Je présente une approche cognitive pour la planification de trajectoire sous contraintes. Elle repose en premier lieu sur DKP : une approche de planification de trajectoire par échantillonage. DKP construit un arbre d’exploration dans les parties atteignables de l’environnement à la manière d’un A*. Les solutions sont des trajectoires splines adaptées au contrôle de robots à deux roues indépendantes. La couche de propagation construit un espace des paramètres, contenant toutes les valeurs des paramètres laissés libres dans les solutions. Il est représenté sous la forme d’une surface contenant toutes les solutions locales du problème qui respectent les contraintes du problème : vitesse, accélération, évitement d’obstacle,. . .Ensuite, une recherche de solutions est effectuée sur l’espace des paramètres selon un critère de recherche. DKP a la propriété d’êtredéterministe : les résultats sont reproductibles et son comportement est entièrement contrôlable. Ce contrôle me sert à définir des comportements de pilotage. Ils sont exprimés sous la forme d’un arbre de comportements : chaque comportement agit sur la manière dont l’arbre d’exploration progresse dans l’environnement. Les comportements sont appliqués en fonction de la partie explorée. Ainsi, seuls les comportements faisables sont développés. TÆMS permet de décrire ces comportements de pilotage puis d’évaluer les solutions ainsi construites par DKP. Au final, mon approche cognitive repose sur l’évolution conjointe d’un arbre de comportements de pilotage et d’un arbre d’exploration : elle fait ainsi le lien entre planification classique et planification de trajectoire sous contraintes. / In this thesis, I present two new contributions. First, I provide DKP : a sample-based approach for trajectory planning.DKP uses a selection/propagation architecture to build an exploration tree in the reachable part of the environment, guided in an A∗ manner. Solutions are spline trajectories that are immediately executable by two-wheeled robots. The propagation level builds a parameter space which contains all the values of the free parameters in the solution. It is represented as a surface containing all local solutions which respect kinodynamic constraints : speed, acceleration, obstacle avoidance,. . .Then, a search is applied on the parameter space using a search criterion. DKP is deterministic : every result produced by DKP may be repeated. Second, this control is used to define steering behaviors. These are expressed within a steering tree : every behavior acts on the way the exploration tree progresses in the environment. Steering behaviors are applied according to the explored part. Thereby, TÆMS is used to describe the steering behaviors and to evaluate the solutions provided by DKP. Finally, my cognitive approach takes advantage on the common building of a steering tree and an exploration tree which validates respect of constraints : we thus get a link between classing planning and trajectory planning under constraints.
Identifer | oai:union.ndltd.org:theses.fr/2012LIL10013 |
Date | 02 February 2012 |
Creators | Gaillard, François |
Contributors | Lille 1, Mathieu, Philippe, Dinont, Cédric |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | French |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0016 seconds