La robotique collaborative connaît ces dernières années une forte croissance, grâce à la pertinence de la collaboration entre les humains et les robots dans un même espace de travail. Des applications industrielles se développent, aussi bien dans les grandes multinationales que dans les PME. Dans le contexte d’une chaîne d’assemblage automobile, de nombreuses problématiques se posent pour permettre la collaboration efficace entre robot et opérateur. Un robot collaboratif conçu dans ce cadre est destiné à effectuer des tâches d’assemblages dans des zones à l’accessibilité complexe. Étant à distance, l’opérateur n’aura pas nécessairement de visuel direct sur l’accomplissement de la tâche, et pour éviter des pertes de temps, il est souhaitable que le robot soit capable de vérifier et de valider automatiquement son bon accomplissement. En découle la problématique à l’étude dans ce mémoire, qui est la vérification automatique du bon accomplissement des tâches d’assemblage effectuées par le robot. Afin d’y répondre, une pré-étude est effectuée, visant à déterminer les possibilités en termes de capteurs et d’algorithmes de détection, et permettant de répondre aux besoins et contraintes de General Motors, commanditaire de cette étude. Chaque chapitre du mémoire présente donc un système de détection, composé d’un capteur et d’un ou plusieurs algorithmes de décision. Les différences en termes de traitement du signal et d’algorithme sont présentées et comparées, en s’appuyant sur des expérimentations. Parmi les types d’assemblages sélectionnés par General Motors, ceux utilisés pour la conception et l’expérimentation des solutions sont les assemblages clipsés (« snap fit ») et les assemblages de connecteurs électriques. Le premier chapitre présente une solution fondée sur l’utilisation de photodétecteurs, secondée par un algorithme vérifiant en temps réel les valeurs renvoyées par le photodétecteur. Lorsque cette valeur descend sous une valeur seuil préétablie, l’algorithme déduit que l’assemblage a été correctement effectué. Cette méthode est simple et robuste, ayant obtenu un taux de détection correcte de la situation d’assemblage de 100% lors des phases de tests. Cependant cette robustesse est contrebalancée par le caractère relativement spécifique de la solution et son peu de flexibilité pour l’adaptation à d’autres assemblages. Le second chapitre porte sur un système employant un accéléromètre destiné à enregistrer les différents mouvements survenant lors de l’assemblage. Suit une méthode de traitement du signal obtenu, permettant de caractériser et de différencier les signaux émanant d’assemblages réussis de ceux provenant d’assemblages ratés grâce à des paramètres statistiques. Ces derniers sont finalement récupérés par deux algorithmes de reconnaissance différents, qui sont ensuite comparés. Le premier algorithme consiste à vérifier la correspondance des paramètres statistiques d’un signal avec des valeurs seuil fixées à l’avance. L’autre méthode, issue de l’apprentissage automatique, utilise les Séparateurs à Vaste Marge pour distinguer deux classes : les assemblages réussis et les assemblages ratés. Après expérimentation, il ressort que ces deux méthodes ont des performances assez similaires , de l’ordre de 90%. Ainsi ce sera le contexte et la complexité du signal à étudier qui présideront au choix d’une méthode. Enfin, le dernier chapitre se penche sur l’emploi d’un microphone et de techniques de reconnaissance sonore pour permettre la bonne identification d’un assemblage de connecteurs électriques. Deux méthodes de traitement, la transformée en ondelettes et les Mel Frequency Cepstrum Coefficients (MFCC), sont comparées. La reconnaissance est assurée par un algorithme basé sur les modèles de mélange gaussiens. A l’issue d’essais où les deux prétraitements ont été mis à l’épreuve, en tenant compte de la résistance face au bruit ambiant, il est possible de constater que la transformée en ondelettes présente des performances supérieures aux MFCC, dans le cadre précis de l’étude. La reconnaissance sonore ne nécessitant qu’un son distinct à identifier pour pouvoir fonctionner, cette solution présente un fort potentiel d’adaptation à d’autres types d’assemblages, mais aussi d’autres problématiques. Ces trois systèmes permettent de balayer un certain éventail de possibilités, et les solutions présentées sont amenées à être croisées et bonifiées afin d’aboutir à des systèmes robustes et fiables, aux standards de l’industrie.

Ce mémoire introduit une nouvelle variante aux problèmes de tournée de véhicules visant à prendre en considération la connaissance et l'expérience des livreurs dans le processus d'affectation aux clients. Ce nouveau type de tournée de véhicules basés sur l'expérience (EB-VRP) est motivé par le gain potentiel que pourrait apporter la familiarité des livreurs avec leur zone de travail, non seulement en termes de coûts de transports, mais également de satisfaction des livreurs. Cette approche pourrait également avoir pour corollaire une consommation ré- duite de carburant ainsi qu'une affectation non biaisée des livreurs aux clients. Pour traiter ce nouveau problème, une méthode de représentation de la connaissance construite à partir d'un historique de livraison est proposée. La résolution est ensuite effectuée par une approche bi-objectif combinée à une heuristique à grand voisinage. Des résultats numériques issus de données réelles viennent corroborer la pertinence de cette méthodologie. / This thesis introduces a new type of vehicle routing problem aiming to take into account the knowledge and experience for the driver-customer affectation process. This new experiencebased problem (EB-VRP) is motivated by the potential gain that could result from the ftting between drivers and their working areas in, in terms of global transportation costs and driver's satisfaction. This approach could also lead to a lower fuel consumption and an unbiased driver-customer affectation. A new methodology had been introduced to address this new problem, featuring a way to model the driver's knowledge based on a delivery's history. A bi-objective approach combines with a large-scale neighborhood heuristic had been used as a solving method. Numerical results from real data support the relevance of our methodology