Système de contrôle flou pour la navigation

autonome d’un groupe de robots mobile Thymio II

 

 

 

 

Fatma BOUFERA

Mascara University

Faculty of Science and Technology, Algeria

Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.


Fatima DEBBAT

Mascara University,

Faculty of Science and Technology, Algeria Debbat_Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.


FAYCAL KHELFI

RIIR Laboratory

Faculty of Exact and Applied Sciences, University of Oran Algeria mf_khelfi@yahoo.fr

 

 

 

 

 

 

Abstract—Ce papier aborde le problème de navigation d'un système robotique en environnement dynamique et incertain. Plus particulièrement, il s'intéresse à la détermination du mouvement pour un  robot,  permettant  de  rejoindre  une  position  donnée  tout  en assurant  sa  propre  sécurité  et  celle  des  différents  agents  qui l'entourent. Pour atteindre ces objectifs, nous avons adopté un contrôleur flou pour la navigation et l’évitement d’obstacle, en tenant compte de la nature changeante de l’environnement. L’approche a été expérimentée et validé sur un ensemble de robots ThymioII.  Comme champ d’application, nous avons choisi le problème de stationnement parking.

Mots clé : Robotique Mobile, navigation Autonome, Logique Floue, Robot ThymioII.

 

 

I.       INTRODUCTION

 

La robotique est un domaine de recherche qui se situe au carrefour de l’intelligence artificielle, de l’automatique, de l’informatique et de la perception par ordinateur; cette interdisciplinarité est à l’origine d’une certaine complexité [1]. Des applications dans des domaines aussi variés que l’industrie manufacturière, le spatial, l’automobile ou plus récemment les loisirs et le secteur médical, démontrent aujourd’hui l’intérêt économique et social de ces recherches. La robotique mobile autonome vise plus spécifiquement à concevoir des systèmes capables   de   se   déplacer   de   façon   autonome   [2].   Les applications directes se situent notamment dans les domaines de l’automobile, de l’exploration planétaire ou de la robotique de service par exemple [3].

Pour assurer la sécurité du robot dans un environnement dynamique et  incertain, il  est  nécessaire qu'il navigue sans collision avec  des  obstacles. Cette  navigation nécessite des stratégies de contrôle efficaces capables de surmonter les incertitudes présentées par le monde réel [4]. Parmi les méthodes d’évitement d’obstacles réactives, les méthodes des champs de potentiel, grille de certitude et de détection de bord, ou des combinaisons de ces méthodes [5]. Il existe plusieurs limitations pour les méthodes actuelles (basés sur les champs de potentiel) qui ont des difficultés à trouver des chemins. Elles exigent des descriptions précises de l’environnement [6]. Le


majeur problème de champs de potentiel est le problème des minima locaux [7]. Un des inconvénients de l’approche de détection des bords visibles d’un obstacle est la nécessité d'arrêter le robot et d'exécuter des algorithmes qui détermine l'existence de bords [9]. La méthode de   grille de certitude consiste à représenter l'environnement du robot   comme une grille   de   cellules.   Elle   est   utilisée   dans   le   processus d'acquisition d'une analyse locale de l’environnement du robot, ce qui exige que le robot s'arrête périodiquement.

 

Il existe d’autres approches basées sur des optimisations contraintes, nous en citons   Curvature Velocity Method [10], Lane Curvature Method [11], dynamic window [12] etc. Le principe général de ces méthodes est de sélectionner un couple de vitesses linéaire et angulaire (v, ω) qui répond à différente contraintes dont celle de l'évitement d'obstacles. Un tel couple de vitesses  produit une trajectoire pour la quelle la satisfaction des différentes contraintes est évaluée. Cependant, comme les couples de vitesse prennent en considération plusieurs contraintes (éviter l'obstacle, atteindre le point désiré, etc.), il devient difficile de prédire le comportement global du robot et s'il accomplit tous  les objectifs correctement. Il existe aussi la méthode des cycles limite proposée par Adouane [6]. En plus de l'évitement d'obstacles, elle permet de définir  une distance que   le   robot   garde   avec   l'obstacle   durant   cette   phase. Cependant cette méthode exige la connaissance de la cible dans l’environnement.

 

Toutes ces méthodes nécessitent d’être implémentées sur des robots avec une structure fonctionnelle assez développée. Le robot doit être mené des capacités de perception, de décision et d’action relativement élevées.

 

Notre objectif est  le  développement d’un  outil  d’évitement d’obstacle simple et totalement réactif qui peut être implémenté sur un robot bon marché tel que ThymioII.

 

Pour cela, nous proposons dans cet article un système flou réactif et intelligent et rapide pour que le robot réagisse en

 

temps réel. La logique floue fournit un meilleur moyen d’automatiser les expertises humaines, donc gain [13] de temps et d'espace mémoire, ce qui donne une rapidité considérable à ses moteurs d'inférence par apport aux méthodes classiques. Des expériences ont montrés qu’un contrôleur flou donne des résultats supérieurs que les contrôleurs classiques, et parfois même de meilleurs résultats que l'opérateur humain [14]. La logique floue a montré son efficacité   dans la gestion de l'incertitude et/ou l’incomplétude des données [15], [16]. Ce qui en fait  un outil robuste, simple et adéquat pour traiter ces problèmes.

 

Dans ce papier, notre objectif est de démontrer la faisabilité de cette approche pour la navigation, l'évitement d'obstacles statique et dynamique(les autres robots)   et agrégation (dans notre cas, stationnement aux bords de l’environnement) pour un groupe de robots mobile de type ThymioII.

Dans ce papier  nous allons commencer par un aperçu sur la description de la plateforme du robot Thymio ainsi que son fonctionnement sous l’environnement ASEBA. Ensuite nous allons présenter l’architecture structurelle et fonctionnelle de notre système de navigation flou. L’expérimentation   et l’évaluation de l’approche adoptée est donnée dans la section 4. La  conclusion synthétise les points abordés et  propose des perspectives à ce travail.

 

 

télécharger l'article