Thèse Réseaux de Communications pour la Détection de Maladies Agricoles par Réseaux de Drones Hétérogènes H/F Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Katia JAFFRES-RUNSER ORCID 0000000218516131 Début de la thèse : 2027-10-01 Date limite de candidature : 2026-11-23T23:59:59 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. Early detection of crop disease is decisive for yield and for limiting chemical use, yet field-scale monitoring at plant-level resolution remains impractical. This thesis studies a heterogeneous aerial team as the sensing-learning-actuation platform for the problem: a few leader UAVs with abundant energy, on-board compute and a high-bandwidth backhaul to the farm or a cloud service, together with tens - up to roughly 100 - of small, low-cost bee UAVs, sized enough to carry a usable energy budget1, that fly within the canopy and image plants at close range with on-board cameras. Leaders act simultaneously as data mules and as edge servers: they carry a graph neural network (GNN) disease-prediction pipeline, already developed in our group, that forecasts disease onset from only a few days of observations. The GNN's spatial-uncertainty and predicted-onset maps drive bee trajectory planning toward the most informative areas.

The loop - bees sense, leaders learn and plan, bees are steered - only closes if the communication fabric can carry imagery, detection outcomes, positions and battery telemetry from up to 100 bees to the leaders, and control back to the bees, under severe energy, range and reliability constraints. That fabric, and its co-design with planning and learning, is the subject of this thesis. It sits at the crossroads of computer networking (Jaffrès-Runser, Turgut), and robotics and AI (Bölöni), and builds directly on the co-advisors' prior work on uncertainty-driven mobile sensor path planning [15] and on the Waterberry Farms, a disease-spread simulator [16], and on their recently started collaboration on GNN-based disease prediction. Overarching objectives

1. Design a communication fabric fit for heterogeneous aerial sensing teams - establish how a small number of resource-rich leader UAVs and a large number of resource-constrained bee UAVs can be reliably and efficiently interconnected, at swarm scale, under the energy, range and reliability limits imposed by low-power platforms operating close to vegetation.
2. Co-design networking with sensing and learning, rather than in isolation - determine how communication constraints, trajectory planning, and a disease-prediction model can be jointly optimized so that data collection, muling and steering decisions are driven by what is actually informative for early disease detection, not treated as independent layers.
3. Establish the practical and environmental viability of the proposed system - validate the approach through measurement, simulation and field/flight trials at increasing scale, and quantify its energy and carbon footprint against conventional alternatives, to assess whether it constitutes a genuinely low-cost, low-power and sustainable path to disease-aware crop inspection. The methodology combines measurement, simulation, and progressively realistic experimentation. It begins with bench and short-range flight tests using commercial-off-the-shelf radios (Zigbee, BLE, LoRa, Wi-Fi HaLow, UWB) to parameterize propagation and energy models under canopy conditions. These models feed a co-simulation environment built on ns-3 for PHY-MAC and network behaviour, coupled with a UAV mobility/robotics simulator (Gazebo/AirSim) and the existing disease-spread simulator and GNN pipeline, enabling closed-loop experiments across scenarios spanning 10-100 bees, 1-5 leaders, and varied field size and canopy type. Before moving outdoors, early leader-bee flight and link tests are conducted using DJI Mini 4K-class platforms at the Volière Drones Toulouse Occitanie (ENAC), an indoor 10×10×10 m micro-drone testbed equipped with 16 high-precision motion-capture cameras; the approach is then validated through a small integrated field trial with a few leader-class and bee-class UAVs on a UCF experimental plot. Running alongside this experimental progression, a sustainability assessment estimates the carbon footprint of the proposed networking solution - covering embodied emissions from bee/leader radios and batteries as well as operational emissions from RF transmission, on-board compute, and cloud/backhaul data transfer - using a life-cycle-assessment approach, benchmarked against a naive always-on, high-bandwidth (Wi-Fi/cellular) baseline architecture. Across all stages, performance is evaluated on packet delivery ratio, end-to-end and control-loop latency, energy per useful bit and network lifetime, the fraction of high-value cells observed, disease-detection lead time, early-horizon forecast error, accuracy-versus-energy/bandwidth Pareto fronts, and estimated CO2e per hectare-day of monitoring.