Under senare år har vi med hjälp av robotar som använder rörelseplanering kunnat automatisera olika processer och uppgifter. Idag finns det väldigt få strategier för lokal rörelseplanering vid jämförelse med global rörelseplanering. Syftet med det här projektet har varit att analysera tre strategier för lokal rörelseplanering, dessa har varit Dynamic Window Approach (DWA), Elastic Band (Eband) och Timed Elastic Band (TEB).I projektet har styrkor, svagheter, beteenden och förbättringsmöjligheter för respektive strategi studerats närmare genom att utföra olika simulerade tester. I testerna mätes tid för att nå mål, antal kollisioner och antalet gånger som målet nåddes. Under projektet användes en virtuell allriktad robot från ABB för att testa strategierna. Testerna genomfördes på ett så rättvist sätt som möjligt, där alla strategier fick samma antal försök och hade samma information om robotens begränsningar.Resultatet visar att TEB är den snabbaste strategin, följt av DWA och sista Eband som var den långsammaste strategin. TEB var också den strategi som presterade bäst vid dynamiska hinder, däremot var den också den strategi som kolliderade mest i testerna, medan Eband kolliderade minst. / In recent years, we have been able to automate various processes and tasks with the help of robots that use motion planning. Today, there are very few strategies for local motion planning when compared to global motion planning. The purpose of this project has been to analyze three strategies for local motion planning, these have been Dynamic Window Approach (DWA), Elastic Band (Eband) and Timed Elastic Band (TEB).In the project, strengths, weaknesses, behaviours and opportunities for improvement for each strategy have been studied in more detail by performing various simulated tests. The tests measure time to reach the goal, the number of collisions and the number of succeeding attempts. During the project, a virtual omni-directional robot from ABB was used to perform the tests. The tests were performed in as fair a way as possible, where all strategies got the same number of attempts and had the same information about the robot's limitations.The results show that TEB is the fastest strategy, followed by DWA and last Eband that was the slowest strategy. TEB was also the strategy that performed best in dynamic obstacles, however, it was also the strategy that collided most of the tests, while Eband collided the least.

This thesis is based on the work carried out in the field of safety systems for Autonomous Guided Vehicles(AGV). With autonomous vehicles being more prominent today, safe traversing of these is a major concern. The same is true for AGVs working in industry environment like forklift trucks etc. Our work applies to industrial robots. The method described here is developed by closely following an algorithm developed for safe traversing of a robot using a warning field. The report describes the literature review with work related to the safe traversing, path planning and collision avoidance in robots. The next part is dedicated to describing the methodology of implementation of the Adaptive Warning Field Method and the Dynamic Window Approach. The evaluation of the Adaptive Warning Method with the previous developed Warning Field Methods is done and test cases are designed to test the working of the designed method. Vrep simulation environment and Industrial data is used to run a simulation of the robot using the method developed in this work. We find that the method performs better compared to the previous methods in the designed scenarios. Lastly we conclude the report with the future work that can be carried out to improve and extend the algorithm.

Cette thèse présente une méthode de navigation autonome d’un véhicule routier robotisé dans un contexte de l’interaction conducteur - véhicule, dans lequel le conducteur humain et le système de navigation autonome coopèrent dans le but d’associer les avantages du contrôle manuel et automatique. La navigation du véhicule est réalisée en parallèle par le conducteur humain et le système de conduite automatique, basée sur la perception de l’environnement. La navigation coopérative est basée sur l’analyse et correction des gestes du conducteur humain par le système intelligent, dans le but d’exécuter une tâche de navigation locale qui concerne le suivie de voie avec évitement d’obstacles. L’algorithme d’interaction humain-véhicule est basé sur des composants de navigation référencée capteurs formés par des contrôleurs d’asservissement visuel (VS) et la méthode d’évitement d’obstacle « Dynamic Window Approach (DWA) » basée sur la grilles d’occupation. Ces méthodes prennent en entrée la perception de l’environnement fournie par des capteurs embarqués comprenant un système monovision et un LIDAR. Dû à des impossibilités techniques/légales, nous n’avons pas pu valider nos méthodes sur notre véhicule robotisé (une Renault Zoé robotisée), ainsi nous avons construit des structures « driver-in-theloop » dans des environnements de simulation Matlab et SCANeRTM Studio. En Matlab, le conducteur humain est modélisé par un algorithme appelé « Human Driver Behaviour controller (HDB) », lequel génère des gestes de conduite dangereux dans la partie manuelle de l’entrée de commande du système coopératif. En SCANeR Studio, la sortie de l’HDB est remplacée par des commandes manuelles générées directement par un conducteur humain dans l’interface utilisateur du simulateur. Des résultats de validation dans les deux environnements de simulation montrent la faisabilité et la performance du système de navigation coopérative par rapport aux tâches de suivie de voie, l’évitement d’obstacles et le maintien d’une distance de sécurité. / This thesis presents an approach of cooperative navigation control pattern for intelligent vehicles in the context of human-vehicle interaction, in which human driver and autonomous servoing system cooperate for the purpose of benefiting from mutual advantages of manual and auto control. The navigation of the vehicle is performed in parallel by the driver and the embedded intelligent system, based on the perception of the environment. The cooperative framework we specify concerns the analysis and correction of the human navigation gestures by the intelligent system for the purpose of performing local navigation tasks of road lane following with obstacle avoidance. The human-vehicle interaction algorithm is based on autonomous servoing components as Visual Servoing (VS) controllers and obstacle avoidance method Dynamic Window Approach (DWA) based on Occupancy Grid, which are supported by the environment perception performed carried out by on-boarded sensors including a monovision camera and a LIDAR sensor. Given the technical/legal impossibility of validating our interaction method on our robotic vehicle (a robotic Renault Zoé), the driver-in-the-loop structures of system are designed for simulative environment of both Matlab and SCANeRTM Studio. In Matlab environment human driver is modeled by a code-based Human Driver Behaviour (HDB) Controller, which generates potential dangerous behaviors on purpose as manual control of the cooperative system. In SCANeR Studio environment the HDB is replaced by real-time manual command (a real human driver) via driving interface of this simulator. Results of simulative validation show the feasibility and performance of the cooperative navigation system with respect to tasks of driving security including road lane following, obstacle avoidance and safe distance maintenance.

La navigation autonome des voitures robotisées est un domaine largement étudié avec plusieurs techniques et applications dans une démarche coopérative. Elle intègre du contrôle de bas niveau jusqu’à la navigation globale, en passant par la perception de l’environnement, localisation du robot, et autres aspects dans une approche référencée capteurs. Bien qu’il existe des travaux très avancés, ils présentent encore des problèmes et limitations liés aux capteurs utilisés et à l’environnement où la voiture est insérée.Ce travail aborde le problème de navigation des voitures robotisées en utilisant des capteurs à faible coût dans des milieux urbains. Dans cette thèse, nous avons traité le problème concernant le développement d’un système global de navigation autonome référencée capteur appliqué à un véhicule électrique intelligent, équipé avec des caméras et d’autres capteurs. La problématique traitée se décline en trois grands domaines de la navigation robotique : la perception de l’environnement, le contrôle de la navigation locale et la gestion de la navigation globale. Dans la perception de l’environnement, une approche de traitement d’image 2D et 3D a été proposé pour la segmentation de la route et des obstacles. Cette méthode est appliquée pour extraire aussi des caractéristiques visuelles, associées au milieu de la route, pour le contrôle de la navigation locale du véhicule. Avec les données perçues, une nouvelle méthode hybride de navigation référencée capteur et d’évitement d’obstacle a été appliquée pour le suivi de la route. Cette méthode est caractérisée par la validation d’une stratégie d’asservissement visuel (contrôleur délibératif) dans une nouvelle formulation de la méthode “fenêtre dynamique référencée image" (Dynamic Window Approach - DWA, en anglais) (contrôleur réactif). Pour assurer la navigation globale de la voiture, nous proposons l’association des données de cartes numériques afin de gérer la navigation locale dans les points critiques du chemin, comme les intersections de routes. Des essais dans les scénarios difficiles, avec une voiture expérimentale, et aussi en environnement simulé, montrent la viabilité de la méthode proposée. / Autonomous navigation of car-like robots is a large domain with several techniques and applications working in cooperation. It ranges from low-level control to global navigation, passing by environment perception, robot localization, and many others in asensor-based approach. Although there are very advanced works, they still presenting problems and limitations related to the environment where the car is inserted and the sensors used. This work addresses the navigation problem of car-like robots based on low cost sensors in urban environments. For this purpose, an intelligent electric vehicle was equipped with vision cameras and other sensors to be applied in three big areas of robot navigation : the Environment Perception, Local Navigation Control, and Global Navigation Management. In the environment perception, a 2D and 3D image processing approach was proposed to segment the road area and detect the obstacles. This segmentation approach also provides some image features to local navigation control.Based on the previous detected information, a hybrid control approach for vision based navigation with obstacle avoidance was applied to road lane following. It is composed by the validation of a Visual Servoing methodology (deliberative controller) in a new Image-based Dynamic Window Approach (reactive controller). To assure the car’s global navigation, we proposed the association of the data from digital maps in order tomanage the local navigation at critical points, like road intersections. Experiments in a challenging scenario with both simulated and real experimental car show the viabilityof the proposed methodology.