Réseaux de communications pour la détection de maladies agricoles par réseaux de drones hétérogènes

La détection précoce des maladies des cultures est essentielle pour protéger les rendements et réduire l'usage de produits chimiques, mais une surveillance à l'échelle de la parcelle et de la plante individuelle reste impraticable. Cette thèse étudie une équipe hétérogène de robots aériens comme plateforme de détection-apprentissage-action : quelques drones « leaders », puissants et bien dotés en énergie, calcul embarqué et bande passante, coordonnent une dizaine à une centaine de petits drones « abeilles », peu coûteux, qui volent près de la canopée et photographient les plantes de près. Les leaders agissent comme mules de données et serveurs de périphérie : ils hébergent un modèle de prédiction de maladie fondé sur un réseau de neurones en graphes (GNN), déjà en développement par les co-encadrants, qui prévoit l'apparition d'une maladie à partir de quelques jours d'observations. Les cartes d'incertitude et de probabilité d'apparition issues du GNN orientent les trajectoires des abeilles vers les zones les plus informatives, bouclant la boucle détection-apprentissage-action. Cette boucle ne se ferme que si le réseau de communication achemine images, détections, positions et télémétrie de batterie depuis jusqu'à cent abeilles vers les leaders, et les commandes en retour, sous fortes contraintes d'énergie, de portée et de fiabilité. Concevoir ce réseau avec la planification et l'apprentissage est l'objet central de cette thèse, à la croisée des réseaux, de la robotique et de l'IA. Les travaux existants ne couvrent pas cette combinaison : la recherche sur les réseaux ad hoc volants suppose des plateformes homogènes et des radios de classe Wi-Fi ; les travaux sur les drones agricoles se concentrent sur l'imagerie plutôt que le réseau ; la planification sensible aux communications a été étudiée pour un robot unique, mais pas pour la collecte guidée par la valeur informationnelle à l'échelle d'un essaim sous propagation en canopée. Des travaux récents (depuis 2023) soutiennent des éléments de cette vision sans les combiner. La thèse s'organise autour de trois contributions, formulées comme questions scientifiques ouvertes. La première porte sur la liaison air-air abeille-leader, qui doit transporter un flux constant de télémétrie et des rafales occasionnelles d'images volumineuses, sur un canal perturbé par la canopée et la mobilité, sous budget énergétique serré : comment concevoir les couches physique et MAC pour une connectivité fiable et basse consommation avec cent abeilles actives, sans se figer sur une seule technologie radio ? La deuxième porte sur la planification conjointe des trajectoires, où maximiser ce qui est détecté peut entrer en conflit avec la récupération des données avant qu'elles ne deviennent obsolètes ou soient perdues : comment planifier conjointement, et comment la réponse évolue-t-elle avec la taille de l'équipe et du champ ? La troisième porte sur les données qu'une abeille doit transmettre sous budget de liaison montante limité : trop transmettre gaspille l'énergie, trop peu risque de manquer les signaux précoces ; qu'est-ce qui doit gouverner ce compromis ? La recherche combine mesures de propagation radio, co-simulation réseau-robotique couplée au simulateur de maladie et au pipeline GNN existants, essais de vol en intérieur à l'ENAC (Toulouse), et démonstration en extérieur à l'University of Central Florida, avec une évaluation de l'empreinte carbone comme critère à part entière. Co-encadrée en réseaux, robotique et IA, la thèse devrait produire une pile de communication air-air validée, un cadre de planification sensible aux communications, et une stratégie de collecte guidée par la valeur informationnelle, faisant progresser la science des équipes aériennes en réseau et la faisabilité d'une inspection des cultures à faible coût et basse consommation. École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Katia JAFFRES-RUNSER Financement : MSCA COFUND BEST