Safe landing zones detection using aerial imagery for autonomous UAV navigation

Abdollahzadeh, Sakineh (2025). Safe landing zones detection using aerial imagery for autonomous UAV navigation. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 142 p.

Prévisualisation

PDF Télécharger (40MB) | Prévisualisation

Résumé

L’utilisation croissante des véhicules aériens sans pilote (UAV) dans les applications civiles nécessite des méthodes fables pour la navigation autonome, en particulier pour la détection de zones d’atterrissage sûres (SLZ). Cette thèse explore des méthodologies d’apprentissage profond afin d’améliorer la détection de SLZ à partir d’images capturées par UAV, avec un accent sur la génération de cartes de sécurité denses en temps réel et l’adaptation à des environnements statiques et dynamiques.
Le chapitre 1 présente le rôle croissant des UAV dans les applications modernes et souligne l’importance des atterrissages autonomes sûrs. Il expose les motivations, les défis de recherche et les questions principales qui orientent cette thèse, en mettant en avant l’intégration de la vision par ordinateur dans la navigation des UAV.
Le chapitre 2 fournit une revue complète de l’état de l’art en reconnaissance visuelle. Il couvre à la fois la détection d’objets et la segmentation d’images, en détaillant les méthodes antérieures à l’apprentissage profond (fondées sur des descripteurs classiques) ainsi que les approches modernes basées sur les réseaux de neurones convolutifs (CNN). Une attention particulière est portée aux architectures U-Net, aux fonctions de perte utilisées en segmentation et aux métriques d’évaluation. Le chapitre se termine par une revue de la littérature sur la détection de SLZ, la navigation UAV en environnements dynamiques, et l’utilisation de la régression ordinale par CNN pour l’évaluation de la sécurité.
Le chapitre 3 présente un modèle de régression supervisée utilisant une architec¬ture en codeur-décodeur pour générer des cartes de sécurité denses et continues à partir d’images UAV. Cette méthode perme tu ne évaluation fine de la sécurité du terrain, contrairement aux approches de classification binaire.
Le chapitre 4 introduit OR-SLZNet, un modèle de régression ordinale profonde qui combine des indices photométriques et géométriques tels que la couleur, la profondeur, la planéité et l’inclinaison pour attribuer des niveaux de sécurité à chaque pixel. Le modèle offre un bon équilibre entre précision prédictive et efficacité computationnelle, ce qui le rend adapté à un déploiement sur des UAV embarqués.
Le chapitre 5 propose un cadre unifié pour la détection de SLZ en environnements dynamiques. Il fusionne la segmentation statique du terrain avec la détection d’objet en temps réel, le suivi multi-objets et la prédiction de trajectoires. Un module de compensation du mouvement par homographie assure l’alignement spatial des images malgré le déplacement de l’UAV, permettant une mise à jour continue des cartes de sécurité.
Les modèles proposés sont évalués sur plusieurs jeux de données publics d’UAV, couvrant des scènes urbaines et naturelles variées, avec des vues nadir et obliques. Les résultats expérimentaux confirment leur efficacité à générer des cartes de sécurité fables, même dans des conditions difficiles. Toutes les approche sont été conçues pour respecter les contraintes de traitement en temps réel, ce qui les rend parfaitement adaptées à un déploiement sur des plateformes UAV aux ressources limitées.

Type de document:	Thèse (Thèse)
Directeur de mémoire/thèse:	Said Allili, Mohand
Co-directeurs de mémoire/thèse:	Lapointe, Jean-Francois
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	24 nov. 2025 20:03
Dernière modification:	24 nov. 2025 20:03
URI:	https://di.uqo.ca/id/eprint/1862

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt