La construction du réseau de failles d'un domaine géologique à l'aide d'un logiciel de géomodélisation peut être longue et fastidieuse pour des géométries et des contacts de failles complexes et peu marqués sur les données de subsurface. En utilisant une représentation implicite de ces surfaces de faille par des champs de potentiel calculés sur un maillage tétraédrique, le processus de création d'un modèle structural a été totalement automatisé. Les contacts de failles sont détectés et des surfaces avec une géométrie cohérente au niveau des contacts sont construites. Les champs de potentiel permettent la modification du réseau de failles tout en préservant la cohérence géologique du modèle. Une technique développée ici permet également de corriger la géométrie d'un maillage tétraédrique à proximité des failles. Ainsi, de nouvelles informations ou interprétations ou des perturbations représentant les incertitudes sur la position des failles sont intégrées au modèle géologique / One of the first steps when a geological study area is modelled in three-dimensional geomodelling software is to build the fault network. This can be tedious and time-consuming when fault geometry and branching are complex and difficult to locate from sub-surface data. The process of creating a three-dimensional structural model from various data types was entirely automated by using an implicit representation of fault surfaces by level sets computed on a tetrahedral mesh. Fault branching is detected automatically and surfaces with coherent contact geometry are built. Using level sets for fault surfaces also enables easy editing of the fault network while maintaining the geological consistency of the model. A further tetrahedral mesh editing technique was developed during this PhD in order to modify mesh geometry close to faults. New information or interpretations or perturbations which represent geometrical uncertainty on faults can thus be integrated to the geological model

Cette thèse contribue au contrôle de la myopie dans les systèmes flexibles de production (SFP). La myopie apparaît lorsque des entités décisionnelles prennent des décisions locales à partir d’une quantité d’information limitée. Cette prise de décision permet de réagir rapidement aux aléas mais induit une performance globale non optimale. Ainsi, ce phénomène doit être contrôlé afin d’obtenir des architectures de pilotage plus performantes. Après une étude du phénomène de myopie dans d’autres domaines, nous définissons la myopie dans les SFP. Un état de l’art sur les différents types d’architectures permet de retenir les architectures de pilotage hybride mixant hiérarchie et hétérarchie pour contrôler la myopie. Une typologie des architectures de pilotage hybride est ensuite réalisée avant qu’une nouvelle architecture ne soit proposée : ORCA. Après avoir été présentée, ORCA est déclinée au pilotage des SFP (ORCA-FMS). ORCA-FMS combine deux approches: un modèle linéaire (ILP) et une approche par champs de potentiel. ORCA-FMS est ensuite appliquée au cas d’étude de la cellule flexible de l’AIP PRIMECA de Valenciennes. Premièrement un modèle de simulation, le plus proche possible du cas d’étude réel est présenté. Il permet d’éprouver l’architecture dans l’environnement de simulation NetLogo. Deuxièmement, afin de valider la pertinence des comportements observés en simulation, l’architecture est mise en œuvre sur la cellule réelle à l’aide du concept de produit actif. Les équipements industriels utilisés pour cette mise en œuvre, le protocole expérimental, ainsi que les résultats obtenus sont détaillés et discutés. / This thesis deals with the control of myopia in Flexible Manufacturing Systems (FMS). Myopia arises when decisional entities take local decisions using limited amount of information. This decision making targets a fast reactivity under perturbations but compromises the overall performance. Thus this phenomenon should be controlled to obtain more efficient control architectures. After a presenting the related literature in myopia in other domains, myopic behavior in FMS is defined. An analysis of state-of-the-art regarding different types of control architectures determined that hybrid control architectures, mixing hierarchy and heterarchy, are the best option to control myopia. Therefore, a thorough study on hybrid control architectures is presented. Afterwards, a new architecture is proposed: ORCA. ORCA first described and then applied to FMS control (ORCA-FMS). ORCA-FMS combines two approaches: a linear model (ILP) and a potential fields approach. ORCA-FMS is then applied to the case study of the flexible cell of Valenciennes’ AIP PRIMECA. First, a simulation model, as close as possible to the real case study is presented. It allows testing the architecture in the simulation environment NetLogo. Then, to validate the behaviors observed in simulation, the architecture is implemented on the real cell using the active product concept. The industrial equipment used for the implementation, the experimental protocol and the results are detailed and discussed.

Ce travail traite de l'évitement d'obstacles pour les robots mobiles à roues. D’abord, deux solutions sont proposées dans le cas d’un seul robot autonome. La première est une amélioration de la technique des champs de potentiel afin de contraster l’apparition de minima locaux. Le résultat se base sur l’application de la définition de l’ «Input-to-State Stability» pour des ensembles décomposables. Chaque fois que le robot mobile approche un minimum local l’introduction d’un contrôle dédié lui permet de l’éviter et de terminer la tâche. La deuxième solution se base sur l’utilisation de la technique du «Supervisory Control» qui permet de diviser la tâche principale en deux sous tâches : un algorithme de supervision gère deux signaux de commande, le premier en charge de faire atteindre la destination, le deuxième d’éviter les obstacles. Les deux signaux de commande permettent de compléter la mission en temps fini en assurant la robustesse par rapport aux perturbations représentant certaines dynamiques négligées. Les deux solutions ont été mises en service sur un robot mobile «Turtlebot 2». Pour contrôler une formation de type leader-follower qui puisse éviter collisions et obstacles, une modification de l’algorithme de supervision précédent a été proposée ; elle divise la tâche principale en trois sous-problèmes gérés par trois lois de commande. Le rôle du leader est adapté pour être la référence du groupe avec un rôle actif : ralentir la formation en cas de manœuvre d'évitement pour certains robots. La méthode proposée permet au groupe de se déplacer et à chaque agent d’éviter les obstacles, ou les collisions, de manière décentralisée / This dissertation work addresses the obstacle avoidance for wheeled mobile robots. The supervisory control framework coupled with the output regulation technique allowed to solve the obstacle avoidance problem and to formally prove the existence of an effective solution: two outputs for two objectives, reaching the goal and avoiding the obstacles. To have fast, reliable and robust results the designed control laws are finite-time, a particular class very appropriate to the purpose. The novelty of the approach lies in the easiness of the geometric approach to avoid the obstacle and on the formal proof provided under some assumptions. The solution have been thus extended to control a leader follower formation which, sustained from the previous result, uses two outputs but three controls to nail the problem. The Leader role is redesigned to be the reference of the group and not just the most advanced agent, moreover it has a active role slowing down the formation in case of collision avoidance manoeuvre for some robots. The proposed method, formally proven, makes the group move together and allow each agent to avoid obstacles or collision in a decentralized way. In addition, a further contribution of this dissertation, it is represented by a modification of the well known potential field method to avoid one of the common drawback of the method: the appearance of local minima. Control theory tools helps again to propose a solution that can be formally proven: the application of the definition of Input-to-State Stability (ISS) for decomposable sets allows to treat separate obstacles adding a perturbation which is able to move the trajectory away from a critic point

Depuis quelques années, les océanographes et les climatologues expriment un besoin croissant de disposer de moyens de mesures complémentaires pour réaliser des mesures en mer. Les voiliers autonomes sont un moyen potentiel de déploiement des capteurs nécessaires à ces mesures. Le problème abordé dans le cadre de cette thèse est la détermination à tout instant d'un cap navigable permettant aux voiliers robotisés de se déplacer vers un objectif aussi vite que possible tout en évitant les obstacles et en s'adaptant aux conditions instantanées de vent. Nous proposons deux approches de sélection d'un cap navigable pour atteindre un point ou une liste de points de navigation défini par un opérateur humain. La première est similaire à celle utilisée par les skippers humains. Elle se base sur la minimisation d'une fonction de coût exploitant la projection des vitesses représentées dans la courbe polaire caractéristique du voilier sur la route direct vers l'objectif. Une seconde fonction de coût permet de tenir compte de la présence potentielle d'obstacles. %Le premier est basée sur des fonctions de coût fondées sur la stratégie de projection des vitesses représentées dans la courbe polaire caractéristique du bateau, méthode amplement utilisée par les skippers humaines. La deuxième approche repose sur la méthode des champs de potentiel. La particularité de cette approche tient au fait que les capacités de propulsion du voilier, représentées par sa courbe polaire de vitesse, sont traduites par des potentiels locaux qui se déplacent avec le voilier. Cette méthode présente l'avantage d'unifier la représentation des contraintes de la navigation à voile et des tâches à réaliser. Ces différentes méthodes sont illustrées par des simulations numériques ainsi que des essais expérimentaux.

Une tâche fondamentale en robotique consiste à naviguer entre deux endroits. En particulier, la navigation dans le monde réel nécessite une planification à long terme à l'aide d'images RVB (RGB) en haute dimension, ce qui constitue un défi considérable pour les approches d'apprentissage de bout-en-bout. Les méthodes semi-paramétriques actuelles parviennent plutôt à atteindre des objectifs éloignés en combinant des modèles paramétriques avec une mémoire topologique de l'environnement, souvent représentée sous forme d'un graphe ayant pour nœuds des images précédemment vues. Cependant, l'utilisation de ces graphes implique généralement l'ajustement d'heuristiques d'élagage afin d'éviter les arêtes superflues, limiter la mémoire requise et permettre des recherches raisonnablement rapides dans le graphe. Dans cet ouvrage, nous montrons comment les approches de bout-en-bout basées sur l'apprentissage auto-supervisé peuvent exceller dans des tâches de navigation à long terme. Nous présentons initialement Duckie-Former (DF), une approche de bout-en-bout pour la navigation visuelle dans des environnements routiers. En utilisant un Vision Transformer (ViT) pré-entraîné avec une méthode auto-supervisée, nous nous inspirons des champs de potentiels afin de dériver une stratégie de navigation utilisant en entrée un masque de segmentation d'image de faible résolution. DF est évalué dans des tâches de navigation de suivi de voie et d'évitement d'obstacles. Nous présentons ensuite notre deuxième approche intitulée One-4-All (O4A). O4A utilise l'apprentissage auto-supervisé et l'apprentissage de variétés afin de créer un pipeline de navigation de bout-en-bout sans graphe permettant de spécifier l'objectif à l'aide d'une image. La navigation est réalisée en minimisant de manière vorace une fonction de potentiel définie de manière continue dans l'espace latent O4A. Les deux systèmes sont entraînés sans interagir avec le simulateur ou le robot sur des séquences d'exploration de données RVB et de contrôles non experts. Ils ne nécessitent aucune mesure de profondeur ou de pose. L'évaluation est effectuée dans des environnements simulés et réels en utilisant un robot à entraînement différentiel. / A fundamental task in robotics is to navigate between two locations. Particularly, real-world navigation can require long-horizon planning using high-dimensional RGB images, which poses a substantial challenge for end-to-end learning-based approaches. Current semi-parametric methods instead achieve long-horizon navigation by combining learned modules with a topological memory of the environment, often represented as a graph over previously collected images. However, using these graphs in practice typically involves tuning various pruning heuristics to prevent spurious edges, limit runtime memory usage, and allow reasonably fast graph queries. In this work, we show how end-to-end approaches trained through Self-Supervised Learning (SSL) can excel in long-horizon navigation tasks. We initially present Duckie-Former (DF), an end-to-end approach for visual servoing in road-like environments. Using a Vision Transformer (ViT) pretrained with a self-supervised method, we derive a potential-fields-like navigation strategy based on a coarse image segmentation model. DF is assessed in the navigation tasks of lane-following and obstacle avoidance. Subsequently, we introduce our second approach called One-4-All (O4A). O4A leverages SSL and manifold learning to create a graph-free, end-to-end navigation pipeline whose goal is specified as an image. Navigation is achieved by greedily minimizing a potential function defined continuously over the O4A latent space. O4A is evaluated in complex indoor environments. Both systems are trained offline on non-expert exploration sequences of RGB data and controls, and do not require any depth or pose measurements. Assessment is performed in simulated and real-world environments using a differential-drive robot.

Cette thèse concerne le développement de nouvelles méthodes de traitement et d'interprétation de données de champs de potentiel. Dans un premier temps, nous avons élaboré un algorithme rapide de débruitage de données géophysiques par transformée en ondelettes orthogonales. La méthode proposée permet de tenir compte des non-stationnarités du rapport signal/bruit. Elle est basée sur quelques tests statistiques qui permettent de séparer les coefficients d'ondelettes dus au signal de ceux dus au bruit. Le signal est alors reconstruit par transformée inverse sur les coefficients conservés. L'idée directrice de la deuxième méthode est d'effectuer une imagerie structurale du soussol à partir d'un champ mesuré en surface. Nous avons d'abord intégré la théorie du potentiel dans la théorie des ondelettes, par l'intermédiaire de l'homogénéité des champs dus à des sources multipolaires. L'introduction d'ondelettes définies à partir du noyau de Poisson permet alors de déterminer précisément la localisation et le degré d'homogénéité des sources présentes. L'utilisation des lignes d'extréma de la transformée rend la méthode robuste vis-à-vis du bruit. Nous avons ensuite généralisé la méthode au cas des sources étendues, ce qui nous permet de localiser et de caractériser des bords d'objets. L'inclinaison des structures peut être déterminée par l'utilisation d'ondelettes complexes. En dernier lieu, cette formulation du problème inverse nous a permis de développer une méthode de filtrage par critères structuraux (type et profondeurs des sources). Nous donnons quelques exemples d'applications sur des données gravimétriques. Les possibilités de la méthode sont illustrées sur des zones de fractures ou de subduction.

Cette thèse contribue au contrôle de la myopie dans les systèmes flexibles de production (SFP). La myopie apparaît lorsque des entités décisionnelles prennent des décisions locales à partir d'une quantité d'information limitée. Cette prise de décision permet de réagir rapidement aux aléas mais induit une performance globale non optimale. Ainsi, ce phénomène doit être contrôlé afin d'obtenir des architectures de pilotage plus performantes. Après une étude du phénomène de myopie dans d'autres domaines, nous définissons la myopie dans les SFP. Un état de l'art sur les différents types d'architectures permet de retenir les architectures de pilotage hybride mixant hiérarchie et hétérarchie pour contrôler la myopie. Une typologie des architectures de pilotage hybride est ensuite réalisée avant qu'une nouvelle architecture ne soit proposée : ORCA. Après avoir été présentée, ORCA est déclinée au pilotage des SFP (ORCA-FMS). ORCA-FMS combine deux approches: un modèle linéaire (ILP) et une approche par champs de potentiel. ORCA-FMS est ensuite appliquée au cas d'étude de la cellule flexible de l'AIP PRIMECA de Valenciennes. Premièrement un modèle de simulation, le plus proche possible du cas d'étude réel est présenté. Il permet d'éprouver l'architecture dans l'environnement de simulation NetLogo. Deuxièmement, afin de valider la pertinence des comportements observés en simulation, l'architecture est mise en œuvre sur la cellule réelle à l'aide du concept de produit actif. Les équipements industriels utilisés pour cette mise en œuvre, le protocole expérimental, ainsi que les résultats obtenus sont détaillés et discutés.