Path planning for mobile robots

Résumé

Dans de nombreux domaines industriels, les robots mobiles sont largement utilisés de nos jours. La recherche sur la planification de la trajectoire du robot mobile est l’un des aspects les plus importants des améliorations dans le domaine des robots mobiles. La planification de la trajectoire d’un robot mobile consiste à trouver une trajectoire sans collision, à travers l’environnement du robot avec des obstacles, d’un emplacement de départ spécifié à une destination souhaitée tout en répondant à certains critères d’optimisation. Malgré de nombreux progrès dans le développement des méthodes de planification de trajectoire dans le domaine des robots mobiles, le manque d’un planificateur de chemin polyvalent capable de gérer les incertitudes ou les changements dans l’environnement reste un problème important: les planificateurs de chemin restent piégés dans les minima locaux capable de satisfaire les critères d’optimisation lorsqu’il y a des objets non-mappés ou en mouvement dans l’environnement. Dans ce travail, nous avons utilisé le YouBot de KUKA comme plate-forme de test. YouBot, un robot mobile omnidirectionnel de KUKA est destiné à la recherche et à l’enseignement. Cette recherche est initiée par quelques modifications, dont un opérateur de mutation dynamique, de l’algorithme d’optimisation du coucou (COA) comme MCOA afin d’améliorer les performances de cet algorithme visant à déployer cette méthode pour l’application robot mobile. Une étude comparative du problème de la planification de chemin à l’aide d’algorithmes évolutifs est présentée pour un robot mobile holonomique par rapport aux méthodes classiques telles que l’algorithme de A∗. La cartographie basée sur la grille est utilisée efficacement pour marquer les chemins afin que des trajectoires sans collision puissent être déterminées de la position initiale à la position cible. Cette recherche prend en compte les algorithmes évolutifs MCOA et algorithme génétique (GA) en tant que planificateur global pour découvrir le chemin sûr le plus court. De plus, un nouveau coefficient de mouvement non uniforme est introduit pour MCOA afin d’augmenter les performances de cet algorithme comme EMCOA. Ce nouveau coefficient de mouvement tente de faire un compromis entre les capacités de recherche d’exploitation et d’exploration de l’algorithme recherchant une solution optimale sans piéger dans les minimums locaux. Pour valider les performances de l’algorithme EMCOA, certaines expériences sont menées impliquant différents scénarios de configuration de l’environnement. Le présent travail démontre également l’application d’une approche pour détecter les informations corrompues dans les données observées comme des valeurs aberrantes ou du bruit. Cette méthode est basée sur la théorie de l’information utilisant un rapport statistique pour trouver un seuil pour la région critique qui indique si des valeurs aberrantes sont détectées ou non. Ensuite, une approche basée sur les probabilités est adoptée pour éliminer les valeurs aberrantes des données observées. Pour valider les performances de la méthode proposée, une expérience et une simulation sont menées. L’expérience considère un problème de planification de chemin dans un environnement bruyant qui comprend un obstacle statique. Ce test a démontré que l’étape de prétraitement de suppression des valeurs aberrantes a effectivement éliminé les valeurs aberrantes des données observées sans Considérer l’obstacle comme des valeurs aberrantes. Pour résumer, cette thèse modifie, développe et apporte un algorithme et une méthode pour améliorer les performances des planificateurs mondiaux et locaux dans les applications robotiques.

Date	8 juin 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Vincent Duchaine (Directeur(-trice)) & Tony Wong (Codirecteur(-trice))