La planification de chemin est un domaine de l'intelligence artificielle permettant à un personnage, un objet, une unité de se déplacer automatiquement, dans un environnement, en évitant les obstacles et sans intervention humaine. Ce déplacement s'effectue entre une configuration de départ et une configuration d'arrivée. Lors de ce déplacement, à aucun moment le personnage ne doit se retrouver dans une configuration invalide. Dans le contexte des jeux vidéo commerciaux actuels, cette technique est malheureusement encore peu utilisée correctement. De plus, peu de publications concernent la planification de chemin lorsqu'effectuée dans un environnement triangularisé. Lorsqu'utilisé dans un jeu vidéo, il est nécessaire que le calcul du chemin soit effectué très rapidement afin de fournir un temps de réaction presque immédiat au joueur. La solution calculée n'est alors pas forcément optimale mais propose un bon compromis si l'on souhaite mettre l'accent sur la vitesse de réponse. Nous expliquons d'abord le principe de la planification de chemin en détail et ensuite certaines des techniques les plus connues tels que Dijkstra, A*, Breadth First Search, Depth First Search, etc. Nous détaillons les avantages et inconvénients des environnements triangularisés par rapport aux autres techniques de maillage. Nous exposons aussi dans ce mémoire le fruit de nos recherches et expérimentations sur l'environnement de recherche Mammoth en comparant l'évolution de la planification de chemin dans ce contexte précis. Nous utilisons également les techniques existantes pour parcourir les cartes du jeu et discutons des problèmes rencontrés et des évolutions possibles. De nos jours, lorsque la planification de chemin est effectuée dans un environnement triangularisé, on parle souvent de A* pour la sélection des triangles et ensuite de parcours par les milieux des côtés des triangles ou bien par leur centre. Or, cela est loin d'être optimal et bien que rapide, propose un déplacement nettement plus long dans ce cas. Pour répondre à cette problématique, nous utilisons en particulier trois algorithmes spécifiques : Triangulation A* et Triangulation Reduction A* afin de sélectionner les triangles par lesquels le personnage va passer et l'algorithme funnel modifié pour le déplacement à l'intérieur de ces triangles. Pour conclure, nous comparons ces différentes techniques de planification de chemin dans ce contexte en comparant la vitesse d' exécution, le nombre de nœuds explorés et la distance parcourue notamment afin d'en déduire la technique la plus appropriée pour Mammoth. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Planification de chemin, pathfinding, triangulation, algorithmes, A*, funnel, TA*, TRA*

L’objectif de cette thèse est de développer, d’intégrer et de tester une nouvelle approche algorithmique d’aide au stationnement dans les centres urbains. Considérons différents types d’infrastructures déployées allant de la détection des entrées/sorties des véhicules jusqu'à la variation dans le temps du nombre de places de stationnement disponibles dans chaque portion de rue, nous montrons qu’il est possible de proposer une méthode efficace qui détermine un itinéraire qui minimise l’espérance de temps pour trouver une place de stationnement disponible et de prédire la disponibilité des placesde stationnement.Pour cela, la zone urbaine choisie sera donc considérée comme un ensemble de ressources de stationnement (segments de rues).Nous modélisons d’abord cette zone urbaine par un graphe où les sommets désignent les carrefours et les arcs représentent les portions de rues. Les paramètres essentiels pour notre modèle de réseau urbain sont la capacité de stationnement et le temps de parcours des portions de rue.L’originalité et l’aspect innovant de notre approche s’appuient sur deux principes.Le premier principe concerne le guidage comme une ressource : il ne s’agit pas de guider vers une place libre mais de proposer un parcours qui optimise l’espérance de temps de trouver une telle place. Pour cela nous déterminons dans une zone centrée sur une destination donnée, le parcours à effectuer par un véhicule pour minimiser son espérance de temps de trouver une place destationnement le plus rapidement possible.Ainsi nous avons mis en œuvre un algorithme d’apprentissage par renforcement basée sur la méthode LRI (Linear Reward Inaction) et la méthode Monte Carlo pour minimiser l’espérance de temps de trouver une place de stationnement en zone urbaine.Nous avons comparé cet algorithme avec une approche globale basée sur l’évaluation arborescente à profondeur bornée.Le second principe repose sur la prédiction des places de stationnement disponibles par périodes de temps homogènes où on ne s’intéresse pas à une place de stationnement en temps réel mais aux places de stationnement par zones. Il s’agit alors pour le système de pouvoir prédire le potentiel de places libres dans chacune des ressources pour les prochaines périodes. On ne vise donc pas ici la prédiction de la disponibilité de chaque place ; chaque ressource sera considérée comme une zone de stockage dont la disponibilité sera établie en grande partie en fonction des flux d’entrée et de sortie de la portion. Pour ce principe, nous avons donc déterminé par algorithmes de calculs et d’apprentissages la probabilité qu’il y ait au moins une place libre pour stationner dans un tronçon de rue pour un créneau de temps donné. Les principales données nécessaires pour effectuer ces calculs sont les séries temporelles d’entrée sortie de chaque véhicule aux intersections des rues et les variations des places de stationnement au cours du temps.Nous avons évalué les performances de notre approche par simulations sur des données générées aléatoirement et des données réelles obtenues sur un quartier de Versailles. / The objective of this thesis is to develop, to integrate and to test a new algorithmic approach to help parking in urban centers.Given the different types of deployed infrastructure : from input-output detection of vehicles to time variation of the number of available places within each street segment, we propose an efficient method to determine an itinerary that minimize the time expectation to find an available place and also to predict the availability of the parking places.We have chosen an urban area and we have considered it as a set of parking resources called street segments. More exactly, this urban area is considered as a graph where the vertexes represent the crossroads and the arcs represent the street segments. The essential parameters of our urban area model are the parking capacity and the time crossing of each street segment. The originality and the innovation of our approach are based on two principles.The first one is the guidance as a resource, i.e., it means that the proposed itinerary is not the one that lead to an available parking place but rather the one that minimized the time expectation to find an available parking place. In order to achieve that we determine, in a an area centered on a given destination, the itinerary to follow by the vehicle in order minimize its time expectation to find an available parking place as quickly aspossible.We have designed and realized a reinforcement learning algorithm based on the LRI method (Linear Reward Inaction) and a Monte Carlo method to minimize the time expectation to find an available parking place in the urban area. We have compared this algorithm to a global approach based on tree evaluation with bounded depth. The second principle is based on the prediction of the parking places by homogeneous time period where we are not interestedon a parking place in real time but rather on the parking places byarea. In other terms, the system predict the potential available parkingplaces by resource for the next time periods. Thus, we don’t aim to predict the availability of each parking place, i.e., each resource is considered as stock area and its availability is assessed in major part in function of the street segment input-output flow. For this principle, we have determined by a learning algorithm the probability that there is at least one available parking place in a street segment within a given time. The major data needed to compute this probability are the time series of input-output of each vehicle in street intersections, and the variation of the available parking places through the time.We have evaluated the performance of this approach by simulation based on random generated data and on real data of a district in Versailles.