La modélisation d'un système de coopération et ... · Zineb LAOUICI. R esum e ... cours de ma...
Transcript of 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
-
Introduction générale 2
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
-
Introduction générale 3
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]
-
Chapitre 1. Navigation d’un robot mobile autonome 7
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
-
Chapitre 1. Navigation d’un robot mobile autonome 8
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)
-
Chapitre 1. Navigation d’un robot mobile autonome 9
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]
-
Chapitre 1. Navigation d’un robot mobile autonome 10
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 11
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 12
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 13
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 14
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
-
Chapitre 1. Navigation d’un robot mobile autonome 15
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 16
• 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
-
Chapitre 1. Navigation d’un robot mobile autonome 17
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
-
Chapitre 1. Navigation d’un robot mobile autonome 18
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 19
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
-
Chapitre 1. Navigation d’un robot mobile autonome 20
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
-
Chapitre 1. Navigation d’un robot mobile autonome 21
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 22
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
-
Chapitre 1. Navigation d’un robot mobile autonome 23
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.
Calculer un chemin entre :
• Le point de l’espace discrétisé le plus proche au but.
• Le but en question.
Etape 2
Calculer un chemin entre :
• 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.
-
Chapitre 1. Navigation d’un robot mobile autonome 24
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
-
Chapitre 1. Navigation d’un robot mobile autonome 25
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
-
Chapitre 1. Navigation d’un robot mobile autonome 26
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
-
Chapitre 1. Navigation d’un robot mobile autonome 27
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 28
• 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
-
Chapitre 1. Navigation d’un robot mobile autonome 29
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
-
Chapitre 1. Navigation d’un robot mobile autonome 30
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.
-
Chapitre 1. Navigation d’un robot mobile autonome 31
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�