Planification de trajectoire et contrôle pour la course autonome par optimisation et apprentissage par renforcement

Résumé

La course autonome constitue un point de référence exigeant pour les algorithmes de perception, de planification et de contrôle : un véhicule de course doit fonctionner à la limite de son enveloppe de performance physique, où la dynamique non linéaire du pneu impose des exigences extrêmes à chacun des sous-systèmes. Pour résoudre ce problème, il faut construire une carte de l’environnement, estimer l’état du véhicule, générer une trajectoire optimale et la suivre sous des contraintes dynamiques strictes, mais l’intégration systématique de ces sous-systèmes sur une plateforme unifiée reste un défi ouvert. Ce mémoire se concentre sur la planification et le suivi de trajectoire pour la plateforme de course autonome F1TENTH. Les expériences sont menées entièrement en simulation via F1TENTH Gym. Il est présenté un planificateur de trajectoire hors ligne qui fournit à la fois une ligne de course avec une courbure minimale et un profil de vitesse. La trajectoire géométrique est calculée en résolvant un problème d’optimisation sous la forme d’un programme quadratique. Le profil de vitesse est obtenu avec un schéma d’intégration avant-arrière qui respecte les contraintes du cercle de friction. Deux types de contrôleurs sont explorés. Un premier basé sur un modèle est implémenté par commande prédictive (MPC) sous la forme d’un programme non linéaire contraint résolu sur un horizon glissant fini. Le second est basé sur les données. L’algorithme Soft Actor-Critic (SAC) est utilisé pour entraîner des agents par apprentissage par renforcement en tant que politiques de contrôle. Ces politiques sont entraînées sans dépendre d’une trajectoire de référence.

Date	8 oct. 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Christian Belleau (Directeur(-trice)) & Jean-Philippe Roberge (Codirecteur(-trice))