Optimisation des livraisons de colis par drones // Optimization of Parcel Deliveries by Drones

Contexte de la thèse
Au cours des dernières décennies, l'environnement urbain a considérablement évolué, rendant les défis liés à la livraison de marchandises de plus en plus complexes. Plusieurs problématiques ont été soulevées dans ce domaine, notamment la congestion du trafic, la ponctualité des livraisons et les émissions de gaz à effet de serre, nécessitant la mise en place de solutions innovantes. Différentes stratégies ont été envisagées pour atténuer ces difficultés, parmi lesquelles les points de collecte, la livraison à vélo, l'utilisation de véhicules électriques et les casiers automatiques, tels que les Amazon Lockers. Toutefois, une solution se distingue par son potentiel de transformation : la livraison par drone.
Les drones représentent une alternative rapide, flexible et potentiellement moins polluante pour la livraison, en particulier en milieu urbain. Grâce à leur capacité à survoler les embouteillages et à accéder directement aux destinations finales, ils peuvent considérablement améliorer l'efficacité de la distribution des colis.
Une approche plus innovante consiste à exploiter les transports urbains (bus, métro, tramway, etc.) pour transporter à la fois les passagers et les colis, en intégrant les drones dans ce processus. L'idée est de réserver une zone spécifique dans ces moyens de transport pour y stocker les colis, tandis que les drones effectuent les livraisons aux clients.
Ce concept repose sur une plateforme de distribution mobile où les drones décollent directement des véhicules de transport pour livrer les colis, avant d'y revenir pour charger d'autres colis destinés aux clients suivants. Ces opérations se répéteraient jusqu'à la livraison de l'ensemble des colis. Cette approche, qui allie mobilité et automatisation, sera étudiée dans ce travail.

Objectif de la thèse
Cette thèse vise à proposer un nouveau système de livraison par drones, en prenant en compte la capacité de charge des drones et en optimisant les itinéraires de livraison, afin de réduire l'impact environnemental et d'améliorer l'efficacité de la logistique. Pour cela, il est nécessaire de développer des modèles mathématiques et des algorithmes performants permettant de générer des trajectoires optimales pour les drones. De nombreuses contraintes compliquent ce modèle, comme par exemple, la capacité et l'autonomie du drone, l'intervalle de temps entre deux stations de transport et la définition des trajectoires avec plusieurs départs et plusieurs arrivées.
De nombreuses contraintes compliquent ce modèle, comme par exemple, la capacité et l'autonomie du drone, l'intervalle de temps entre deux stations de transport et la définition des trajectoires avec plusieurs départs et plusieurs arrivées.
Le modèle se complexifie encore dans le cas d'un réseau de transport avec plusieurs drones et plusieurs véhicules. Un drone charge les colis et décolle à partir d'un véhicule. Après livraison, il atterrit sur un autre véhicule pour charger d'autres colis. Cela nécessite de développer un modèle robuste qui permette non seulement de déterminer les trajectoires optimales des livraisons, mais aussi de définir les points de départ et d'arrivée des drones (quel véhicule ? quelle station ?) afin d'optimiser l'ensemble des trajectoires. Ce problème étant NP-difficile, il devient difficile à résoudre lorsque le nombre de clients est important. Dans ce cas, les outils de l'intelligence artificielle peuvent être envisagés, non seulement pour résoudre le problème, mais aussi pour envisager une logistique urbaine intelligente (smart city). Le but serait également de prédire les demandes futures des clients et de déterminer les trajectoires de livraison en exploitant différentes approches du machine learning.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Thesis Context
Over the past few decades, the urban environment has undergone significant changes, making the challenges associated with goods delivery increasingly complex. Several issues have emerged in this field, including traffic congestion, delivery punctuality, and greenhouse gas emissions, necessitating the implementation of innovative solutions. Various strategies have been explored to mitigate these challenges, such as collection points, bicycle deliveries, the use of electric vehicles, and automated lockers, like Amazon Lockers. However, one solution stands out for its transformative potential: drone delivery.
Drones offer a fast, flexible, and potentially less polluting alternative for delivery, particularly in urban areas. Thanks to their ability to fly over traffic congestion and directly access final destinations, they can significantly enhance the efficiency of parcel distribution.
A more innovative approach involves leveraging urban transportation systems (buses, metro, trams, etc.) to transport both passengers and parcels while integrating drones into the process. The idea is to designate a specific area within these transport systems to store parcels, while drones handle last-mile deliveries to customers.
This concept relies on a mobile distribution platform, where drones take off directly from public transport vehicles to deliver parcels before returning to reload for subsequent deliveries. These operations would be repeated until all parcels are delivered. This study aims to explore and optimize this novel approach, combining mobility and automation.

Thesis Objective
This thesis aims to develop an optimized drone delivery system by considering payload capacity constraints and optimizing delivery routes to reduce environmental impact and improve logistics efficiency. To achieve this, it is essential to develop mathematical models and efficient algorithms to generate optimal drone trajectories.
Numerous constraints complicate this model, such as the capacity and autonomy of drones, the time interval between two transport stations, or the definition of trajectories involving multiple departure and arrival points.
The complexity increases in a transport network involving multiple drones and vehicles. In this scenario, drones load parcels and take off from one vehicle, complete deliveries, and land on another vehicle to pick up new parcels. This requires a robust optimization model to determine not only the best delivery trajectories but also the optimal departure and arrival points (i.e., which vehicle and which station) to optimize overall routing.
Since this problem is NP-hard, solving it becomes increasingly difficult as the number of customers grows. In such cases, artificial intelligence (AI) techniques can be explored, not only to address the problem but also to design a smart urban logistics system (smart city). The goal is also to predict future customer demands and optimize delivery trajectories using various machine learning approaches.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral

Concours pour un contrat doctoral

Université de Lorraine

77 IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

- BAC+5 master ou ingénieur avec un stage en recherche - Connaissances requises : Logistique, Recherche opérationnelle, Machine Learning, Sciences des données. Pour candidater, merci de transmettre : CV, Lettre de motivation, Relevés de notes de master (ou équivalent), Tout document permettant d'apprécier vos compétences et votre motivation (lettre de recommandation par exemple).
- Master's or Engineering degree (Bac+5) with research internship experience - Required knowledge: Logistics, Operations Research, Machine Learning, Data Science. To apply, please send the following documents : CV, Cover letter, Master's degree transcripts (or equivalent), Any document that demonstrates your skills and motivation (e.g., recommendation letter).