Calculs De Proximite Sous Contraintes Dans L Espace Des Nombres Multivaleurs Application A La Planification De Trajectoire Pour Robot Mobile

Calculs de proximité sous contraintes dans l'espace des nombres multivaleurs

Ce mémoire présente différents algorithmes permettant de calculer la proximité entre un robot mobile et les obstacles d'un environnement. Ce dernier est modélisé par les nombres multivaleurs se caractérisant par un ensemble de rectangloides, dont les dimensions sont fonction de leur emplacement dans une grille. Dans un premier temps, nous proposons un algorithme de calculs de proximité définie par une distance euclidienne entre le robot et l'obstacle le plus proche. Le robot est représente : - par un point : le robot est considére comme circulaire de rayon nul, - par un segment : le robot est considéré comme rectangulaire de largeur nulle, - par un polygone : le robot est quelconque. Dans un deuxième temps, nous modifions l'algorithme précédent pour calculer un rayon de giration permettant à un point du robot d'éviter la collision avec un obstacle. Une nouvelle méthode de planification locale est développée. Comme avec celle de Dubins, le robot ne peut effectuer que des trajectoires sans points de rebroussement. Nous appliquons ces différents algorithmes de calculs de distance à deux planifications : - la première utilise les champs de potentiels pour laquelle il est nécessaire de connaitre à tout instant la distance entre le robot et les obstacles, - la deuxième concerne un robot non-holonome ne pouvant se déplacer que de l'avant, et utilise des points de passage. L'approche proposée permet une ouverture vers un ensemble d'algorithmes de calculs de proximité avec ou sans contrainte qui peut être utilise dans diverses applications de robotique.

Calculs de proximite sous contraintes dans l'espace des nombres multivaleurs. Application a la planification de trajectoire pour robot mobile

Approche cognitive pour la planification de trajectoire sous contraintes

Je présente une approche cognitive pour la planification de trajectoire sous contraintes. Elle repose en premier lieu sur DKP : une approche de planification de trajectoire par échantillonage. DKP construit un arbre d'exploration dans les parties atteignables de l'environnement à la manière d'un A*. Les solutions sont des trajectoires splines adaptées au contrôle de robots à deux roues indépendantes. La couche de propagation construit un espace des paramètres, contenant toutes les valeurs des paramètres laissés libres dans les solutions. Il est représenté sous la forme d'une surface contenant toutes les solutions locales du problème qui respectent les contraintes du problème : vitesse, accélération, évitement d'obstacle,. . .Ensuite, une recherche de solutions est effectuée sur l'espace des paramètres selon un critère de recherche. DKP a la propriété d'êtredéterministe : les résultats sont reproductibles et son comportement est entièrement contrôlable. Ce contrôle me sert à définir des comportements de pilotage. Ils sont exprimés sous la forme d'un arbre de comportements : chaque comportement agit sur la manière dont l'arbre d'exploration progresse dans l'environnement. Les comportements sont appliqués en fonction de la partie explorée. Ainsi, seuls les comportements faisables sont développés. TÆMS permet de décrire ces comportements de pilotage puis d'évaluer les solutions ainsi construites par DKP. Au final, mon approche cognitive repose sur l'évolution conjointe d'un arbre de comportements de pilotage et d'un arbre d'exploration : elle fait ainsi le lien entre planification classique et planification de trajectoire sous contraintes.