Contribution Des Outils de - univ-oran1.dzFATIMA (Matre de Conférences à l‘Université de...

Département d’Informatique

THESE

Présentée par

Boufera Fatma

Pour obtenir

Le Diplôme de Doctorat des Sciences

Spécialité : Informatique

Contribution Des Outils de

l’Intelligence Artificielle dans la

Robotique Mobile

Soutenue le 19 Novembre 2014 devant le jury composé de :

Président

Pr. Belalem Ghalem

Professeur à l’Université d’Oran

Rapporteur Pr. Khelfi Mohamed Fayçal Professeur à l’Université d’Oran

Co-rapporteur Dr. Debbat Fatima MCA à l’Université de Mascara

Examinateur Pr. Benyettou Mohamed Professeur à l’USTO-MB

Examinateur Dr. El Berrichi Zakaria MCA à l’Université de Sidi-Bel-Abbes

Examinateur Dr. Hamdadou Djamila MCA à l’Université d’Oran

i

Dédicace

A la mémoire de mes parents

A ma famille Boufera & Benyakhou

Boufera Fatma

ii

Remerciements

Mes remerciements vont tout d'abord à Dieu pour m'avoir donné la volonté, la

patience et le courage de réaliser ce modeste travail.

Je remercie Monsieur KHELFI Mohamed Fayçal (Professeur à l'Université

d'Oran), pour son encadrement, sa droiture et toute l'aide qu'il m'a apporté au

cours de cette thèse. Merci aussi de m'avoir fait confiance et m'avoir épaulé.

Je tiens aussi à exprimer ma profonde gratitude à mademoiselle DEBBAT

FATIMA (Maître de Conférences à l’Université de Mascara), pour le rôle

d'initiateur qu'elle a joué dans mes recherches, pour m'avoir permis d'enrichir

ma réflexion sur différents aspects de mes études, pour ses conseils et pour son

soutient constant tout au long de mon travail. Qu'elle trouve ici l'expression de

ma plus grande reconnaissance.

Je suis profondément reconnaissante à Monsieur BELALEM Ghalem

(Professeur à l’Université d’Oran), pour m'avoir fait l'honneur de présider le

jury de soutenance. Qu'il trouve ici l'expression de ma sincère gratitude.

Je tiens aussi à exprimer mes remerciements et mes sentiments les plus

respectueux à Monsieur BENYETTOU Mohamed (Professeur USTO-MB),

d'avoir accepté de juger ce travail.

Je remercie aussi Monsieur EL BERRICHI Zakaria (Maitre de conférences à

l’Université de Sidi-Bel-Abbes) d’avoir accepté d’être membre du jury.

Mes remerciements s’expriment ici à l'égard de Madame HAMDADOU

Djamila (Maître de Conférences à l’université d’Oran), pour l'intérêt qu'elle

manifeste à mon travail en ayant accepté d'être un membre du jury.

Mes remerciements ne seraient pas complets si je n'évoquais pas ici mon époux

MOHMED, mes enfants Lhadj Larbi, AbdNour, Saliha et a ma famille. Je les

remercie pour leur disponibilité et leur soutient constant et leur encouragements

constamment renouvelées.

Enfin je tiens à remercier aussi Monsieur LOUNIS ADOUANE et Monsieur

FRANCESCO MONDADA pour leur aide.

iii

Résumé La robotique mobile autonome vise plus spécifiquement à concevoir des

systèmes capables de se déplacer de façon autonome. Les applications directes

se situent notamment dans les domaines de l’automobile, de l’exploration

planétaire ou de la robotique de service par exemple.

La thématique abordée dans ce travail de thèse est la navigation autonome des

robots mobiles dans des environnement contraints et dynamiques. La navigation

dans ce type d’environnement impose le développement des systèmes

robotiques fiables et robustes.

Nos objectifs principaux visent à proposer, développer et expérimenter (robots

Thymio II) des architectures de contrôle autonomes basées sur des contrôleurs

flous pour des robots mobiles dans des environnements encombrés et incertains.

En d’autre termes, nous voulons que ces architectures puissent être flexiblement

adaptées et modifiables au fur et au mesure que la tâche à réaliser devient plus

en plus complexe.

Nous avons adopté dans ce contexte l’hybridation de la logique floue et

plusieurs outils de l’intelligence artificielle (la méthode des cycles limite,

recherche taboue et algorithmes de colonies de fourmis). Les résultats des

simulations et d’expérimentations prouvent les performances des approches

adoptées.

Mots clés : Robot Mobile, Navigation, Evitement d’obstacle, Méthode des

cycles-limites, Logique floue, Recherche taboue, ACO, Robot Thymio II.

Table des Matières

iv

Dédicace…………………………………………………………………………….. i

Remerciements………………………………………………………………………. ii

Résumé……………………………………………………………………………… iii

Table des matières…………………………………………………………………… iv

Listes des figures …………………………………………………………………… xii

Liste des tableaux……………………………………………………………………. xv

Chapitre I : Introduction Générale

I.1. Introduction …………………………………………………………………….. 01

I.2. Contexte et problématique………………………………………………………. 02

I.3. Objectifs et contributions ……………………………………………………….. 02

I.4. Structure de la thèse …………………………………………………………….. 04

Chapitre II : Généralité sur la robotique mobile

II.1. Introduction ……………………………………………………………………. 05

II.2 Concepts sur la robotique mobile……………………………………………….. 05

II.2.1 Définition d’un robot mobile ……………………………………………… 05

II.2.2 Pourquoi la robotique mobile ? ……………………………………………. 06

II.2.3 Architecture des robots mobiles …………………………………………. 07

II.2.4 Types de plates formes mobiles……………………………………………. 09

II.2.4.1 Plates forme uni-cycle …………………………………………………. 09

II.2.4.2 Plates formes holonome……………………………………………….. 09

II.2.4.3 Plates formes non-holonomes…………………………………………. 10

II.2.4.4 Robot omnidirectionnel………………………………………………… 10

II.3 Les nouvelles approches de la robotique mobile……………………………….. 11

II.4 L'autonomie d'un robot…………………………………………………………. 13

II.4.1 Autonomie du mouvement et autonomie décisionnelle……………………. 14

II.4.2 Autonomie envisageable pour les robots actuels……………………………. 14

II.5 Environnement dynamique et incertain…………………………………………. 15

II.5.1 Notion d’environnement dynamique……………………………………….. 15

II.5.2 Notion d’incertitude………………………………………………………… 15

II.6. Problématiques de la robotique mobile……………………………………….... 15

II.7. Architectures de contrôle ………………………………………………………. 17

II.7.1 Architectures de contrôle cognitives………………………………………... 17

II.7.2 Architectures de contrôle réactives…………………………………………. 18

II.7.3 Les architectures de contrôle comportemental réactif……………………… 19

II.7.4 Architectures Hybrides…………………………………………………….. 20

II.8 Conclusion ……………………………………………………………………… 21

Chapitre III : Navigation et évitement d’obstacles réactifs

III.I Introduction ……………………………………………………………………. 23

III.2 Navigation ……………………………………………………………………... 23

III.3 Types de navigation …………………………………………………………... 24

Table des Matières

v

III.3.1 Navigation réactive ……………………………………………………….. 25

III.3.1.1. Approche d’un objet ……………………………………………………….. 25

III.3.1.2. Guidage ……………………………………………………………… 25

III.3.1.3. Action associée à un lieu ………………………………………………….. 25

III.3.2 Navigation par carte ………………………………………………………. 25

III.3.2.1. Navigation topologique …………………………………………………….. 26

III.3.2.2. Navigation métrique …………………………………………………. 26

III.4. Méthodes de navigation ……………………………………………………… 27

III.4.1. Espace des configurations ………………………………………………. 27

III.4.2. Décomposition en cellule ………………………………………………. 28

III.4.3. Roadmaps ………………………………………………………………. 28

III.4.4. Graphe de visibilité ……………………………………………………. 29

III.4.5. Diagramme de voronoï …………………………………………………. 29

III.4.6. Méthode du potentiel …………………………………………………… 29

III.4.7. Navigation par L’algorithme fil d’Ariane………………………………….. 31

III.4.8. Méthode on-line ………………………………………………………… 32

III.5 Méthode d’évitement d’obstacles……………………………………………. 33

III.5.1 La méthode Vector Field Histogram…………………………………………… 33

III.5.2 Méthode de la fenêtre dynamique……………………………………… 34

III.5.3. Méthode des cycles-limites ……………………………………………… 35

III.6. Exemple de navigation et d’évitement d’obstacles par la logique floue

hybride………………………………………………………………………………. 36

III.6.1. Résultats de navigation par la logique floue……………………………. 40

III.6.2. Résultats de navigation par la logique floue et la recherche Taboue……. 41

III.6.3. Résultats de navigation par la logique floue et les colonies de fourmis….. 42

III.7. Conclusion …………………………………………………………………………… 43

Chapitre IV : Navigation d’un robot mobile par cycles - limites et logique floue

IV.1. Introduction…………………………………………………………………… 45

IV.2. Déscription de l’architecture de contrôle …………………………………….. 45

IV.2.1. Description du système robotique ………………………………………. 46

IV.2.2. Structure de l’architecture de contrôle proposée ………………………… 47

IV.2.2.1. Module de perception………………………………………………. 47

IV.2.2.2. Module de décision ………………………………………………… 47

IV.2.2.3. Module d’action …………………………………………………… 48

IV.3 La méthode d’évitement d’obstacle : Cycles-Limites………………………….. 49

IV.3.1. Configuration du robot pendant l’évitement d’obstacles………………… 51

IV.4. Simulation et Résultats de navigation en utilisant la méthode des cycles-

limites……………………………………………………………………………….. 53

Table des Matières

vi

IV.5. Solution proposée par la logique floue……………………………………….. 56

V.6. Simulations et Résultats par l’hybridation des cycles-limites et la logique floue 60

IV.7. Conclusion ……………………………………………………………………. 62

Chapitre V : La navigation autonome d’un groupe de robots mobiles ThymioII

V.1. Introduction ……………………………………………………………………. 63

V.2. Présentation du robot Thymio II ………………………………………………. 63

V.2.1.Capteurs et actionneurs ……………………………………………………. 63

V.2.2. Interactivité……………………………………………………………….. 64

V.3. Environnement de Programmation Aseba …………………………………… 65

V.4. Approche de navigation proposée………………………………………………. 67

V.4.1. Module d’évitement d’obstacles…………………………………………… 68

V.4.2. Module d’agrégation………………………………………………………. 74

V.5. Expérimentations et résultats…………………………………………………. 74

V.6. Conclusion……………………………………………………………………… 77

Conclusion Générale……………………………………………………………….. 78

Annexes………………………………………………………………………………. 82

Références Bibliographique………………………………………………………… 92

https://aseba.wikidot.com/fr:start

Liste des figures

xii

Chapitre I

Figure I.1. Les différents types de robot mobile ………………………………………. 1

Figure I.2. Méthodologie des travaux de recherches et contributions………………….. 3

Chapitre II

Figure II.1 Les interactions d’un robot avec son environnement………………………. 6

Figure II.2 Différents types de robots mobiles selon le champ d’application………….. 7

Figure II.3 : Structure d’un robot mobile………………………………………………. 8

Figure II.4. Exemple de plate forme uni-cycle ………………………………………… 9

Figure II.5. Exemple de plate-forme holonome ………………………………………. 10

Figure II.6. Exemple de plate forme non holonome………………………………….. 10

Figure II.7. Exemple de plate forme omnidirectionnelle ROMNI …………………….. 11

Figure II.8 Le Stanford Cart daté des années 1980……………………………………. 11

Figure II.9. Boucle de contrôle pour la commande d’un robot mobile……………….. 17

Figure II.10. Décomposition classique des architectures de contrôle cognitives………. 18

Figure II.11 Décomposition horizontale des architectures de contrôle réactive……….. 19

Figure II.12. Contrôle cognitif versus réactif ………………………………………….. 20

Figure II.13 Architecture de contrôle hybride………………………………………….. 21

Chapitre III

Figure III.1 Navigation d'un robot mobile……………………………………………... 23

Figure III.2 Schéma simplifié des tâches de la navigation autonome…………………. 24

Figure III.3. Action associé d’un lieu …………………………………………………. 26

Figure III.4. Navigation topologique ………………………………………………….. 27

Figure III.5. Exemples des décompositions en cellules……………………………….. 28

Figure III.6. Construction d’un graphe de Visibilité……………………………………. 29

Figure III.7. Deux exemples des méthodes utilisées pour créer un roadmap. ………… 30

Figure III.8. Décomposition approchée de l’espace libre……………………………… 30

Figure III.9. Combinaison de potentiels attractif et répulsif………………………….. 31

Figure III.10. Carte discrète de potentiels et descente de gradient……………………. 31

Figure III.11. Arbre des balises ………………………………………………………. 32

Figure III .12 Méthode on-line…………………………………………………………. 32

Figure III.13 Représentation du monde sous forme de grille d’occupation centrée sur

le robot………………………………………………………………………………….. 33

Figure III.14 Décomposition de la grille sous forme des secteurs……………………. 33

Figure III.15 Contrainte d'évitement d'obstacles pour la méthode de la fenêtre

dynamique………………………………………………………………………………. 34

Figure III.16 Choix d’une vitesse dans la fenêtre des vitesses admissibles sans

collision …………………………………………………………………………………. 35

Figure III.17 Principe d’évitement d’obstacles par la méthode des cycles-limites…….. 36

Figure III.18 Structure du système de navigation à base de la logique floue

hybride………………………………………………………………………………….. 37

Figure III.19 Représentation du vecteur solution……………………………………… 38

Figure III.20 Trajectoire du robot dans différents environnements …………………… 40

Figure III.21 Exemple de navigation 1 par la logique floue et la recherche Taboue…... 41

Liste des figures

xiii

Figure III.22 Exemple de navigation 2 par la logique floue et la recherche Taboue….. 42

Figure III.23 Exemple de navigation 1 par la logique floue et les colonies de

fourmis………………………………………………………………………………….. 42

Figure III.24 Exemple de navigation 2 par la logique floue et les colonies de fourmis.. 43

Chapitre IV

Figure IV.1 La configuration cartésienne du robot……………………………………. 46

Figure IV .2 Architecture de contrôle proposée………………………………………... 47

Figure IV.3 Trajectoire du robot dans un environnement sans obstacles par la

méthode on-line…………………………………………………………………………. 48

Figure IV.4 Le principe de la méthode des cycles-limites…………………………….. 50

Figure IV.5 Evitement d’obstacle de forme quelconque………………………………. 50

Figure IV.6 Les perceptions utilisées pour la navigation robot mobile ……………….. 51

Figure IV.7 Le sens d’évitement d’obstacles…………………………………………. 52

Figure IV.8 Environnement de simulation1(a1) et (b1)……………………………….. 53

Figure IV.9 ( a2) et (b2) Environnement2…………………………………………….. 54

Figure IV.10 (a3) et (b3) Environnement de simulation 3…………………………….. 55

Figure IV.11 Evitement d’obstacles avec oscillations………………………………….. 55

Figure IV.12 Le contrôleur flou pour la régulation de l’orientation du robot…………. 56

Figure IV.13 Représentation des sous ensembles flous de la distance…………………. 57

Figure IV.14 Représentation des sous ensembles flous de N………………………….. 57

Figure IV.15 Représentation des sous-ensembles flous de …………………………. 58

Figure IV.16 Représentation des sous-ensembles flous de normalisé………………. 58

Figure IV.17 Scénarion de navigation de l’environnement de simulation 1 sans

l’utilisation du controleur flou ………………………………………………………….. 60

Figure IV.18 Scénarion de navigation de l’environnement de simulation 1 aprés

l’utilisation du controleur flou …………………………………………………………. 61

Figure IV.19 Scénarion de navigation de l’environnement de simulation 2 sans

l’utilisation de controleur flou ………………………………………………………….. 61

Figure IV.20 Sénarion de navigation de l’environnement de simulation 2 aprés

l’utilisation de controleur flou………………………………………………………….. 62

Chapitre V

Figure V.1. Robot Thymio II…………………………………………………………… 63

Figure V.2. Configuration du robot Thymio II………………………………………… 64

Liste des figures

xiv

Figure V.3. Les LEDs colorées………………………………………………………… 65

Figure V.4. Environnement Aseba……………………………………………………… 65

Figure V.5. Aseba Studio pour Thymio II……………………………………………. 66

Figure V.6. Contrôleur de navigation pour le robot Thymio II…………………………. 67

Figure V.7. Configuration des capteurs de distance du robot Thymio II……………….. 68

Figure V.8. Représentation des sous ensembles flous de la distance…………………... 69

Figure V.9. Représentation des sous-ensembles flous de la sortie motor-target………. 69

Figure V. 10. Représentation des sous ensembles flou de la lumière réfléchie par le sol 74

Figure V.11. Environnement de Thymio II……………………………………………. 75

Figure V.12. Navigation et évitement d’obstacle dans un environment 1……………. 75

Figure V.13. Navigation et évitement d’obstacle dans un environment 2…………….. 76

Figure V.14. Navigation, évitement d’obstacle dans l’environment 3………………… 76

Figure V.15. Navigation et évitement d’obstacle dans l’environnement 4…………….. 76

Conclusion Générale

Figure.1. Résumé des contributions et travaux………………………………………... 80

Figure .2. Résumé des travaux futurs………………………………………………….. 81

Annexes

Figure A.1. Fonctions d'appartenance associées aux différents nombres flous

permettant de décrire la variable linguistique température……………………………… 83

Figure A.2. Architecture générale d'un contrôleur flou………………………………. 84

Figure B.1. Algorithme de la recherche taboue………………………………………… 87

Figure .B.2. Comportement collectif des fourmis……………………………………… 88

Figure B.3. Détermination du plus court chemin par une colonie de fourmis ……….. 90

Liste des Tableaux

xv

Chapitre IV

Tableau IV.1 Règles d’inférences………………………………………………………… 59

Tableau V.2 Déffuzyfication des variables floues………………………………………..

60

Chapitre V

Tableau V.1 Les huit situations d’évitement d’obstacles…………………………………. 70

Chapitre I

Introduction Générale

Chapitre I Introduction générale

1

I.1. Introduction

Un robot mobile autonome est une machine qui a besoin, pour sa mise en

œuvre, de spécialistes dans de nombreux domaines dont la mécanique,

l’automatique, l’électronique, l’électrotechnique, l’informatique, les

mathématiques...etc, C’est un carrefour des technologies et des méthodologies.

Des progrès doivent encore être réalisés dans chacune de ces disciplines afin de

rendre la machine plus adaptative à l’environnement. Des progrès dans le

domaine de la perception sont encore nécessaires pour une meilleure intégration

dans l’espace d’évolution. Malgré ces réserves, il est inéluctable que les

développements et les applications des robots mobiles autonomes, totalement ou

partiellement, iront en s’amplifiant.

La robotique mobile autonome vise plus spécifiquement à concevoir des

systèmes capables de se déplacer de façon autonome. Les applications directes

se situent notamment dans les domaines de l’automobile, de l’exploration

planétaire ou de la robotique de service par exemple.

De nombreuses applications restent à découvrir, qui ne découlent pas

directement des avancées de la robotique mais qui utilisent ses méthodes et ses

développements.

Figure I.1. Les différents types de robot mobile


2

I.2. Contexte et problématique

Actuellement, il y a un intérêt croissant vers les systèmes de robots mobiles en

raison de leur utilisation aux diverses tâches telles que les missions spatiales, les

opérations dans des environnements dangereux, et les applications militaires.

La thématique abordée dans ce travail de thèse est la navigation autonome des

robots mobiles dans des environnement contraints et dynamiques.

La navigation dans ce type d’environnement impose le développement des

systèmes multi robots dynamiques. Ces systèmes sont constitués d’un ensemble

d’entités robots, dont l’état peut changer en temps réel (par exemple un robot

qui est en état de rapprochement vers une cible peut passer à l’état d’évitement

d’obstacle).

Plusieurs questions sur la représentation du monde sont discutés et différentes

solutions sont proposées tel que :

Les représentations du monde locales et la modélisation géométrique des

objets.

L’échange de représentation de l’environnement permet d’étendre la

perception locale à une perception multi-locale.

La plupart des méthodes d’évitement réactif d’obstacles sont des méthodes

locales. En effet les méthodes globales, qui considèrent un modèle complet de

l’environnement, se ramènent au problème de la planification de mouvement. Et

pour des systèmes possédant de nombreux degrés de liberté, la complexité de la

planification d’une trajectoire interdit son utilisation en cours d’exécution.

I.3. Objectifs et contributions

Les objectifs principaux de nos travaux de thèse visent à proposer, développer et

expérimenter des architectures de contrôle autonomes basées sur des contrôleurs

flous pour des robots mobiles dans des environnements encombrés et incertains.

En d’autre termes, nous voulons que ces architectures puissent être flexiblement

adaptées et modifiables au fur et au mesure que la tâche à réaliser devient plus

en plus complexe.

Dans la littérature, plusieurs travaux ont été menés dans ce contexte et les

architectures proposées sont en générale très différents dans la conception des

différents modules qui leurs composé surtout au niveau de la navigation et

l’évitement d’obstacle.

Nous avons adopté dans ce contexte l’hybridation de la logique floue et

plusieurs outils de l’intelligence artificielle (la méthode des cycles limite,

recherche taboue et algorithmes de colonies de fourmis).

L’intérêt de la logique floue réside dans sa capacité à traiter, l’imprécis,

l’incertitude et le vague. Elle est issue de la capacité de l’homme à décider et

agir de façon pertinente malgré le flou des connaissances disponibles et a été

introduite dans le but d’approcher le raisonnement humain à l’aide d’une

représentation adéquate des connaissances. L’utilisation de la commande floue


3

Synthèse sur les approches de navigation et les

méthodes d’évitement d’obstacle

est particulièrement intéressante lorsqu’on ne dispose pas de modèle

mathématique précis du processus à commander ou lorsque ce dernier présente

de trop fortes non linéarités ou imprécisions.

Les recherches effectués contiennent donc à la fois des contributions

théoriques et expérimentales.

Sur le plan théorique :

Proposition des architectures de contrôle permettant d’intégrer les

différentes fonctionnalités de la navigation autonome dans des

environnements contraints.

Proposition de nouveaux algorithmes basés sur les outils de

L’intelligence artificielle : Logique Floue, Recherche taboue, cycles

limite modifié et colonies de fourmis dans le but de l’optimisation du

processus de navigation.

Sur le plan expérimental :

Implémentation et/ou adaptation des différentes fonctionnalités de la

navigation autonome pour des robots réels de type Thymio II

évoluant dans des environnements différents.

Réalisation des expérimentations avec ces robots, qui valident nos

approches.

Figure I.2. Méthodologie des travaux de recherches et contributions

Evitement d’obstacles par la

méthode des cycles-limites

Proposition et développement

d’une architecture de contrôle

flou

Régulation et correction par un

contrôleur flou.

Optimisation du

contrôleur par la

recherche taboue

Optimisation du contrôleur

par les algorithmes des

colonies de fourmis

Validation du contrôleur par

l’expérimentation sur des

robots réel de type Thymio II


4

I.4. Structure de la thèse

L’organisation générale de cette thèse est décomposée en cinq chapitres :

Chapitre I : Ce premier chapitre présente une introduction générale sur la

thématique proposée dans ce travail. Il aborde également les différentes

contributions réalisées au cours de ce travail de thèse.

Chapitre II : Ce chapitre est l’état de l’art sur la robotique mobile et une

synthèse sur les différentes architectures de contrôle utilisées en robotique

mobile.

Chapitre III : Cette partie est consacrée à la navigation d’un robot mobile

et les problèmes qu’elle soulève. Nous allons décrire les différentes

méthodes d’évitement d’obstacles dédiées aux robots mobiles, leur contexte

d’utilisation aussi, nous évoquons deux exemples basés sur la logique floue

et deux méthodes méthaherustiques à recherche locales et globales

(recherche taboue, algorithmes des colonies de fourmis) .ces approches ont

été développées et implémentées pour la résolution du problème de

navigation du robot mobile. Le processus d’hybridation est réalisé de façon

séquentielle et/ou parallèle sur un algorithme de base qui est la logique

floue.

Chapitre IV : Ce chapitre propose une architecture de contrôle présentée

par la méthode des cycles limites pour l’évitement d’obstacle et la logique

floue pour la régulation du processus de navigation. Les résultats de

simulation montrent les performances de l’approche et la méthodologie de la

navigation adoptées.

Chapitre V : Ce chapitre est consacré à la description d’un contrôleur flou

pour la navigation et l’évitement d’obstacle statiques et dynamiques (les

autres robots), en tenant compte de la nature changeante de l’environnement

ainsi à la expérimentation de l’approche proposée par un ensemble de robots

Thymio II.

La thèse s’achève par une conclusion générale résumant les différents

aspects important de ce travail et les perspectives envisagées.

Chapitre II

Généralité sur la robotique mobile

Chapitre II Généralité sur la robotique mobile

5

II.1. Introduction

La robotique mobile est un domaine dans lequel l’expérience pratique est

particulièrement illustratrice et importante pour la compréhension des

problèmes. Elle est la branche de l'intelligence artificielle concernée par l'étude

de systèmes automatiques capables d'une interaction directe avec le monde

physique. Elle est l'ensemble des techniques permettant la conception, la

réalisation de machines automatiques ou de robots mobiles. La robotique mobile

est un domaine de recherche essentiellement pluridisciplinaire. Sa

problématique porte sur la conception et l’étude de fonctions de perception, de

décision et d’action, et sur l'intégration cohérente de ces fonctions en une

machine physique. Cette machine devra mettre en œuvre ses fonctions sensori-

motrices et décisionnelles pour réaliser de façon autonome une diversité de

tâches dans un environnement dynamique imparfaitement modélisé, pour

interagir avec d'autres machines et avec des humains, et pour améliorer ses

propres performances par apprentissage.

Ce deuxième chapitre se veut un aperçu des concepts de base de la robotique

mobile. Certains points seront mentionnés plus en détail que d'autres, car ils

sont plus étroitement liés à notre travail de recherche. Nous présenterons

également les problématiques de la robotique mobile en présentant les

approches, les solutions apparues dans les dernières années.

II.2 Concepts sur la robotique mobile

La mobilité autonome des robots est devenue un sujet de recherche développé

par tous les pays industrialisés. Qu’il s’agisse de robots mobiles à pattes, à roues

ou même sous-marins et aériens, les applications sont vastes et multiples: robots

de services, surveillance, construction, nettoyage, manipulation de charges,

automobile intelligente, robots d’intervention, robots d’exploration planétaire ou

de fonds marins, satellites, robots militaires, etc. Le marché potentiel de la

robotique est considérable, même s’il faut pour cela résoudre des problèmes

plus importants et plus fondamentaux que prévus initialement dans la quête vers

la machine intelligente [Tig 96], [Hai 03].

II.2.1 Définition d’un robot mobile

Un robot est une machine chargée d’effectuer une ou plusieurs tâches. Le mot

vient d’une pièce de théâtre tchèque dans laquelle apparaissait un travailleur

artificiel employé pour le « servage », désigné en tchèque par « robota ».

L’appellation Robot mobile regroupe tous les types de robots qui ont la capacité

de déplacement qui est la caractéristique commune entre eux, la différence

réside dans la manière, qui dépend du domaine d’utilisation de robot, par la

quelle le robot va atteindre cette faculté de mouvement. La mobilité par les

roues est la structure mécanique la plus communément appliquée. Cette

technique assure selon l’agencement et les dimensions des roues un


6

déplacement dans toutes les directions avec une accélération et une vitesse

importante.

Afin d’être autonome, un robot doit être équipé de capacités de perception, de

décision et d’action qui lui permettent d’agir de manière autonome dans son

environnement en fonction de la perception qu’il en a et de ses objectifs [Fil

01], mais également de savoir comment réagir en conséquence, suivant le

niveau d’autonomie. C’est à lui de planifier son parcours et de déterminer avec

quels mouvements il va atteindre son objectif. Les recherches dans ce domaine

portent principalement d’une part sur la localisation du véhicule autonome et la

cartographie de son environnement, d’autre part sur le contrôle et la navigation

autonome de tels véhicules (structure de contrôle, stratégies de commande,

planification et navigation).

Figure II.1 Les interactions d’un robot avec son environnement.

II.2.2 Pourquoi la robotique mobile ?

Dans un avenir proche, la robotique occupera une place majeure dans notre

quotidien. Elle possède de nombreux champs d’applications comme la

robotique industrielle ou la robotique de service. Qu’il s’agisse de robot civil ou

militaire, il existe désormais des robots capables d’étonnantes prouesses dans de

nombreux secteurs : robots-compagnons assistant les personnes à domicile ou

en charge de la surveillance et des soins, robots assurant la logistique dans les

hôpitaux, robots assistant les industriels dans la réalisation de gestes pénibles et

répétitifs, ou encore permettant le développement de prothèses ou d’orthèses

intelligentes (Figure II.2).


7

Figure II.2 Différents types de robots mobiles selon le champ d’application

Néanmoins, l’intérêt indéniable de la robotique mobile est d’avoir permettre

d’augmenter considérablement nos connaissances sur la localisation et la

navigation de systèmes autonomes. La gamme des problèmes potentiellement

soulevés par le plus simple des robots mobiles à roues en fait un sujet d’étude à

part entière et forme une excellente base pour l’étude de systèmes mobiles plus

complexes.

II.2.3 Architecture des robots mobiles

L’architecture d’un robot mobile s’articule autour de trois modules

fondamentaux (Figure II.3) [Bea 06], [Gia 06] :

Module locomotion,

Module perception,

Module décision


8

Figure II.3. Structure d’un robot mobile

Module locomotion

Le module locomotion comporte alors la structure mécanique, motricité et

l’énergie utilisée dans le déplacement du robot mobile. Les robots mobiles sont

en effet le plus souvent désignés par leur type de locomotion, qu’ils soient à

roues, marcheurs, sous-marins ou aériens. Différents laboratoire de recherche

contribuent jusqu’à présent à la construction des différents robots mobiles selon

le type de locomotion.

Module perception

La notion de perception en robotique mobile est relative à la capacité du

système à recueillir, traiter et mettre en forme des informations utiles au robot

pour agir et réagir dans le monde qui l’entoure. Alors que pour des tâches de

manipulation on peut considérer que l’environnement du robot est relativement

structuré, ce n’est plus le cas lorsqu’il s’agit de naviguer de manière autonome

dans des lieux très partiellement connus. Aussi, pour extraire les informations

utiles à l’accomplissement de sa tâche, il est nécessaire que le robot dispose de

nombreux capteurs mesurant aussi bien son état interne que l’environnement

dans lequel il évolue. Le choix des capteurs dépend bien évidemment de

l’application envisagée. Pour se focaliser sur le problème de navigation, nous

allons évoquer dans ce chapitre les capteurs utiles à cette tâche.

Energie

Structure mécanique

Module Locomotion

Motricité Outils

Module décision

Navigation

Localisation

Planification

Module perception

Sécurité

Capteur

vision


9

Module Décision

Les informations en provenance des différents capteurs doivent être interprétées

comme autant d’éléments utiles à la prise de décision sur l’action à faire, le but

étant de délivrer les ordres corrects aux actionneurs, bras pinces ou moteurs des

roues. C’est lors de cette phase de la conception d’un robot qu’il est nécessaire

de lui donner une forme d’intelligence en lui laissant le choix sur l’action à

entreprendre .Cette prise de décision est souvent arbitraire au début, mais elle

permet de développer une forme d’apprentissage qui tient compte des résultats

des décisions précédentes .

II.2.4 Types de plates formes mobiles

On peut classer les robots mobiles à roues dans des sous-classes selon le type de

la plate forme mobile utilisée :

II.2.4.1 Plates forme uni-cycle

C’est l’une des configurations les plus utilisées pour les robots mobiles

d’intérieur par ce qu’elle nécessite un sol très plan et non accidenté.

Figure II.4. Exemple de plate forme uni-cycle [Len 08].

II.2.4.2 Plates formes holonome

Les systèmes holonome sont beaucoup plus rares dans notre vie quotidienne. Ils

ont une structure mécanique complexe qui leur permet de se déplacer dans

toutes les directions sans manoeuvre.

La société Nomadic disparue en l’an 2000 ; a conçu un système mobile

holonome : le XR4000 (Figure II.5). Il dispose de 4 roues motrices et directrices

montées comme des roues de chariot. La synchronisation des 8 axes (2 par roue,

rotation et orientation) est assurée par une carte dédiée basée sur le


10

microcontrôleur Motorola 68332 et des circuits FPGAs et la structure

mécanique est composée d’engrenages coniques [Hol et al 00].

Figure II.5. Exemple de plate-forme holonome [Len 08].

II.2.4.3 Plates formes non-holonomes

Les systèmes mobiles dit non-holonomes sont ceux que l’on rencontre le plus

dans la vie courante (voiture particulière, bus, camion, …etc.). Ces systèmes ont

une structure mécanique relativement simple (des roues motrices, des roues

directrices et des roues libres). Une roue peut avoir une, deux ou trois fonctions.

Mais tous ces systèmes ont une caractéristique commune : la direction de la

vitesse d’entrainement (vitesse linéaire) est imposée par la direction des roues

directrices.

Figure II.6. Exemple de plate forme non holonome [Len 08].

II.2.4.4 Robot omnidirectionnel

Un robot omnidirectionnel est un robot qui peut se déplacer librement dans

toutes les directions. Il est en général constitué de trois roues décentrées

orientables placées en triangle équilatéral.

L'énorme avantage du robot omnidirectionnel est qu'il est holonome puisqu'il

peut se déplacer dans toutes les directions. Mais ceci se fait au dépend d'une

complexité mécanique bien plus grande.


11

Figure II.7. Exemple de plate forme omnidirectionnelle ROMNI [Amo et al 11]

II.3 Les nouvelles approches de la robotique mobile

En 1983, Hans Moravec [Mor 83] développa un robot mobile minimaliste, le

Stanford Cart, équipé d'une tourelle de vision stéréoscopique, Ce robot, bien

que très lent, était capable de mettre à jour son modèle du monde et d'y inclure

de nouveaux obstacles, sans pour autant recourir à une représentation

symbolique. Son système de vision servait à localiser des espaces libres

d'obstacles et aucune reconnaissance d'objets en tant que telle n'était réalisée

[Arn 00].

Figure II.8. Le robot Shakey de Stanford en [Arn 00].

C'est à cette période que certains chercheurs commencèrent à se douter que

l'approche classique, plutôt que de résoudre et de simplifier les problèmes, les

compliquait inutilement en concentrant les efforts sur le développement de

systèmes de traitement symbolique de l'information.

Le problème le plus critique était certainement celui du fondement des

symboles, en anglais "symbol grounding problem", qui se réfère à la difficulté

de mettre en relation la signification d'un symbole avec l'objet réel ou

http://form.it/


12

l'événement qu'il représente. La description d'un symbole au moyen d'autres

symboles conduit très souvent à des structures circulaires ou récursives.

L'introduction de nouveaux symboles pour définir un symbole existant conduit à

la prolifération de ceux-ci, sans pour autant leur attribuer une signification

réelle. Les humains sont capables de fonder les symboles sur leurs perceptions

sensorielles (c'est le fondement des symboles): la signification des symboles

émerge de l'interaction avec les objets de l'environnement, elle ne leur est pas

inhérente.

Un autre problème lié aux approches classiques est dû à la faible robustesse des

systèmes de contrôle à l'égard du bruit et des événements inattendus.

L'interaction d'un robot réel avec son environnement comporte un risque élevé

de voir celui-ci se perdre s'il est piloté par un système classique. En effet, il lui

est très difficile de tenir compte des écarts qui apparaissent entre sa perception

du monde et la représentation symbolique qu'il en a, et de les corriger. Ainsi, un

système de navigation par amers reposant sur une représentation symbolique se

perdra ou ne saura pas réagir de manière appropriée lorsque ses capteurs lui

fourniront des mesures inattendues ou entachées de bruit : si un amer perçu ne

peut pas être mis en relation avec un symbole connu, ou qu'il est mis en relation

avec un symbole incorrect, le système réagira de manière erronée. Un tel

système ne peut donc pas être considéré comme entièrement autonome. D'autres

approches s'avéraient nécessaires pour faire face aux nombreux problèmes

inhérents au monde réel, tels que l'incertitude des connaissances, le bruit

entachant les grandeurs mesurées par les capteurs, les modifications

dynamiques de l'environnement, la nécessité de répondre rapidement et

correctement a dos situations inattendues, etc [Arn 00].

Un certain nombre de nouvelles approches, en partie inspirées par les modèles

cybernétiques et biologiques, ont donc été proposées :

Une approche sans représentations : les représentations internes, de

forme purement symbolique, permettent de décrire un phénomène de

façon abstraite et n'ont qu'un lien ténu avec la réalité. Une approche sans

représentations permet, en s'acquittant d'un niveau d'abstraction élevé, de

garder un lien direct entre le robot et le monde physique dans lequel

celui-ci évolue.

Une approche réactive : pour de nombreuses tâches, la réponse directe

et réactive à des événements extérieurs constitue une solution simple et

efficace. Elle permet de s'acquitter des représentations symboliques

complexes souvent nécessaires aux systèmes de planification classiques.

Les comportements d'un robot basé sur une telle approche sont

sélectionnés directement en fonction des stimuli perçus. Les

comportements qui entraînent une modification du monde (ou une


13

modification de sa perception) entraînent à leur tour l'activation de

nouveaux comportements.

Une approche distribuée : la majorité des systèmes d'intelligence

artificielle classique reposaient sur le postulat que l'intelligence pouvait

être assimilée à un processus séquentiel de traitement de l'information,

basé principalement sur des inférences logiques. L'approche distribuée

combine les caractéristiques des deux approches décrites ci-dessus et

répartit la prise de décision dans des modules séparés. Le choix final de

l'action à exécuter résulte de la coopération ou de la compétition des

divers modules. L'architecture à subsomption de Brooks est un exemple

d'une telle approche, distribuée, réactive et sans représentations [Bro

86], Ces nouvelles approches s'appuient souvent sur des modèles

biologiques. De par leur lien étroit avec les recherches en vie artificielle,

elles ouvrent de nouvelles perspectives pour l'intelligence artificielle,

Elles ont entre autres donné le jour à la robotique comportementale, à

l'approche animât et à la robotique animale.

II.4. L'autonomie d'un robot

L'autonomie est la capacité à résister à des perturbations externes en utilisant les

ressources internes. L’autonomie d'un robot est une faculté relative et non

absolue, elle est liée aux capacités du robot, aux caractéristiques de

l'environnement dans lequel il est plongé, à leurs variations, et enfin aux tâches

qu'il doit effectuer. Le concept d'autonomie est complexe lorsqu'on considère

l'interaction d'un robot avec son environnement.

Selon Steels [Ste 95], un système est autonome s'il développe les lois et les

stratégies qui lui permettent de contrôler son comportement. En fait, l'autonomie

est une capacité relative et on peut considérer qu'il existe une progression

insensible du niveau le plus bas au plus élevé. Elle représente la capacité à

choisir une stratégie, en termes de sous-buts pour arriver à un but fixé. La limite

basse de l'autonomie est constituée par un système automatique qui s'autorégule

en fonction de lois préétablies i.e. qui ne génère pas les lois que les activités de

régulation cherchent à satisfaire.

L'autonomie désigne littéralement la capacité d'une entité à « se gouverner par

ses propres lois ». Cela signifie entre autres le choix de ses buts. Dans la

littérature robotique, on peut distinguer trois points de vue :

L'autonomie au sens fort qui nous ramène à des questions de volonté et

de but propre.

L'autonomie au sens faible désigne la capacité de maintenir sa structure

au sein d'un milieu complexe à travers des mécanismes tels que l'auto-

organisation, l'évolution, l'adaptation et l'apprentissage.


14

L'automatisme ou absence de contrôle extérieur est le sens implicite que

l'on attribue généralement au mot autonomie.

S'adapter consiste pour un robot à modifier son comportement pour faire face à

des changements internes ou externes afin de maintenir certaines propriétés.

L'adaptation se rapporte toujours à quelque chose : adaptation d'un groupe à la

panne d'un individu, adaptation à la présence de passants dans

l’environnement…etc. Les bases de l'autonomie sont concrètement les

propriétés qu'un robot doit exhiber pour être autonome, par exemple :

Navigation et localisation pour accéder à tous les points de

l'environnement.

Surveillance, c'est-à-dire détection d'évènements anormaux.

Efficience dans son travail, en adoptant une stratégie de patrouille.

Un robot complètement autonome n'est pas forcément souhaitable. On peut

vouloir en prendre le contrôle à certains moments ou intervenir indirectement à

travers la modification de certains paramètres. Le terme d'autonomie ajustable

désigne justement l'interruption temporaire de l'automatisme, du fait d'un

superviseur ou de l'agent lui même, afin d'accroître l'efficacité du système [Sem

04]. Le choix du degré d'automatisme dont doit être doté un agent autonome

dépend de l’architecture de contrôleur.

II.4.1 Autonomie du mouvement et autonomie décisionnelle.

L'autonomie du mouvement passe par la détermination des déplacements, de

manière planifiée et réactive, et par la commande des déplacements. Si les

méthodes mises en jeu sont fortement dépendantes des modèles cinématiques et

dynamique des engins considérés, des méthodes génériques commencent à

apparaître, surtout pour la planification de trajectoire et la commande référencée

sur des éléments de l'environnement. Dans ce contexte, la taille de

l’environnement considéré nous amènera plus particulièrement à nous intéresser

à l'intégration de méthodes locales de gestion des mouvements avec des

méthodes plus globales, qui considèrent l'ensemble des informations disponibles

sur l'environnement et la mission à réaliser. Ces derniers aspects relèvent surtout

de l'autonomie décisionnelle : il s'agit de déterminer les modalités de

déplacement à adopter et les informations à acquérir.

Les systèmes automatiques sont entièrement prévisibles, du moment que leur

état interne est connu, alors que les systèmes autonomes ne le sont pas,

puisqu'ils sont capables de prendre eux-mêmes des décisions en fonction de

critères qui peuvent échapper à l'observateur. L'autonomie implique la liberté de

contrôle. Un système autonome prend ses décisions lui-même, il n'est pas

contrôlé par un agent externe. La prise de décision implique une capacité à

évaluer des alternatives en fonction d'un état courant et de l'expérience acquise

par le passé [Arn 00].


15

Posée dans le contexte d'environnements larges, éventuellement dynamiques,

enrichie par la considération de systèmes multi-robots pas nécessairement

homogènes, et de contraintes de communication et de gestion des ressources,

cette problématique est encore très ouverte. La possibilité d'interactions avec

des opérateurs, distants ou non, doit aussi être considérée à différents niveaux

au sein des robots. Ces problèmes d'autonomie ajustable passent notamment par

le développement de concepts d'organisation des processus décisionnels

(architecture de contrôle).

II.4.2 Autonomie envisageable pour les robots actuels

Il ne paraît pas suffisant de viser le développement d’un ensemble de

fonctionnalités indépendantes, sous forme de comportements ou de modules,

mais un ensemble cohérent où toutes les fonctionnalités puissent être mise en

œuvre sur des démonstrateurs dans une même unité de lieu et de temps. La

phase d’étude des missions a permis d’extraire des tâches "robotisables" que

l’on peut décomposer en comportements sensorimoteurs ou en fonctions de

surveillance. Les premiers se distinguent des suivants par la présence d’actions

motrices. Ces éléments sont listés ci-après [Dal 03]:

faire un déplacement dans une direction et selon une distance données ;

se diriger vers un amer visuel (désigné au robot par un opérateur

humain) ;

suivre un guide visuel au sol (bord de mur, de trottoir, d’accotement,

couloir) ;

s’orienter dans une direction donnée ;

contourner un obstacle ;

explorer une zone délimitée ;

porter ou déposer une charge ;

collecter un objet ;

se servir d’un outil spécifique ;

utiliser des armes non létales ;

II.5 Environnement dynamique et incertain

II.5.1 Notion d’environnement dynamique

Un environnement est dit dynamique s’il comporte des obstacles susceptibles de

changer au cours du temps. Soit le cas des obstacles qui se déplacent (un piéton,

un véhicule, …), ou ceux qui changent de forme ou de ceux qui

apparaître/disparaître (une porte coulissante semble « disparaître » dans le mur

quand elle s’ouvre).


16

II.5.2 Notion d’incertitude

Une information est incertaine, si elle est bruitée (mauvaises conditions de

mesures), incomplète (obstruction d’un capteur ou portée limitée, absence

d’informations sur l’évolution d’un objet ou d’un phénomène) ou imprécise (les

glissements des roues par rapport au sol sont observables mais rarement

mesurables avec précision).

II.6. Problématiques de la robotique mobile

La robotique mobile cherche depuis des années à rendre une machine mobile

autonome face à son environnement pour qu'elle puisse sans intervention

humaine accomplir les missions qui lui sont confiées. Le spectre des missions

que les roboticiens veulent voir accomplir par leurs machines est immense :

exploration en terrain inconnu, manipulation d'objets, assistance aux personnes

handicapées, transport automatisé, etc [Bon 03].

On distingue sans trop d’ambiguïté un certain nombre de problèmes en

robotique mobile. En plus de pouvoir percevoir globalement son

environnement, un robot doit souvent être capable d’identifier des objets, de

reconnaître des personnes, de lire des indications, et même de repérer des

symboles graphiques. Ces opérations sont effectuées en analysant les

perceptions acquises par les capteurs.

Enfin, une autre capacité robotique tout aussi importante que celles énumérées

précédemment, est la capacité pour un robot de prendre lui-même ses propres

décisions nécessaires pour réaliser et coordonner des missions complexes. Cette

capacité est d’une grande importance puisque, pour beaucoup de tâches

robotiques, il peut exister de nombreuses façons de les réaliser. Par un

raisonnement, le robot doit alors sélectionner les meilleures actions à effectuer

pour réussir adéquatement sa mission [Bea 06].

Bien évidemment, l’aspect matériel, qui consiste à choisir et dimensionner aussi

bien la structure mécanique du système que sa motorisation, son alimentation et

l’architecture informatique de son système de contrôle-commande apparaît

comme le premier point à traiter. Le choix de la structure est souvent effectué

parmi un panel de solutions connues et pour lesquelles on a déjà résolu les

problèmes de modélisation, planification et commande.

Le choix des actionneurs et de leur alimentation est généralement assez

traditionnel. La plupart des robots mobiles sont ainsi actionnés par des moteurs

électriques à courant continu, alimentés par des convertisseurs de puissance

fonctionnant sur batterie. De la même façon, les architectures de contrôle-

commande des robots mobiles ne sont pas différentes de celles des systèmes

automatiques ou robotiques plus classiques. On y distingue cependant, dans le


17

cas général, deux niveaux de spécialisation, propres aux systèmes autonomes :

une couche décisionnelle, qui a en charge la planification et la gestion

(séquentielle, temporelle) des évènements et une couche fonctionnelle, chargée

de la génération en temps réel des commandes des actionneurs [Bay 08].

Au fil des ans, plusieurs solutions ont été proposées afin de donner aux robots la

capacité de coordonner leurs missions. L’une d’entre elles est l’utilisation

d’outils de planification et navigation dans le domaine de l’intelligence

artificielle [Bea 06].

Afin de faire fonctionner un robot mobile, plusieurs modules logiciels sont mis

à contribution. Ces modules peuvent servir à interpréter les données perçues par

les capteurs afin d’y extraire des informations ou à traiter des commandes de

haut niveau et générer d’autres commandes à un niveau inférieur. Les modules

les plus fréquemment utilisés sont les modules de localisation, de navigation, de

vision, d’audio et de séquencement d’activités du robot.

Un robot mobile est commandé par une boucle de contrôle, cela est illustré à la

figure II.4. De façon itérative, celle boucle fait une lecture des données reçues

par les capteurs, les interprète, calcule les commandes motrices et les envoie

aux actionneurs. Typiquement, cette boucle est exécutée environ dix (10) fois

par seconde; la fréquence peut varier selon les types de capteurs et

d’actionneurs utilisés. La boucle de contrôle n’est pas unique; selon

l’architecture utilisée, elle peut être décomposée en plusieurs sous boucles de

contrôle agencées de manières différentes [Bea 06].

Figure II.9. Boucle de contrôle pour la commande d’un robot mobile

II.7. Architectures de contrôle

Un robot est donc composé d’un ensemble de modules, chacun étant

responsable d’une ou plusieurs capacités. Un des premiers défis à résoudre est

de déterminer comment relier efficacement les différents modules. Pour ce faire,

il faut élaborer une architecture de contrôle qui dictera les responsabilités de

chacun des modules et comment les informations circuleront entre ces derniers.


18

Depuis les débuts de la robotique, beaucoup d’architectures ont été proposées.

Elles peuvent être généralement classées en trois grandes catégories :

délibérative, comportementale et hybride.

La définition des différents types d'architecture s'est faite au fil du temps, et s'est

faite grâce à l'analyse des points faibles de chaque type d'architecture [Ayc 98].

La classification des architectures de contrôle repose sur la stratégie utilisée

pour contrôler le système et pour atteindre ses objectifs :

L'application directe des techniques d'intelligence artificielle telles que

la planification dans l’école cognitive ;

L’utilisation des comportements réactifs dans l’école réactive ;

La centralisation de contrôle du groupe dans un superviseur externe ou

la distribution.

II.7.1 Architectures de contrôle cognitives

Dans une architecture de contrôle cognitive, le robot cherche tout d'abord à

modéliser les connaissances et les méthodes d'inférence associées permettant

d'élaborer les actions que le robot doit entreprendre. Le robot commence par

traiter les données recueillies par ses capteurs. Ensuite, il identifie les objets qui

sont dans son environnement proche. Puis il construit une représentation de la

scène dans son ensemble, et l'utilise pour générer un plan.

Après quoi, il calcule au mieux une séquence de commandes vers les effecteurs

pour exécuter le plan prévu.

Figure II.10. Architecture de contrôle cognitive [Ado 05]

II.7.2 Architectures de contrôle réactives

Les architectures réactives ont pour but de concevoir et de réaliser un robot,

capable d'apporter une réponse immédiate à toute nouvelle modification de

l'environnement le concernant. Ces approches sont initialement fondées sur


19

l'étude de l'interaction de l'animal avec son environnement naturel (l'éthologie)

de manière à essayer de comprendre les mécanismes mis en œuvre et de les

reproduire. Elles sont fondées sur le fait que lorsqu'un être humain évolue dans

un environnement, il ne passe pas son temps à modéliser son environnement, et

à planifier ses actions, mais qu'au contraire il réagit à de simples stimuli qui lui

permettent de se déplacer vers son but tout en faisant face aux obstacles.

Ainsi, contrairement aux systèmes hiérarchiques, le comportement global du

robot apparaît comme le résultant de plusieurs comportements actifs

simultanément. Dans ce type d’architectures il n'y a pas de phase de

planification ou de modélisation de l'environnement [Ayc 98].

Figure II.11 Architecture de contrôle réactive [Ado 05]

II.7.3 Les architectures de contrôle comportemental réactif

Pour l’élaboration d’architecture de contrôle réactif de plus en plus complexe,

[Bro 86]) propose de décomposer le comportement global du robot en un

ensemble d’entrées élémentaires. Cette décomposition a comme principaux

objectifs d’avoir une construction aisée de l’architecture de contrôle ainsi

qu’une testabilité facile des comportements élémentaires. Ceci est rendu

possible en isolant les comportements qui cohabitent dans une même structure

de contrôle, impose l’adaptation de mécanismes approprié de coordination entre

comportements.

Les architectures de contrôle réactives permettent d’avoir une réponse plus

rapide grâce à un lien direct capteurs-actionneurs. Disposer des comportements

élémentaires dans le cas des approches comportementales permet de les tester

individuellement jusqu’à ce qu’ils soient adaptés à leurs taches. La mise à jour

se fait alors simplement en les ajoutant aux comportements déjà existe.

[Ark 98], [Ado 05] ont comparé les caractéristiques des deux types architectures

de contrôle. La Figure II.11 détermine la comparaison entre les deux

architectures selon les degrés d’intelligences.


20

Cognitive

Réactive

Vitesse de la réponse

Capacités prédictives

Dépendance à la précision, modèle du monde complet

Modélisation explicite de

l’environnement

Vitesse de réponse relativement

lente dans certains environnements

Haut niveau d’intelligence

Planification sophistiquée et

préalable de la tâche.

Peut tenir compte de son passé.

Absence d’une modélisation

explicite.

Fonctionne en temps réel.

Peu ou pas d’intelligence

Fonctionne en stimulus-réponse

Pas de mémoire de son histoire.

Figure II.12. Contrôle cognitif versus réactif [Ado 05]

II.7.4 Architectures Hybrides

Les approches cognitives et réactives sont diamétralement opposées.

Cependant, chacune présente des caractéristiques intéressantes. Pour cela, les

chercheurs ont essayé de les combiner en mettant au point des architectures

hybrides permettant notamment d'allier des capacités de raisonnement et de

décision de haut niveau, s'appuyant sur des représentations abstraites des

connaissances, avec des comportements réactifs garantissant robustesse et

flexibilité. En effet, l'exécution de plans est basée sur un contrôle réactif (ce que

détectent les capteurs permet de réagir immédiatement en cas de nécessité),

alors que la formulation de plan(s) est assurée par un système hiérarchique

pouvant reposer sur un modèle de l'environnement et des obstacles connus [Ayc

98].

Les développements les plus récents convergent vers l’utilisation d’architectures

à deux ou trois niveaux. Dans ce type d’architecture, les niveaux bas sont

consacrés à un ensemble de comportements sensorimoteurs et à leur mécanisme


21

séquenceur, tandis que le niveau le plus élevé est chargé de la planification des

enchaînements de comportements et le niveau intermédiaire, responsable de

l’activation des comportements, est basé sur une approche appelée

séquencement conditionnel. Ce niveau utilise les plans établis par le niveau

supérieur.

Ces plans sont considérés comme des ressources (ou des conseils) et non

comme des ordres par le séquenceur. La remise en question d’un plan fait suite

à l’échec d’une action détectée par des routines de supervision implantées au

dessus des comportements.

Figure II.13 Architecture de contrôle hybride

II.8 Conclusion

Le développement de l'intelligence artificielle classique a conduit à la

réalisation des premiers robots mobiles, évoluant dans des environnements

strictement contrôlés. Leurs actions dans le monde réel n'étaient que

l'expression physique d'opérations symboliques réalisées dans un modèle

abstrait. Ces robots étaient incapables de réagir de manière appropriée à des

perturbations ou à des événements inattendus, ce qui a rendu impraticable leur

utilisation dans le monde réel.

L’objectif de ce chapitre est de fournir un aperçu général sur la robotique

mobile, ses problématiques et les solutions apportées actuelles. Nous avons

présenté également un panorama des architectures de contrôle dont la portée va

au delà de leur application en robotique mobile. La robotique mobile est un

domaine dans lequel l’expérience pratique est primordiale. L’approche de la


22

robotique présentée dans ce chapitre est essentiellement celle issue de

l’intelligence artificielle. D’autres disciplines, telles que l’automatique, sont

toutefois impliquées et peuvent présenter un éclairage différent, mais ne

changent pas fondamentalement les problèmes qui restent à résoudre.

Dans le chapitre suivant nous allons traiter le problème de la navigation ainsi

qu’un panorama des stratégies d’évitement d’obstacles existant dans le monde

de la robotique mobile.

Chapitre III

Navigation et évitement d’obstacles réactifs

Chapitre III Navigation et évitement d’obstacles

réactifs

23

III.I Introduction

La navigation autonome des robots est la capacité à évoluer sans aide dans leur

environnement de travail (espace de configuration). La complexité de la

méthode de navigation mise en œuvre sur un robot mobile dépend donc de

l'environnement dans lequel il doit évoluer (milieu intérieur ou environnement

naturel, sol plan ou irrégulier,...). Elle dépend également de la connaissance de

cet environnement qui peut être figé ou évolutif et du mode de définition de la

trajectoire (apprentissage préalable, planification en ligne, ...).

Ce chapitre traite de la fonctionnalité d’évitement réactif d’obstacles. Tout

d’abord nous présentons le concept navigation et un état de l’art des méthodes

d’évitement réactif d’obstacles. Ensuite nous proposons des méthodes hybrides

originales de navigation et d’évitement réactif d’obstacles pour des robots

mobiles. Ces méthodes sont basées sur des approches de l’intelligence

artificielle : logique floue, recherche taboue et algorithmes de colonies de

fourmis. Nos contributions dans ce chapitre portent sur la résolution de

certaines fonctionnalités de la navigation autonome des robots mobiles dans le

cadre défini par ces spécificités.

III.2 Navigation

La navigation d’un robot mobile est un des problèmes clés dans la communauté

de la robotique. Le problème consiste à intégrer sur un robot réel, toutes les

fonctions nécessaires pour qu’il puisse exécuter des déplacements à travers un

environnement donné, en utilisant l’information perçue par ses capteurs. Il

existe plusieurs approches pour résoudre cette tâche, mais entre toutes ces

approches, les plus connues et aussi les plus utilisées sont fondées sur la

construction d’un modèle du monde à partir de l’information sensorielle ; le

robot utilisera ce modèle pour exécuter des mouvements. Le problème de la

navigation peut donc être décomposé en plusieurs tâches, comme par exemple :

la planification de trajectoires, l’évitement d’obstacles (figure III.1).

Figure III.1 Navigation d'un robot mobile [Teg 09]


réactifs

24

Le navigateur a donc pour mission de générer des trajectoires pour le robot. La

notion de trajectoire est différente de celle de chemin dans le sens où elle

intègre des informations temporelles le long du parcours du robot, c'est-à-dire

des vitesses et parfois des accélérations (dérivées premières et secondes).

Concrètement, un navigateur se différencie d’un planificateur de chemin par les

éléments suivants :

il travaille sur une carte de l’environnement plus localisée autour du

robot,

il travaille à plus court terme que le planificateur, il prévoit moins loin

dans le temps,

il intègre les contraintes liées au robot, il doit s’assurer que le robot est

capable physiquement de réaliser les trajectoires demandées.

La navigation est la capacité d'aller d'une position initiale à une position finale

de manière autonome [Bon 03].

Figure III.2 Schéma simplifié des tâches de la navigation autonome

III.3 Types de navigation

Le problème de la navigation d’un robot mobile consiste de la manière la plus

générale à trouver un mouvement dans l’espace des configurations sans

collisions, traditionnellement noté Libres. Ce mouvement amène le robot d’une

configuration initiale )( 00 tqq à une configuration finale )( ff tqq . Il existe

néanmoins une très grande variété de travaux et de méthodes permettant

d’aborder ce problème difficile. Pour différencier les techniques de navigation,

on peut de manière classique distinguer deux approches : la première consiste à

Navigation

Planification de

trajectoires

Evitement

D’obstacles

Localisation

Vision Odomètre

s

Sonar Laser

Suivi d’objets Reconnaissance

d’objets

…


réactifs

25

planifier le mouvement dans l’espace des configurations et à l’exécuter par

asservissement du robot sur le mouvement de consigne (schéma planification-

exécution) ; la seconde consiste à offrir un ensemble de primitives plus

réactives. Elles correspondent alors à des sous tâches (suivre un mur, éviter un

obstacle).

Les stratégies de navigation permettant à un robot mobile de se déplacer pour

rejoindre un but sont extrêmement diverses. Une classification est établie par

Trullier [Tru 07], laquelle présente l’avantage de distinguer les stratégies sans

modèles internes et les stratégies avec modèle interne. Cette classification

comporte cinq catégories de la plus simple à la plus complexe cernées dans

deux types de navigation : la navigation réactive et la navigation par carte [Fil

01].

III.3.1 Navigation réactive

Les méthodes dites réactives n’utilisent pas de phase de planification et

s’apparentent le plus souvent à des méthodes de commande dédiées à tel ou tel

capteur et fonctionnant dans des conditions bien particulières. Ces méthodes

présentent généralement une bonne réactivité (comme leur nom l’indique) et

une certaine robustesse [Bay 08].

La navigation réactive regroupe trois catégories : Approche d’un objet, guidage

et action associée à un lieu.

III.3.1.1. Approche d’un objet

Cette capacité de base permet de se diriger vers un objet visible depuis la

position courante du robot. Elle est en général réalisée par une remontée de

gradient basée sur la perception de l’objet. Cette stratégie utilise des actions

réflexes, dans lesquelles chaque perception est directement associée à une

action. C’est une stratégie locale, c’est-à-dire fonctionnelle uniquement dans la

zone de l’environnement pour laquelle le but est visible.

III.3.1.2. Guidage

Cette capacité permet d’atteindre un but qui n’est pas un objet matériel

directement visible, mais un point de l’espace caractérisé par la configuration

spatiale d’un ensemble d’objets remarquables, ou amers, qui l’entourent ou qui

en sont voisins. La stratégie de navigation, souvent une descente de gradient

également, consiste alors à se diriger dans la direction qui permet de reproduire

cette configuration. Cette capacité semble utilisée par certains insectes, comme

les abeilles.

III.3.1.3. Action associée à un lieu

Cette capacité est la première capacité réalisant une navigation globale, c’est-à-

dire qui permet de rejoindre un but depuis des positions pour lesquelles ce but

ou les amers qui caractérisent son emplacement sont invisibles. Elle requiert une

représentation interne de l’environnement qui consiste à définir des lieux


réactifs

26

comme des zones de l’espace dans lesquelles les perceptions restent similaires,

et à associer une action à effectuer à chacun de ces lieux.

Figure III.3. Action associé d’un lieu [Tru 07]

III.3.2 Navigation par carte

On regroupe sous le terme de navigation par carte deux stratégies : navigation

topologique et navigation métrique. Ces deux dernières autorisent pour leur part

une navigation globale et permettent de rejoindre un but arbitraire au sein de

l’environnement. Ils s’appuient pour cela sur un modèle interne du monde, une

carte, qui supporte une planification. Ce modèle interne mémorise donc la

structure spatiale de l’environnement, indépendamment d’un but précis.

Chacune des positions mémorisées dans ce modèle interne peut alors être

utilisée comme but par le processus de planification dont le rôle est de calculer

une route vers ce but.

III.3.2.1. Navigation topologique

Cette capacité est une extension de la précédente qui mémorise dans le modèle

interne les relations spatiales entre les différents lieux. Ces relations indiquent la

possibilité de se déplacer d’un lieu à un autre, mais ne sont plus associées à un

but particulier. Ce modèle ne permet toutefois que la planification de

déplacements parmi les lieux connus et suivant les chemins connus.


réactifs

27

Figure III.4. Navigation topologique [Tru 07]

III.3.2.2. Navigation métrique

Cette capacité est une extension de la précédente car elle permet au robot de

planifier des chemins au sein de zones inexplorées de son environnement. Cette

stratégie permet de calculer le chemin le plus court entre deux lieux mémorisés,

permettant même de planifier des raccourcis au sein de zones inexplorées de

l’environnement. Pour cela, la carte mémorise la position métrique relative de

chacun des lieux visités par le robot. Ainsi il est possible de prévoir un

déplacement entre deux lieux, même si la possibilité de ce déplacement n’est

pas enregistrée dans la carte (zone inexplorée).

III.4. Méthodes de navigation

Nous pouvons classer les méthodes de navigation pour un robot mobile en

classes : méthodes classiques et avancées. La nature de l’environnement

détermine l’approche de la navigation, les méthodes classiques ont comme

point commun, l’environnement qui est totalement ou partiellement connu

c'est-à-dire un environnement statique et non complexe et par conséquent, le

robot mobile peut planifier une trajectoire continue et libre d’obstacles. Par

contre les méthodes avancées offrent des outils plus performants dans la

navigation ce qui permet d’obtenir un robot « réactif », capable d’apporter une

réponse immédiate à toute nouvelle modification de l’environnement du

moment que ce dernier est complètement inconnu [Fil 01].

III.4.1. Espace des configurations

L’espace des configurations d’un robot est constitué par l’ensemble des

configurations qui lui sont accessibles. Cela s’illustre facilement dans le cas

d’un robot représenté sous forme ponctuelle : l’espace des configurations sans

collision est l’espace dans lequel se déplace le robot, sans les obstacles. Dans le

cas d’un robot de taille et de forme quelconque, on peut se ramener au problème

de planification d’un robot ponctuel. Pour cela, on transforme l’environnement

par un processus d’érosion de l’espace libre. Les points de l’espace libre qui ne

peuvent être atteint par une configuration sans collision sont éliminées [Bay 08].


réactifs

28

III.4.2. Décomposition en cellule

Les techniques basées sur la décomposition en cellules utilisent une

représentation discrète de l’environnement [Bay 08]. Une telle décomposition

peut être intégrée dans l'apprentissage de carte. La figure I.5 représente des

exemples utilisés pour décomposer l'espace de configuration libre. Les

décompositions exactes couvrent totalement et avec précision l'espace libre,

alors que les décompositions approximatives couvrent seulement une partie de

cet espace qui rend des mouvements possibles du robot. Les dernières

décompositions se fondent sur les divers types de cellules, qui sont des

rectangles de diverses tailles, des cellules régulières, ou des places de taille

variable dans le cas des arbres quadruplés [Fil 01].

Figure III.5. Exemples des décompositions en cellules

III.4.3. Roadmaps

Au lieu de décomposer l'espace libre de la carte de l’environnement en cellules,

il est possible de le décomposer en ensemble de chemins partiels, à l’aide d’un

certain nombre de points de passages dispersés dans l’environnement. Le

principe du roadmap est de combiner ces chemins partiels afin de créer un

chemin global reliant le point de départ avec la destination finale. En général il

y a deux méthodes pour construire les roadmaps sont : le graph de visibilité et le

diagramme de voronoï [Fil 01].


réactifs

29

III.4.4. Graphe de visibilité

Est un graph qui inclut des lignes droites qui relient les sommets des obstacles

visibles entre eux. Cependant, cette proximité aux obstacles peut être

indésirable, par exemple si le robot doit se déplacer rapidement [Fil 01].

Figure III.6. Construction d’un graphe de Visibilité.

III.4.5. Diagramme de voronoï

Le diagramme de Voronoï est une autre méthode pour calculer un roadmap, qui

maximise le dégagement avec des obstacles. Dans ce cas, les points de passage

du roadmap sont des points équidistants au moins de trois obstacles [Fil 01].

D’autres méthodes peuvent encore être trouvées dans la référence [Lat 99].


réactifs

30

Figure III.7. Deux exemples des méthodes utilisées pour créer un roadmap.

III.4.6. Méthode du potentiel

La méthode du potentiel a été initialement introduite par O. Khatib [Kha 86]

pour des robots manipulateurs. Elle diffère sensiblement des autres méthodes

évoquées dans cette section, car elle ne résulte pas d’un raisonnement purement

géométrique. Par ailleurs, elle est peu satisfaisante en termes de planification,

car elle n’est pas complète, ce qui signifie qu’il peut exister une solution sans

que l’algorithme ne la trouve. Ceci étant, elle fournit une technique de

navigation simple et compatible avec les exigences du temps réel.

Figure III.8. Décomposition approchée de l’espace libre

Le principe de la méthode est le suivant. Le robot mobile est plongé dans un

champ de potentiel qui résulte de la superposition d’un potentiel attractif, lié à la

configuration à atteindre, et d’une somme de potentiels répulsifs, liés aux

obstacles. La figure III.9 présente une carte des potentiels engendrés par un but

et trois obstacles [Lat 99].


réactifs

31

Figure III.9. Combinaison de potentiels attractif et répulsif

La grande simplicité de la méthode du potentiel ne doit cependant pas masquer

son défaut majeur. Le potentiel total qui influence le robot mobile résulte de la

somme d’un potentiel attractif et de potentiels répulsifs, de signes opposés.

Cette fonction peut donc présenter un certain nombre de minima locaux, dans

lesquels le robot sera piégé, On peut bien évidemment appliquer cette méthode

sous forme discrète et purement géométrique en créant une carte discrète de

potentiels, associée à des cellules, comme illustré à la figure III.10. Ceci ramène

le problème à un problème de décomposition en cellules et de calcul du

potentiel associé.

Figure III.10. Carte discrète de potentiels et descente de gradient

III.4.7. Navigation par L’algorithme fil d’Ariane

Le rôle ultime d’un planificateur de trajectoire est de trouver un chemin dans

l’espace des configurations depuis une configuration initiale jusqu’à une

configuration finale.


réactifs

32

Cependant un sous-but intéressant peut être d’essayer de collecter au passage

des informations sur les configurations de l’espace atteignable depuis la

configuration initiale. L’algorithme fil d’Ariane fait les deux choses à la fois

grâce à deux sous-algorithmes Search et Explore [Mat 92], [Mat 93].

L’algorithme Explore collecte des informations sur l’espace atteignable depuis

la configuration initiale en posant des balises dans l’espace de recherche et en

mémorisant le chemin entre ces balises et la configuration initiale. De façon à

récolter une information aussi riche que possible sur l’espace atteignable,

Explore essaye de placer ses balises aussi loin que possible les unes des autres.

Figure III.11. Arbre des balises [Mat 93]

III.4.8. Méthode on-line

La méthode on-line est une méthode de navigation, elle est presque la plus

simple, elle consiste à tracer une droite rejoignant la position du départ et la

cible, elle est développée suivant le principe stimuli-repense. Cette méthode est

très utilisée pour la navigation, l’exploration et la construction des cartes mais

elle présente l’avantage de pouvoir être utilisée comme méthode réactive.

Robot

Cible

θ

Figure III .12 Méthode on-line


réactifs

33

III.5 Méthode d’évitement d’obstacles

L’évitement d’obstacles est un comportement de base présent dans quasiment

tous les robots mobiles. Il est indispensable pour permettre au robot de

fonctionner dans un environnement dynamique et pour gérer les écarts entre le

modèle interne et le monde réel. Les méthodes que nous présentons sont

efficaces à condition d’avoir une perception correcte de l’environnement. Parmi

les méthodes d’évitements d’obstacles il existe des méthodes.

III.5.1 La méthode Vector Field Histogram

La modélisation consiste dans un premier temps à représenter l'environnement

par une grille d'occupation centrée sur le robot, où chaque cellule contient une

valeur entière correspondant à la probabilité d'y trouver un obstacle "valeur de

certitude" [Luc 03].

Figure III.13 Représentation du monde sous forme de grille d’occupation

centrée sur le robot.

Dans cette méthode, l’environnement est discrétisé en secteurs angulaires pour

lesquels la somme des valeurs des cellules est calculée. Un seuil permettant de

tolérer un certain bruit est ensuite utilisé pour déterminer les directions possibles

pour le robot [Fil 01].

Figure III.14 Décomposition de la grille sous forme des secteurs

Secteur

Seuil

Somme de cellules


réactifs

34

III. 5.2 Méthode de la fenêtre dynamique

La méthode de la fenêtre dynamique permet, à partir de la perception locale de

l’environnement, de sélectionner un couple (v , w) de vitesses de translation et

de rotation du robot qui répond à différentes contraintes, dont celle d’éviter les

obstacles. Un tel couple de vitesses, lorsqu’il est appliqué au robot, produit une

trajectoire circulaire, pour laquelle la satisfaction des différentes contraintes

peut être évaluée. A l’issu de l’évaluation de toutes les contraintes pour tous les

couples de vitesses possibles, la méthode de la fenêtre dynamique permet de

sélectionner le couple le plus pertinent (qui répond le mieux aux contraintes).

Figure III.15 Contrainte d'évitement d'obstacles pour la méthode de la fenêtre

dynamique

La contrainte d’évitement d’obstacles est une contrainte dure au sens ou elle est

binaire (succès / échec), le respect ou le non respect de cette contrainte est

reporté dans un graphe des vitesses qui indique, pour chaque couple de vitesses

possible (donc chaque trajectoire), si le robot va ou ne va pas rencontrer un

obstacle [Fil 01].


réactifs

35

Figure III.16 Choix d’une vitesse dans la fenêtre des vitesses admissibles sans

collision

Compte tenu de la dynamique du robot i.e. sa capacité à accélérer et à ralentir,

les vitesses admissibles ne sont pas toutes atteignables dans l'intervalle de temps

imparti. Pour exprimer cette contrainte, une fenêtre dynamique est alors générée

dans l'espace des vitesses, autour de la vitesse actuelle du robot. Cela réduit

ainsi l'espace dans lequel sera recherchée la prochaine commande [Lar 03].

C’est cette fenêtre qui donne son nom à la méthode car elle permet de prendre

en compte la dynamique du robot. Il reste alors à choisir, au sein de cette

fenêtre, un couple de vitesses qui ne conduisent pas à percuter un obstacle pour

garantir un déplacement sûr du robot.

III. 5.3.Méthode des cycles-limites

L’objectif de cette méthode est de rendre le robot capable d’éviter un ensemble

des obstacles statiques et dynamiques (les autres robots) pour atteindre une cible

bien précis [Ben et al 10]. Le principe de cette dernière est :

Détecter l’obstacle gênant le plus proche ;

Entourer l’obstacle par un cercle de rayon Rcl =Rr+Ro+

Selon les informations prévenant des capteurs, la direction d’évitement

est choisie ;

Le robot évite l’obstacle en suivant un cycle limite à rayon

𝑅𝑐 = 𝑅𝑐𝑙 − 𝜀 𝑃ℎ𝑎𝑠𝑒 𝑑′𝑎𝑡𝑡𝑟𝑎𝑐𝑡𝑖𝑜𝑛 ; Le robot entame la sortie de la zone d’influence de l’obstacle en suivant

un cycle limite 𝑅𝑐 = 𝑅𝑐𝑙 + 𝜀 𝑃ℎ𝑎𝑠𝑒 𝑑𝑒 𝑟é𝑝𝑢𝑙𝑠𝑖𝑜𝑛 ;


réactifs

36

Tel que :

RR : c’est le rayon de robot qui est entrain d’éviter l’obstacle,

Roi : c’est le rayon de l’obstacle qui est en face au robot,

: est une marge constante.

Notre cible a la forme d’un cercle qui a un rayon Rt.

La figure suivante représente le principe de la méthode des cycles-limites :

Figure III.17 Principe d’évitement d’obstacles par la méthode des cycles-limites

III.6. Exemple de navigation et d’évitement d’obstacles par la logique floue

hybride.

Le problème dans la navigation autonome d’un robot mobile est de définir une

stratégie qui lui permet de rejoindre la destination finale sans collisions en

évitant les obstacles. Une approche permettant de résoudre ce type de problème

est l’utilisation de la logique floue. Celle-ci permet de mimer les capacités de

raisonnement de l’être humain dans les taches de navigation. Une difficulté

majeure dans les systèmes flous et que l’obtention de leurs paramètres est

généralement spécifie par des experts humains. Ce processus peut être long et

très complexe. Dans ce contexte un apprentissage automatique est nécessaire

pour permettre la génération automatique des paramètres optimaux des

contrôleurs flous. Pour résoudre ce problème nous proposons des méthodes

d’optimisation très puissante qui est la méthode de recherche taboue et les

algorithmes de colonies de fourmis [Bou et al 07].

Ce travail consiste en premier plan à concevoir et implémenter une architecture

de contrôle pour une navigation autonome d’un robot mobile en tenant compte

de la nature changeante de l’environnement ceci en utilisant la logique floue.

Plusieurs critères de cette méthode ont justifié son choix. Parmi eux est que le

principe de réglage et de commande par la logique floue s’approche de la

démarche humaines dans le sens où les variables traitées ne sont pas des

variables logiques mais des variables linguistiques, proches du langages

humain, ces variables sont traitées à l’aide des règles qui font référence à une

certaine connaissance du comportement du système à commander. De plus la

Obstacle

Robot

Cible

y

x


réactifs

37

logique floue permet de prendre en considération les incertitudes provenant des

données des capteurs et par conséquent de l’environnement dans lequel évolue

le robot mobile [Wij et al 01][Fay et al 99] [Beo et al 95] [ Lee et al 94] [Cza et

al 95] [Cas et al 96] [Dal 01]. Ensuite, nous effectuons l’apprentissage

automatique du contrôleur flou pour améliorer et optimiser son fonctionnement.

Un système d'inférence floue peut être vu comme un système multi-paramètres.

Même si l'esprit de la commande floue est de choisir ces paramètres par recours

à "l'expertise humaine", une démarche logique est de se servir de cette expertise

comme initialisation (introduction de connaissance a priori), mais de rajouter à

cela une étape d'optimisation. Nous avons privilégié, par rapport à l'ensemble

des méthodes d’apprentissage et d'optimisation possibles, le recours à des

méthodes basées sur la minimisation d'une fonction de coût. Ceci est dans

l'objectif que l'étape d'optimisation est d'obtenir la meilleure commande possible

du processus en imposant la contrainte que cette optimisation ne détruise pas la

lisibilité et la cohérence logique des règles d’inférence. La difficulté présentée

par les experts humains pour exprimer leur connaissance sous forme des règles

floues a incité des chercheurs à se développer des techniques automatiques pour

accomplir cette tâche. Nous avons pour cela développé des algorithmes utilisant

des méthodes d'optimisation basées sur la minimisation d'un critère lié d'une

part à la tâche à accomplir et contenant d'autre part un terme de pénalité qui va

assurer un comportement de convergence des poids vers des valeurs faibles et

quasi constantes. Les méthodes d’optimisation choisies sont :

– La recherche Taboue

– Les algorithmes des colonies de fourmis qui consistent à explorer

l’espace de recherche composé de toutes les solutions réalisables dans le but

d’aboutir à la solution optimale [Rei 94].

Figure III.18 Structure du système de navigation à base de la logique floue

hybride.


réactifs

38

La solution dans la méthode d’optimisation (recherche taboue ou colonie de

fourmis) se présente sous la forme d’un vecteur dont le nombre d’élément

correspond au nombre de règles d’inférence (80 règles dans notre cas) et chaque

élément de ce vecteur représente une conclusion Ki qui représente la variation

de la vitesse et de l’orientation du robot. Pour une meilleure maîtrise des

paramètres d’apprentissage, nous avons organisé les règles par bloc (8 blocs) et

chaque bloc est constitué de 10 règles qui correspond à une situation parmi les 8

situations possibles auquel peut se trouve le robot.

K1…………K10 K11………….K2

0

K21………….K3

0

K31………….K4

0

K41………….K5

0

K51………….K6

0

K61………….K7

0

K71………….K8

0

Figure III.19 Représentation du vecteur solution.

Chaque élément du vecteur solution, représente une conclusion qui désigne le

changement de vitesse et d’orientation que le robot doit accomplir pour sortir

d’une situation donnée.

Pour évaluer les performances de navigation d’un robot mobile, nous devons

définir les critères essentiels qui font qu’une navigation soit meilleure qu’une

autre.

Ces critères sont:

Le nombre de collision que fait le robot avec les obstacles durant

la navigation (N_collis);

La longueur de la trajectoire (Dist) ;

Le temps nécessaire pour atteindre la cible (Temps);

Le nombre de tour (N_Tour) effectués par le robot mobile en

contournant les obstacles ;

- Le nombre de collision

collision) (sans 1

)10( infaisableétat d' fonction _

1_

_collisN

collisN

fcollisNf

( III.1)

Bloc 1

Bloc 2 Bloc 3 Bloc 4

Bloc 5 Bloc 6 Bloc 7 Bloc 8


réactifs

39

- La longueur de la trajectoire

DistfDist

1 Fonction de la longueur du trajet ( 10Distf ) (III.2)

- Le nombre de tour

𝑓𝑁−𝑡𝑜𝑢𝑟 = {1

𝑁−𝑡𝑜𝑢𝑟 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑑𝑒𝑠 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡𝑠 𝑑′𝑜𝑟𝑖𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛𝑠

0 𝑁 − 𝑡𝑜𝑢𝑟 > 𝑁 − 𝑡𝑜𝑢𝑟𝑚𝑎𝑥 (III.3)

- Le temps nécessaire pour atteindre la cible (Temps)

Ce critère est fortement lié au critère la longueur de la trajectoire. Dans ce

contexte nous n’avons pas présenté ce critère par une fonction d’évaluation

puisque il est indirectement présenté par la fonction f Dist

- Fonction d’adaptation globale

La fonction d'adaptation globale du comportement du robot est la combinaison

des trois fonctions présentées précédemment :

ba

bfafff

tourNDistcollisn

traj

100*__

(III.4)

Dans cette fonction, nous avons donné plus d’importance à la fonction f N_collis ,

car notre premier objectif est l’évitement d’obstacles. Les paramètres a et b

sont des coefficients de pondération fixés par l’expérience.

La tentative est de pondérer chaque partie de la fonction f traj en s'accordant à

leur importance dans l'objectif de l'algorithme. La partie qui a une grande

influence sur le trajet est la fonction d'état infaisable f N_collis.

- Pénalisation des mauvais comportements

Pour sortir des situations de blocage dont lesquelles peut tomber un robot

pendant sa navigation, nous avons fixé un temps maximum de navigation et un

nombre maximum de collision. Nous pouvons arrêter un comportement mauvais

si :

Il dépasse le temps max de navigation,

Il dépasse le nombre max de collision,


réactifs

40

La pénalisation sur la fonction d'adaptation sera faite comme suite :

- Si temps ≥ temps_max Alors ftraj = µ * ftraj

- Si N_collisions ≥ N_collisions_max Alors f traj = µ * f traj ;

- Si Dist tend vers 0 et temps ≥ temps_max Alors f traj = 0.

Avec µ et le coefficient de pénalisation fixé par l’expérience.

III.6.1. Résultats de navigation par la logique floue

Pour montrer la performance et l’efficacité de l’approche utilisée, nous avons

réalisé plusieurs essais de navigation dans différents environnements plus au

moins complexes et très différents en changeant chaque fois la position du robot

et de la cible.

Environnement 1 Environnement 2

Environnement 3

Figure III.20 Trajectoire du robot dans différents environnements


réactifs

41

D’après la figure III.20, dans les différents environnements, le robot arrive à sa

destination mais il n’a pas choisi le chemin le plus court possible. Idéalement,

nous souhaiterions que le robot sélectionne l’action qui satisfait au mieux les

comportements actifs. Nous avons vu que ceci n’est pas toujours possible, en

particulier si deux comportements préconisent des actions opposées. Nous

remarquons cependant que tous les comportements ne sont pas applicables de la

même manière suivant les situations. Par exemple, le comportement aller vers

la cible sera plus approprié quand le chemin est libre, tandis que le

comportement éviter obstacle sera plus adéquat si un obstacle est détecté.

III.6.2. Résultats de navigation par la logique floue et la recherche Taboue

Après que nous avons montré que la logique floue est une démarche qui n’est

pas totalement garantie, nous présentons maintenant l’implémentation de

l’algorithme d’apprentissage automatique par la recherche taboue développé.

Plusieurs tests de navigation ont été simulés pour différentes configurations de

la cible et du robot et sur plusieurs environnements différents. Les figures

décrites ci dessus montrent le chemin pris par le robot pour atteindre sa cible

avant et après l’apprentissage par la recherche taboue.

Avant l’apprentissage Après l’apprentissage

Figure III.21 Exemple de navigation 1 par la logique floue et la recherche

Taboue


réactifs

42


Figure III.22 Exemple de navigation 2 par la logique floue et la recherche

Taboue

III.6.3 Résultats de navigation par la logique floue et les colonies de fourmis

Nous allons appliquer le même principe de navigation et d’apprentissage avec

les algorithmes de colonies de fourmis.



fourmis


réactifs

43



fourmis

D’après ces figures, nous remarquons bien les performances et l’efficacité des

approches adoptées dans la navigation et l’apprentissage du robot mobile dans

des environnements complexes et incertains.

Notre système apprentissage navigation a été testé avec succès sur différentes

configurations de la cible et du robot ainsi que sur plusieurs environnements

distincts. Le robot arrive toujours à atteindre sa cible en évitant les obstacles

tout en choisissant le chemin le plus court possible (ça dépend aussi de la taille

du robot). L’architecture de contrôle développée présente aussi l’avantage

d’être robuste, de par son coté réactif et évolutive, de par sa conception

modulaire. Nous avons simulé le système de perception en temps réel afin de

faire émerger les attitudes réflexes du robot.

III.7. Conclusion

Pour un robot mobile, le but essentiel est de définir une stratégie qui lui permet

de rejoindre la destination finale c'est-à-dire la cible. Faire naviguer le robot en

s’approchant de la cible et en évitant tout obstacle dans un environnement

contraint est parmi les problèmes les plus complexes et la majorité des

spécialistes de la robotique mobile ont orienté leurs recherches vers cet axe

[Bou et al 07]. La nature de l’environnement détermine l’approche de

navigation utilisée ainsi pour un environnement connu ou partiellement connu

on opte pour les approches classiques dont l’implémentation est plus facile et

simple. Par contre dans un environnement réel non structuré le contrôleur du

robot doit être capable d’opérer sous des conditions d’imprécision et

d’incertitudes et de répondre d’une manière réactive à des événements imprévus

au moment de leur perception dans cas les approches de navigation avancées

sont de trajectoire pour le robot.


réactifs

44

Dans le chapitre suivant, nous allons présenter notre architecture de contrôle

pour une navigation autonome d’un robot mobile en évitant les obstacles de

différentes formes en utilisant la méthode des cycles limites et la logique floue.

Chapitre IV

Navigation d’un robot mobile par cycles –

limites et logique floue

Chapitre IV Navigation d’un robot mobile par cycles –


45

IV.1. Introduction

Dans le cas idéal d’un environnement exactement modélisé et où la cinématique du

robot est parfaitement maîtrisée les étapes de la navigation se résument simplement

comme étant la planification d’une trajectoire puis son exécution. Mais dans la réalité

nous faisons, sans nous en rendre compte, des actions extrêmement complexes lorsque

nous nous déplaçons : nous estimons notre position, nous analysons en permanence les

objets qui nous entourent et nous nous mouvons ; c’est dans cette optique que les robots

mobiles sont développés.

Dans cette partie de notre travail qui a fait l’objet d’une publication [Bou et al 14b],

nous s’intéressons à la navigation en toute sécurité d’un robot mobile en évitant tous les

obstacles rencontrés et atteignant une cible donnée.

Pour imiter les compétences d’un bon conducteur d’automobile, la logique floue est la

technique la plus convenable pour la représentation des connaissances imprécises d’un

expert. Notre travail concerne la conception d’un contrôleur flou pour la régulation et

l’optimisation des paramètres d’actions obtenus par la méthode d’évitement d’obstacle

cycle-limites améliorée [Ado 11], [Kim 03] par un robot mobile d’intérieur. Notre

intérêt est concentré sur l’optimisation du temps de traitement pour conserver l’aspect

temps réel du contrôleur conçu.

IV.2. Déscription de l’architecture de contrôle

Une architecture robotique précise autant que possible les composants logiciels et

matériels utilisés pour mettre en place un robot, et précise les modalités d’interaction de

ces composants. Dans le cadre qui nous intéresse ici, nous nous limiterons aux aspects

logiciels de cette architecture et nous considérerons des robots mettant en avant des

aspects d’autonomie décisionnelle. Les travaux de Brooks sur l’intélligence appliquée

aux robots mobiles nous ont incité à utiliser l’approche comportementale pour batir le

mécanisme d’intélligence. Il est proposé dans ce qui est suit de détailler les modules de

cette architecture en commencant par le module de perception, le module de décision

ensuite le module d’action.

Avant d’entamer la déscription des modules de notre architecture, nous allons donner

une déscription de la mission assignée pour le robot et la plate forme du robot mobile

prise en compte dans ce travail.



46

IV.2.1. Description du système robotique

Notre système est constitué d’un robot mobile non-holonome qui navigue dans un

environnement en présence d’obstacles. Le robot doit chercher une cible dont la

position est connue par le robot, ceci en évitant les obstacles statiques. Le robot exécute

les actions et adapte ses plans et ses comportements en fonction de ses objectifs et de

l’environnement tel qu’il le perçoit. Son comportement et ses réactions sont guidés par

ses objectifs.

Pour modéliser le déplacement du robot mobile en tenant compte de ces contraintes, un

repère convenable doit être judicieusement choisi. Le robot est un objet rigide se

déplaçant sur un plan horizontal avec deux degrés de liberté : le premier correspond à

un mouvement de déplacement à l’avant ou à l’arrière, tandis que le deuxième est celui

de la rotation autour d’un axe vertical.

Le robot utilisé est un robot unicycle dont le modèle cinématique s’exprime dans un

repère absolu par le système d’´equation :

(IV.1)

Où

(x, y) sont les coordonnées du robot dans le repère absolu.

θ est l’orientation du robot dans ce repère.

v et ω sont les vitesses linéaire et angulaire du robot respectivement.

Figure IV.1 La configuration cartésienne du robot



47

IV.2.2. Structure de l’architecture de contrôle proposée

Après une description générale du principe adopté dans le deuxième chapitre, les blocs

de l’architecture sont détaillés individuellement. S’inspirant d’une approche

comportementale. Elle sera composée principalement de deux contrôleurs

accomplissant deux taches élémentaires : attraction vers une cible et évitement

d’obstacles (cf. figure IV.2).

Figure IV .2 Architecture de contrôle proposée

IV.2.2.1. Module de perception

La notion de perception en robotique mobile est relative à la capacité du système à

récueillir, traiter et mettre en forme des informations utiles au robot pour agir dans le

monde qui l’entoure. Alors que pour des taches de manipulation ou peut considérer que

l’environnement du robot est relativement structuré, ce n’est plus le cas lorsqu’il s’agit

de naviguer de manière autonome dans des lieux très partiellement connus. Aussi, pour

extraire les informations utiles à l’accomplissement de sa tache, il est nécessaire que le

robot dispose de nombreux capteurs mesurant aussi bien son état interne que

l’environnement dans lequel il évolue. Le module perception a pour but d'extraire du

modèle local les informations nécessaires au robot :

pour détecter les obstacles.

pour calculer un chemin permettant de rejoindre le but en evitant les obstacles.

IV.2.2.2. Module de décision

En fonction du comportement déclenché, un module d’action associé à un

comportement donné détermine une réponse adaptée à la situation dans laquelle se

trouve l’agent-robot. La réponse de l’agent robot en fonction de la granularité du

comportement [ARK 98]. Dans notre application, ce module se compose des

comportements suivants : Attraction vers la cible, Evitement d’obstacles et Sélection

d’action.

Per

cep

tio

n

Evitement

D’obstacle

Contrôleur

flou

Attraction vers la cible

Sélection

d’action

Robot

N

d

C1

C2

C



48

Comportement d’attraction vers la cible

Le robot se déplace dans l’éspace de recherche depuis sa position initiale vers la cible.

Le but de cette comportement est d’atteindre une cible bien précise tout en évitant les

obstacles statiques. La méthode qu’on va utiliser pour réaliser ce comportement est la

méthode on-line (cf. chapitre III) .

Figure IV.3 Trajectoire du robot dans un environnement sans obstacles par la méthode

on-line

Comportement d’évitement d’obstacles

L’évitement d’obstacles est un comportement de base devant être présent dans tous les

robots mobiles. En effet le caractéristique de mobilité impose que le robot doit pouvoir

agir dans un environnement, c’est pourquoi tous les robots mobiles sont quasiment

équipés de capteurs permettant de détecter les obstacles. Dans la litérature, il existe de

nomreux travaux sur l’évitement d’obstacles (cf.chapitre II) dont l’objectif est de

garantir le maximum de sécurité aux robots mobiles en cours de navigation.

Module sélection d’action

C’est une collection des comportements prédéfinis, tel que l’attraction vers une cible et

l’évitment d’obstacle, tout en respectant un ordre de priorité : dans le cas où l’agent

robot est confronté entre deux cas : atteindre le but (zone d’agrégat) et l’évitement d’un

obstacle, dans ce cas le robot doit premièrement éviter l’obstacle, ensuite continuer le

déplacement.

IV.2.2.3. Module d’action

Il s’agit alors de veiller à réaliser le mouvement ou le déplacement et suivre les

consignes de vitesses reçues en appliquant par exemple le type de commande adapté.



49

IV.3 La méthode d’évitement d’obstacle : Cycles-Limites

Parmi les méthodes d’évitement d’obstacles utilisées, nous trouvons celle du cycles-

limites proposé par kim [Kim03] et amélioré par [Ado 09]. En plus de l’évitement

d’obstacle, elle permet de définir une distance que le robot garde avec l’obstacle durant

ette phase, ce qui offre l’assurance de ne pas trop s’en approcher. Aussi connaissant la

position de sa cible, le robot peut choisir le coté d’évitement optimal lui permettant de

l’atteidre plus rapidement.

L'algorithme proposé est très simple, c’est une amélioration de l’algorithme donné par

Adouane [Ado 11]: le robot cherche à se déplacer vers une zone d'espace libre selon une

direction privilégiée. Le comportement est purement réactif et permet d'appréhender des

obstacles de forme particulière ou n’importe quelle forme. Au niveau de l'architecture,

cela se traduit par l'utilisation d'un module de perception créant une représentation

locale de l’environnement par un cercle limite. Pour accomplir la tache d’évitement, il

est impératif de définir trois étapes essentielles [Ben et al 10] :

Détecter l’obstacle à éviter ;

Choisir une direction d’évitement (trigonométrique ou anti-

trigonométrique) ;

Définir un critère pour évaluer si l’obstacle est considéré comme étant évité.

Lorsque le robot détecte un obstacle, il calcule un point de référence de l’obstacle (c’est

l’intersection de la ligne droite qui mène à la cible avec l’obstacle), le robot entoure le

point d’intersection par un cercle. Cette stratégie d’évitement est donnée par

l’algorithme suivant :

Entourer l’obstacle par un cercle de rayon Rcl =RR+ tel que >ε.

La direction d’évitement est choisie selon les informations prévenant des

capteurs (localisation du robot et de la cible).

Le robot évite l’obstacle en suivant un cycle limite à rayon

𝑅𝑐 = 𝑅𝑐𝑙 − 𝜀 𝑃ℎ𝑎𝑠𝑒 𝑑′𝑎𝑡𝑡𝑟𝑎𝑐𝑡𝑖𝑜𝑛

Le robot entame la sortie de la zone d’influence de l’obstacle en suivant un cycle

limite 𝑅𝑐 = 𝑅𝑐𝑙 + 𝜀 𝑃ℎ𝑎𝑠𝑒 𝑑𝑒 𝑟é𝑝𝑢𝑙𝑠𝑖𝑜𝑛 ;

Tel que :

RR : c’est le rayon de robot.

: est une marge constante fixée empiriquement.



50

(a) avant la navigation (b) après la navigation

Figure IV.5. Evitement d’obstacles de forme quelconque

Robot Obstacle

Cible

Rr

Figure IV.4 Le principe de la méthode des cycles-limites

Robot Obstacle

Cible Rcl



51

V.3.1. Configuration du robot pendant l’évitement d’obstacles

La configuration du robot par rapport à l’obstacle détecté et à la cible est décrit par la

figure suivante :

DROi: c’est la distance entre le centre du robot et le centre du rayon des cycles limite

d’obstacle,

DPROi : c’est la distance perpendiculaire entre le centre du rayon de cycle limite de

l’obstacle et la ligne.

DTOi : la distance entre le centre du rayon de l’obstacle et le centre de la cible.

Toutes ces différentes étapes doivent être suivies et appliquées, tout en garantissant que

la trajectoire du robot est sûr et sans heurts, et évite des situations indésirables comme

l’interblocage ou minima locaux [Ado 09].

Le robot choisit le sens horaire ou anti horaire selon la position de la cible ;

Figure IV.6 Les perceptions utilisées pour la navigation robot mobile



52

Figure IV.7 Le sens d’évitement d’obstacles

Les mesures nécessaires pour bien mener le robot vers la cible sont données par

l’algorithme suivant :

1. Pour chaque temps échantillonnage, obtenir la distance DROi et la distance

perpendiculaire Rcl pour chaque obstacle potentiellement contraint (c’est-à-dire

DRoi Rcl )

2. parmi l’ensemble des obstacles contraints (ce qui peut contraindre le robot à

atteindre la cible), choisissez le plus proche du robot (selon la mesure de DROi).

L’obstacle est spécifié par les caractéristiques suivantes : le rayon Ro et la position

(Xobst, Yobst).

3. Après la détermination des contraintes de l’obstacle le plus proche, nous avons

besoin d’obtenir quatre domaines spécifiques (Figure IV.7.) qui donnent le

comportement du robot : l’évitement d’obstacle dans le sens horaire ou antihoraire,

la phase de répulsion ou attraction. Pour faire la distinction entre ces quatre zones,

nous devons :

Définir un cadre de référence spécifique qui a les caractéristiques

suivantes:

L’axe Xo relie le centre de l’obstacle (Xobst, Yobst) au centre de

la cible. Cet axe est orienté vers la cible.

L’axe Yo est perpendiculaire à l’axe Xo et il est orienté en

suivant la convention trigonométrique.

Appliquer le changement de cadre de référence de coordonnées du

position du robot (X0, Y0) (donné dans le repère absolu) vers la

référentiel lié à l’obstacle (X0, Y0) .



53

La méthode des cycles-limites prend différents rayons afin de garantir la régularité de

la trajectoire. Le signe de Yo donne la bonne direction pour éviter l’obstacle, en fait, si

(Yo 0) appliquer le sens horaire de cycle limite sinon appliquer le sens antihoraire. Ce

choix permet d’optimiser la durée de la trajectoire du robot.

IV.4. Simulation et Résultats de navigation en utilisant la méthode des cycles-

limites

Avant toute phase d'application effective d'une architecture de contrôle, il est nécessaire

de passer par une phase de simulation pour la valider, la tester et pour ajuster ses

paramètres. A travers la simulation informatique on peut étudier un système réel pour

comprendre son fonctionnement interne et pour prévoir ses changements sous certaines

conditions. Les expérimentations de simulation se font à travers un simulateur qui est

une implémentation d'un modèle du système réel.

Les figures présentent des exemples de navigation dans un environnement 2D contenant

plusieurs obstacles statiques de formes circulaires. Pour montrer la performance et

l’efficacité de l’approche utilisée, nous avons réalisé plusieurs essais de navigation dans

différents environnements plus au moins complexes et très différents en changeant

chaque fois la position du robot, la cible et la position des obstacles.

(a1) trajet du robot et évitement d’un seul obstacle

( b1) changement d’orientation de l’angle du robot lors de l’évitement

Figure IV.8 Environnement de simulation1(a1) et (b1)



54

( a2) trajet du robot et évitement de 4 obstacles

( b2) le changement d’orientation de l’angle du robot lors de l’évitement

Figure IV.9 ( a2) et (b2) Environnement2

Nous constatons les differentes oscillasions de l’angle du robot lors de l’évitement des

obstacles.

(a3)



55

(b3)

Figure IV.10 (a3) et (b3) Environnement de simulation 3

En pratique, la méthode cycle limite est une bonne méthode, elle donne des résultats

satisfaisants mais malheureusement ces résultats ne sont pas toujours optimaux. Dans le

but d’augmenter l’efficacité de la méthode cycle limite, nous avons opté pour une

hybridation avec contrôleur flou pour optimiser son fonctionnement.

Figure IV.11. Evitement d’obstacles avec oscillations



56

IV.5. Solution proposée par la logique floue

Nous proposons d’ajouter au module évitement d’obstacle un sous-module basé sur un

contrôleur flou qui permet de normaliser le changement d’orientation du robot lors

de l’évitement et rendre le mouvement du robot plus flexible.

Le contrôleur a 3 entrées :d, ∆θ, N et une sortie normalisé.

Où

: est la distance de séparation minimale que le robot doit respecter pour

éviter de renter en collision avec l’obstacle

: est le changement d’orientation

: est le nombre de changement de par unité de temps

Le contrôleur flou développé est une version classique, utilisée pour les processus de

type multi-entrées, multi-sorties. Les contrôleurs de ce type utilisent l’approche de

Mamdani [Mam 77], [Aco 97] dans laquelle chaque règle est représentée par une

conjonction (minimum) et l’agrégation des règles par une disjonction (maximum).

Figure IV.12 Le contrôleur flou pour la régulation de l’orientation du robot

Fuzzyfication

Règles d’Inférence

Fonctions

d’appartenance

d’entrée

Evaluation des

règles d’inférence

Fonctions

d’appartenance de

sortie

Deffuzzyfication

N

D

Entrées floues

Sorties Floues

Normalisé

y imputs



57

En se basant sur les caractéristiques techniques du robot, la conception du contrôleur

flou est proposée en définissant les propriétés fonctionnelles et opérationnelles ci-

dessous :

Fonctions d’appartenance

Consiste à spécifier le domaine de variation des variables : l’univers de discours (sous

ensemble flous ou valeurs linguistiques). Cette répartition, qui consiste à fixer le

nombre de ces valeurs et les distribuer su le domaine, est faite en se basant sur des

connaissances du système et selon la précision désirée. Les fonctions d’appartenance

des variables d’entrée et de sortie sont explicitées dans les figures qui suivent.

Figure IV.13 Représentation des sous ensembles flous de la distance

La figure IV.13 représente les fonctions d’appartenance de la distances d qui est évaluée

par rapport aux deux sous-ensembles flous P et L, qui correspondent respectivement à

Prés et Loin.

Figure IV.14 Représentation des sous ensembles flous de N

La figure IV.14 représente les fonctions d’appartenance de N qui est évaluée par rapport

aux deux sous-ensembles flous Petit et grand.

0 d d1 d2 d (unités)

Près Loin 1

Degré d'appartenance

Petit Grand 1


0 n1 n2 N



58

Figure IV.15 Représentation des sous-ensembles flous de

La figure IV.15 représente les fonctions d’appartenance du changement d’orientation

du robot qui est représenté par cinq intervalles flous : GG (gauche grand), GP (gauche

petit), Z (zéro), DP (droit petit), DG (droit grand).

Figure IV.16. Représentation des sous-ensembles flous de normalisé

La figure IV.16 représente les fonctions d’appartenance du changement de l’angle

d’orientation normalisé du robot qui est représenté par cinq intervalles flous : GG

(gauche grand), GP (gauche petit), Z (zéro), DP (droit petit), DG (droit grand),

TdP(droit très petit) et TGP(tés petit gauche).

Règles d’inférence

Cette étape, concerne l’élaboration des règles, pour définir le comportement attendu du

robot selon ses paramètres intrinsèques. Pour chacune des combinaisons des valeurs des

variables d’entrée, une action sur les variables de sortie lui est associée. En totalité on

obtient 20 règles floues. Le tableau suivant résume l’ensemble des règles :


GG GP Z DP DG

-60 -30 0 30 60 ( degré)

-60 -30 -10 5 0 5 10 30 60 (degrés)

GG GP TGP Z TDP DP DG


1



59

Tableau IV.1. Règles d’inférences

La Déffuzzyfication

Après avoir mis en place les fonctions d’appartenance et établir les règles d’inférence

définissant le comportement du contrôleur, on passe à choisir une méthode de

Déffuzzyfication. Cette dernière permet de transformer les valeurs de commande du

domaine flou vers le domaine réel (variables physiques). Nous avons opté par la

méthode de Déffuzzyfication dite "méthode de centre de gravité discret». Ce choix est

généralement conditionné par un compromis entre la facilité d’implémentation et

performance de calcul [Buh 94].

D

N

normalisé

SI

L GG P

alors

GP

L GP P Z

L Z P Z

L DP P Z

L DG P DP

L GG G TPG

L GP G Z

L Z G Z

L DP G Z

L DG G TPD

P GG G GP

P GP G TPG

P Z G Z

P DG G DP

P DP G TPD

P GG P GP

P GP P TPG

P Z P Z

P DG P DP

P DP P TPD



60

Variables Valeur Ensemble flou Valeur de vérité

Distance 0.3 unités Prés 1

D Loin 0

N 2 Petit 1

Grand 0

GG 0

L’orientation GP 0

60° Z 0

DP 0

DG 1

Tableau IV.2. Déffuzyfication des variables floues

IV.6. Simulations et Résultats par l’hybridation des cycles-limites et la logique

floue

Dans le but de tester et valider les solutions obtenues, plusieurs tests de navigation ont

été simulés pour différentes configurations de la cible et du robot et sur plusieurs

environnements différents. Les figures décrites ci-dessous montrent le chemin pris par

le robot pour atteindre sa cible avant et après la correction par la logique floue.

Figure IV.17. Scénarion de navigation de l’environnement de simulation 1 sans

l’utilisation du contrôleur flou



61

Figure IV.18. Scénarion de navigation de l’environnement de simulation 1 aprés

l’utilisation du contrôleur flou

Figure IV.19. Scénarion de navigation de l’environnement de simulation 2 sans

l’utilisation de contrôleur flou



62

Figure IV.20. Scénarion de navigation de l’environnement de simulation 2 aprés

l’utilisation de contrôleur flou

IV.7. Conclusion

Dans ce chapitre, nous avons développé une architecture de contrôle comportementale

pour une navigation autonome d’un robot mobile dans un environnement contraint en

évitant toute collision avec des obstacles statiques. Nous nous sommes surtout

intéressées au module d’évitement d’obstacle dans cette architecture. Pour ce but, nous

avons implémenté une approche hybride basée sur la méthode des cycles-limites et un

contrôleur flou. Le but de cette combinaison est de rendre l’évitement plus souple en

réduisant le nombre de changement d’orientation lors de l’évitement [Bou et al 14b].

Dans le chapitre suivant, nous allons expérimenter notre contrôleur flou sur un robot

réel Thymio II afin de valider l’approche proposée.

Chapitre V

La navigation autonome d’un groupe de robots

mobiles Thymio II

Chapitre V La navigation autonome d’un groupe de robots

mobiles Thymio II

63

V.1. Introduction

Ce chapitre aborde le problème de navigation d'un système robotique en environnement

dynamique et incertain. Plus particulièrement, il s'intéresse à la détermination du

mouvement pour un robot, permettant de rejoindre une position donnée tout en assurant

sa propre sécurité et celle des différents agents qui l'entourent. Pour atteindre ces

objectifs, nous avons adopté un contrôleur flou pour la navigation et l’évitement

d’obstacle statiques et dynamiques (les autres robots), en tenant compte de la nature

changeante de l’environnement. L’approche a été expérimentée et validé sur un

ensemble de robots Thymio II. Comme champ d’application, nous avons choisi le

problème de stationnement parking. Ce travail a fait l’objet d’une autre publication

[Bou et al 14a].

V.2. Présentation du robot Thymio II

Notre objectif est le développement d’un outil d’évitement d’obstacle simple et

totalement réactif qui peut être implémenté sur le robot ThymioII.

Thymio II est une évolution du robot Thymio, les deux développés dans le cadre d'une

collaboration entre l'Ecole Polytechnique Fédérale de Lausanne (EPFL groupe

MOBOTS) et l'École Cantonale d'Art de Lausanne (ECAL). Pour Thymio II, le

développement a été réalisé dans le cadre du programme NCCR (The National Centre

of Competence in Research) Robotics et l'association Mobsya a contribué au

développement et gère sa production [web1]. L'objectif du projet Thymio II est de

permettre au grand public d'accéder à la robotique par un robot programmable et riche

en possibilités, afin de permettre l'exploration des technologies liées à la robotique.

Accessoirement cet objectif peut s'appliquer de façon plus spécifique aux écoles, avec

l'utilisation de la robotique comme outil pédagogique.

Figure V.1. Robot Thymio II

Le Thymio II est un robot éducatif. Il se base sur trois piliers:

http://www.epfl.ch/

http://mobots.epfl.ch/

http://www.ecal.ch/

http://www.nccr-robotics.ch/

http://www.nccr-robotics.ch/

http://www.mobsya.org/


mobiles Thymio II

64

Une grande quantité de capteurs et d'actionneurs ;

Une interactivité très poussée, surtout en ce qui concerne la compréhension du

fonctionnement des capteurs ;

Une programmation facile grâce à l'environnement d'Aseba.

V.2.1.Capteurs et actionneurs

Thymio II dispose d'un grand nombre de capteurs et d'actuateurs :

Les capteurs de proximité. Ils permettent de mesurer s'il y a un objet à

proximité. Ils fonctionnent en émettant de la lumière infrarouge et en mesurant

combien de lumière retourne en arrière. S'il y a un objet en face, il va réfléchir

de la lumière en arrière.

Les accéléromètres Thymio possèdent un accéléromètre 3 axes.

Un capteur de température (un thermomètre électronique).

Un microphone, qui permet de percevoir des sons.

Figure V.2. Configuration du robot Thymio II

https://aseba.wikidot.com/fr:thymio#anchor-interact

https://aseba.wikidot.com/fr:thymioprogram



mobiles Thymio II

65

V.2.2. Interactivité

L'interactivité apparaît à différents niveaux:

les boutons capacitifs,

les couleurs du corps,

les LEDs colorées associées à chaque capteur.

Figure V.3 Les LEDs colorées

V.3. Environnement de Programmation Aseba

Aseba est un ensemble d'outils permettant à des novices de programmer des robots

facilement et efficacement. Pour ces raisons, Aseba est bien adapté à la recherche et

l'enseignement en robotique. Aseba est open-source.

Figure V.4. Environnement Aseba



mobiles Thymio II

66

Aseba est disponible sur plusieurs robots: Thymio II, MarXbot, Handbot et epuck ,

Techniquement, Aseba est une architecture de contrôle distribuée de robot mobile,

basée sur des événements. Aseba vise les robots à plusieurs micro-contrôleurs ou les

groupes de robots à simple micro-contrôleurs, réels ou simulés. Le cœur d'Aseba est une

machine virtuelle légère, suffisamment compacte pour fonctionner sur micro-

contrôleurs. Aseba permet de programmer les robots dans un langage ergonomique et

simple d'accès, à partir d'un environnement de développement intégré. Aseba est

intéressant dans divers contextes :

Dans un robot multi-micro-contrôleurs, Aseba permet d'exploiter la puissance de

calcul périphérique des micro-contrôleurs, et fournit une modularité matérielle,

une faible latence entre la perception et l'action, ainsi qu'un usage économique

de la bande passante du bus du robot. De plus, le langage de programmation

facile à comprendre permet un développement rapide des comportements du

robot.

En robotique collective, Aseba améliore l'efficacité du processus de

développement en permettant d'éditer concurrentiellement le programme des

robots et en permettant de débugger en parallèle sur tous les robots.

Dans l'éducation, le langage facile à apprendre d'Aseba, son environnement de

développement intégré ergonomique.

Figure V.5. Aseba Studio pour Thymio II

https://aseba.wikidot.com/fr:thymio

http://mobots.epfl.ch/marxbot.html

http://mobots.epfl.ch/handbot.html

https://aseba.wikidot.com/fr:e-puck


mobiles Thymio II

67

V.4. Approche de navigation proposée

Notre système est constitué d’un ensemble de robots mobile Thymio II [Web2] qui

naviguent dans un environnement dynamique et incertain. Les robots doivent explorer

l’environnement et chercher une place pour stationner, Ceci en évitant les obstacles

statiques et dynamiques (les autres robots). Chaque robot du groupe exécute les actions,

adapte ses plans et ses comportements en fonction de ses objectifs et de l’environnement

tel qu’il le perçoit. Son comportement et ses réactions sont guidés par ses objectifs.

Pour que chaque robot Thymio II arrive à éviter les obstacles statique et dynamique et

faire l’agrégation (dans notre cas, stationnement aux zones limite de l’espace de

configuration) nous avons développé un système de contrôle réactif en utilisant la

logique floue (figure V.6). Notre système met en œuvre une stratégie de contrôle

purement réactive en ce sens que le robot réagit immédiatement en fonction de

l’'environnement. Le but de ce système flou sera de décider de la vitesse des deux roues

du robot afin que celui-ci ne percute aucun obstacle et aller vers son objectif.

Figure V.6. Contrôleur de navigation pour le robot Thymio II

Le système de contrôle flou est constitué de deux modules basés sur les données

d’entrées sensorielles du robot Thymio II :

Module d’évitement d’obstacle ;

Module d’agrégation.

Ce système flou détermine la vitesse des roues droite et gauche motor_right_target (B) et

motor_left _target (A) en fonction de la distance des obstacles autour du robot mesuré

par les capteurs S0, S1, S2, S3, S4 et deux valeurs données par les capteurs du sol DS1

et DS2. Les distances mesurées par les capteurs sont présentées dans le tableau suivant :

Thymio possède sept capteurs de distances présentés par la variable prox.horizontal.

Évitement

d’obstacle

dG

dMG

dF

dMd

dD

DG1

DG2

A

B

B

Agrégation DS1

DS2


mobiles Thymio II

68

prox.horizontal[S0] : avant gauche

prox.horizontal[S1] : avant milieu-gauche

prox.horizontal[S2] : avant milieu

prox.horizontal[S3] : avant milieu-droite

prox.horizontal[S4] : avant droite

prox.horizontal[S5] : arrière gauche

prox.horizontal[S6] : arrière droite

Figure V.7. Configuration des capteurs de distance du robot Thymio II

Dans le cas des données relatives aux capteurs, L’action réflexe du robot est déduite de

l’analyse de données suivant les cinq cotés du robot (dG, dMG, dF, dMD, dD : les

distances par rapport aux obstacles) et pour détecter le but par les deux valeurs de ces

capteurs de sol S7, S8.

V.4.1. Module d’évitement d’obstacles

Dans cette section, nous allons décrire les différentes étapes du contrôle flou pour

l’évitement d’obstacles (Fuzzification, Inférence flou et Déffuzzyfication).

Fuzzyfication des données d’entrée

Il s’agit de la fuzzyfication des distances : dG, dMG, dF, dmd et dD.

Le même modèle de fuzzyfication sera donné aux différentes distances mesurées par les

capteurs. Les distances sont représentées par la variable proxy_horizontal. Des fonctions

d’appartenances (prés (P)-loin (l)) ont été fixées après plusieurs tests et expérimentations.

S4

S3

S2

S1

S0

S6 S5


mobiles Thymio II

69

Figure V.8. Représentation des sous ensembles flous de la distance

Cette figure représente la quantification des distances mesurées par les différents

capteurs.

Fuzzyfication des données de sortie

Il s’agit de la fuzzyfication de la vitesse des roues droite et gauche motor_right _target

et motor_left _target. La première valeur correspond à la roue gauche et la deuxième

à la roue droite. Les valeurs peuvent aller de -500 à 500. Une valeur de 500 correspond

à une vitesse linéaire de 20 cm/s.

Figure V.9. Représentation des sous-ensembles flous de la sortie motor-target

La variation de la vitesse motor_right_target et motor_left_target sont décrites par trois

sous-ensembles: Dacc (diminuer la vitesse), Zacc (pas de changement de vitesse) et Acce

(augmenter la vitesse).

Inférence floue

Cette étape, concerne l’élaboration des règles, pour définir le comportement attendu du

robot selon ses paramètres intrinsèques. Pour chacune des combinaisons des valeurs des

variables d’entrée, une action sur les variables de sortie lui est associée.

Près Loin

1

Degré

d'appartenance

0 04 08 12 prox_horizontal (unités) cm

-20 0 20 (cm/s)

Dacc Zacc Acce

1

Degrés d’appartenance


mobiles Thymio II

70

Selon le degré d’appartenance des différentes distances de capteurs, nous allons

commander le robot par le contrôle des vitesses : motor_right_target et

motor_left_target.

Pour le robot, Nous pouvons définir les situations suivantes :

Tableau V.1. Les huit situations d’évitement d’obstacles.

Pour chaque situation, nous définissons un ensemble de règles selon les distances

d’obstacles, nous avons huit cas de situation.

Situation1 : « Evite prés devant »

On arrête le mouvement de translation du robot et on demande soit :

Une rotation à droite.

Une rotation à gauche

Une rotation d’un demi-tour.


mobiles Thymio II

71

dG

dMG

dF

dMD

dD

alors

Action

SI

L

L

P

L

L

Tourner à droit

Motor_left_target 200

Motor_right_target -200

ou

Tourner à gauche

Motor_left_target -200

Motor_right_target 200

ou

Demi tour

Motor_left_target -200

Motor_right_target -200

Situation 2 : « Evite prés gauche »

Pas de consigne pour la vitesse de translation et on demande soit :

Tourner à droite.

Pas de changement

dG

dMG

dF

dMD

dD

alors

Action

SI

P

L

L

L

L Tourner à droite

L P L L L Motor_left_target 200

P P L L L Motor_right_target -200

Situation 3 : « Evite près droit »

Une rotation vers la gauche.

Pas de changement

dG

dMG

dF

dMD

dD

alors

Action

SI

L

L

L

P

L Tourner à gauche

L L L L P Motor_left_target -200

L L L P P Motor_right_target 200


mobiles Thymio II

72

Situation 4 : « Couloir »

Pas de changement pour les consignes d’actionnaires

dG

dMG

dF

dMG

dD

alors

Action

SI

L

P

L

L

P

avancer

L P L P L

L P L P P

P L L L P

P L L P L

P L L P P

P P L L P

P P L P L Motor_left_target 200

P P L P P Motor_right_target 200

Situation 5 : « blocage »

On arrête le mouvement de translation du robot et on demande au robot de faire un demi

tour.

dG

dMG

dF

dMD

dD

alors

Action

L

P

P

P

L

Demi tour P L P L P

P L P P P

P P P L P Motor_left_target -200

P P P P P Motor_right_target -200

Situation 6 : « Coin gauche »

On arrête le mouvement et on demande soit :

Une rotation à droite.


mobiles Thymio II

73

dG

dMG

dF

dMD

dD

alors

Action

L

P

P

L

L

Tourner à droite P L P L L

P P P L L

P L P P L Motor_left_target 200

P P P P L Motor_right_target -200

Situation 7 : « Coin droit »

On arrête le mouvement et on demande soit :

Une rotation à gauche.

dG

dMG

dF

dMD

dD

alors

Action

L

L

P

L

P

Tourner à gauche L L P P L

L L P P P

L P P L L Motor_left_target -200

L P P P P Motor_right_target 200

Situation 8 :

Le robot continue son trajet.

dG

dMG dF dMD dD

alors

Action

SI

L

L

L

L

L

avancer

Motor_left_target 200

Motor_right_target 200

La défuzzyfication

Après avoir mis en place les fonctions d’appartenance et établi les règles d’inférence

définissant le comportement du contrôleur, nous passons à l’étape défuzzyfication. Elle

permet de transformer les valeurs de commande du domaine flou vers le domaine réel

(variables physiques).


mobiles Thymio II

74

V.4.2. Module d’agrégation

L’objectif de ce module est de faire arrêter le robot à la zone limite de l’espace de

configuration. Pour définir ces bords, nous avons utilisé une autre couleur (couleur noire)

assez différente en intensité lumineuse de la couleur de l’intérieur de l’environnement.

Ainsi les capteurs de sol du robot Thymio peuvent les détecter facilement. Les variables

mesurées par ces capteurs de sol sont :

1. prox.ground.ambiant : intensité lumineuse ambiante au sol, varie entre 0 (pas de

lumière) et 1023 (lumière maximale)

2. prox.ground.reflected : quantité de lumière reçue pendant que le capteur émet de

l'infrarouge, varie entre 0 (aucune réflexion) et 1023 (lumière maximale)

3. prox.ground.delta : différence entre la lumière réfléchie et la lumière ambiante, liée

à la distance et à la couleur du sol.

Figure V. 10. Représentation des sous ensembles flou de la lumière réfléchie par le sol

La variation de la lumière réfléchie par le sol est décrite par deux sous-ensembles: Au

bord et intérieur.

V.5. Expérimentations et résultats

Dans cette section, nous allons procéder à l’évaluation de l’approche adaptée par

l’expérimentation sur un ensemble de robots Thymio II (4 robots).

La figure V.11 montre l’environnement d’expérimentation

800 1023 lumière réfléchie par le sol

Au

bord

Interieur

Degré

d’appartenance


mobiles Thymio II

75

Figure V.11. Environnement de Thymio II

Les scènes de l’expérimentation sont filmées par plusieurs caméras fixées et

chronomètrées. Nous montrons plusieurs cas d’expérimentations sur des

environnements plus au moins complexes pour valider l’approche proposée (figures

V.12-V.15 ).

Dans cette figure le robot va choisir de tourner à gauche ou à droite.

Figure V.12. Navigation et évitement d’obstacle dans un environment 1.

Robot

Thymio

Bords de

l’environnement

Obstacles

Espace de navigation


mobiles Thymio II

76

Figure V.13. Navigation et évitement d’obstacle dans un environment 2.

Le robot a détecté deux obstacles de son coté gauche et son coté droit, il termine son

chemin (couloir).

Figure V.14. Navigation, évitement d’obstacle dans l’environment 3.

Figure V.15. Navigation et évitement d’obstacle dans l’environnement 4.

La figure V.15 est constituée de quatre robots, chaque robot évite les obstacles statiques

et les autres robots.

Les traits en couleurs représentent les traces d’évolution des robots.


mobiles Thymio II

77

Pour les différents cas expérimentés, nous avons constaté que l’approche proposée est

valide et éfficace. Le robot ThymioII arrive à naviguer toujours de façon très fléxible et

sécurisé en évitant les différents obstacles statiques et dynamiques rencontrés et

s’arréter au bord de l’environnement.

V.6. Conclusion

Le problème de navigation des robots mobile dans un environnement incertain, est un

des plus importants et récents problèmes de la robotique mobile. Plusieurs recherches

ont été faites pour résoudre ce problème, Dans ce travail, nous avons présenté une

solution à ce problème par le développement d’un contrôleur de navigation flou dédié

pour des robots bon marché tel que Thymio II sous l’environnement Aseba. Les

résultats d’expérimentation obtenus sont satisfaisants et valident l’approche proposée du

fait que le robot navigue de façon autonome et sécurisée malgré la complexité de

l’environnement [Bou et al 14a].


78

Conclusion générale

Nos travaux de recherches traitent la problématique de la navigation autonome

des robots mobiles dans des environnements dynamiques et incertains. Ce cadre

est défini par les spécificités des systèmes considérés et des applications

envisagées, que nous pouvons résumer par la navigation pour robot mobiles à

proximité des obstacles.

Dans le cadre de cette problématique, notre travail de thèse se résume à travers

les aspects suivants :

Tout d’abord, nous nous sommes intéressées à l’état de l’art de la

robotique mobile, ses problématiques et les solutions apportées

actuelles, nous vous avons présenté également un panorama des

architectures de contrôle dont la portée va au delà de leur

application en robotique mobile.

Ensuite, le troisième chapitre traite le problème de la navigation

ainsi qu’un panorama des stratégies d’évitement d’obstacles

existant dans le monde de la robotique mobile.

Dans le chapitre suivant, nous avons présenté notre architecture

de contrôle pour une navigation autonome d’un robot mobile en

évitant les obstacles de différentes formes en utilisant la méthode

des cycles limites et la logique floue.

Dans le cinquième chapitre, nous avons expérimenté notre

contrôleur flou sur un robot réel Thymio II afin de valider

l’approche proposée.

CONTRIBUTIONS

Nos contributions portent sur le développement de nouvelles méthodes inspirées

de l’intelligence artificielle permettant de résoudre certaines de ces

fonctionnalités et assurant une navigation optimisée avec un évitement

d’obstacles en toute sécurité quelque soit ses formes.

nous avons développé et implémenté des architectures de contrôle

comportementales, basées sur un contrôle flou, permettant à chaque

étape de navigation de sélectionner le comportement adéquat à exécuter

par le robot mobile afin d’atteindre la configuration désirée. Ces

architectures de contrôle ont été testées avec succès sur différentes

configurations de la cible et des robots ainsi que sur plusieurs

environnements distincts. Les robots arrivent toujours à atteindre la cible

en évitant les obstacles. Les architectures de contrôle développées

présentent aussi l’avantage d’être robustes, de par leur cotés réactifs et

de par leur conception modulaire.


79

Pour optimiser la trajectoire du robot mobile lors de sa navigation

(choisir le plus court chemin), nous avons ajouté au contrôleur flou un

module d’optimisation basé sur des métaheuristiques à recherche locale

et à recherche globale : recherche taboue [Bou et al 07] et algorithme de

colonie de fourmis respectivement. Nous avons privilégié, par rapport à

l'ensemble des méthodes d’apprentissage et d'optimisation possibles, le

recours à des méthodes basées sur la minimisation d'une fonction de

coût. Ceci est dans l'objectif que l'étape d'optimisation est d'obtenir la

meilleure commande possible du processus en s'imposant la contrainte

que cette optimisation ne détruise pas la lisibilité et la cohérence logique

des règles d’inférence.

Une nouvelle méthode d’évitement réactif d’obstacles pour des systèmes

robotiques non-holonomes a été proposée et développée. Cette méthode

est inspirée de la méthode des cycles- limites développé par [Kim 03],

[Ado 09]. Dans sa version de base, cette méthode prend en considération

seulement les obstacles de formes circulaires. Dans notre version de

cycles-limites [Bou et al 14b], nous pouvons considérer n’importe quelle

forme. Malgré ces améliorations cette méthode présente des oscillations

de mouvement lors de l’évitement. Pour pallier à ce problème, nous

avons hybridé cette méthode avec un contrôleur flou permettant de

réduire le nombre de ces oscillations et rendre la trajectoire plus souple.

Les résultats trouvés par cette nouvelle approche hybride : cycles-limites

floue prouve la performance de la logique floue dans la régulation et

l’évitement d’obstacle.

Nous avons présenté une solution au problème de navigation et

évitement d’obstacles par le développement d’un contrôleur de

navigation flou dédié pour des robots bon marché tel que Thymio II sous

l’environnement Aseba évoluant dans des environnements variés [Bou et

al 14a]. Les résultats d’expérimentation obtenus sont satisfaisants et

valident l’approche proposée du fait que le robot navigue de façon

autonome et sécurisée malgré la complexité de l’environnement. Ces

résultats montrent la maturité du contrôle proposé et sa capacité à

résoudre des problèmes réels.

Tous ces contributions ont été valorisé par des publications dans des journaux à

commuté de lecture et communications internationaux. La figure suivante

résume l’ensemble de ces travaux.


80

Figure.1. Résumé des contributions et travaux

Architecture de contrôle

floue pour navigation et

évitement d’obstacle :

Rencontre francophones

sur la logique floue et ses

applications, Nîmes ,22-

23 novembre 2007

LFA’07

Contrôleur flou pour la

navigation autonome d’un

groupe de robots mobile Thymio

II :

International Conference on

Intelligent Information and

Network Technology, settat

Morocco, Novembre 2013.

Contrôleur flou pour la

navigation autonome d’un

groupe de robots mobile

Thymio II :

International journal

Technologies in web

Intelligence, Volume 6,

Number 1, February 2014.

L’hybridation de la

méthode des cycles limites

et la logique floue pour

une navigation autonome

d’un robot mobile :

International Journal

Intelligent Systems and

Applications, Volume 6,

Number 7, Juin 2014.

Contrôleur flou pour le

problème de parking d’un

groupe de robots et mobile

Thymio II :

2014 2nd International

Conference on Electronics

Engineering and

Technology, Dubai.UAE.

Certificat pour meilleure

présentation :

2014 2nd International

Conference on Electronics

Engineering and Technology,

Dubai.UAE


81

Perspectives

Plusieurs perspectives sont envisageables suite à nos travaux. Ces pers sont

résumées par les points suivants : résume l’ensemble de ces perspectives:

Figure.2. Résumé des travaux futurs

Navigation et Evitement d’obstacle

Expérimenter les approches d’évitement d’obstacle et

de navigation sur des robots réels tels que Khépéra ou

Pioneer.

Etudier la stabilité d'un système robot-cycles-limites

dans différents contexte de navigation.

Utilisation de la méthode des cycles-limites pour un

groupe de robots mobiles dans un environnement

incertain et dynamique.

Application

Envisager les robots mobiles Thymio II dans d’autres

applications tels que les problèmes de manipulation

des objets, le tri, la surveillance, distribution

courrier...etc.

Robotique en Essaim

Etudier le déplacement en formation d’un groupe de

robots mobiles de type Thymio II dans un

environnement contraint par un contrôleur flou hybridé

avec des approches de l’intelligence en essaim.

Annexes

Annexes

82

Annexe A

La logique floue

A.1. logique floue

La théorie classique des ensembles et la logique classique ont montré leur

incapacité à modéliser les notions vagues du langage naturel qui arrive à décrire

parfaitement le monde réel qui lui-même est d'essence imprécise et incertaine.

La logique floue est définie comme un formalisme permettant de construire une

transformation continue entre un espace d’entrée et un espace de sortie à l’aide

de connaissances fournies par le concepteur et exprimées sous formes de règles.

La transformation obtenue peut être facilement éditée, modifiée localement ou

non, offrant ainsi une grande souplesse pour la mise au point. Mais il n’existe

pas de principe général permettant de déterminer les règles à partir du problème

[Rei 94].

A.2. Concepts de la logique floue

A.2.1. Les variables floues

Contrairement aux variables binaires qui sont définies par les deux états

« vrai » ou « faux », les variables floues présentent toute une graduation

entre ces deux valeurs. D‘une part, on préfère représenter l‘état de la

variable à l‘aide de son degré de vérité en associant la valeur 1 (degré de

vérité de 100%) à la valeur « vrai » et le degré de vérité nul à la valeur « faux ».

D‘autre part, on constate que cette façon de faire est très éloignée de ce que

fait l‘être humain lorsqu‘il résout ce genre de problème. En effet,

l‘homme ne fait pas naturellement une distinction franche entre « petit » et «

moyen » par exemple. Il utilise des expressions du genre « plutôt petit »

[Oua 06].

A.2.2. Les ensembles flous

La notion d'ensembles flous, telle qu'elle a été présentée par Lofti Zadeh [Mam

77], est une extension de la notion classique d'ensembles. Son but est de

permettre de capturer l'imprécision des données et des concepts nous entourant.

Par exemple, on n'apprend pas à une personne à conduire en lui disant :

"commence à freiner 12 mètres avant l'intersection " mais plutôt en lui disant :

"commence à freiner lorsque tu seras proche de l'intersection ".

Annexes

83

A.2.3. Variables linguistiques

Une variable linguistique est caractérisée par le quintuple (X; T(x); S; G; M).

X : représente le nom de la variable (par exemple, la température).

T(x) : représente l'ensemble des noms des valeurs linguistiques pouvant être

prises par x.

Chacune de ces valeurs linguistiques est un nombre ou sur S. Par exemple,

toujours dans le cas de la température, on peut avoir T (température) = {très

froid, froid, plus ou moins froid, tiède, chaud, très chaud, …} La figure A.1

illustre les différentes fonctions d'appartenance associées. G est une règle

permettant d'associer un nom à une valeur de x.

Figure A.1. Fonctions d'appartenance associées aux différents nombres flous

permettant de décrire la variable linguistique température.

A.2.3. Règles d’inférence

On appelle règles d’inférence l’ensemble des différentes règles reliant les

variables floues d’entrée d’un système aux variables floues de sortie de ce

système. Ces règles se présentent sous la forme :

Si (condition 1) et/ou (condition 2) et/ou …(condition N) alors (action sur

les sorties).

En termes d’intelligence artificielle, ces règles résument en fait l’expérience de

l’expert et elles ne sont en général pas définissables de façon unique puisque

chaque individu crée ses propres règles [Oua 06].

A.3. Le contrôle flou

Le contrôle flou tire son nom des applications de contrôle ou de commande en

automatique, mais il déborde maintenant ce cadre par ses multiples applications,

partout où une modélisation mathématique est difficile. Le principe de

Annexes

84

l’algorithme de ce contrôle est très simple, il consiste à réaliser une

« interpolation » entre un petit nombre de situations connues données par un

expert sous la forme de règles floues. La mise au point des prédicats évoqués

par ces règles se fait généralement de façon empirique, mais de plus en plus,

différents méthodes d’apprentissage ont été appliquées dans le but d’avoir des

systèmes de contrôle adaptatifs [Gac 97].

Le schéma général d’un contrôleur est donné par la figure A.2. Nous allons

décrire chaque composant.

Figure A.2. Architecture générale d'un contrôleur flou.

A.3.1. Fuzzyfication - Module de codage

Les systèmes à logique floue traitent de variables d’entrées floues et fournissent

de résultats sur des variables de sorties elles-mêmes floues. La fuzzyfication est

l’étape qui consiste en la quantification floue des valeurs réelles d’une variable.

Le module de codage a pour rôle de transformer des données numériques

provenant des capteurs en ensembles flous pouvant être manipulés par le

contrôleur. Par conséquent, il est nécessaire de transformer les variables non

floues provenant du mode extérieur en des sous-ensembles flous.

A.3.2. Raisonnement flou – Module d’inférence

Le module d’inférence représente le cœur du contrôleur flou. Il contient le

mécanisme d'inférence permettant, à partir des données provenant du module de

fuzzyfication et des règles contenues dans la base de connaissances, de calculer

les commandes devant être envoyées (via le module de défuzzyfication ) au

système à contrôler.

Base de connaissances

Floue

Moteur d’inférences

flou

Entrées non floues

Sorties non floues

Fuzzyfication

Interface

Non flou / flou

Interface

Flou / Non flou

Défuzzyfication Raisonnement flou

Annexes

85

Les règles d’inférence doivent être définies par le concepteur de système de

réglage en fonction de son expérience (rôle d’expert) et mémorisées dans

l’organe de commande.

A.3.3. Défuzzyfication – Module de décodage

La défuzzyfication consiste à décoder les résultats fournis afin de les envoyer

vers le système à contrôler. Le rôle de ce décodage est de transformer un

ensemble ou un résultat de l'évaluation des règles en un nombre réel

représentant le mieux la distribution de possibilité induite par cet ensemble

c'est-à-dire convertir cette information en une grandeur physique. On distingue

trois grandes méthodes :

Défuzzyfication par calcul du centre de gravité.

Défuzzyfication par valeur du maximum.

Défuzzyfication par la moyenne des maxima.

Annexes

86

Annexe B

Recherche Taboue et Algorithme des Colonies

de Fourmis

B.1. Principe général de la recherche taboue

La méthode de recherche taboue (RT) est une technique adaptative efficace

introduite dans les années 70 en optimisation combinatoire pour résoudre les

problèmes difficiles. Elle est considérée comme une approche métaheuristique,

qui peut être utilisée pour résoudre différents types de problèmes [Glo 89] [Glo

93].

Présentons dans un premier temps l’algorithme de descente simple : Il part

d’une solution initiale S qu’il essaie d’améliorer de manière itérative. Pour cela,

il génère à chaque étape un sous ensemble V du voisinage N(S) de la solution

courante. Ensuite, il choisit dans cet ensemble V la meilleure solution, c'est-à-

dire celle qui minimise la fonction objectif sur V. Cette dernière solution

devient la solution courante et l’algorithme continu jusqu’au moment où aucun

élément de V ne permet d’avoir une meilleure valeur de la fonction objectif [Pie

04].

La méthode de recherche taboue est une amélioration de l'algorithme général de

descente. Elle essaie principalement d'éviter le piège des minima locaux. Pour

cela, il est nécessaire d'accepter de temps en temps des solutions qui

n'améliorent pas la fonction « objectif », en espérant ainsi parvenir plus tard à

de meilleures solutions. Cependant, le fait de vouloir accepter des solutions non

forcément meilleures introduit un risque de cycle, c'est- à -dire un retour vers

des solutions déjà explorées. D'ou l'idée de conserver une liste taboue T (tabu

list) des solutions déjà visitées. Ainsi, lors de la génération de l'ensemble des

solutions voisines candidates, on enlève toutes les solutions appartenant à la

liste taboue. Notons tout de même que, d'une part, le stockage de toutes les

solutions déjà visitées peut nécessiter beaucoup de mémoire et que, d'autre part,

il peut s'avérer utile de revenir à une solution déjà visitée pour continuer la

Annexes

87

recherche dans une autre solution. Un compromis a été adopté en ne gardant

dans la liste taboue que les dernières solutions. L'algorithme s'arrête quand

aucune amélioration n'est intervenue depuis un certain nombre d'itérations ou si

toutes les solutions voisines candidates sont taboues.

La démarche adoptée consiste globalement à modifier itérativement une

solution initiale en espérant aboutir à une solution finale respectant les

contraintes du problème [Pie 02] [Vas 96]. La figure suivante présente

l’algorithme général de la recherche taboue

Figure B.1. Algorithme de la recherche taboue

B.2. Principe général des algorithmes de colonies de fourmis

Les sociétés d’insectes ont une capacité à résoudre des problèmes d’une manière

très flexible (la colonie s’adapte aux brusques changements d’environnement) et

robuste (la colonie continue de fonctionner lorsque certains individus échouent

à accomplir leur tâche). Les problèmes quotidiens résolus par une colonie sont

nombreux et de nature très variée : recherche de nourriture, construction du nid,

division du travail et allocation des tâches entre les individus, etc. La plupart de

ces problèmes se retrouvent dans le domaine des sciences de l’ingénieur.

Annexes

88

Figure .B.2. Comportement collectif des fourmis

Les informaticiens et les ingénieurs ont pu transformer des modèles du

comportement collectif des insectes sociaux en méthodes utiles pour

l’optimisation et le contrôle. Un nouveau domaine de recherche a vu le jour qui

a pour objet la résolution de problèmes sociaux des insectes en techniques

artificielles de résolution de problèmes : c’est l’intelligence en essaim. Parmi les

techniques de l’intelligence en essaim, certaines sont arrivées à maturité. Les

algorithmes de contrôle et d’optimisation inspirés de modèles de recherche

collective de nourriture chez les fourmis en particulier, ont connu un succès

inattendu et portent le nom d’optimisation par colonie de fourmis » et de «

routage par colonie de fourmis ».

Les colonies de fourmis sont des systèmes distribués qui, malgré la simplicité de

leurs individus, présentent une véritable organisation sociale structurée. Comme

résultat de cette organisation, les colonies de fourmis peuvent accomplir des

taches complexes qui, dans certain cas, dépassent la capacité individuelle d’une

simple fourmi.

Plusieurs aspects du comportement des colonies de fourmi ont inspiré des types

différents d'algorithmes de fourmi. Les exemples sont le fourrage, le partage des

travaux, la reproduction des espèces, et le transport coopératif. Dans tous ces

exemples, les fourmis coordonnent leurs activités à travers une forme de

communication indirecte par des modifications de l'environnement appelée

‘stigmergie’(stigmergy en anglais) [Col 91]. Par exemple, la fourmi dépose un

produit chimique sur la terre qui augmente la probabilité que d'autres fourmis

Annexes

89

suivront le même chemin. Les biologistes ont vu que la majorité des

comportements des niveaux de colonies observés dans les insectes sociaux

peuvent être expliqués par des modèles plutôt simples formés que de

communication stigmergique. Ce comportement collectif, basé sur une sorte de

mémoire partagée entre tous les individus de la colonie, peut être adapté et

utilisé pour la résolution de problèmes d’optimisation combinatoire ou de

satisfaction de contraintes. Ces problèmes sont alors encodés comme des

problèmes de recherche d’un chemin optimal dans un graphe. L'idée derrière

des algorithmes de fourmi est alors d’employer une forme de stigmergie

artificiel pour coordonner des sociétés d’agents d'artificiels.

Les recherches sur le comportement des fourmis ont révélé que la majeure

partie de la communication entre les individus, ou entre les individus et

l'environnement, est basée sur l'utilisation de substances chimiques produites

par les fourmis. Ces substances s'appellent les phéromones. C'est différent, par

exemple, de ce qui se produit chez l'homme et d’autre espèces plus grandes,

dont les sens les plus importants sont visuels ou acoustiques. Particulièrement

important pour la vie sociale de certaines espèces de fourmi est le phéromone

de traînée (trail pheromone). La phéromone de traînée est un type spécifique de

phéromone que quelques espèces de fourmi, telles que Lasius niger ou les

fourmis de l’Argentine humilis d'Iridomyrmex, l’utilise pour marquer des

chemins sur la terre. Par la sensation de la phéromone de traînée, les fourmis

peuvent suivre le chemin à la nourriture découverte par les autres fourmis [Col

91] [Dor 99a] [Dor 99b].

Cette nouvelle méta-heuristique imite le comportement de fourmis cherchant de

la nourriture. A chaque fois qu'une fourmi se déplace, elle laisse sur la trace de

son passage une odeur (la phéromone). Comme la fourmi est rarement une

exploratrice isolée, avec plusieurs de ses congénères, elle explore une région en

quête de nourriture. Face à un obstacle, le groupe des fourmis explore les deux

côtés de l'obstacle et se retrouvent, puis elles reviennent au nid avec de la

nourriture. Les autres fourmis qui veulent obtenir de la nourriture, elles aussi

vont emprunter le même chemin. Si celui-ci se sépare face à l'obstacle, les

fourmis vont alors emprunter préférablement le chemin sur lequel la phéromone

sera la plus forte.

Annexes

90

Mais la phéromone est une odeur qui s'évapore. Si peu de fourmis empruntent

une trace, il est possible que ce chemin ne soit plus valable au bout d'un

moment, il en est de même si des fourmis exploratrices empruntent un chemin

plus long (pour le contournement de l'obstacle par exemple). Par contre, si le

chemin est fortement emprunté, chaque nouvelle fourmi qui passe redépose un

peu de phéromone et renforce ainsi la trace, donnant alors à ce chemin une plus

grande probabilité d'être emprunter. Même si le principe est simple, des

difficultés peuvent apparaître comme, la quantité de phéromone à déposer, le

coefficient d'évaporation, la définition du choix biaisé, etc [Col 91] [Dor 99b]

[Dor 03].

Figure B.3. Détermination du plus court chemin par une colonie de fourmis

Le principe général est résumé par l’algorithme suivant :

Les techniques d’optimisation issues des colonies de fourmis (Ant Colony

Optimization ou ACO en anglais) ont été appliquées à divers problèmes

1. Initialiser la nourriture aux positions des individus de l’échantillon d’apprentissage

2. Tant qu’il reste de la nourriture :

a. Pour chaque fourmi faire :

i. Absorber une partie de la nourriture et calculer la quantité de phéromone

déposée par la fourmi

b. Pour chaque position faire :

i. Calculer l’évaporation des phéromones

ii. Calculer la diffusion des phéromones sur les positions adjacentes

http://fr.wikipedia.org/wiki/Image:Aco_branches.svg

Annexes

91

d’optimisation comme la coloration de graphes [Cos 97] et le problème du

voyageur de commerce [Col 91] [Dor 97]. Les travaux sur les problèmes de

tournées sont plus récents et ne concernent que les tournées sur les nœuds d’un

réseau [Bul 99] [Rei 02]. Gutjahr [Gut 00] a prouvé la convergence en

probabilité de certains types d’algorithmes à fourmis, propriété connue pour le

recuit simulé et les algorithmes génétiques.

Références Bibliographique


92

[Aco 97] L. Acogne, Eléments de logique floue. Edition Hermes, Paris, 1997.

[Ado 05] L. Adouane, Architecture de contrôle comportementale et

réactive pour la coopération d’un groupe de robots mobiles.

Thèse de doctorat, Laboratoire d’automatique de Besançon

UMR (CNRS 6589) France, Avril 2005.

[Ado 09] L. Adouane. Orbital obstacle avoidance algorithm for reliable

and on-line mobile robot navigation. 9th Conference on

Autonomous Robot Systems and Competitions, Portugal, May

2009.

[Ado 06] L. Adouane and N. Le Fort-Piat, Behavioral and distributed

control architecture of control for minimalist mobile robots,

Journal Européen des Systèmes Automatisés, vol. 40, no. 2, pp.

pp.177–196, 2006.

[Ado 11] L. Adouane, and A. Benzerrouk, and P. Martinet. Mobile Robot

Navigation in cluttered Environment using Reactive illiptic

Trajectories, 18th IFAC World Congress, Milano-Italy, August

. 2011

[Ahu 94] J.M. Ahuactzin Larios. Le fil d’Ariane : une méthode de

planification générale. Application automatique de trajectoires.

Thèse de doctorat. Institut polytechnique de Grenoble. France,

1994.

[Amo et al 11] L. Amouri, C. Novales, M. Njah, M. Jallouli et G. Poisson,

DVZ-based Obstacle Avoidance Control of a Wheelchair

Mobile Robot. IEEE International Conference on Mechtronics

(ICM), Istambul, Turky, 2011.

[Ark 98] R.C.Arkin, Formation Behaviors, behavior-Base robotics, The

MIT Press. Cambridge, MA, USA, 1998.

[Arn 00] Pierre Arnaud, Des moutons et des robots : architecture de

contrôle réactive et déplacements collectifs de robots, PPUR

presses polytechnique, 2000.

[Ayc 98] O. Aycard, Architecture de contrôle pour robot mobile en

environnement intérieur structuré. Thèse de doctorat, université

Henri Poincaré-Nancy 1, LORIA, Nancy, Juin 1998.

[Bay 08] Bernard BAYLE, Robotique mobile, Thèse de doctorat, Ecole

Nationale Supérieure de Physique de Strasbourg, Université de

Strasbourg 2008.

[Bea 06] Éric Beaudry, Planification de tâches pour un robot mobile

autonome, Thèse de Maître de sciences, Université de

Sherbrooke, Québec, Canada. Août 2006.


93

[Ben et al 10] A.Benzerrouk, L. Adouane, and P.Martinet, Lyapunov Global

Stability for a Reactive Mobile Robot Navigation in Presence of

Obstacles, ICRA'10 International Workshop on Robotics and

Intelligent Transportation System, Anchorage-Alaska, May 7,

2010

[Beo et al 95] H. R.Beom and A. Cho, Sensor-Based Navigation for a Mobile Robot Using Fuzzy Logic and Reinforcement Learning, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 25, No. 3, March 1995.

[Bon 03] D. Bonnafous, Exécution réactive de trajectoires pour robots

mobiles non-holonomes. Thèse de doctorat. Institut National

Polytechnique de Toulouse, Systèmes Automatiques. France,

2003.

[Bou et al 07] F.Boufera, F.Debbat, M.F.Khelfi, apprentissage d’inférence

flou par la recherché taboue: Application à la robotique mobile.

LFA 2007. rencontres francophones sur la logique floue et ses

applications Nimes , Cépaduès éditions, France 22 et 23

novembre 2007.

[Bou et al 2014a] F.Boufera, F.Debbat, Francesco Mondada, M.F.Khelfi, Fuzzy

Control System for Autonomous Navigation of Thymio II Mobile

Robots, IJETWI International journal Technologies in web

Intelligence, Volume 6, Number 1, pp 101-105, February 2014.

[Bou et al 2014b] F.Boufera, F.Debbat, L.Adouane, M.F.Khelfi, Mobile Robot

Navigation using Fuzzy Limit-Cycles in Cluttered Environment,

IJISA, International Journal Intelligent Systems and

Applications, Volume 6, Number 7,pp12-21 , Juin 2014.

[Bro 86] R.A Brooks, A robust layered control system for a mobile robot.

IEEE Journal of Robotics and Automation, Vol. 2, No.1, pp 14–

23, 1986.

[Buh 94] H.Buhler. Réglage par la logique floue .Presses, polytechniques

et universitaires Romandes, 1994.

[Bul 99] B.Bullnheimer, R.F. Hartl et C. Strauss. Applying the ant

systems to the vehicle routing problem. S. Voss, S. Martello,

I.H. Osman et C. Roucairol, Meta-Heuristics: Advances and

Trends in Local Search Paradigms for Optimization, Kluwer.

1999.

[Cas et al 96] G. Castellano. G. Attolico, E. Stella. Automatic generation of rules for a fuzzy robotic controller, IEEE International Conference on Intelligent Robots and Systems, Vol. 3, pp. 1179-1186, 1996.


94

[Col 91] A. Colorni, M.Dorigo, V.Maniezzo, Distributed Optimization by Ant Colonies. Proceedings of ECAL’91 - European Conference on Artificial Life. Elsevier Publishing, Paris pp 134–142, december 1991

[Cos 97] D. Costa et A. Hertz. Ants can colour graphs, JORS, 48(3), pp. 295-305. 1997.

[Cza et al 95] C.Czarneki, R.John and S.Bennett, The Application of Fuzzy Logic to Real Time Multiple Robot Collision Avoidance, the ICSC International conference of Fuzzy Logic Symposium, pp. C116-C121.Zurich, 1995

[Dal 01] A.Dalgalarrondo. Intégration de la fonction perception dans une

architecture de contrôle de robot mobile autonome. Thèse

doctorat, université de paris sud centre d’ORSAY. France, 2001.

[Dor 91] M. Dorigo, V. Maniezzo, and A. Colorni. The Ant System: An

autocatalytic optimizing process. Technical Report 91-016

Revised. Dipartimento di Elettronica, Politecnico di Milano.

Italy, 1991.

[Dor 01] M. Dorigo. Ant Algorithms Solve Difficult Optimization

Problems. In J. Kelemen, editor, Advances in Artificial Life, 6th

European Conference ECAL 2001, volume 2159, pp 11-22.

Springer, Berlin, Germany, 2001.

[Dor 02] M. Dorigo and L. M. Gambardella. Guest editorial special on

ant colony optimization. IEEE Transactions on evolutionary

computation, vol 6 N° 4, pp 317–319, 2002.

[Dor 04] M. Dorigo, T.Stützle. Ant colony optimization. Cambridge, MA:

MIT Press. 2004.

[Dor 03] M..Dorigo, and t.Stützle, ” Handbook of Metaheuristics, chapter

The ant colony optimization metaheuristique: algorithms,

applications, and advances ”. Kluwer. 2003.

[Dor 97] M.Dorigo et L.M. Gambardella. Ant Colony System: a

cooperative leaning approach to the Travelling Salesman

Problem, IEEE Transactions on Evolutionary Computation,

1(1), pp. 53-66. 1997.

[Dor 99a] M. Dorigo et G. Di Caro. The ant colony optimization meta-

heuristic. New Ideas in Optimization, pp 11.32, London, 1999.

[Dor 99b] M. Dorigo, G. Di Caro, et L.M. Gambardella. Ant algorithms

for discrete optimization, Arti_cial Life, 5 :137.172, 1999.

[Fay et al 99] C.Fayad and P. Webb Optimized fuzzy Logic based on algorithm for a mobile robot collision avoidance in an unknown environment. The 7th European Congress on Intelligent Techniques and Soft Computing, Aachen, Germany. 1999.


95

[Fil 01] D. Filliat, Cartographie et estimation globale de la position

pour un robot mobile autonome, Thèse de doctorat de

l’universuté Paris 6 Pierre et Marie Curie. 2001

[Gia 06] F. Giamarchi. Petits robots mobiles. Edition Dunod, 2006.

[Glo 93] F.Glover, A user’s guide to tabu search. Annals of Operations

Research, 41, n° 3, pp. 3-28, 1993.

[Glo 89] ] F. Glover, Tabu search part I. ORSA Journal on Computing,

Vol. 1, pp.190–206, 1989.

[Hai 03] B. Haibe-Kains, Apprentissage d’une Tâche de Contrôlepour un

Robot Mobile en LEGO Mindstorms. Thèse de doctorat,

université libre de Bruxellex, 2003.

[Hol 75] J.h.Holland, adaptation in naturel and artificial systems, mit

press, 1975.

[Kha et al 97] Khatib M. and H. Jaouni, R. Chatila& J.P. Laumond, Dynamic

Path Modi_cation for Car-Like Nonholonomic Mobile Robots.

IEEE International Conference on Robotics and Automation, pp

2920-2925. Albuquerque, USA, 1997.

[Kha 86] O. Khatib. Real-Time Obstacle Avoidance for Manipulators and

Mobile Robots. International Journal of Robotic Research

volume 5. pp 90-99, 1986.

[Kim 03] D. Kim & J. Kim. A real-time limit-cycle navigation method

for fast mobile robots and its application to robot soccer.

Robotics and Autonomous Systems, vol. 42, pp. 17 30, 2003.

[Hec 00] P. S. Heck and S. Ghosh. A study of synthetic creativity :

Behavior modeling and simulation of an ant colony. IEEE

Intelligent Systems, vol 15 pp 58–66, 2000.

[Hol et al 00]. Robert Holmberg, Oussama Khatib, development and control of

a holonomic mobile robot for mobile manipulation tasks,

International Journal of Robotics Research, vol. 19, N°11,

november 2000.

[Hos 00] R. Hoshyar, S. H. Jamali, and C. Locus. Ant colony algorithm

for finding good interleaving pattern in turbo codes. IEE Proc-

commun, vol 147N 5, pp 257–262, 2000.

[Hua 01] S.J. Huang. Enhancement of Hydroelectric Generation

Scheduling Using Ant Colony System based optimization

Approaches. IEEE Transactions on energy conversion, vol 16 N

3, pp 296–301, 2001.

[Lar 03] F.Large. Navigation autonome d’un robot mobile en


96

environnement dynamique et incertain. Thèse de doctorat,

Institut National de recherche en informatique et en

automatique, Université de Savoie, 2003.

[Lat 99] J.-C. Latombe. Motion Planning: A Journey of Robots,

Molecules, Digital Actors, and Other Artifacts. The

International Journal of Robotics Research, vol 18, pp 1119-

1128, 1999.

[Lee et al 94] P. S. Lee, and Wang. Collision Avoidance by Fuzzy Logic

Control for Automated guided Vehicle Navigation, Journal of

Robotics Systems, Vol. 11 No.8, pp 743-760. 1994.

[Len 08] S. Lens. Locomotion d'un robot mobile. Thèse de doctorat,

Faculté des Sciences Appliquées, Université de Liege, 2008.

[Luc 03] P. Lucidarme. Apprentissage Et Adaptation Pour Des

Ensembles De Robots Réactifs Coopérants. Thèse de doctorat

Montpellier II , 2003.

[Mam 77] E.H.Mamdani. Application of Fuzzy Logic to Approximate

Reasoning Using Linguistic Synthesis. IEEE Transactions on

Computers, Vol 26, No 12. 1977

[Mat 92] Emmanuel Mazer, Juan-Manuel Ahuactzin, El-Ghazali Talbi,

Pierre Bessire. The Araidne’s clew algorithm. From Animals to

Animats, the Second International Conference on Simulation of

Adaptative Behavior (SAB92), Honolulu Hawa. Décembre

1992.

[Mat 93] Emmanuel Mazer, Juan-Manuel Ahuactzin, El-Ghazali Talbi,

Pierre Bessire. Robot motion planning with the Ariadne’s clew

algorithm. International Conference on Intelligent Autonomous

Systems, Pittsburgh PA USA, Février 1993.

[Mer 02] D.Merkle, M. Middendorf, and H. Schmeck. Ant colony

optimization for resource constrained project scheduling. IEEE

Transactions on Evolutionary Computation, vol 6 n°4, pp 333–

346, 2002.

[Mor 83] H. Moravec, Stanford card and the CMU rover, proceeding of

IEEE vol 71, N° 7, pp 872-884, juillet 1983.

[Oua 06] N. Ouadah, O. Azouaoui, M. Hamerlain. Implémentation d’un

Contrôleur Flou pour la Navigation d’un Robot Mobile de type

Voiture. Division Productique et Robotique. Centre de

Développement des Technologies Avancées. Alger, 2006.

[Par 02] R. S. Parpinelli, H. S. Lopes, and A. A. Freitas. Data mining

with an Ant Colony Optimization Algorithm. IEEE Transactions

on Evolutionary Computing, vol 6 N 4, pp 321–332, 2002.


97

[Pie 02] S.Pierre, F.Houeto, Assigning Cells to Switches in Cellular

Mobile Networks Using Tabu Search. IEEE Transactions on

Systems, Man and Cybernetics : Part B (Cybernetics), 32 : Part

B, n° 3, pp. 229-239, June 2002.

[Pie 04] S. Pierre, A. Quintéro, A. Montgolfier, Approches heuristiques

pour l’affectation de cellules aux commutateurs dans les réseaux

mobile. IEEE Canadian Review, 2004.

[Rei 02] M.Reimann, M. Stummer et K. Doerner. A savings based Ant

System for the Vehicle Routing Probl, Proceedings of the

Genetic and Evolutionary Computation Conference (GECCO

2002), Morgan Kaufmann, New York, pp. 1317-1325. 2002.

[Rei 94] P. Reignier, Pilotage réactif d'un robot mobile étude du lien

entre la perception et l'action, Thèse de doctorat, Institut

national polytechnique de Grenoble, 1994.

[Ros 95] L. Nemes and T. Roska. A cnn model of oscillation and chaos in

ant colonies : a case study. IEEE Transactions on Circuits and

Systems : Fundamental Theory and Applications,vol 42 N 10 pp

741–745, 1995.

[Sem 04] F. Sempe, Auto-organisation d'une collectivité de robots

:Application à l'activité de patrouille en présence de

perturbations. Thèse de Doctorat de l'Université Pierre et Marie

Curie, Paris 6, 2004.

[Sim 03] K. M. Sim and W. H. Sun. Ant colony optimization for routing

and load-balancing : survey and new directions. IEEE

Transactions on Systems, Man, and Cybernetics-Part A :

Cybernetics, 33(5) :560–572, 2003.

[Sol 02] C. Solnon. Ants can solve constraint satisfaction problems.

IEEE Transactions on EvolutionaryComputing, 347-357(4) :11,

2002.

[Ste 95] L. Steels. When are robots inteligent autonomous agents?,

journal of robotics, Volume 15 pp 3-9, 1995.

[Teg 09] H. Teggar. Navigation coopérative d’un système multi-robots

dans un environnement dynamique et incertain. Mémoire de

magister, Université de Mascara, Algérie, Juin 2009.

[Tig 96] Y. Tigli, Vers une Architecture de contrôle pour Robot Mobile

orientée Comportement, SMACH. PhD thesis, Université de

Nice - Sophia Antipolis, 1996.

[Tru 07] O. Trullier et J. A. Meyer, Biomimetic navigation models and

strategies in animat. AI Communications, vol. 10, pp. 79–92,


98

1997.

[Vas 96] J. A.Vasconcelos, L.Krahenbuhl, A.Nicolas, Simulated

annealing coupled with the tabu search method for continuum

optimization in electromagnetics. IEEE Trans. Magnetics, 32,

pp. 1206-1209, 1996.

[web1] http://ros.org/wiki/thymio_navigation_driver

[Web2] https://aseba.wikidot.com/fr:thymio

[Wij et al 01] W.S. Wijesoma, P.P Khaw. and E.K.Teak. Sensor modelling

and fusion for fuzzy navigation of an AGV .International journal

of robotic and automation, Vol 16, N 1, pp 14-25, 2001.

http://ros.org/wiki/thymio_navigation_driver

https://aseba.wikidot.com/fr:thymio

http://trid.trb.org/results.aspx?q=&serial=%22International%20journal%20of%20robotics%20%26%20automation.%20Vol.%2016%2C%20no.%201%22

Contribution Des Outils de - univ-oran1.dzFATIMA (Matre de Conférences à l‘Université de...

Documents

Transcript of Contribution Des Outils de - univ-oran1.dzFATIMA (Matre de Conférences à l‘Université de...