Navigation Intelligente Autonome Pour Robot Mobile

Abstract

Les robots mobiles à roues présents de nos jours dans plusieurs secteurs d’activités, sont des machines dotées des capacités de perception, de réflexion et d’actions pour naviguer d’une façon autonome dans leur environnement en toute sécurité. Cette compétence de navigation autonome requiert une combinaison de ressources matérielles et logicielles pour accomplir des tâches élémentaires telles que la planification de chemin, l’évitement d’obstacles et le contrôle du mouvement en fonction de la situation de navigation. La navigation dans des environnements statiques ou structurés ne pose pas de problèmes aux techniques de navigation classiques. Cependant, les environnements dynamiques présentent plusieurs défis où le robot doit être capable de s’adapter rapidement à de nouvelles situations en temps réel pour garantir la sûreté de ses mouvements. Les approches classiques de contrôle de robots mobiles n’assurent pas dans l’ensemble une navigation réussie dans ces conditions d’où vient la nécessité de nouvelles techniques de navigation basées sur les algorithmes de l’intelligence artificielle. L’apprentissage par renforcement est parmi les méthodes intelligentes adoptées pour faire face aux défis de la navigation autonome dans des environnements dynamiques. C’est une technique basée sur l’interaction entre un agent qui a comme but d’apprendre une politique d’action et son environnement. Dans cette thèse, l’apprentissage par renforcement a été combiné avec des méthodes classiques de navigation pour développer deux stratégies de navigation : globale et locale. Pour la navigation globale, l’algorithme TD3 d’apprentissage par renforcement a été combiné avec l’algorithme PRM de planification globale de chemin. Le résultat est un algorithme qui peut planifier un chemin sans collision reliant la position de départ à la position cible en exploitant la carte de l’environnement et qui a la compétence de détection et d’évitement en temps réel d’obstacles dynamiques. Pour la navigation locale, un module de contrôle de vitesse qui peut s’adapter aux changements dans l’environnement a été développé pour éviter les obstacles dynamiques en combinant les algorithmes DWA et DQN. Nous avons également étudié un aspect fondamental de la commande des robots mobiles à roues, qui est le suivi de chemin. Dans ce contexte, nous avons conçu un contrôleur de suivi de chemin pour les robots mobiles à roues à commande différentielle basé sur le modèle d’inférence floue à SIRM connecté dynamiquement. Ce type spécifique de modèle d’inférence est utilisé pour résoudre le problème de l’augmentation du nombre de règles d’inférence dans la commande floue classique pour les systèmes de commande multi-entrées. La structure simple du contrôleur basé sur les SIRM permet également de réduire le temps de traitement. Le contrôleur peut conduire un robot mobile pour suivre une trajectoire de référence discrète en ajustant les vitesses angulaire et linéaire du robot.

Wheeled mobile robots, which are present in several fields of activities nowadays, are machines equipped with perception, reasoning, and action capabilities to navigate autonomously and safely in their environments. This autonomous navigation skill requires a combination of hardware and software resources to perform basic tasks such as path planning, obstacle avoidance, and motion control with respect of the current navigation situation. Navigation in static or structured environments does not pose problems for classical navigation techniques. However, dynamic environments present several challenges where the robot must be able to quickly adapt to new situations in real time to ensure the safety of its movements. Classical approaches to mobile robot control do not ensure successful navigation in these conditions, hence the need for new navigation techniques based on artificial intelligence algorithms. Reinforcement learning is one of the intelligent methods adopted to address the challenges of autonomous navigation in dynamic environments. It is a technique based on the interaction between an agent whose goal is to learn an action policy and its environment. In this thesis, reinforcement learning has been combined with classical navigation methods to develop two navigation strategies: a global and a local one. For global navigation, the reinforcement learning algorithm TD3 has been combined with the global path planning algorithm PRM. The result is an algorithm that can plan a collision-free path connecting the starting position to the target position by exploiting the environment map and that has the competence of real-time obstacle detection and avoidance. For local navigation, a speed control module that can adapt to changes in the environment has been developed to avoid dynamic obstacles by combining the DWA and DQN algorithms. We also studied a fundamental aspect of wheeled mobile robots control, which is the path following. In this context, we designed a path following system for differential drive mobile robots based on the dynamically connected fuzzy inference SIRM model. This specific type of inference model is used to solve the problem of increasing the number of inference rules in classical fuzzy control for multi-input control systems. The simple structure of the controller based on SIRM also reduces processing time. The controller can drive a mobile robot to follow a discrete reference trajectory by adjusting the robot’s angular and linear velocities.

الروبوتات المتحركة على العجلات، والتي توجد في عدة مجالات في عصرنا هذا، هي آلات مجهزة بقدرات الاستشعار والتفكير والحركة للتنقل بشكل مستقل وآمن في بيئتها. تتطلب هذه المهارة في الانتقال الذاتي مزيجًا من التجهيزات والبرامج لأداء المهام الأساسية مثل تخطيط المسار وتجنب العوائق والتحكم في الحركة بناءً على الحالة الملاحية. لا تشكل الملاحة في البيئات الثابتة أو المنظمة مشكلة بالنسبة لتقنيات الملاحة الكلاسيكية. في حين، تمثل البيئات الديناميكية تحديات عدة حيث يجب أن يكون الروبوت قادرًا على التكيف بسرعة مع الحالات الجديدة في الوقت الحقيقي لضمان سلامة حركته. لا تضمن الطرق الكلاسيكي للتحكم في الروبوت المتحرك ملاحة ناجحة في هذه الظروف، ومن هنا فإن هناك حاجة لتقنيات ملاحة جديدة تستند إلى خوارزميات الذكاء الاصطناعي. التعلم المعزز هو أحد التقنيات الذكية المعتمدة لمواجهة تحديات الملاحة الذاتية في البيئات الديناميكية. إنها تقنية تستند إلى التفاعل بين عامل وبيئته المحيطة بهدف تعلم سياسة للتحرك والتفاعل مع المحيط من أجل انجاز مهامه بنجاح. في هذه الاطروحة، تم دمج التعلم المعزز مع أساليب الملاحة الكلاسيكية لتطوير استراتيجيتين للملاحة: شاملة ومحلية. للملاحة الشاملة، تم دمج خوارزمية التعلم المعزز مع خوارزمية التخطيط المسار الكلي PRM. النتيجة هي خوارزمية تستطيع التخطيط لمسار خالٍ من الاصطدام يصل بين نقطة الانطلاق ونقطة الوصول عن طريق استغلال خريطة المحيط ولديها قدرة على تفادي العوائق في الوقت الحقيقي. أما بالنسبة للملاحة المحلية، تم تطوير وحدة تحكم في السرعة تستطيع التكيف مع تغييرات البيئة لتفادي العوائق الديناميكية عن طريق دمج خوارزميتي DWA و DQN. لقد درسنا أيضًا جانبًا أساسيًا في التحكم في الروبوتات الذاتية الحركة ذات العجلات، وهو تتبع المسار. في هذا السياق، قمنا بتصميم نظام متابعة للمسار للروبوتات الذاتية الحركة ذات القيادة التفاضلية باستخدام نموذج الاستدلال الضبابي المتصل ديناميكيًا. يتم استخدام هذا النوع المحدد من النموذج الاستدلالي لحل مشكلة زيادة عدد قواعد الاستدلال في التحكم الضبابي الكلاسيكي لنظم التحكم المتعددة المداخل. كما يخفض بناء نظام التحكم الذي يعتمد على النموذج ديناميكيًا وقت المعالجة، حيث يستطيع المتحكم قيادة الروبوت الحركي لمتابعة مسار مرجعي عن طريق ضبط سرعات الروبوت الدورانية والخطية.