chaque minute peut déterminer les chances de survie, et critiques en énergie, où la capacité limitée des batteries restreint l’endurance de vol. Le deuxième défi concerne la coordination de plusieurs UAVs. Il s’agit de répartir les tâches de manière équilibrée entre les différentes ROI, tout en évitant l’exploration redondante et le gaspillage d’énergie. Enfin, le troisième défi réside dans la garantie d’atterrissages autonomes en toute sécurité. Il s’agit, d’une part, la capacité à se poser dans des zones encombrées à proximité de survivants, afin de faciliter la communication avec les premiers intervenants. D’autre part, le système doit gérer des situations imprévisibles telles que les environnements sans GPS ou des urgences nécessitant un atterrissage immédiat. Les approches existantes de planification de trajectoire informative, qu’elles soient mono-UAV ou multi-UAV, ont permis des avancées notables. Cependant elles peinent encore à surmonter certaines limites en pratiques: l’utilisation optimale de l’énergie, la maximisation de la couverture de mission, ainsi que la coordination efficace de plusieurs véhicules. De même, les systèmes d’atterrissage existants échouent souvent à éviter les obstacles. Par ailleurs, l’intégration des informations relatives aux survivants dans les algorithmes de décision en situation d’urgence reste partielle. De plus, ces systèmes s’appuient fréquemment sur des zones d’atterrissage prédéfinies, qui sont rarement disponibles dans les scénarios réels de recherche et sauvetage (SAR). Cette thèse répond à ces défis à travers trois contributions principales. Premièrement, elle introduit un planificateur de trajectoire informative à deux étapes anticipées et à conscience énergétique (noté EA-IPP2n). Ce planificateur est conçu pour maximiser le gain d’information tout en considérant explicitement le temps et l’énergie comme ressources critiques de mission. Deuxièmement, elle étend ce cadre aux opérations coopératives. Pour cela, elle propose une stratégie de partitionnement en forme de V (noté VAP) et un planificateur de trajectoire informative multi-UAV à conscience énergétique (noté EA-MIPP). Cette approche permet une répartition équilibrée des tâches entre les ROI, tout en gérant les obstacles statiques et les zones de non-vol. Troisièmement, elle développe un système d’atterrissage d’urgence sécurisé (noté ESLS). Ce système intégré plusieurs modules: la cartographie, la localisation et la détection d’objets afin d’identifier de manière autonome des zones d’atterrissage sûres. De plus, un mode spécialisé est prévu pour privilégier les atterrissages à proximité des survivants détectés. Ensemble, ces contributions forment un cadre unifié pour l’autonomie des UAVs, à la fois conscient des ressources et résilient dans l’exécution des missions. Les méthodes proposées améliorent la collecte d’informations dans les AOI, permettent une collaboration multi-UAV et assurent des atterrissages d’urgence sécurisés. En combinant planification de trajectoire énergétique et stratégies d’atterrissage adaptatives, cette recherche renforce les capacités opérationnelles des UAV dans les missions de santé et de recherche et sauvetage.