La modélisation d'un système de coopération et ... · Zineb LAOUICI. R esum e ... cours de ma...

Thèse

Pour l’Obtention du Diplôme de

Doctorat 3ième CYCLE-LMD

PRÉSENTÉ PAR

LAOUICI ZINEB

THEME

La modélisation d'un système de coopération et communication dans la

navigation des robots mobiles

Soutenue le : / / Devant le jury composé de :

Président : Pr. BELDJILALI Bouziane Université d’Oran1 A. Ben Bella

Directeur de thèse : Pr. KHELFI Med Fayçal Université d’Oran1 A. Ben Bella

Examinateur : Pr. MALKI Mimoun Université de Sidi Bel Abbes

Examinateur : Pr. AHMED-FOITIH Zoubir USTO-MB

Examinateur : Dr. Taghezout Noria Université d’Oran1 A. Ben Bella

Domaine : Mathématiques & Informatique

Option : Modèle de données avancées et réseaux émergents

��

46f7)28f)�4%6

4VqWMHIRX��4V��&)0(.-0%0-�&SY^MERI� � ��9RMZIVWMXq�H·3VER��%LQIH�&)2&)00%

(MVIGXIYV�HI�XLrWI��4V��/LIPJM�1SLEQIH�*E]pEP��9RMZIVWMXq�H·3VER��%LQIH�&)2&)00%

)\EQMREXIYV��4V��1EPOM�1MQSYR�� 9RMZIVWMXq�HI�7MHM�&IP�%FFIW

)\EQMREXIYV��4V��%LQIH�*SMXML�>SYFMV�� 9783�1&

)\EQMREXIYV��(V��8%+,)>398�2SVME�� 9RMZIVWMXq�H·3VER��%LQIH�&)2&)00%

Dédicace

Alhamdulillah, le seul et unique.

A mes très chers parents ”Salah , Fatiha(Naima)”, pour son amour, sa disponibilité et

son soutien pendant toutes mes années d’études

Témoignage d’affection, mon immense gratitude pour tous les sacrifices qu’ils ont con-

sacrés pour moi, Que Dieu les gardes.

A mes chers frères Yahya, Mohammed, Ahmed et Abd Allatif et mes beau-frères Slimane

et Aissa.

A mes sœurs Soumia, Asma, Fatima Zohra, Roumaissa et Khadidja.

A mes neveux chéris Meriem, Adam qui m’ont toujours témoigné beaucoup d’amour,

d’affection et qui apportent beaucoup de joie dans ma vie.

A ma tante Chafika, qui m’encourage à découvrir mes capacités et qui a toujours répondu

présent quand j’ai eu besoin d’elle.

A ma grande famille.A toutes mes amies et ceux que j’aime et qui m’aiment.

Je dédie ce travaille

Zineb LAOUICI

Résumé

La robotique mobile autonome vise plus spécifiquement à concevoir des systèmes capa-

bles 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 couverture

d’une zone ouverte et la navigation autonome des robots mobiles dans des environ-

nements mixtes. La navigation dans ce type d’environnement impose le développement

des systèmes robotiques fiables et robustes. Nos objectifs principaux visent à proposer,

développer et simuler un système de coopération et communication qui facilite la nav-

igation des robots mobiles dans le but d’une couverture optimal. 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 cette

thèse, nous proposons une approche heuristique optimise la couverture d’une ouverte,

et afin d’assurer la navigation autonome des robots mobiles on a adopté l’hybridation

de la logique floue et réseaux de neurones impulsionnels. Les résultats des simulations

prouvent les performances des approches adoptées.

Mots-clés : Robot mobile, navigation, intelligence artificielle, logique floue, réseaux de

neurones impulsionnels, coopération, communication, zone de couverture.

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 Mon professeur KHELFI Mohamed Fayçal (Professeur à l’Université d’Oran1

A. Ben Bella), pour son encadrement, sa droiture et toute l’aide qu’il m’a apporté au

cours de ma formation Doctorat.

Je tiens aussi à exprimer ma profonde gratitude à monsieur Mami Mohemmed Amine,

pour le rôle d’initiateur qu’il a joué dans mes recherches, pour m’avoir permis d’enrichir

ma réflexion sur différents aspects de mes études. Qu’il trouve ici l’expression de ma

plus grande reconnaissance.

Je suis profondément reconnaissante à Monsieur BELDJILALI Bouziane (Professeur à

l’Université d’Oran1 A. Ben Bella), 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 MALKI Mimoun (Professeur à l’Université de Sidi-Bel-Abbes), d’avoir accepté

de juger ce travail.

Je remercie aussi Monsieur AHMED-FOITIH Zoubir (Professeur à l’Université d’USTO-

MB) d’avoir accepté d’être membre du jury.

Mes remerciements s’expriment ici à l’égard de Madame TAGHEZOUT Noria (Mâıtre de

Conférences à l’Université d’Oran1 Ahmed BENBELLA), 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 père et ma

mère, mes frères et mes sœurs et a ma famille. Je les remercie pour leur disponibilité et

leur soutient constant et leur encouragement constamment renouvelées.

Enfin je tiens à remercier aussi les enseignants et les membres de l’université d’Oran1

Ahmed BENBELLA et les membres du laboratoire RIIR pour tout le savoir qu’ils ont

nous transmettre durant ces trois années de formation du doctorat.

iii

Contents

Dédicace i

Résumé ii

Remerciements iii

Table de matières iv

Liste des Figures vii

Liste des tableaux x

Introduction générale 1

I État de l’art 4

1 Navigation d’un robot mobile autonome 5

1.1 Navigation des robots mobiles . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.2 Les Stratégies de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.1 Approche d’un objet . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.2 Guidage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.3 Actions associés à un lieu . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.4 Navigation topologique . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2.5 Navigation métrique . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.3 Navigation réactive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.3.1 Méthodes Bug . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.3.2 La méthode Vector Field Histogram (VFH) . . . . . . . . . . . . . 10

1.3.3 L’approche ”Elastic Bande” . . . . . . . . . . . . . . . . . . . . . . 11

1.4 Navigation en utilisant une carte . . . . . . . . . . . . . . . . . . . . . . . 12

1.4.1 Localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.4.1.1 Méthodes de localisations relatives . . . . . . . . . . . . 13

1.4.1.2 Méthodes de localisations absolues . . . . . . . . . . . . 13

1.4.1.3 Méthodes hybrides . . . . . . . . . . . . . . . . . . . . . 15

1.4.2 Cartographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.4.2.1 Les approches métriques . . . . . . . . . . . . . . . . . . 16

1.4.2.2 Les approches topologiques . . . . . . . . . . . . . . . . 17

iv

Table des Matières v

1.4.2.3 Les méthodes basées sur des grilles d’occupation . . . . . 19

1.4.3 Planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.4.3.1 Espace des configurations . . . . . . . . . . . . . . . . . . 21

1.4.3.2 Discrétisation de l’espace de recherche . . . . . . . . . . 21

1.4.3.3 Planification d’un chemin . . . . . . . . . . . . . . . . . 23

Chemin Vs trajectoire . . . . . . . . . . . . . . . . . . 24

1.5 Méthodes de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.5.1 La logique floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.5.1.1 Concepts de la logique floue . . . . . . . . . . . . . . . . 27

1.5.1.2 Les différentes étapes du contrôle flou . . . . . . . . . . . 28

1.5.2 Les algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . 30

1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2 Les systèmes multi-robot 32

2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.2 Les types des systèmes multi-robots . . . . . . . . . . . . . . . . . . . . . 33

2.3 Motivations pour les systèmes multi-robots coopératifs . . . . . . . . . . . 33

2.4 L’interaction dans les SMR . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.5 Types d’interaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.6 Coopération . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.6.1 Les tâches coopératives . . . . . . . . . . . . . . . . . . . . . . . . 36

2.6.2 Type de coopération . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.6.2.1 La coopération émergente . . . . . . . . . . . . . . . . . . 36

2.6.2.2 La coopération intentionnelle . . . . . . . . . . . . . . . . 37

2.6.3 Mécanisme de coopération . . . . . . . . . . . . . . . . . . . . . . . 37

2.6.3.1 Approche des sciences vivantes . . . . . . . . . . . . . . . 38

2.6.3.2 Approche informatique : système multi agents . . . . . . 39

2.6.3.3 Approche automatique: robotique collective . . . . . . . . 39

2.6.4 les critères de performance du système . . . . . . . . . . . . . . . . 39

2.7 Communication dans un SMR . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.7.1 les réseaux mobiles ad hoc . . . . . . . . . . . . . . . . . . . . . . . 42

2.7.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.7.2 Modélisation d’un réseau mobile ad hoc . . . . . . . . . . . . . . . 43

2.7.3 Modes de communication dans les réseaux ad hoc . . . . . . . . . . 43

2.7.4 Les caractéristiques des réseaux ad hoc . . . . . . . . . . . . . . . 44

2.7.5 Le routage dans les réseaux mobiles ad hoc . . . . . . . . . . . . . 46

2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

II Contributions 47

3 La navigation d’un robot mobile dans un environnement mixte 48

3.1 L’algorithme utilisé pour la navigation dans un environnement connu . . . 49

3.1.1 L’architecture du réseau de neurone . . . . . . . . . . . . . . . . . 49

3.1.2 Algorithme développé et la propagation d’une vague . . . . . . . . 50

3.1.3 Simulations et résultats . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2 Approche de navigation dans un environnement inconnue avec la LF . . . 53

Table des Matières vi

3.2.1 Modèle mathématique du robot mobile . . . . . . . . . . . . . . . 53

3.2.2 Le principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . 54

3.2.3 Contrôleur de navigation libre . . . . . . . . . . . . . . . . . . . . . 54

3.2.3.1 La structure du contrôleur . . . . . . . . . . . . . . . . . 55

3.2.4 Navigation avec évitement d’obstacle . . . . . . . . . . . . . . . . . 57

3.2.4.1 La stratégie d’évitement d’obstacles . . . . . . . . . . . . 58

3.2.5 Proposition pour le cas de blocage ”les corners” . . . . . . . . . . . 59

3.3 Hybridation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.3.1 Le principe de la méthode hybride . . . . . . . . . . . . . . . . . . 60

3.3.2 Simulation et discussion . . . . . . . . . . . . . . . . . . . . . . . . 60

3.3.2.1 Les métriques de comparaison . . . . . . . . . . . . . . . 60

3.3.2.2 Évaluation et interprétation des résultats . . . . . . . . . 61

3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4 Approche coopérative pour une couverture optimale 66

4.1 Les travaux antérieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.2 L’approche Proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.2.1 Déploiement de voisins autour d’un robot . . . . . . . . . . . . . . 68

4.2.1.1 Pourquoi la forme d’hexagone . . . . . . . . . . . . . . . 69

4.2.2 Redéploiement des robots en cas de défaillances . . . . . . . . . . . 70

4.2.3 Organigrammes des fonctions principales de l’approche . . . . . . . 71

4.2.4 Scénario détaillé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.2.5 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.2.5.1 Scénario 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.2.5.2 Scénario 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.3 Comparaison avec C2AP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.3.1 L’algorithme C2AP . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.3.2 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.3.2.1 Métriques de performance . . . . . . . . . . . . . . . . . . 78

4.3.2.2 Évaluation et interprétation des résultats . . . . . . . . . 78

4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

Conclusion générale 84

Annexe A: Généralité sur la robotique mobile 86

Annexe B: Les réseaux de neurones impulsionnels 99

Bibliography 105

List of Figures

1.1 Schéma simplifié des tâches de la navigation autonome . . . . . . . . . . . 6

1.2 Stratégies de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3 Actions associe à un lieu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.4 Navigation topologique, Navigation métrique . . . . . . . . . . . . . . . . 8

1.5 Le principe des methodes bug . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.6 Exemple de navigation en utilisant un algorithme Bug . . . . . . . . . . . 10

1.7 Grille d’occupation locale construite par la méthode HIMM . . . . . . . . 11

1.8 Calcul de la direction de déplacement basée sur l histogramme des obstacles 11

1.9 Chapelet de bulles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.10 système de localisation par repérage de balises actives . . . . . . . . . . . 14

1.11 système de localisation par repérage de balises passives . . . . . . . . . . . 14

1.12 Exemple d’un modèle géométrique du monde . . . . . . . . . . . . . . . . 16

1.13 Carte topologique d’environnement . . . . . . . . . . . . . . . . . . . . . . 18

1.14 Diagramme de la construction de la carte topologique . . . . . . . . . . . 19

1.15 Exemple d’une grille d’occupation . . . . . . . . . . . . . . . . . . . . . . 20

1.16 La construction d’un espace de configuration . . . . . . . . . . . . . . . . 21

1.17 Discrétisation de l’espace de recherche . . . . . . . . . . . . . . . . . . . . 22

1.18 Exemples de la décomposition en cellules . . . . . . . . . . . . . . . . . . . 22

1.19 Exemples de decompositions en chemins precalcules dans les cartes metriques. 23

1.20 les étapes de planification d’une trajectoire . . . . . . . . . . . . . . . . . 23

1.21 Exemple d’un graphe de Voronöı, graphe de Visibilité et méthode de Books 25

1.22 Exemples des methodes exactes . . . . . . . . . . . . . . . . . . . . . . . . 25

1.23 Décomposition approchée de l’espace libre . . . . . . . . . . . . . . . . . . 25

1.24 Champs de potentiel répulsif et attractif . . . . . . . . . . . . . . . . . . . 26

1.25 Example sur les Variables linguistiques . . . . . . . . . . . . . . . . . . . . 28

1.26 Fonction d’appartenance trapézöıdale . . . . . . . . . . . . . . . . . . . . . 28

1.27 Architecture générale d’un contrôleur flou . . . . . . . . . . . . . . . . . . 29

1.28 Exemple de fonctions d’appartenance . . . . . . . . . . . . . . . . . . . . . 29

1.29 Exemple illustre la méthode de Mamdani . . . . . . . . . . . . . . . . . . 30

2.1 Système multi-robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.2 Les approches methodologiques pour faire cooperer dans les SMR . . . . . 38

2.3 Tache coopérative de transport d’objets . . . . . . . . . . . . . . . . . . . 38

2.4 Analogie avions militaires-oiseaux volant en formation . . . . . . . . . . . 39

2.5 Cooperation de 2 PUMA 560 place sur des plate-formes mobiles . . . . . 40

2.6 Influence du nombre de robots mobile dans un SMR sur la qualité duservice du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.7 Les réseaux ad hoc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

vii

Liste des Figures viii

2.8 La modélisation d’un réseau ad hoc . . . . . . . . . . . . . . . . . . . . . . 43

2.9 Les modes de communication dans un réseau ad hoc . . . . . . . . . . . . 44

2.10 le routage par relais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.11 La topologie dynamique des réseaux ad hoc . . . . . . . . . . . . . . . . . 45

3.1 Deploiement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.2 la propagation d’une vague . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.3 La planification du chemin avec les RNI . . . . . . . . . . . . . . . . . . . 52

3.4 Modele du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.5 le séquencement des étapes de navigation avec FL . . . . . . . . . . . . . 55

3.6 l’emplacement des ensembles flous pour la navigation libre . . . . . . . . . 56

3.7 Les fonctions d’appartenances de la navigation libre . . . . . . . . . . . . 56

3.8 Schema fonctionnelle d’un robot mobile . . . . . . . . . . . . . . . . . . . 57

3.9 l’emplacement des ensembles flous pour l’évitement d’obstacle . . . . . . . 58

3.10 Les fonctions d’appartenances d’évitement d’obstacle . . . . . . . . . . . . 59

3.11 proposition afin d’éviter les cas de blocage . . . . . . . . . . . . . . . . . . 59

3.12 L’oranigramme de la methode hybride . . . . . . . . . . . . . . . . . . . . 61

3.13 Les chemins de la navigation d’un robot mobile -scénario 1- . . . . . . . . 62

3.14 La distance entre le robot et le but . . . . . . . . . . . . . . . . . . . . . . 62

3.15 La distance parcourue par les robots mobiles . . . . . . . . . . . . . . . . 63

3.16 Le temps de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

3.17 Les chemins de la navigation d’un robot mobile -scénario 2- . . . . . . . . 63

3.18 La distance entre le robot et le but . . . . . . . . . . . . . . . . . . . . . . 64

3.19 La distance parcourue par les robots mobiles . . . . . . . . . . . . . . . . 64

3.20 Le temps de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.1 D’eploiement de voisins autour d’un robot . . . . . . . . . . . . . . . . . . 69

4.2 Les hexagones r’eguliers utilisé pour remplir une zone . . . . . . . . . . . 70

4.3 Comment un robot initialise le processus de propagation des robots . . . . 71

4.4 Redéploiement des robots en cas de défaillances . . . . . . . . . . . . . . . 71

4.5 Le comportement d’un robot lors la réception d’un message . . . . . . . . 72

4.6 Exemple de propagation des robots mobiles . . . . . . . . . . . . . . . . . 74

4.7 Les étapes de propagation des robot dans une zone(Scenario1) . . . . . . 75

4.8 Le comportement du système multi-robot dans le cas de défaillance . . . . 76

4.9 Pseudo code de l’algorithme C2AP . . . . . . . . . . . . . . . . . . . . . . 77

4.10 Déploiement des robots mobiles dans une zone . . . . . . . . . . . . . . . 79

4.11 La surface de zone de couverture et le temps de propagation . . . . . . . . 80

4.12 La distance parcourue par chaque groupe de robots . . . . . . . . . . . . . 80

4.13 Les messages échangés dans le réseau des robots mobile . . . . . . . . . . 81

4.14 L’énergie résiduelle pour chaque groupe de robots mobiles . . . . . . . . . 82

15 L’interaction des robot avec l’environnement . . . . . . . . . . . . . . . . . 86

16 La classification des différents types de capteurs . . . . . . . . . . . . . . . 89

17 L’architecture du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

18 Problèmes liés à la perception . . . . . . . . . . . . . . . . . . . . . . . . . 90

19 Boucle de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

20 exemple de contrôleur réactif . . . . . . . . . . . . . . . . . . . . . . . . . 92

21 Boucle de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

Liste des Figures ix

22 Exemples sur les plates-formes différentielles . . . . . . . . . . . . . . . . . 94

23 Exemples sur les plates-formes omnidirectionnelles . . . . . . . . . . . . . 95

24 Plates-forme de type voiture . . . . . . . . . . . . . . . . . . . . . . . . . . 95

25 Robot mobile à patte Asimo . . . . . . . . . . . . . . . . . . . . . . . . . . 96

26 Neurone biologique, connexion synaptique . . . . . . . . . . . . . . . . . . 100

27 Schéma représente un neurone biologique . . . . . . . . . . . . . . . . . . 100

28 Schéma représente un neurone biologique . . . . . . . . . . . . . . . . . . 101

29 Schéma électrique représentant les flux ioniques au travers de la membraned’un neurone selon HH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

List of Tables

3.1 Les règles d’inférence pour la navigation libre . . . . . . . . . . . . . . . . 57

3.2 Règles d’inférence du contrôleur d’évitement d’obstacles . . . . . . . . . . 58

x

Introduction générale

Contexte du travail de thèse

La principale ligne actuelle de recherche pour la robotique mobile est de permettre à un

système robotique mobile de se déplacer de manière autonome dans son environnement

pour accomplir un certain nombre de tâches.

Ces tâches sont, par exemple, se déplacer vers une cible fixe ou mobile, éviter les ob-

stacles, suivre une route, explorer et intervenir dans un milieu hostile, transporter des

objets. Pour cela, les problèmes à résoudre sont parfois assez complexes et nécessitent

la coopération entre un groupe de robots mobile où la navigation sera une tâche de

base afin d’effectuer la mission principale. L’un d’eux est la maximisation de la zone de

couverture d’un système multi-robot pour des buts de sauvetage, de surveillance d’un

endroit ouvert...etc.Afin de résoudre ces problèmes et réaliser les différents missions,

l’homme aujourd’hui essaye de copier la nature et de reproduire des modes de raison-

nement et de comportement qui lui sont propre. Cette envie a fait nâıtre le concept

d’intelligence artificielle. Celui-ci se traduit par l’émergence des techniques avancées

telles que les réseaux de neurones artificiels. Ces approches dites ”intelligentes” se sont

déjà imposées dans un grand nombre de domaines tels que la reconnaissance de forme,

le traitement du signal, la gestion financière, la robotique, le contrôle des processus, etc.

Notre travail a pour but l’utilisation de la logique floue et réseaux des neurones dans

le cadre de la navigation et simuler des phénomènes naturels pour avoir une zone de

couverture optimale.

Objectifs et contributions

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

1. Des méthodes autonomes basées sur l’hybridation entre deux méthodes pour as-

surer la navigation des robots mobiles dans des environnements encombrés et incer-

tains. En d’autre termes, nous voulons que ces architectures puissent être flexibles

1


et modifiables au fur et au mesure que la tâche à réaliser devienne plus en plus

complexe.

2. Une méthode qui permet d’optimiser la zone de couverture pour les systèmes

multi-robots qui nécessitent la coopération et la communication. Le problème du

maintien de la connectivité entre l’ensemble des robots mobile consiste à assurer

l’existence d’un canal de communication fiable lors la réalisation de la mission.

Les robots doivent constituer et maintenir eux-même un réseau sans fil mobile.

Dans la littérature, Le problème de maintien d’un réseau de communication entre

des équipements mobiles est connu sous le nom: réseaux mobile ad hoc ”MANET

pour Mobile Ad Hoc NETwork”, donc nous avons utilisé cette infrastructure pour

assurer la communication entre eux

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

tures proposées sont en générale très différents dans la conception des différentes mod-

ules qui composent ces architectures, surtout au niveau de la navigation et l’évitement

d’obstacle. Nous avons adopté dans ce contexte l’hybridation de la logique floue et les

réseaux de neurones impulsionnels pour la navigation, et pour la coopération des robots

mobiles nous avons adopté une approche heuristique. L’intérêt de la logique floue réside

dans sa capacité à traiter, l’imprécis, l’incertitude et le vague. Elle est issue de la ca-

pacité 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 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:

1. Proposition d’une méthode hybride basée sur la logique floue et les réseaux de

neurones impulsionnels pour une navigation autonome.

2. Proposition d’une méthode, qui assure la coopération et la communication entre

des robots mobiles pour optimiser la couverture d’une zone.

Sur le plan simulation:

1. Implémentation des différentes fonctionnalités de la navigation autonome pour des

robots évoluant dans des environnements différents.

2. Implémentation de la méthode de coopération et communication entre des robots

mobiles


Organisation du mémoire

Nous avons organisé la thèse comme suit:

1. Partie 1: État de l’art

• Chapitre 1 : Ce chapitre est consacrée à la navigation d’un robot mobile etles problèmes qu’elle soulève. Nous allons décrire les techniques classiques et

récentes appliquées dans la planification et la navigation d’un robot mobile

autonome.

• Chapitre 2 : Nous allons décrire dans ce chapitre les concepts sur lessystèmes multi-robots, la coopération et la outils de communication entre

eux.

2. Partie 2: Contributions

• Chapitre 3 : Ce chapitre propose une méthode de navigation développéeen utilisant la logique floue et les réseaux de neurones impulsionnels. Les

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

de la navigation adoptées.

• Chapitre 4 : Ce chapitre est consacré à la description d’un système decoopération et communication pour optimiser la zone de couverture d’un

système multi-robot en intégrant la navigation des robots mobiles. La thèse

s’achève par une conclusion générale résumant les différents aspects important

de ce travail et les perspectives envisagées.

Partie I

État de l’art

4

Chapitre 1

Navigation d’un robot mobile

autonome

Prendre les bonnes décisions c’est prendre le bon chemin qui est devant nous.

Clémence G.

La robotique mobile autonome vise plus spécifiquement à concevoir des systèmes

capables de se déplacer de façon autonome. Les applications directes se situent notam-

ment dans les domaines de l’automobile, de l’exploration planétaire ou de la robotique

de service par exemple. La complexité de la navigation mise en œuvre sur un robot

mobile dépend d’une part de l’environnement dans lequel il doit évoluer et d’autre part

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

définition de la trajectoire. Nous présentons, dans ce chapitre, un état de l’art sur la

navigation: la navigation réactive (d’évitement réactif d’obstacles) et la navigation en

utilisant une carte. Nous présentons aussi des méthodes de navigation, qui sont basées

sur des approches de l’intelligence artificielle

5

Chapitre 1. Navigation d’un robot mobile autonome 6

1.1 Navigation des robots mobiles

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

robotique. Le problème consiste à donner aux systèmes mobiles la capacité d’aller d’une

position initiale à une position finale de manière autonome, en utilisant l’information

perçue par ses capteurs.

Historiquement, la navigation de ces systèmes mobiles a tout d’abord été considérée

comme un problème de planification de trajectoires. Le modèle de la scène est sup-

posé connu et des stratégies globales ou locales permettent de définir la séquence de

configurations que doit prendre le système mobile pour atteindre son objectif.

Depuis le début des années 80, les avancées technologiques et algorithmiques permettent

de contrôler directement les mouvements d’un système robotique mobile à partir des

informations perçues par ses capteurs. Ces informations sont utilisées pour définir une

loi de commande du système mobile sans pour autant nécessiter le modèle de la scène.

Plus récemment, les recherches en robotique mobile ont considéré des environnements

de navigation très vastes, à tel point que les capteurs embarqués (caméra ou même laser)

ne peuvent les décrire que localement à un instant donné. Une représentation interne de

l’environnement de navigation devient alors nécessaire. Elle permet dans ce cas d’étendre

le champ d’action des capteurs du système robotique, mais aussi de définir un ensemble

de stratégies de navigation adaptées à l’environnement traversé.[Bou14, Dje10]

Figure 1.1: Schéma simplifié des tâches de la navigation autonome[Bou14]


1.2 Les Stratégies de navigation

Les stratégies de navigation permettent à un robot mobile de se déplacer pour rejoindre

un but, réaliser une mission ou une tâche. Nous pouvons distinguer plusieurs types de

stratégies, cette classification permet de distinguer les stratégies sans modèles internes

et les stratégies avec modèle interne.

1.2.1 Approche d’un objet

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

courante du robot. Cette stratégie est locale où elle est appliquée uniquement quand

le but est visible. Elle utilise des actions réflexes dans lesquelles chaque perception est

directement associée à une action.

1.2.2 Guidage

Cette stratégie permet d’atteindre un but qui n’est pas directement visible, mais qui

est caractérisé par un ensemble d’objets remarquables, ou amers, qui l’entourent. Elle

utilise également des actions réflexes et réalise une navigation locale qui requiert que

les amers caractérisant le but soient visibles. Cette stratégie est inspirée de certains

insectes, comme les abeilles, et a été utilisée sur divers robots.

(a) (b)

Figure 1.2: Stratégies de navigation: Guidage (a), Approche d’un objet (b)

1.2.3 Actions associés à un lieu

Cette stratégie c’est la première stratégie réalisant une navigation globale, atteindre

un but qui n’est pas visible et même les amers qui caractérisent son emplacement sont

invisibles. Elle requiert une représentation interne de l’environnement qui consiste à

définir des lieux comme des zones de l’espace dans lesquelles les perceptions restent

similaires, et à associer une action à effectuer à chacun de ces lieux. L’enchâınement de


ces actions associées définit une route vers le but. Ces modèles sont limités à un but

fixé: Une route qui permet de rejoindre un but ne pourra en effet pas être utilisée pour

rejoindre un but différent.

Figure 1.3: Stratégie de navigation: Actions associé à un lieu

1.2.4 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. Le

modèle interne est un graphe qui permet de calculer différents chemins entre deux lieux

arbitraires. Ce modèle ne permet toutefois que la planification de déplacements parmi

les lieux connus et suivant les chemins connus.

1.2.5 Navigation métrique

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

des chemins au sein de zones inexplorées. Elle mémorise pour cela les positions métriques

relatives des différents lieux, en plus de la possibilité de passer de l’un à l’autre. Ces

positions relatives permettent, par simple composition de vecteurs, de calculer une tra-

jectoire allant d’un lieu à un autre, même si la possibilité de ce déplacement n’a pas été

mémorisée sous forme d’un lien.

(a) (b)

Figure 1.4: Navigation topologique(a), Navigation métrique(b)


1.3 Navigation réactive

Par définition, les approches réactives n’utilisent que les valeurs courantes des capteurs,

et non des données provenant d’un modèle interne, pour décider de l’action à effectuer.

Elles sont généralement exécutées très rapidement et elles permettent de réaliser des

tâches de bas niveau, comme l’évitement d’obstacles imprévus, essentiel à la sécurité

d’un système mobile.

Dans ce type d’approche, la perception est indispensable car on considère que le système

mobile évolue dans un environnement qui lui est partiellement connu. Parmi les ap-

proches locales, nous citons :

1.3.1 Méthodes Bug

Les méthodes Bug sont les premières méthodes de recherche de trajectoire, elles sont

des méthodes basées sur deux comportements du robot (Figure 1.5) : (1) l’avancement

en ligne droite vers la destination, (2) et l’évitement des obstacles. La grande différence

entre ces méthodes se réside dans la condition de basculement entre ces deux comporte-

ments. Autre caractéristique de cette famille d’algorithmes est leurs simplicités dans

Figure 1.5: Le principe des méthodes bug

leurs principes et implémentations (plus ou moins) ce qui les rend plus adéquats pour

être implémentées sur des robots à cartes électroniques de moyenne et faible gamme.

Dans ces algorithmes, le système mobile se déplace vers l’objectif jusqu’à ce qu’il trouve

un obstacle, un point de contact appelée Hi (Hit point) est défini. Le nombre de points

de contact est égale aux nombre d’obstacles. Il contourne ce dernier jusqu’à ce qu’il soit

en mesure de se déplacer à nouveau directement vers l’objectif, lorsque le robot quitte la

zone de l’obstacle il définie un point de départ (leave point) appeler Li. En plus, si ces

algorithmes maintiennent l’historique des lieux visités, le temps d’exécution diminuera

considérablement.[Dje10]


Figure 1.6: Exemple de navigation en utilisant un algorithme Bug [LS+86]

a. Avantages

• Les méthodes Bugs sont intéressantes parce qu’on peut les appliquer dansun environnement inconnus (elles sont indépendantes de la géométrie de

l’environnement).

• La plupart d’entre elles sont convergentes qui veut dire elles trouvent unrésultat.

• N’utilisent pas de fonctions mathématiques complexes (racine, sinus,..), et nedemandent pas d’espace mémoire énorme, d’ailleurs certaines algorithmes de

cette famille n’utilisent même pas une mémoire.

• Simple à implémenter sur des robots réels.

• Les résultats donnés par les tests réels prouvent l’efficacité de ces algorithmes.

b. Inconvénients

• Dans la plus part des algorithmes la longueur du chemin peut-être soit meilleureou très mauvaise mais pas moyenne.

• Le résultat de l’algorithme dépend de l’environnement, et la convergence decertains algorithmes ne peut pas être prouvée théoriquement.

• Certains algorithmes restent théoriques car ils supposent l’utilisation d’unmatériel idéal ou des capteurs à distance illimités.

1.3.2 La méthode Vector Field Histogram (VFH)

La méthode Vector Field Histogram (ou VFH) utilise une grille d’occupation locale

construite à partir des données issues des capteurs à ultrasons. Cette grille est construite

de manière très rapide par la méthode dite Histogrammic In Motion Mapping (ou HIMM)

où chaque cellule contient le nombre de fois qu’un obstacle est perçu à cet endroit.


Figure 1.7: Grille d’occupation locale construite par la méthode HIMM[BK91]

À partir de cette grille d’occupation locale, cette méthode génère un histogramme

de deux dimensions avec l’axe X représente l’angle x et l’axe Y représente la proba-

bilité p d’existence d’un obstacle, cette probabilité est calculée par la discrétisation de

l’environnement en secteurs angulaires contenant la somme des valeurs des cellules cor-

respondantes. Après l’application de la fonction coût pour chaque espace, le passage

Figure 1.8: Calcul de la direction de déplacement basée sur l’histogramme desobstacles[BK91]

avec la direction la plus proche à la direction du but est choisi.[BK91, Dje10, Fil11]

1.3.3 L’approche ”Elastic Bande”

L’approche EB, proposée par Quinlan [QK93], repose explicitement sur l’idée d’un

chemin prédéfini, cette méthode implémente une navigation locale en se basant sur les

données capteurs par déformation, en temps réel, de la trajectoire global déjà calculée.

Les capteurs du robot mobile assurent l’ensemble des données sur la position des obsta-

cles qui l’entourent. La bande élastique se représente par une série de boules adjacentes

(appelées bulles) dans l’espace des configurations. Chaque bulle a un diamètre variable

et représente un espace libre empruntable par le robot mobile. Elles sont soumises à

deux types de forces : répulsives et attractives. Les forces répulsives sont générées par

les obstacles et les forces attractives s’exercent uniquement entre les bulles consécutives.

Ceci a pour effet de maintenir la bande élastique tendue et éloignée des obstacles.

L’approche EB est inutilisable en cas d’absence d’une cartographie et d’une planification

car elle est basée sur un chemin prédéfini. Ainsi cette méthode propose la re-planification

de nouvelle trajectoire afin de résoudre le cas des changements imprévus.


Figure 1.9: Chapelet de bulles

1.4 Navigation en utilisant une carte

La principale difficulté de ces approches réside dans la modélisation de l’environnement

de navigation. Une fois le modèle obtenu et connaissant la position du système mobile

dans ce dernier, il est alors possible, après une discrétisation de l’environnement, de

calculer une trajectoire (ou un chemin) reliant cette position au but qui doit être atteint.

Un des avantages de ces approches est qu’elles peuvent répondre à la question de

complétude : si des solutions existent, l’algorithme en retournera une, s’il n’y a pas

de solution, l’algorithme le signifiera. Ces approches tiennent compte des propriétés

globales de l’espace de configuration du système mobile et peuvent intégrer des con-

traintes spécifiques, qui doivent être satisfaites à chaque étape de la réalisation de la

tâche.

1.4.1 Localisation

Le point fondamental pour un système mobile est sa capacité à réaliser de manière au-

tonome un déplacement d’un point à un autre dans un environnement non parfaitement

connu a priori, afin d’atteindre sa destination[Dje10]. Le système mobile a besoin de

positionner, après chaque mouvement, son emplacement pour déterminer sa direction

suivante. La localisation consiste à déterminer la situation, la position et l’orientation,

du système mobile par rapport à un repère de référence. La localisation est absolue

si le repère est fixé, lié à son environnement. La localisation est relative lorsque le

repère est lié à une position précédente du système mobile. Par analogie avec la clas-

sification des capteurs, nous pouvons considérer trois grands systèmes de localisation

[Dje10, Dro02, Sli05] : méthodes de localisations relatives, absolues et hybrides.


1.4.1.1 Méthodes de localisations relatives

Consiste à évaluer la position, l’orientation et la vitesse du robot par l’intégration

des informations fournies par des capteurs proprioceptifs. L’intégration se fait à par-

tir du point de départ du robot. Ces données contiennent des informations sur le

déplacement (odomètre), la vitesse (vélocimétrie) ou d’accélération (accéléromètre).

Parmi les systèmes de localisation nous pouvons citer :

• L’odométrie : La technique de l’odométrie est la plus utilisée pour la localisationdes robots mobiles à roues. Elle permet de déterminer la position et le cap (x, y, θ)

d’un véhicule par intégration de ses déplacements élémentaires, et ce, par rapport

à un repère lié à sa configuration initiale. L’algorithme de localisation est basé

sur le comptage des impulsions générées par des codeurs durant une période de

déplacement. Les avantages de l’odométrie résident dans sa simplicité de mise en

œuvre et dans son coût faible : ces caractéristiques en font un système de localisa-

tion couramment utilisé en robotique mobile. L’inconvénient est une précision très

médiocre sur des distances importantes, à cause des erreurs cumulatives.[Bay07]

• La vélocimétrie : consiste à estimer la vitesse du robot et l’intégrer pour obtenirle déplacement. Les gyromètres fournissent la vitesse de rotation, et le radar

Doppler fournit la vitesse linéaire.

• Les capteurs inertiels : La localisation d’un système mobile en utilisant cetype de capteur (accéléromètres, gyroscopes, compas magnétiques) est déterminé

à partir d’informations inertielles acquises au cours de son mouvement. Cette

localisation plus coûteuse constitue le haut de gamme des systèmes de localisation

à l’estime. Le calcul de la position est effectué par double intégration de ces

informations et entrâıne une inévitable accumulation d’erreurs qui constitue une

dérive d’estimation dans le temps. Un recalage périodique est alors indispensable.

1.4.1.2 Méthodes de localisations absolues

La localisation absolue est une technique qui permet à un robot de se repérer directe-

ment dans son environnement on utilisant les capteurs extéroceptifs. Elle nécessite une

représentation de l’environnement contenant l’ensemble des références externes ou carte

d’environnement. Deux stratégies sont utilisées afin de résoudre le problème de locali-

sation : stratégie utilisant des points de repère artificiels et stratégie utilisant des points

de repère naturel.


1. Repère artificiels: Les repères artificiels sont des balises caractéristiques ajoutés

à l’environnement, leurs positions sont connues. Cette technique est précise, ro-

buste et satisfait la contrainte temps réelle. Cependant elle soufre de manque

de souplesse et la lourdeur d’utilisation, elle nécessite un investissement lourd en

équipement. Il y a 2 types de balises artificiels : actives et passives.

• Balises actives: Ce sont des balises émettant des signaux capté parl’équipement de mesure, ce qui permet une interaction avec les systèmes

de perception du robot. Ces ondes peuvent être émises en continu ou être

déclenchées par ordre de l’équipement embarqué sur le mobile. Il y a 2 prin-

cipaux types d’organes de transmission : les émetteurs de sources lumineuses

(infrarouge) et les antennes émettrices hyperfréquences. La méthode de lo-

calisation consiste à extraire à partir de l’image d’une balise les distances des

balises par rapport au robot et effectuer une triangulation ensuite.

Figure 1.10: système de localisation par repérage de balises actives

• Balises passives: ce sont des repères artificiels placés dans des positionsconnues. Leur identification est différente à celle des balises actives, elle se

fait par les systèmes de perception et n’est pas par changement des signaux.

Le problème de la mise en correspondance est résolu par un codage au niveau

du marquage des balises. Ces systèmes sont caractérisés par leur souplesse.

Figure 1.11: système de localisation par repérage de balises passives


2. Repère naturel: C’est une méthode permettant de calculer la position du

robot en utilisant les éléments caractéristiques de l’environnement. Cette technique

caractérisée par sa souplesse, n’a pas besoin d’aménager l’environnement du robot.

Cependant une connaissance de l’environnement est nécessaire sous forme d’une

carte contenant la position des amers utilisés pour localiser le robot.

1.4.1.3 Méthodes hybrides

Les deux grandes familles de méthodes de localisation, relative et absolue, possèdent

chacune des avantages et des inconvénients. C’est pour cette raison qu’une grande partie

des systèmes de navigation intègre les deux solutions pour donner lieu à des algorithmes

de recalage de l’estimation odométrique par l’estimation absolue.

1.4.2 Cartographie

Dans le cas de la navigation par carte, le robot mobile doit avoir un modèle qui représente

son environnement, si cette carte n’est pas connue alors un module de génération de carte

incrémentale doit être intégrer au système de navigation. Le processus de construction

de la carte locale de l’environnement est un problème dual du problème de localisa-

tion. Dans le cas de la localisation, à partir de mesures d’un environnement connu a

priori, le problème consistait à estimer la localisation courante du robot. Ici, il s’agit de

déterminer une représentation de l’environnement à l’aide de la fusion des modèles sen-

soriels générés lors du déplacement du robot et les primitives déjà insérées dans la carte,

donc une localisation exacte du robot est nécessaire afin de mettre en correspondance

les cartes locales.[Bab07, Bay07, Sli05] Alors l’étape de localisation est indissociable de

celle de la cartographie, on parle donc d’un système de ”localisation et modélisation si-

multanée”[DWDWB02]. La difficulté de la cartographie vient généralement de plusieurs

raisons parmi lesquelles:[TBF05, Bab07]

• La taille de la carte construite : plus l’environnement décrit par une carteest grand, plus les traitements seront lourds et l’espace mémoire pour le stocker

sera important.

• Le bruit : les mesures des capteurs et les mouvements effectués par les actionneursdu robot sont bruités, ce qui oblige le traitement de ces données sensorielle.

• perceptuelle : L’existence des endroits qui ont les mêmes aspects, conduit à desproblèmes de l’association de données, avec le temps, il est difficile d’établir les

bonnes correspondances entre les endroits traversés.


• Boucler la boucle : construire une carte dans une boucle fermée exige decorriger les erreurs odométriques qui s’accumulent, sous peine d’obtenir une carte

incohérente. La carte construite incrémentalement peut se déformer si aucun amer

n’est revu pendant le déplacement pour localiser le robot. La reconnaissance des

amers vus à la position de départ et la construction de la carte par l’utilisation

d’une technique du (SLAM) permet d’obtenir une carte cohérente.

Les méthodes de modélisation de l’environnement sont classées en trois grandes familles:

Les approches métriques et les approches topologique et les grille d’occupation [CL85,

Bab07].

1.4.2.1 Les approches métriques

Les approches de modélisation métriques décrivent explicitement la position “géométrique”

des éléments de l’environnement, il s’agit là d’une représentation cartésienne de l’environ-

nement. La carte métrique permet de représenter l’environnement par un ensemble

d’objets auxquels sont associées des positions dans un espace métrique, généralement

en deux dimensions. La position du robot dans cet espace est estimée par les données

proprioceptives, et les perceptions permettent, en utilisant un modèle métrique des cap-

teurs, de détecter ces objets et d’estimer leur position par rapport à la position es-

timée du robot. La fusion des deux sources d’information au sein d’un même cadre de

représentation est caractéristique des cartes métriques.[NTHS99, Dro02, Fil11].

Figure 1.12: Exemple d’un modèle géométrique du monde

1. Avantages des cartes métriques

• La représentation complète de l’environnement, permet d’estimer la positionprécise du robot. De plus, cette représentation ne se limite pas aux positions


physiquement explorées, mais s’étend à toutes les zones que le robot a pu

percevoir depuis les lieux qu’il a visités.

• La position du robot est définit par les coordonnées, et par conséquence lalocalisation du robot est précise.

• La représentation de l’espace est indépendante du robot grâce à utilisationd’un modèle métrique.

• Cette représentation peut de plus utiliser des concepts de plus haut niveau,tels que des objets, des obstacles ou des murs. Cela permet un apport de

connaissance plus facile de la part des humains.

2. Inconvénients des cartes métriques

• La difficulté de calculer les chemins à cause de la représentation continue del’espace.

• Un modèle métrique des capteurs peut être difficile à obtenir. Les problèmesliés au bruit des capteurs et à la difficulté de modéliser de manière fiable

leur relation avec l’environnement constituent donc un point faible des cartes

métriques.

1.4.2.2 Les approches topologiques

Dans le cas des environnements de grande taille, la construction d’une carte purement

géométrique peut s’avérer insuffisante et trop lourde à manipuler. Il est alors pertinent

d’ajouter une information topologique, correspondant typiquement à un graphe dis-

cret représentant différentes zones et donc différentes cartes géométriques locales dans

lesquelles évolue le robot.

Une carte topologique décrit les relations entre les éléments de l’environnement, sans util-

isation d’un repère de référence absolu. Elles se présentent sous forme de graphes, dont

les sommets correspondent à des lieux, souvent associés à des informations perceptuelles

(histogrammes de couleurs, images, données télémétriques, etc.) et les arcs du graphe

correspondent à la stratégie utilisée par le robot pour aller du nœud de départ au nœud

d’arrivée en utilisant des données proprioceptives. Les cartes topologiques utilisent en

générale les perceptions pour détecter, reconnâıtre et mémoriser des lieux et n’est pas

pour estimer la position de robot. Ainsi il y a l’utilisation des données proprioceptives

pour résoudre les problèmes lié à la reconnaissance d’un lieu telle que la variabilité

perceptuelle et l’ambigüıté perceptuelle. La détection et la mémorisation des lieux se

fait par deux procédures. La première permet de comparer deux perceptions et donc

de reconnâıtre un lieu de la carte ou de détecter un lieu nouveau. La seconde permet


de mémoriser un nouveau lieu ou d’adapter la définition d’un lieu lors des passages

successifs du robot en ce lieu.[Rao11]

Figure 1.13: Carte topologique d’environnement

1. Avantages des cartes topologiques

• La discrétisation de l’environnement est très utile pour la planification desmouvements de robots, d’une part, elle réduit et facilite la recherche dans un

graphe, et par conséquence avoir une complexité algorithmique plus simple

que la recherche dans un espace continu. D’autre part, elle facilite l’interaction

avec l’homme si les lieux correspondants à des structures humaines telle que

les pièces ou les couloirs ”allez à la salle1 est meilleur que allez à S(x = 3, y =

4)”.

• La séparation des informations proprioceptives et des perceptions (cartogra-phie) permet de séparer les influences des erreurs correspondant.

• La mémorisation de l’environnement sous forme d’un ensemble de lieux dis-tincts permet une meilleur interaction du robot avec son environnent, car la

carte est très proche aux données des capteurs.

2. Inconvénients des cartes topologiques

• Une vue partielle sur l’environnement, car il n’y a pas d’informations sur leslieux non visités. Par conséquent, la nécessité d’une exploration complète de

l’environnement.

• Le problème d’ambigüıté perceptuelle : La reconnaissance des lieux de l’environnementpeut également être difficile dans le cas de capteurs très bruités, ou d’environnements

très dynamiques.

• La représentation est très liée à un robot particulier.


3. La construction de la carte topologique

Sans ambiguïté perceptuel Avec ambiguïté perceptuel

Estimer la position du robot

Comparer

Les perceptions

courantes

Données mémorisé

dans chaque nœud

de la carte

Oui Non

Aucun des

nœuds ne suffit

aux données

courantes

Ajouter un

nouveau nœud

dans la carte

Ce nœud est la

position courante

du robot

Prendre en compte la position

depuis la position précédant du

robot par l’odométrie, pour

déterminer si le lieu est nouveau

ou non

Oui Non

Ajouter un

nouveau nœud

dans la carte

Oui Non

Ajouter un nouveau

nœud dans la carte

Faire des mises à jour sur les

perceptions mémorisées au

niveau des nœuds et les

informations au niveau des

arêtes

Correspondant au

lieu déjà

mémorisé

Aucun des

nœuds ne suffit

aux données

courantes

Figure 1.14: Diagramme de la construction de la carte topologique

1.4.2.3 Les méthodes basées sur des grilles d’occupation

La grille d’occupation est une représentation de l’environnement qui décompose l’espace

dans lequel un robot mobile évolue en un ensemble de cellules. La probabilité d’occupation

de chaque cellule est une valeur estimée à partir des mesures fournies par les cap-

teurs. La grille d’occupation représente un modèle capable de faire la mise à jour de

l’environnement à une fréquence élevée et permettant de réviser facilement les prob-

abilités d’occupation, donc de suivre l’évolution de l’environnement autour du robot,

ce qui est indispensable pour une meilleure réactivité. Ce type de méthode est ro-

buste ainsi capable de modéliser des environnements de forme quelconque. Elle est en

général préférée pour les applications qui reposent sur la détection de l’espace navigable


ou pour l’évitement d’obstacles. En revanche, l’inconvénient de cette méthode est la

discrétisation par une grille qui induit des déformations et exige un espace de stockage

important pour de grandes résolutions et nécessite un temps de calcul élevé.[Fil11, Sli05]

Figure 1.15: Exemple d’une grille d’occupation 2D représente un laboratoire.Lesvaleurs d’occupation sont codées comme suit : (vert : inconnu ; blanc : libre ; bleu :

occupé).

1.4.3 Planification

Une fois le modèle obtenu et la localisation du robot mobile est faite, alors le robot mobile

peux évoluer dans un environnement complexe encombré d’obstacles par le calcule de la

trajectoire qui relier une position au but.[Hac08]

La planification est la capacité de déterminer le mouvement qui permet de passer d’une

position du robot à une autre, en respectant les contraintes de déplacement du robot

et en évitant les obstacles de l’environnement [tel-00001746]. Plusieurs approches sont

proposées pour la planification de trajectoire. Cependant, les plus utilisées sont la

planification globale et locale. [Lat12, Che14b, Fil11]

• Planification globale de trajectoire: c’est la modélisation de l’espace del’environnement par un graphe, où la recherche de la trajectoire est basée sur

l’utilisation des algorithmes des graphes, nous pouvons citer: le graphe de visi-

bilité, la décomposition cellulaire, . . . etc.

• Planification locale de trajectoire: Généralement, l’environnement du robotmobile est inconnu, et le robot ne dispose pas, à priori, d’aucune information

sur l’environnement. Il est nécessaire donc de réaliser une planification locale de

type réflexe. Pendant le déplacement, le robot mobile doit analyser son environ-

nement et prendre la décision en fonction de cette analyse. Les méthodes réactives


de l’intelligence artificielle sont considérées comme des approches de planification

locale.[Che14b]

1.4.3.1 Espace des configurations

L’espace de travail W permet de définir l’ensemble des positions atteignables par le

mobile M ;W peut contenir un ensemble de n obstacles O = O1, O2, ..., On ; M est

physiquement présent dans W. Une position est atteignable si M n’est pas en collision

avec un obstacle Oi appartient O; si W est un espace 2D, M agit dans le plan ; si W est

un espace 3D, M agit dans l’espace.

L’espace des configurations, représenté dans la figure 1.16, est différent de l’espace de

travail. Ce dernier correspond à l’espace de déplacement du robot mobile, par contre

l’espace des configurations prend en compte tous les degrés de liberté du robot, donc

sa dimension est plus grand à celle du l’espace de travail. Par exemple, pour un robot

holonome qui peut translater suivant les 3 axes avec la possibilité de tourner sur chacun

des ces axes, son espace des configurations a une dimension de 6, en plus ce dernier est

l’espace de travaille sans positions qui conduisent une percussion avec un obstacle, c.-à-

d. les obstacles plus une marge de sécurité correspond au rayon du robot mobile.[Jou04,

Fil11]

Figure 1.16: La construction d’un espace de configuration

1.4.3.2 Discrétisation de l’espace de recherche

La planification utilise les méthodes de recherche de chemin dans des graphes. Une

carte topologique fournit ce graphe directement, par contre une carte métrique nécessite

une discrétisation de l’espace car ce dernier est représenté d’une manière continue. Cer-

tains modèles fournissent cette décomposition au niveau de la cartographie, en con-

struisant une carte topologique parallèlement avec la carte métrique. D’autre font une

décomposition de l’espace libre seulement, ainsi il y a des méthodes qui permettent de

calculer un chemin sans discrétisation de l’espace.


Discrétisation

Décomposition en cellules Avec précalcul de chemin

Décomposition exact

Décomposition en cellule régulière

Décomposition quadtree

Diagramme de visibilité

Diagramme de Voronoï

Rapidly exploring

random tree

Figure 1.17: Discrétisation de l’espace de recherche

Les méthodes de discrétisation se décomposent en 2 catégories : décomposition en cellules

et avec pré-calcule de chemin.[Fil11]

• La décomposition en cellule : cette technique consiste à partitionner l’espacedes configurations libres en un ensemble de cellules de différentes formes, qui per-

mettent de reproduire la topologie de l’espace libre. Les cellules obtenues sont alors

utilisées de manière similaire aux nœuds des cartes topologiques dans la naviga-

tion, les cellules adjacentes étant considérées comme reliées par une arête.[Bay07]

Figure 1.18: Exemples de la décomposition en cellules

• Avec pré-calcule de chemin : Les méthodes de la seconde catégorie font appelau pré-calcul de chemins entre des points répartis dans l’environnement. Le graphe

de visibilité utilise les angles d’obstacles qui sont les points que le robot devra

contourner pour éviter ces obstacles. Le diagramme de Voronöı utilise les points

équidistants de plusieurs obstacles qui permettent de générer des chemins passant

le plus loin possible des obstacles. La méthode ”Rapidly exploring Random Trees”

construit un arbre aléatoirement en vérifiant que les branches créées ne rencontrent

pas les obstacles. Cette méthode est très efficace car elle permet d’échantillonner


l’espace sans le parcourir de manière exhaustive et peut aussi prendre en compte

les contraintes de non holonomie du robot. Les points sont ensuite utilisés comme

les nœuds d’une carte topologique, tandis que les chemins pré-calculés reliant les

nœuds seront utilisés comme les arêtes de cette carte.

Figure 1.19: Exemples de décompositions en chemins précalculés dans les cartesmétriques

1.4.3.3 Planification d’un chemin

La planification d’un chemin dans un espace des configurations passe par 2 étapes:

RQ : Dans le cas de la décomposition de l’espace libre en cellules, les points de l’espace

B

Calculer un chemin entre :

• Point de départ. • Le point de l’espace discrétisé le plus

proche au point de départ.


• Le point de l’espace discrétisé le plus proche au but.

• Le but en question.

Etape 2


• Le point de l’espace discrétisé le plus proche au point de départ.

• Le point de l’espace discrétisé le plus proche au but.

A

Etape 1

Assembler les 3 trajectoires pour obtenir le chemin reliant le point de départ au but.

Figure 1.20: les étapes de planification d’une trajectoire.

discrétisé utilisés peuvent être les centres des cellules ou les milieux des côtés des cellules.

Dans le cas de l’utilisation de chemins précalculés, ces points sont les points de passage

de ces chemins.


Chemin Vs trajectoire La différence essentielle entre un chemin et une trajectoire

est la dimension temporelle.

• Un chemin est de nature statique, il représente là où doit passer le robot mobileseulement, mais ne dit rien quant à la façon dont il va y passer (à quelle vitesse,

à quel instant). De fait, la planification de chemin ne s’applique qu’à des environ-

nements statiques.

• La planification de trajectoire s’impose donc dès lors que l’on souhaite (où que l’ondoive) prendre en compte des contraintes dynamiques, dépendantes du temps. Ces

contraintes dynamiques sont de deux types : celles qui concernent l’environnement

(présence de mobiles), et celles qui concernent le système mobile (sa dynamique).

Les méthodes de planification se décomposent en 3 catégories : les approches par

roadmap, par décomposition en cellule et par fonctions de potentiel.

1. Méthodes par roadmap: consistent à construire un ensemble des courbes ap-

pelé roadmap, qui assurent la connectivité de l’espace des configurations, l’étape

suivante consiste à choisir parmi les chemins de roadmap celui qui relie le point

de départ avec le but. La difficulté est présente au niveau de la construction de

roadmap. Parmi les méthodes qui sert à construire ce dernier : graphes de visi-

bilité, graphe de Voronöı et la méthode des cônes généralisés . . . etc.[Fil11, Lat99]

• Méthode de Voronöı: cette approche cherche à construire des courbes leplus distant possible aux obstacles, elles exploitent le diagramme de Voronöı

qui construit des courbes équidistances des obstacles.

• Méthode de graphe de visibilité : base sur la création des nœuds auniveau des sommets des obstacles ainsi que le point de départ et le but. Après

ces nœuds sont reliés avec des arcs à condition que ces derniers ne traversent

jamais les obstacles.

• Méthode des cônes généralisés (Books): l’espace libre est déterminé enutilisant des cylindres généralisés qui sont placés entre des paires de bords

d’obstacles et limités par ces derniers. Chaque cylindre possède une colonne

vertébrale qui joue le rôle des arcs, l’intersection de ces spine crée les nœuds.

Le graphe construit a les mêmes propriétés du graphe de Voronöı. Cette

méthode est rapide, cependant elle tombe dans des cas où elle ne trouve pas

des chemins même si ces derniers existent, particulièrement dans le cas d’un

espace d’évolution encombrant.

2. Méthodes par décomposition en cellule: Méthodes par décomposition en

cellule : ces méthodes consistent à partitionner l’espace des configurations libres


Figure 1.21: Exemple d’un graphe de Voronöı, graphe de Visibilité et méthode deBooks

du système mobile en cellules. Un graphe représentant les relations d’adjacence

entre les cellules est ensuite construit. Ce graphe appelé graphe de connectivités.

Le problème se réduit à la recherche dans le graphe des connectivités d’un chemin

optimal. Ces méthodes sont généralement classées en 2 catégories [Fil11]

• Méthodes exactes : l’espace libre est décomposé en un ensemble de formesou cellules irrégulières, de tel sort que ces formes doivent êtres convexes et

recouvrent exactement l’espace libre.

Figure 1.22: Exemples des méthodes exactes

• Méthodes approchés : Ces méthodes se distinguent des précédentes par la sim-plicité de la structure des cellules utilisées pour la décomposition et l’approximation

faite de l’espace libre. La décomposition est en cellules régulières qui sur-

estime la surface des obstacles ce qui peut êtres gênant si les cellules sont

grandes. Plusieurs types de formes de cellule sont généralement utilisés en

pratique.

Figure 1.23: Décomposition approchée de l’espace libre


3. Méthode par champs de potentiel: Dans cette approche, on considère que

le robot roule dans un champ de forces virtuelles composé de deux champs : un

premier champ attractif dont le point d’attraction est le but et d’un ensemble

de champs répulsifs modélisant la présence des obstacles. Les déplacements du

robot sont calculés itérativement par un algorithme de descente du gradient du

potentiel.[Bay07, Bou14, Fil11]

Figure 1.24: Champs de potentiel répulsif et attractif

Sachant que q est la configuration courante du robot, la commande du robot mobile

permettant d’éviter un obstacle noté ‘O’ et d’atteindre la cible, est donnée par le

champ de potentiel artificiel composé du champ de potentiel attractif et répulsif.

Dans le cas d’évitement de plusieurs obstacles où n est le nombre des obstacles,

la commande à envoyer au robot est composée de la force résultante du champ de

potentiel attractif et de la somme des forces qui résultent des champs de potentiel

répulsifs des différents obstacles. Cette méthode reste sensible à l’occurrence de

minima locaux engendrant des configurations de blocage ou d’oscillation à un robot

lors du franchissement d’un passage étroit entre des obstacles. Afin d’éviter que le

robot ne soit bloqué (minima locaux), plusieurs adaptations de cette technique ont

été proposées. Par exemple, des auteurs proposent d’ajouter un point intermédiaire

aléatoire afin de pouvoir sortir le robot de sa trappe.

1.5 Méthodes de navigation

1.5.1 La 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 [Rei94]. Cette technique est très proche en son esprit

au raisonnement humain et au langage naturel. Elle fournit principalement des moyens

efficaces pour la capture de la nature approximative et inexacte du monde réel, ainsi

la logique floue apporte une étonnante efficacité, lorsqu’on ne dispose pas un modèle

mathématique précis. La structure du système flou est illustrée par la figure 1.29.

1.5.1.1 Concepts de la logique floue

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” [OAH05].

2. Les ensembles flous Dans la théorie des ensembles classiques, un élément ap-

partient ou n’appartient pas à un ensemble, cette notion d’ensembles qui est à

l’origine de nombreuses théories mathématiques ne permet pas de rendre compte

des situations pourtant simples et rencontrées fréquemment. La notion d’ensemble

flou est une extension de la notion classique d’ensembles. Elle est crée par Lofti

Zadeh [Luc03] afin de répondre à ce genre de situation. La théorie des ensembles

flous repose sur la notion d’appartenance partielle.

Exemple : Parmi des fruits on peut définir facilement l’ensemble des pommes,

mais cette tâche devient sensiblement plus difficile si on veut définir l’ensemble des

pommes mûres. On conçoit bien qu’une pomme mûrit progressivement, donc la

pomme mûre est une notion graduelle.

3. Variables linguistiques Dans la logique floue il y a deux aspects essentiels : la

variable linguistique et les caractéristiques de cette variable. Une variable linguis-

tique est une variable dont la valeur linguistique est un mot ou une phrase d’une

langue naturelle ou artificielle. Toute variable linguistique est représentée par un

tuple (X;T (x);Si):

• X : représente la variable elle-même.

• T (x) : représente l’univers de discours.


• Si : représente l’ensemble des caractéristiques de la variable floue.

Les valeurs de chaque variable représentent leurs caractéristiques. Considérons par

exemple la variable taille définie sur l’ensemble des entiers positifs et caractérisée

par les ensembles flous : petit, moyen, grand. La variable taille est alors représentée

par le triplet suivant : taille, R+, (petit,moyen, grand).

Figure 1.25: Example sur les Variables linguistiques

4. Les fonctions d’appartenance Ce sont les fonctions qui expriment le degré

d’appartenance d’une grandeur à une variable linguistique. Le choix de la forme de

la fonction d’appartenance est aléatoire, cependant les fonctions d’appartenances

de forme trapézöıdales, triangulaires, ou en forme de cloche (gaussienne) sont les

plus utilisées. La fonction d’appartenance trapézöıdale, peut être définie à l’aide

des paramètres réels a, b, c, d par la fonction suivante :

Figure 1.26: Fonction d’appartenance trapézöıdale

5. 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(condition1)et/ou(condition2)et/ou. . . (conditionN)alors(actionsurlessorties).

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 [OAH05].

1.5.1.2 Les différentes étapes du contrôle flou

Le contrôle flou tire son nom des applications de contrôle ou de commande en automa-

tique, mais il déborde maintenant ce cadre par ses multiples applications, partout où


une modélisation mathématique est difficile. Le principe de l’algorithme de ce contrôle

est très simple, il consiste à réaliser une ”interpolation” entre un petit nombre de situ-

ations 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. Le schéma général d’un contrôleur est donné par la

figure 1.29 Nous allons décrire chaque composant.

Figure 1.27: Architecture générale d’un contrôleur flou.

1. Fuzzyfication - Module de codage Les entées du système flou sont traité dans

cette phase, elle consiste à attribuer à la valeur réelle de chaque entrée, au temps t,

sa fonction d’appartenance à chacune des classes préalablement définies, donc cette

étape permet de transformer l’entrée réelle en un sous ensemble floue. Le choix

de la forme des fonctions d’appartenance (triangulaires, trapézöıdales, exponen-

tielles, gaussiennes,. . . ) est arbitraire. Un exemple d’une fonction d’appartenance

triangulaire est représenté dans la figure suivante:

Figure 1.28: Exemple de fonctions d’appartenance.

NG,NM, . . . , PG sont des valeurs linguistiques, tel que :

• NG : Négatif Grand, NM : Négatif Moyen, NP : Négatif Petit.

• ZE : Zéro, PP : Positif Petit , PM : Positif Moyen, PG : Positif Grand.

2. Déductions floues – Module d’inférence Le deuxième module consiste à ap-

pliquer les règles de type ”SI un mur est proche ET que je roule vite ALORS il

faut freiner rapidement”. L’application de ces règles permet de passer d’un degré


d’appartenance d’une grandeur réglant au degré d’appartenance d’une commande.

Ce module est constitué d’une base de règles et d’un moteur d’inférence pour le

calcule. A partir de la base de règles et les sous-ensembles flou correspond aux

variables d’entré, le mécanisme de décision (d’inférence) calcule l’ensemble flou at-

tribué aux variable de sortie en utilisant un opérateur d’implication, lequel permet

d’évaluer le degré de vérité de chaque règle. Par la suite, une agrégation des règles

est faite afin d’obtenir l’ensemble flou associé à la commande du système.

L’agrégation des règles par le raisonnement de Mamdani est illustrée par l’exemple

suivant: Avec la méthode de Mamdani l’opérateur est utilisé pour la combinaison

Figure 1.29: Exemple illustre la méthode de Mamdani.

des prémisses et pour l’implication. Chaque règle est activée séparément et les

conclusions sont agrégées par l’opérateur, pour définir l’ensemble flou associé à la

variable de sortie y.

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 :[Bou14]

• Défuzzyfication par calcul du centre de gravité.

• Défuzzyfication par valeur du maximum.

• Défuzzyfication par la moyenne des maxima.

1.5.2 Les algorithmes génétiques

Les algorithmes génétiques sont un outil d’optimisation d’inspiration biologique proposé

par Holland en 75. Leur fonctionnement est basé sur des mécanismes d’évolutions. En

effet nous appliquons normalement l’algorithme à une population d’individus qui évolue

le long de plusieurs générations.


Chaque individu est caractérisé par génotypes, qui définissent la structure de l’individu

ou une partie de celle-ci. Ils ont été introduits dans la planification et la navigation du

robot mobile, où l’espace de recherche est l’ensemble de trajectoires, que peut suivre le

robot mobile.Les solutions acceptables recherchées sont les trajectoires sans collisions.

1.6 Conclusion

Pour qu’un système mobile puisse librement naviguer dans un environnement, il est

nécessaire de lui fournir la capacité de discrétiser cet espace, non seulement pour se

localiser, mais aussi pour avoir la capacité de définir des chemins dans celui-ci. Cette

dernière est le but essentiel pour un robot mobile afin de rejoindre la cible. La na-

ture de l’environnement détermine l’approche de navigation utilisée ainsi pour un envi-

ronnement 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, dans ce cas les approches de navigation avancées sont utilisées par le robot.

Dans ce chapitre, nous avons passé en revue les approches les plus utilisées et méthodes

de résolution pertinentes proposées dans la littérature pour le problème de la navigation.

Dans le chapitre suivant 2, nous allons présenter les systèmes multi-robots mobile et les

bases de fonctionnement de ces derniers: la coopération et la communication..

Chapitre 2

Les systèmes multi-robot

La coopération n’est pas l’absence de conflits, mais un moyen de les gérer.

Deborah Tannen.

Ce chapitre est consacré à un état de l’art sur les systèmes multi-robots mobile.

C’est une introduction à la problématique de base qui consiste à faire coopérer un groupe

de robots mobiles autonomes. On va alors s’intéresser à la problématique de déploiement

des robots mobiles et le maintien de la connectivité entre eux. Après avoir introduit les

caractéristiques et les méthodes de navigation d’un seul robot mobile, nous exposons

certains éléments qui dirigent la robotique vers les systèmes multi-robots. Nous nous

focaliserons principalement sur les bases de fonctionnement d’un système multi-robot:

la coopération et la communication. L’existence d’un réseau de communication pendant

une mission est un prérequis pour de nombreuses applications multi-robots en général, et

plus particulièrement pour le problème de coopération entre les robots. Nous discutons

sur l’outil de communication les réseaux adhoc. Nous présentons aussi dans ce chapitre,

un état de l’art de la coopération dans les systèmes multi-robots. Dans ce cadre, nous

discutons sur les aspects liés à la coopération.

32

Chapitre 2. Les systèmes multi-robot 33

2.1 Définition

un système multi-robots est un groupe de robots, homogènes ou hétérogènes, évoluant

dans le même environnement et ayant des capacités d’interagir avec leurs environnement

externe. les robots doivent impérativement partager et/ou intervenir sur des ressources

communes. De plus de la mise en place d’un contrôle individuel pour chaque robot,

les systèmes multi-robots utilisent les stratégies de contrôle approprie�

La modélisation d'un système de coopération et ... · Zineb LAOUICI. R esum e ... cours de ma...

Documents

Transcript of La modélisation d'un système de coopération et ... · Zineb LAOUICI. R esum e ... cours de ma...