À l’heure du déjeuner, une commande chaude attend parfois pendant qu’un drone rejoint la zone de décollage. Pour éviter un départ inadapté, l’optimisation de flotte compare les colis, les itinéraires et la charge de batterie disponible.
Cette assignation des colis ne consiste pas à choisir systématiquement l’appareil le plus chargé. Elle doit aussi tenir compte du poids transporté, de l’autonomie nécessaire au retour et des contraintes de la logistique aérienne.
A retenir :
- Choix du drone selon le poids et la batterie disponible
- Répartition des tâches adaptée aux itinéraires et aux horaires
- Autonomie réservée pour le retour et les imprévus
- Gestion des livraisons plus régulière en période de pointe
Comment l’optimisation de flotte attribue chaque colis
Ces critères deviennent décisifs dès que plusieurs commandes arrivent ensemble et mobilisent des appareils aux capacités différentes. L’algorithme doit associer chaque colis à un vol réalisable, sans épuiser la batterie ni compromettre les livraisons suivantes.
Charge utile et charge de batterie des drones
Pour établir cette association, le système confronte les caractéristiques du colis à celles de chaque drone disponible. Un repas volumineux peut dépasser la charge utile autorisée, même si l’appareil affiche une batterie presque pleine.
La charge de batterie ne suffit donc pas à déterminer l’aptitude au départ. Le calcul estime aussi l’énergie nécessaire pour rejoindre l’adresse, affronter les conditions prévues et revenir au point de recharge.
Itinéraires, autonomie et sécurité du retour
Une fois le poids vérifié, le routage précise si la mission reste compatible avec l’autonomie disponible. Un trajet plus long ou exposé au vent peut rendre préférable un appareil moins chargé, mais mieux placé.
Selon le MIT Center for Transportation & Logistics, les approches combinant recherche opérationnelle et apprentissage automatique peuvent mieux intégrer des données changeantes. Cette combinaison ne remplace pas les règles de sécurité : elle aide à comparer rapidement les options admissibles.
Les principales contraintes modifient ainsi l’assignation des colis et la décision de départ :
- Batterie disponible : réserve suffisante pour l’aller et le retour
- Poids du colis : compatibilité avec la charge utile du drone
- Météo locale : itinéraire à réévaluer si les conditions évoluent
- Créneau client : ordre des missions à ajuster selon l’heure prévue
Contrainte
Effet sur le choix
Vérification utile
Charge utile
Limite les colis transportables
Poids et capacité autorisée
Batterie
Réduit les missions possibles
Énergie pour l’aller-retour
Météo
Peut modifier le parcours
Conditions de vol actualisées
Créneau client
Influence l’ordre des départs
Heure de remise prévue
Algorithmes d’optimisation et répartition des tâches
Une attribution cohérente pour un colis ne garantit pas encore une flotte bien organisée. Il faut ensuite répartir les tâches entre les drones, les stations de recharge et les commandes attendues.
Recherche opérationnelle et apprentissage automatique
Dans cette répartition, la recherche opérationnelle impose un cadre explicite aux capacités et aux contraintes. Le machine learning peut, lui, exploiter des historiques de trajets pour mieux anticiper les durées observées dans différents secteurs.
Selon le MIT Center for Transportation & Logistics, ces méthodes hybrides constituent une piste pour traiter des problèmes logistiques variables. Leur intérêt dépend toutefois de données fiables : un historique incomplet peut reproduire des estimations médiocres.
Comparer les méthodes selon le terrain
Pour choisir une méthode, l’opérateur examine la stabilité des missions et la qualité des données disponibles. Un secteur peu changeant peut fonctionner avec des règles simples, tandis qu’un centre-ville dense exige des ajustements plus fréquents.
Les retours d’expérience peuvent également signaler des obstacles que les données cartographiques décrivent mal. « Sur nos tournées tests, le recalcul automatique a réduit les attentes inutiles. Il a rendu les retours bien plus réguliers. »
« Sur nos tournées tests, le recalcul automatique a réduit les attentes inutiles. Il a rendu les retours bien plus réguliers. »
Luc M.
Cette différence entre les méthodes se lit surtout dans leur capacité à réagir aux changements du terrain :
- Planification classique : règles claires pour des missions stables
- Apprentissage automatique : ajustement à partir de données historiques
- Approche hybride : contraintes explicites et adaptation aux observations
- Révision dynamique : recalcul lorsque les conditions de mission changent
Méthode
Atout principal
Point de vigilance
Contexte adapté
Recherche opérationnelle
Contraintes clairement définies
Moins souple face aux changements
Missions bien encadrées
Apprentissage automatique
Exploitation des trajets passés
Dépendance à la qualité des données
Activité récurrente et documentée
Approche hybride
Association des deux logiques
Paramétrage plus complexe
Réseau urbain variable
Règles statiques
Déploiement simple
Faible adaptation aux imprévus
Environnement stable
Gestion des livraisons et coûts du dernier kilomètre
Une répartition plus fine peut limiter les détours, mais elle doit aussi améliorer l’exploitation quotidienne. Le coût dépend des vols, des retards, des retours à vide et des ressources nécessaires à la recharge.
Réduire les attentes et les trajets inutiles
À l’échelle d’une tournée, une commande manquée peut désorganiser les missions qui suivent. Selon les informations attribuées au MIT Center for Transportation & Logistics, le dernier kilomètre représente environ 40 % des coûts logistiques de nombreuses entreprises ; cette estimation varie selon l’activité.
Un témoignage fourni sur des essais de tournées rapporte des attentes réduites grâce au recalcul automatique. Un autre avis souligne que la régularité du service compte autant que la vitesse aux heures de pointe.
« Le gain le plus net n’est pas seulement la vitesse. C’est la constance du service pendant les heures de pointe. »
Claire D.
Fiabilité de la flotte et expérience du terrain
Pour maintenir cette régularité, l’algorithme doit intégrer les observations des équipes qui préparent les colis et suivent les opérations. Elles connaissent les accès difficiles, les habitudes de réception et les incidents récurrents.
Matthias Winkenbach présente les méthodes hybrides comme un moyen de rendre les systèmes logistiques plus réactifs sans écarter la connaissance du terrain. « Les méthodes hybrides peuvent rendre les systèmes logistiques plus réactifs. La connaissance du terrain reste essentielle. »
« Les méthodes hybrides permettront de rendre les systèmes logistiques plus réactifs sans sacrifier la connaissance terrain. »
Matthias W.
Dans le même esprit, le retour d’un opérateur aide à corriger les paramètres de mission au lieu de traiter chaque incident comme une exception isolée.
« J’ai constaté que les retours d’équipe permettent de corriger les paramètres. Ils rendent les choix de mission plus proches du terrain. »
Luc M.
Source : Matthias Winkenbach, « L’un des sujets logistiques les plus étudiés depuis le 19e siècle est confronté à une véritable transformation grâce à des techniques telles que le machine learning », MIT Center for Transportation & Logistics, 20 septembre 2024 ; George B. Dantzig et John H. Ramser, « The Truck Dispatching Problem », Management Science, 1959.