|
Résumé :
|
Cette thèse traite le problème de navigation autonome d'un robot mobile par les techniques hybrides neuro-floues. L’objectif de travail présenté est d’étudier et développer des architectures de commande efficaces pour une navigation réactive d'un robot mobile autonome dans un environnement inconnu, en utilisant d’une part l’approche comportementale et d’autre part les méthodes de l’apprentissage. Les techniques employées pour aborder ce problème sont basées sur les systèmes d'inférence flous, les réseaux de neurones artificiels et l’apprentissage par renforcement. On a utilisé premièrement, les systèmes basés sur les comportements flous pour la planification locale et réactive, puis pour l'ajustement des paramètres des comportements flous, on a introduit les modèles hybrides neuro-flous pour la navigation autonome. La deuxième méthode d’apprentissage est particulièrement adaptée à la robotique, qui permet de trouver, par un processus d’essais et d’erreurs, l’action optimale à effectuer pour chacune des situations que le robot va percevoir afin de maximiser ses récompenses. Pour combiner les avantages de la logique floue et l'apprentissage par renforcement, une stratégie de commande avec une capacité d’apprentissage est utilisée, c’est une extension de Q-learning aux cas continus et une méthode d'optimisation des systèmes flous. L'avantage des systèmes flous est l’introduction des connaissances disponibles à priori pour que le comportement initial soit acceptable. L’efficacité des architectures proposées et étudiées sont démontrées par diverses applications de navigation autonome d'un robot mobile.
|
