🐦 Vol en formation de drones : algorithmes de consensus

Le consensus avec décalage de formation étend le protocole de base en attribuant à chaque agent i un décalage cible fixe o_i à l'intérieur de la forme souhaitée et en exécutant le consensus sur l'état corrigé z_i = x_i − o_i au lieu de la position brute x_i. Lorsque le z_i de chaque drone converge vers le même point, la position réelle x_i de chaque drone converge vers ce point plus son propre décalage — de sorte que tout l'essaim se verrouille dans une formation rigide plutôt que de s'effondrer en un seul point. C'est l'extension standard utilisée dans la littérature réelle sur le contrôle de formation (par exemple Ren & Beard, Olfati-Saber, Fax & Murray).

L'évitement de collision est appliqué indépendamment du graphe de communication : deux drones qui se rapprochent en dessous d'une distance minimale ressentent une force répulsive à courte portée les écartant l'un de l'autre, qu'ils échangent ou non des données de consensus à ce moment-là. Cela reflète comment les vrais micro-drones combinent une couche de coordination à faible bande passante (pour la formation) avec une détection de proximité embarquée rapide (pour la sécurité), le risque de collision ne pouvant pas attendre la fin d'un cycle de consensus.

Les spectacles de drones lumineux chorégraphiés utilisent un contrôle de formation synchronisé par GPS pour faire voler des centaines de drones à travers des motifs précis. Les constellations de satellites (comme les grappes d'observation de la Terre en vol en formation) utilisent des algorithmes de type consensus pour maintenir un espacement relatif sans contrôleur au sol à chaque manœuvre. Les réseaux de capteurs distribués utilisent les mêmes mathématiques pour s'accorder sur une estimation partagée — comme une température moyenne ou une horloge synchronisée — en utilisant uniquement la communication avec les voisins les plus proches.

La preuve de convergence des protocoles de consensus linéaires repose sur le fait que le laplacien du graphe de communication possède exactement une valeur propre nulle, ce qui est vrai si et seulement si le graphe est connexe. Si le graphe est déconnecté, le laplacien a une valeur propre nulle par composante, et chaque composante converge vers sa propre valeur distincte. C'est une limite mathématique stricte, pas un inconvénient technique — aucun gain supplémentaire ni aucune étape de mise à jour supplémentaire ne peut y remédier si le graphe sous-jacent ne connecte jamais les morceaux.

Dans une animation scriptée, chaque objet reçoit typiquement ses coordonnées cibles exactes et s'en rapproche directement, sans notion de voisins ni de communication. Ici, aucun drone ne connaît jamais la forme cible complète ni une position « correcte » globale — il mesure uniquement les distances aux drones proches et fait la moyenne d'un état local corrigé. La convergence visible vers une formation, et la séparation visible lorsque le graphe se déconnecte, sont des résultats de cette règle locale exécutée à chaque image, pas des trajectoires précalculées.

La recherche actuelle explore la robustesse aux liens de communication retardés ou intermittents, le consensus sous agents adversariaux ou défaillants (consensus résilient aux byzantins), et des extensions basées sur l'apprentissage où la pondération des voisins est entraînée plutôt que fixée. Les grands essaims de drones (des milliers d'agents) poussent aussi vers un consensus hiérarchique et déclenché par événement, où les drones ne diffusent des mises à jour que lorsque leur état a suffisamment changé pour compter, réduisant considérablement la bande passante de communication nécessaire pour maintenir un immense essaim connecté.