Un algorithme PSO-ABC amélioré pour le plan de vol des UAVs fondé sur la construction d’une topologie de l’espace aérien urbain à partir de données SIG réelles

Cieux plus sûrs pour les drones en ville

Les drones de livraison et les robots d’inspection promettent des livraisons plus rapides et des villes plus intelligentes, mais voler au-dessus de rues bondées et de hauts immeubles comporte des risques. Cette étude montre comment construire des « autoroutes invisibles » dans le ciel au-dessus d’une vraie ville chinoise et comment un nouvel algorithme informatique peut guider les véhicules aériens sans pilote (UAV) le long de trajectoires à la fois sûres pour les personnes au sol et efficaces pour l’appareil.

Transformer une ville réelle en carte de vol 3D

Les auteurs partent de données détaillées de système d’information géographique (SIG) couvrant une zone de 5 sur 5 kilomètres dans le district de Changqing à Jinan, en Chine, incluant les emplacements exacts et les hauteurs des bâtiments. Plutôt que de considérer l’air au-dessus de la ville comme un grand espace unique, ils le découpent en neuf couches d’altitude fines, chacune de 5 mètres, depuis le niveau du sol jusqu’à 40 mètres. À l’intérieur de chaque couche, ils tracent un damier de carrés de 100 sur 100 mètres. L’empilement de ces carrés crée une grille 3D de petits cubes, ou voxels, chacun représentant un volume de ciel potentiel qu’un drone pourrait occuper.

Concilier espace aérien libre et risque pour les personnes et les biens

Pour déterminer quels voxels sont réellement utilisables, l’équipe combine deux idées simples mais puissantes. D’abord, la « disponibilité de l’espace aérien » mesure à quel point un drone peut se déplacer d’une case de la grille à une autre sans heurter bâtiments ou obstacles. Si une case se connecte à de nombreuses autres par des corridors ouverts, elle obtient un score élevé. Ensuite, le « risque au sol » évalue le dommage potentiel qu’un drone tombant pourrait causer en dessous, en fonction de la densité de population locale, du trafic et de la présence de structures de valeur. Le modèle distingue les morts ou blessures de piétons et d’occupants de véhicules et les dommages aux bâtiments et infrastructures.

Classer la ville en zones plus ou moins favorables aux drones

Chaque emplacement dans la grille reçoit deux scores : l’un pour la disponibilité de l’espace aérien et l’autre pour le risque au sol. Les auteurs utilisent ensuite un diagramme en quadrants pour regrouper les portions d’air en quatre types : haute disponibilité et faible risque (idéal), haute disponibilité et fort risque (centres urbains denses), faible disponibilité et faible risque (peu de personnes mais de nombreux obstacles), et faible disponibilité et fort risque (le pire des cas). Des valeurs seuils définissent ce qui compte comme « élevé » ou « faible ». La majeure partie de l’espace aérien étudié — environ 64 % — tombe dans la meilleure catégorie, avec beaucoup de marge de manœuvre et un danger relativement faible pour les personnes et les biens. Une étape plus avancée de « tri de Pareto » classe ensuite les meilleures cellules en arbitrant ouverture et risque, en conservant la moitié supérieure comme réseau préféré de corridors aériens sûrs.

Apprendre aux drones à choisir des trajectoires plus intelligentes

Une fois ce réseau 3D sûr construit, le défi est de trouver un itinéraire précis depuis un point de départ proche du sol jusqu’à une destination située plus haut, tout en respectant des règles strictes : les drones doivent éviter les zones d’exclusion au-dessus des bâtiments, rester dans les bandes d’altitude autorisées, limiter les montées et descentes abruptes, et garder une distance de sécurité par rapport au terrain et aux structures. Pour cela, les auteurs combinent deux techniques de recherche bien connues inspirées de la nature. Une méthode d’optimisation par essaims de particules (PSO) agit comme un vol d’oiseaux explorant l’ensemble de l’espace à la recherche de trajectoires prometteuses, tandis qu’une méthode de colonie d’abeilles artificielles (ABC) se comporte comme des abeilles qui se concentrent sur le raffinement des meilleures sources de nectar. Le PSO effectue une recherche globale large, puis l’ABC réalise un ajustement local minutieux autour des trajectoires candidates les plus prometteuses. Enfin, la chaîne de points de passage grossière est lissée à l’aide d’une courbe mathématique pour qu’un drone réel puisse la parcourir sans virages brusques et irréalistes.

Des trajets urbains plus rapides, plus fluides et plus sûrs

Les chercheurs testent leur approche combinée PSO-ABC contre trois alternatives courantes : un algorithme génétique standard, le PSO seul et l’ABC seul. Dans des simulations réalistes utilisant la configuration réelle des bâtiments de Changqing, leur méthode trouve systématiquement des trajectoires de vol plus fluides qui évitent toutes les zones d’exclusion et les zones au sol fréquentées. Elle converge aussi vers de bonnes solutions beaucoup plus rapidement — en utilisant à peu près la moitié des itérations nécessaires aux autres méthodes — réduisant ainsi le temps de calcul et la consommation d’énergie. Pour un non-spécialiste, la conclusion est claire : en modélisant soigneusement le ciel et la ville en dessous, et en utilisant un mélange judicieux de stratégies de recherche inspirées des oiseaux et des abeilles, ce travail propose une méthode pratique pour guider les drones dans des environnements urbains complexes tout en protégeant davantage les personnes et les biens.

Citation: Liu, Y., Dong, H., Liu, H. et al. An improved PSO-ABC path planning algorithm for UAVs based on a construction of urban airspace topology with actual GIS data. Sci Rep 16, 5048 (2026). https://doi.org/10.1038/s41598-026-35958-9

Mots-clés: itinéraires de drones urbains, planification de trajectoire des UAV, sécurité de l’espace aérien, optimisation heuristique, espace aérien basé sur SIG