On définit et on réalise un systeme capable de choisir et de contrôler les actions de plusieurs robots à aptitudes différentes pour qu'ils collaborent à l'exécution d'une même tache. Le systeme a trois principaux composants : un générateur de plans d'actions qui favorise le parallélisme des actions, un programme d'allocation de ressources qui affecte les robots disponibles aux actions des plans engendres, un programme de contrôle qui vérifie que les plans d'actions sont exécutes comme prévu lors de leur génération et qui s'efforce de faire face aux incidents comme par exemple la panne d'un robot

Cette thèse porte sur la prise de décision distribuée dans des<br />systèmes multi-agents agissant sous incertitude (les colonies de<br />robots autonomes par exemple). Les processus décisionnels de Markov<br />Décentralisés décrivent un formalisme mathématique permettant de<br />modéliser et de résoudre de tels problèmes. Leur utilisation pour la<br />planification des tâches dans des applications réelles pose<br />toutefois quelques difficultés. Le modèle usuel des DEC-MDPs ne<br />permet par exemple pas la prise en compte de contraintes sur l'exécution des tâches. De plus,<br />la complexité de leur résolution est telle qu'il est difficile de déterminer une solution optimale excepté pour de <br />petits problèmes.<br /><br />Le travail que nous présentons dans cette thèse a pour premier objectif<br />d'adapter le modèle des DEC-MDPs afin de proposer une modélisation<br />adéquate du temps et des actions, et de permettre la représentation de<br />problèmes réels. Nous décrivons ainsi une nouvelle classe de<br />DEC-MDPs : les OC-DEC-MDPs (DEC-MDP avec Coût Occasionné). Dans un second temps,<br />nous nous intéressons à leur résolution. Nous proposons différents<br />algorithmes procédant à la planification des tâches de chaque agent<br />en vue d'une prise de décision décentralisée et autonome, en accord<br />avec les contraintes du problème. Afin de développer des algorithmes<br />efficaces et de traiter des problèmes de taille importante, nous recherchons une<br />approximation de la solution optimale. Nous procédons<br />également à un découpage du problème initial en un ensemble de MDPs,<br />et introduisons la notion de coût occasionné afin de tenir compte<br />des interactions entre les agents et de calculer des politiques<br />coopératives.

L'un des problèmes majeurs rencontrés par la robotique est celui du développement d'architectures logicielles de contrôle des robots. Ceci s'explique par la complexité sans cesse croissante de ces architectures, qui doivent intégrer toujours plus de fonctionnalités de divers niveaux d'abstraction (de planification, d'asservissement, de perception, de gestion des modes de fonctionnement, etc.) et qui nécessitent la prise en compte du caractère temps-réel du contrôle. Par ailleurs, les fonctionnalités s'appuyant, directement ou non, sur un ensemble d'éléments matériels embarqués sur le robot, une architecture doit pouvoir être adaptée en fonction de l'évolution technologique (nouveaux capteurs et actionneurs, remplacement d'éléments de la partie opérative, etc.). L'enjeu actuel est donc de définir et intégrer des fonctionnalités sous forme de briques logicielles réutilisables au sein d'architectures de contrôle évolutives, de manière à simplifier le développement. Après avoir fait un tour d'horizon des propositions actuelles, le manuel présente CoSARC, une méthodologie originale couvrant l'intégralité du processus de développement d'un contrôleur de robot. La méthodologie est basée sur un modèle d'architecture et sur un langage à composants. Inspré des propositions historiques d'architectures hybrides, le modèle d'architecture constitue la base du processus de développement. Il définit une organisation générique intégrant une vision hiérarchique du contrôle et il s'appuie sur des concepts abstraits indépendants de tout domaine d'application, tel que celui de ressource . La construction d'une architecture est réalisée en fonction du modèle et à l'aide des éléments d'un langage à composants. Ces éléments correspondent à différentes catégories de composants : composants de représentation dédiés à la description des connaissances sur le monde du robot, composants de contrôle dédiés à la description des activités du robot, composants connecteurs dédiés à la description des protocoles régissant les interactions entre composants de contrôle, composants de configuration dédiés à la description d'une architecture et de son déploiement. Un des aspects essentiels de certains de ces composants réside dans le fait que leur comportement est exprimé sous la forme d'un réseau de Petri à Objets. L'expressivité et la pertinence de la méthodologie sont démontrés sur un exemple traitant du développement d'un robot manipulateur mobile.

Mettre en oeuvre un retour d'effort pour un système robotique dédié à la chirurgie mini-invasive impose d'adresser deux difficultés principales. La première est d'ordre métrologique, puisqu'il est technologiquement très difficile de procéder à une mesure directe de l'interaction distale à l'intérieur du patient, tout en respectant les contraintes de stérilité et d'encombrement. La seconde concerne le contrôle d'interactions dont la géométrie et la dynamique sont fortement variables et mal connues (contacts avec des organes, le chirurgien, ou d'autres instruments) dans un contexte particulier où la contrainte cinématique induite par le passage des instruments par un point fixe ne permet pas l'asservissement de toutes les composantes du torseur d'interaction.<br />La réponse apportée à ces questions prend ici la forme d'un système robotique bâti autour :<br />- d'un bras compact de cinématique sphérique ;<br />- d'un capteur d'efforts placé à l'extérieur du patient permettant une estimation fine des interactions distales ;<br />- d'une commande en effort dont la passivité est garantie pour toutes les interactions ; celle-ci est déclinée selon plusieurs modes (retour explicite, commande en impédance, téléopération à retour d'efforts).<br /><br />L'ensemble des propositions méthodologiques est validé de façon systématique sur un prototype de laboratoire développé dans le cadre de ce travail. Les expériences incluent des validations in vivo sur animal, depuis des tâches élémentaires jusqu'à l'utilisation du prototype comme "main gauche" pour une opération de cholécystectomie.

Cette thèse propose une méthode originale de programmation de robot fondée sur l'inférence et l'apprentissage bayésien. Cette méthode traite formellement des problèmes d'incertitude et d'incomplétude inhérents au domaine considéré. En effet, la principale difficulté de la programmation des robots vient de l'inévitable incomplétude des modèles utilisés. Nous exposons le formalisme de description d'une tâche robotique ainsi que les méthodes de résolutions. Ce formalisme est inspiré de la théorie du calcul des probabilités, proposée par le physicien E.T. Jaynes : "Probability as Logic". L'apprentissage et les techniques de maximum d'entropie traduisent l'incomplétude en incertitude. L'inférence bayésienne offre un cadre formel permettant de raisonner avec cette incertitude. L'apport principal de cette thèse est la définition d'un système générique de programmation pour la robotique et son application expérimentale. Nous l'illustrons en utilisant ce système pour programmer une application de surveillance pour un robot mobile : le Khepera. Pour cela, nous utilisons des ressources génériques de programmation appelées "descriptions". Nous montrons comment définir et utiliser de manière incrémentale ces ressources (comportements réactifs, fusion capteur, reconnaissance de situations et séquences de comportements) dans un cadre systématique et unifié. Nous discutons des différents avantages de notre approche : expression des connaissances préalables, prise en compte et restitution de l'incertitude, programmation directe et inverse. Nous proposons des perspectives à ce travail : choix d'architecture et planification. Nous situons notre travail dans un cadre épistémologique plus vaste en opposant, dans le cadre de la robotique autonome, l'approche "classique" relevant de la "cognition de haut niveau" et l'approche "réactive" associée à une "cognition de bas niveau". Nous montrons finalement comment nos travaux proposent de faire le lien entre ces deux extrêmes.

Cette thèse porte sur le traitement automatique d'images couleur, et son application à la robotique dans des environnements semi-structurés d'extérieur. Nous proposons une méthode de navigation visuelle pour des robots mobiles en utilisant une caméra couleur. Les domaines d'application de ce travail se situent dans l'automatisation de machines agricoles, en vue de la navigation automatique dans un réseau de chemins (pour aller d'une ferme à un champ par exemple). Nous présentons tout d'abord une analyse des principaux travaux de recherche dans la littérature sur la navigation visuelle. Une chaîne de pré-traitement pour le rendu couleur d'images numériques mono-capteur dotées d'un filtre Bayer est présentée ; elle se base sur une étude des techniques de démosaïquage, le calibrage chromatique d'images (balance de blancs) et la correction gamma. Une méthode d'interprétation monoculaire de la scène courante permet d'extraire les régions navigables et un modèle 2D de la scène. Nous traitons de la segmentation d'une image couleur en régions, puis de la caractérisation de ces régions par des attributs de texture et de couleur, et enfin, de l'identification des diverses entités de la scène courante (chemin, herbe, arbre, ciel, champ labouré,&). Pour cela, nous exploitons deux méthodes de classification supervisée : la méthode de Support Vector Machine) (SVM) et celle des k plus proches voisins (k-PPV). Une réduction d'information redondante par une analyse en composantes indépendantes (ACI) a permis d'améliorer le taux global de reconnaissance. Dans un réseau de chemins, le robot doit reconnaître les intersections de chemins lui permettant (a) dans une phase d'apprentissage, de construire un modèle topologique du réseau dans lequel il va devoir se déplacer et (b) dans une phase de navigation, de planifier et exécuter une trajectoire topologique définie dans ce réseau. Nous proposons donc une méthode de détection et classification du chemin: ligne droite, virage gauch e, virage droite, carrefour en X, en T ou en Y. Une approche pour la représentation de la forme et de la catégorisation des contours (Shape Context) est utilisée à cet effet. Une validation a été effectuée sur une base d'images de routes ou chemins de campagne. En exploitant cette méthode pour détecter et classifier les noeuds du réseau de chemins, un modèle topologique sous forme d'un graphe est construit; la méthode est validée sur une séquence d'images de synthèse. Enfin, dans la dernière partie de la thèse, nous décrivons des résultats expérimentaux obtenus sur le démonstrateur DALA du groupe Robotique et IA du LAAS-CNRS. Le déplacement du robot est contrôlé et guidé par l'information fournie par le système de vision à travers des primitives de déplacement élémentaires (Suivi-Chemin, Suivi-Objet, Suivi-Bordure,...). Le robot se place au milieu du chemin en construisant une trajectoire à partir du contour de cette région navigable. Étant donné que le modèle sémantique de la scène est produit à basse fréquence (de 0,5 à 1Hz) par le module de vision couleur, nous avons intégré avec celui-ci, un module de suivi temporel des bords du chemin (par Snakes), pour augmenter la fréquence d'envoi des consignes (de 5 à 10 Hz) au module de locomotion. Modules de vision couleur et de suivi temporel doivent être synchronisés de sorte que le suivi puisse être réinitialisé en cas de dérive. Après chaque détection du chemin, une trajectoire sur le sol est planifiée et exécutée; les anciennes consignes qui ne sont pas encore exécutées sont fusionnées et filtrées avec les nouvelles, donnant de la stabilité au système.

L'objet des recherches en planification de tâches est d'élaborer des algorithmes et des représentations qui participent à l'autonomie des robots en les dotant de capacités décisionnelles. Classiquement, un plan symbolique synthétisé par un planificateur permet au robot de décider des prochaines actions qu'il doit accomplir pour satisfaire sa mission. Dans cette thèse, nous développons l'idée que les planificateurs actuels, basés sur une représentation logique du monde, ne sont pas suffisants pour traiter des missions où les contraintes de mouvements des robots et celles liées à la manipulation d'objet ne peuvent pas être ignorées à cette étape. Souvent, en robotique, la faisabilité des mouvements et des manipulations est un pré-requis à la bonne exécution d'un plan. Dans cette thèse, nous introduisons un formalisme permettant de prendre en considération ces contraintes dans le modèle utilisé par un planificateur. En nous appuyant sur des résultats issus de la planification de mouvements et de manipulations autant que sur ceux de la planification de tâches, nous proposons un nouveau planificateur capable de raisonner sur ce formalisme. Nous produisons alors des plans définissant non seulement un ordre d'actions mais également les mouvements sans collision nécessaires à son exécution. L'implémentation de ce planificateur est présentée et évaluée.

Augmenter l'autonomie décisionnelle des systèmes spatiaux (satellites, sondes et rovers) soulève de nouveaux problèmes tels que la planification des activités pour accomplir un but, le contrôle de l'exécution du plan, et la surveillance et le diagnostic du système. Nous nous intéressons plus particulièrement à la planification d'une mission et au contrôle de son exécution dans le cadre d'une application avec des contraintes temporelles (rendez-vous avec des fenêtres de visibilité&) et la gestion de ressources limitées (énergie, carburant&). Cette thèse propose un cadre général pour intégrer la planification, l'exécution et l'adaptation réactive d'un plan en exploitant la flexibilité temporelle et le parallélisme des plans produits par un planificateur non linéaire causal basé sur des techniques de satisfaction de contraintes (notamment la représentation des contraintes temporelles est faite sous la forme d'un Simple Temporal Network). Cette approche a été mise en Suvre dans le système IxTeT-eXeC qui se compose d'un exécutif temporel et du planificateur IxTeT, modifié pour améliorer la flexibilité de la représentation des ressources et prendre en compte le contexte d'exécution et la durée de la recherche lors de la planification. L'exécutif contrôle les deux mécanismes d'adaptation du plan (en cas d'échecs ou de nouveaux buts) : (1) une réparation en parallèle de l'exécution de ses parties valides, (2) une replanification complète. IxTeT-eXeC a été intégré dans le niveau décisionnel de l'architecture LAAS, en interaction avec l'exécutif procédural OpenPRS, pour contrôler un robot mobile autonome avec une mission d'exploration.

Il est difficile de concevoir des contrôleurs pour des robots devant fonctionner dans des environnements peu maîtrisés voire inconnus. Dans cette optique, la robotique évolutionniste cherche à élaborer des méthodes de conception automatique de contrôleurs via un processus d'optimisation ''boîte noire'' utilisant des algorithmes évolutionnistes. Les valeurs de performance d'un contrôleur donné sont alors estimées soit directement sur le robot, soit à l'aide d'une simulation, par essence simplificatrice. Partant du constat qu'évaluer sur le robot et dans toutes ses situations d'utilisation est généralement incompatible avec le nombre d'évaluations requis par de tels processus d'optimisation, nous proposons une approche générale combinant un processus d'optimisation multi-objectif dans un simulateur fixe, un modèle de substitution et quelques tests sur le robot. Cette approche par transférabilité peut s'appliquer à tout processus d'optimisation mené dans un environnement simplifié (simulation) pour un environnement complet ciblé (robot) et recherche les contrôleurs qui maximisent deux objectifs : la performance dans l'environnement simplifié et un objectif de transférabilité qui indique à quel point le comportement dans l'environnement simplifié est proche de celui dans l'environnement complet. Ce deuxième objectif est estimé par un modèle de substitution construit en effectuant quelques expériences de transfert sur le robot pendant l'optimisation. L'approche est validée sur trois problèmes de robotique évolutionniste : le passage de la simulation à la réalité, l'optimisation de contrôleurs dotés de capacités de généralisation et l'adaptation d'un robot à son environnement.

Les travaux présentés dans cette HDR visent à mieux comprendre le fonctionnement des mécanismes d'apprentissage qui sont liés au contrôle moteur bas niveau chez l'humain, pour les modéliser et les intégrer dans les contrôleurs des robots humanoïdes. L'objectif est de rendre ces derniers plus robustes face aux perturbations externes dues à l'environnement, ou à leur interaction avec l'humain (forces externes, glissement, pentes ou irrégularités du sol), ou aux dommages internes, soudains ou progressifs, qu'ils peuvent subir et qui mettent en péril leur mission (usures articulaires, amputation de membres moteurs, pertes sensorielles...). Pour ce faire, les capacités de généralisation offertes par les algorithmes d'apprentissage des réseaux de neurones et les synergies de leurs mécanismes adaptatifs (homéostasie, plasticité neuronale et synaptique) ont été étudiées. Les solutions ont été évaluées en soumettant les robots à des perturbations ou à des dysfonctionnements externes ou internes, lents ou brusques. Des réponses aux questions suivantes ont été apportées: comment la marche adaptative des robots peut elle être produite? Comment peut-elle être contrôlée? Quels types d'architecture permettent à la fois la production de rythmes locomoteurs et le contrôle de la posture? Quels sont les mécanismes adaptatifs sensori-moteurs qui régissent ces architectures pour les marches normales et déficientes des robots? Quelles sont les méthodologies possibles pour modéliser et reproduire ces architectures? Quelles sont les limites de ces approches ?.