Multi-layer distributed robotics platform for autonomous mobile robots

Résumé

Les robots mobiles autonomes s’appuient de plus en plus sur des modèles d’apprentissage profond et sur des infrastructures informatiques distribuées couvrant les couches périphériques, de brouillard et infonuagiques. Dans des environnements tels que le secteur de la santé, ces systèmes doivent respecter des contraintes strictes de latence, de consommation d’énergie et de gestion opérationnelle, tout en demeurant sûrs et robustes. Cette thèse étudie la mise en oeuvre de robots mobiles autonomes basés sur l’IA sur des plateformes hétérogènes multicouches en abordant conjointement l’exécution embarquée de modèles d’apprentissage profond, la distribution de données en temps réel et l’orchestration dynamique de services robotiques distribués. Le travail s’appuie sur un banc d’essai réaliste, combinant un robot mobile modernisé et trois clusters Kubernetes représentant les différentes couches distribuées. Un modèle d’odométrie visuelle par apprentissage profond est d’abord optimisé pour une exécution en temps réel, montrant que ces performances peuvent être atteintes sans dégrader la précision de localisation, tout en quantifiant les compromis en termes de ressources, d’énergie et de température. Un middleware de communication multicouche, BlazeFlow, est ensuite introduit pour unifier les flux de données entre des protocoles de publication-abonnement hétérogènes et assurer une communication à faible latence pour des flux de capteurs à haut débit entre la périphérie, le brouillard et le nuage. Sur cette base, BlazeAIoT est proposé comme plateforme modulaire multicouche intégrant la communication, la configuration, la surveillance et le déploiement de services robotiques, et validé au moyen de scénarios de navigation et d’arrêt d’urgence, où les services sont répartis entre des clusters périphériques de type fog et cloud, tout en maintenant des performances en temps réel. Enfin, BlazeMaestro est présenté comme un jumeau numérique qui associe un simulateur à un déploiement multi-clusters pour évaluer des stratégies d’orchestration tenant compte de contraintes de ressources, de latence et d’énergie, et pour comparer des orchestrateurs métaheuristiques, d’apprentissage par renforcement profond, gloutons et basés sur des autoencodeurs. Dans l’ensemble, cette recherche fournit des outils et des preuves expérimentales pour guider le déploiement de robots mobiles autonomes sur des infrastructures multicouches hétérogènes et clarifie comment équilibrer la latence, l’énergie et la complexité opérationnelle dans les environnements de santé intelligents.

Date	6 août 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Maarouf Saad (Directeur(-trice)), Kuljeet Kaur (Codirecteur(-trice)) & Julien Gascon-Samson (Codirecteur(-trice))