Thesis (Ph. D.)--Computing, Georgia Institute of Technology, 2008. / Committee Chair: Dellaert, Frank; Committee Member: Balch, Tucker; Committee Member: Christensen, Henrik; Committee Member: Kuipers, Benjamin; Committee Member: Rehg, Jim.

L’autonomie d’un robot mobile autonome requiert la réalisation coordonnée de tâches de commande et de perception de l’environnement. Parmi celles-ci, la navigation joue un rôle de pivot dans l’interaction du robot avec son terrain d’évolution. Elle consiste en la détermination de trajectoires réalisables par le robot pour suivre un chemin préétabli, tout en assurant la non collision avec les obstacles, mobiles ou fixes. Pour effectuer cette tâche, notre approche s’appuie sur le modèle cinématique direct du véhicule pour générer des trajectoires admissibles par le robot. En premier lieu, une trajectoire de référence est construite à partir du chemin à suivre. Le problème de navigation est alors modélisé sous la forme d’un problème d’optimisation sous contraintes dont la fonction coût quantifie l’écart entre la trajectoire prédite du robot et la trajectoire de référence. Les obstacles sont intégrés sous forme de contraintes en pénalisant le critère, et sa minimisation détermine la commande optimale à appliquer. Cette navigation par commande prédictive nous permet d’anticiper les mouvements de contournement d’obstacles sur l’horizon de prédiction choisi, tout en gardant une certaine réactivité vis-à-vis de la dynamique des obstacles et du robot. En outre, l’utilisation de familles de trajectoires paramétrées permet de maitriser le comportement du véhicule. / Autonomous robots have to perform both control and perception tasks coordinately. Among these ones, the navigation task is a key in the interaction between the robot and its environment. It consists of determining the trajectories which the robot can follow in order to negotiate correctly around static and dynamic obstacles, assuming that it is programmed to map out its environment and situate itself within that environment. To perform this task, our approach rests on the direct kinematics model of the robot to generate admissible trajectories for the robot. Firstly, a reference trajectory is computed from the reference path provided by a path planer. Then the navigation task is modelized as an optimization under constraints problem, whose the cost function quantify the gap between the reference trajectory and the predicted trajectory of the robot. The obstacles are taken into account as constraints, and the minimization of the resulting cost function determinate the optimal control for the robot on a prediction horizon. This predictive navigation allows the robot to anticipate bi-pass movements on the chosen prediction horizon, Moreover, the behaviour of the robot is mastered by the use of parametered trajectories families.

L'autonomie d'un robot mobile autonome requiert la réalisation coordonnée de tâches de commande et de perception de l'environnement. Parmi celles-ci, la navigation joue un rôle de pivot dans l'interaction du robot avec son terrain d'évolution. Elle consiste en la détermination de trajectoires réalisables par le robot pour suivre un chemin préétabli, tout en assurant la non collision avec les obstacles, mobiles ou fixes. Pour effectuer cette tâche, notre approche s'appuie sur le modèle cinématique direct du véhicule pour générer des trajectoires admissibles par le robot. En premier lieu, une trajectoire de référence est construite à partir du chemin à suivre. Le problème de navigation est alors modélisé sous la forme d'un problème d'optimisation sous contraintes dont la fonction coût quantifie l'écart entre la trajectoire prédite du robot et la trajectoire de référence. Les obstacles sont intégrés sous forme de contraintes en pénalisant le critère, et sa minimisation détermine la commande optimale à appliquer. Cette navigation par commande prédictive nous permet d'anticiper les mouvements de contournement d'obstacles sur l'horizon de prédiction choisi, tout en gardant une certaine réactivité vis-à-vis de la dynamique des obstacles et du robot. En outre, l'utilisation de familles de trajectoires paramétrées permet de maitriser le comportement du véhicule.

Thesis (Ph. D.)--Ohio State University, 2007. / Title from first page of PDF file. Includes bibliographical references (p. 112-120).

Ce mémoire d'habilitation à diriger les recherches porte sur la perception et la compréhension conjointe de l'espace et du milieu par un robot cognitif autonome. Dans ce contexte, la démarche consiste ici à intégrer des percepts multiples et incertains à tous les niveaux de la perception à partir de capteurs visuels embarqués. Ces travaux se structurent en deux thèmes. Le premier thème se focalise sur la perception de l'espace pour la navigation autonome en milieu intérieur. Nos travaux antérieurs ont mis l'accent sur une méthodologie complète de détection, reconnaissance et localisation sur amers visuels validée par des expérimentations réelles sur le robot Diligent. Ces amers sont capturés automatiquement par le robot dans les différentes représentations métriques et topologiques de son environnement de travail. La navigation consiste alors à exploiter ces modèles pour se localiser métriquement ou qualitativement, sur la base de données visuelles, éventuellement télémétriques. À terme, ces représentations seront enrichies par des informations sémantiques capturées en interaction avec l'homme. Cet apprentissage supervisé, la perspective d'un robot sociable, nous ont amené à démarrer le second thème sur la perception par le robot de l'homme pour leur interaction. Nos travaux ont porté sur la détection, le suivi, la reconnaissance de l'homme par vision monoculaire couleur. Parmi ces fonctions, la problématique du suivi est centrale puisque la plupart des tâches robotiques coordonnées avec l'homme nécessite de caractériser la relation d'une plate-forme mobile aux agents humains a priori mobiles. Nous avons ainsi prototypé puis intégré plusieurs fonctions de suivi 2D ou 3D de tout ou partie des membres corporels de l'homme par le choix conjoint de stratégies de fusion de données visuelles et de filtrage particulaire répondant aux modalit és d'interaction envisagées pour le robot "guide" Rackham et le robot compagnon Jido. Les prospectives énoncées visent à l'interactio n de percepts relative à la perception simultanée par le robot de l'espace et/ou de l'homme. La problé- matique de l'intelligence ambiante, par l'ajout de robots anthropomorphes type humanoïde dans ces environnements humains, devrait infléchir ces travaux tout en recoupant certaines investigations passées ou actuelles.

Au fil des dernières années les robots ont fait partie de notre quotidien. Même si nous ne les voyons pas, nous dépendons d'eux pour construire nos ordinateurs, téléphones mobiles, voitures, etcetera. Les robots sont utilisés aussi pour l'organisation des produits dans les usines. Un autre domaine de croissance est la robotique sociale. Nous pouvons voir des études tel que des robots d'aide aux enfants autistes. Il y a aussi des robots qui sont utilisés pour accueillir des personnes dans des hôtels ou dans centres commerciaux pour interagir avec les gens. Ainsi, le robot doit comprendre le comportement des personnes. Et, pour les robots mobiles, il faut savoir comment naviguer dans l'environnement humain. En ce qui concerne les environnements humains, ce travail explore la navigation acceptable socialement des robots en direction de personnes. Pour donner un exemple, quand un robot s'approche d'une personne, il ne doit pas traiter la personne comme un obstacle. Car si cette dernière est traitée comme un obstacle, le robot s'approcherait d'elle sans prendre en compte son espace personnel, ce qui la gênerait. Une personne est une entité qui doit être pris en compte sur la base des normes sociales que nous (en tant que personnes) utilisons tous les jours. Dans cette thèse, nous explorons comment un robot s'approche d'une personne. Celle-ci peut-être gênée si quelque chose ou quelqu'un envahit son espace personnel. La personne se sentira aussi menacée si elle est approchée par derrière. Ces normes sociales doivent être respectées par le robot. C'est pour cela que nous modélisons le comportement du robot à travers des algorithmes d'apprentissage. Nous faisons approcher (manuellement) un robot d'un personne plusieurs fois et le robot apprend à reproduire ce comportement. Un autre travail de cette thèse est la compréhension d'un groupe de personnes. Nous, en tant que humains, avons la capacité de le faire intuitivement. Toutefois, un robot nécessite impérativement un modèle mathématique. Enfin, nous abordons le sujet d'un robot qui s'approche d'un groupe de personnes. Nous utilisons des démonstrations pour faire apprendre le robot. Nous évaluons le bon déroulement du comportement du robot comme par exemple, en observant combien de fois le robot envahit l'espace personnel des personnes pendant la navigation. / In the past years, robots have been a part of our every day lives. Even when we do not see them, we depend on them to build our computers, mobile phones, cars and more. They are also been used for organizing stocks in warehouses. And, with the growth of autonomous cars, we see them driving autonomously on highways and cities. Another area of growth is social robotics. We can see a lot of studies such as robots helping children with autism. Other robots are being used to receive people in hotels or to interact with people in shopping centers. In the latter examples, robots need to understand people behavior. In addition, in the case of mobile robots, they need to know how to navigate in human environments. In the context of human environments, this thesis explores socially acceptable navigation of robots towards people. To give an example, when a robot approaches one person, the robot shall by no means treat people as an obstacle because the robot get really close to the human and interfere with her personal space. The human is an entity that needs to be considered based on social norms that we (humans) use on a daily basis. In a first time, we explore how a robot can approach one person. A person is an entity that can be bothered if someone or something approaches invading her personal space. The person also will feel distressed when she is approached from behind. These social norms have to be respected by the robot. For this reason, we decided to model the behavior of the robot through learning algorithms. We manually approach a robot to a person several times and the robot learns how to reproduce this behavior. In a second time, we present how a robot can understand what is a group of people. We, humans, have the ability to do this intuitively. However, for a robot, a mathematical model is essential. Lastly, we address how a robot can approach a group of people. We use exemplary demonstrations to teach this behavior to the robot. We evaluate then the robot's movements by for example, observing if the robot invades people's personal space during the trajectory.