Navigation à chemin ouvert

La navigation à chemin ouvert, également appelée navigation libre [4], est une méthode de navigation sans chemin de guidage physique. En d’autres termes, l’itinéraire que doit emprunter l’ AGV n’est pas physiquement fixe, Et lorsque des changements sont nécessaires, l’AGV doit seulement être reprogrammés. Il en résulte qu’aucun travail manuel extensif n’est requis pour modifier les chemins de guidage [9]. Même si les AGV libres peuvent emprunter n’importe quel chemin, une feuille de route est nécessaire. Cette limitation à suivre certains chemins rend le système moins flexible mais il est nécessaire afin réduire la complexité du système [9].

• Guidage par point magnétique: La navigation par points magnétiques est une méthode qui utilise des points d’ancrage magnétiques dans le sol pour se repérer [4]. Les points d’ancrage sont des aimants permanents passifs qui sont percés dans le sol puis recouverts d’époxy, d’une couche de vinyle ou peints. L’AGY est capable de prendre des mesures avec un capteur magnétique et peut, de ce fait, localiser sa position absolue.

• Guidage par GPS : Le système GPS est souvent utilisé dans la navigation autonome des véhicules automobiles et permet d’obtenir la position du véhicule à travers des satellites par triangulation. Ce système a été envisagé pour la navigation des AGY mais reste problématique dans des environnements d’intérieur tel que des entrepôts ou usines pour différentes raisons qu’on peut citer: – Une précision de l’ordre du mètre, ce qui est inacceptable pour localiser des AGY à taille humaine, – La nécessité d’avoir un ciel dégagé et clair tandis que le domaine d’opération des AGY est essentiellement en intérieur [4]. Pour toutes les raisons citées précédemment, des systèmes de GPS d’intérieur ont été développé, le principe de fonctionnement de ces derniers réside sur l’utilisation de balises radio comme émetteurs afin que le récepteur placé sur l’AGY puisse se localiser dans la zone d’ opération du véhicule [8].

• Guidage par laser avec réflecteurs: Pour ce type de navigation, l’AGY se positionne grâce à des repères artificiels. En effet, un laser rotatif est monté sur le dessus de l’AGY et il émet un faisceau lumineux qui va être réfléchi sur une plaque rétroréfléchissante (réflecteurs) qui est montée sur les murs et les piliers au-dessus de la tête des opérateurs [8]. Les coordonnées des points de repère sont ajoutées à la carte de la zone d’opération lors de la configuration du système. Lorsque les réflecteurs réfléchissent la lumière du laser, l’AGY est capable de trianguler sa position absolue en se basant sur la connaissance des coordonnées de chaque réflecteur. Au moins deux ou trois points de repère doivent être visibles pour que l’AGY se positionne [4]. La navigation au laser est la méthode de navigation à chemin ouvert la plus importante, car elle est très précise et n’est pas limitée par les conditions du sol [4]. Les limites de cette méthode sont l’augmentation du prix de l’équipement et le fait que la conception de l’AGY est restreinte car le laser rotatif doit avoir une ligne de vue claire et ne peut pas être au même niveau que le personnel [14].

Filtre de Kalman

La technique la plus connue pour mettre en oeuvre des filtres Bayésien est probablement le filtre de Kalman (KF) [17], [34]. Le filtre de Kalman a été inventé dans les années 1950 par Rudolph Emil Kalman, comme technique de filtrage et de prévision dans les systèmes linéaires. Le filtre de Kalman représente les croyances par la représentation des moments [34] : À l’instant k, la croyance est représentée par une gaussienne avec une moyenne /1k et une covariance Lb L’estimation des états du systèmes par le filtre de Kalman est basée sur le modèle linéaire du processus [35] qui décrit la probabilité P(Xk IXk-V Uk) 2.14 Ici, Xk et Xk-V sont les vecteurs d’états, et Uk est le vecteur de control. Ak est une matrice carrée de dimension n x n, ou n est la dimension du vecteur d’état Xk’ Bk est une matrice de dimension n x m, ou m est la dimension du vecteur de control Uk’ La variable aléatoire ck est un vecteur aléatoire gaussien qui modélise le caractère aléatoire de la transition d’état. Sa moyenne est nulle et sa covariance est notée Rk ‘ Concernant le modèle perceptuel P(zklxk),l’équation suivante décrit la relation linéaire entre les états du système et les mesures effectuées à l’instant k [35J 2.15 Ck est définit en tant que matrice de dimension k x n, ou k est la dimension du vecteur de mesure zk’ Le vecteur Ok quant à lui décrit le bruit de mesure et sa distribution est gaussienne avec une moyenne nulle et une covariance notée Qk’ Le rôle du filtre de Kalman est de fournir une estimation de Xk à l’instant k sur deux étapes: une prévision et une mise à jour, étant donné l’estimation initiale, la série de mesures, et les informations du système décrit par A, B, C, Q et R. Bien que les matrices de covariance soient censées refléter les statistiques des bruits, la vraie statistique des bruits n’est pas réellement connue dans de nombreuses applications pratiques [35). Par conséquent, Q et R sont généralement utilisés comme paramètres de réglage que l’utilisateur peut ajuster pour obtenir les performances souhaitées [35J . (L’algorithme général du filtre de Kalman est présenté dans le Tableau 2).

ROS

Afin de tester et d’évaluer notre méthode dans des conditions proches de la réalité, nous devrions avoir la possibilité de modéliser un AGV et ses différents attributs ainsi que des capteurs dans des conditions normales d’opérations pour incorporer les incertitudes de mesures dans nos calculs. Pour concrétiser cela, nous optons pour la célèbre plateforme ROS (Robotic Operating System) [45]. Il s’agit d’un méta-système d’exploitation qui fournit une collection de bibliothèques, d’outi ls et de conventions qui facilitent la mise en oeuvre de systèmes robotiques complexes et de fonctionnalités telles que : la gestion de paquets, abstraction matérielle, construction de fonctions fréquemment utilisées, gestion de dispositifs de bas niveau et transfert de messages entre processus [46]. La modularité de ROS augmente considérablement la stabi lité du système pendant le fonctionnement, car l’exécution des différentes tâches est gérée de manière indépendante. La plateforme peut prendre en charge l’intégration de scripts écrits avec des langages de programmation tels que C++, C, Java et Python dans un seul projet. De plus, ROS dispose de nombreux outils utiles pour la visualisation, le débogage et la simulation de systèmes robotiques. Le calcul dans ROS est effectué à l’aide d’un réseau de processus appelés noeuds ROS. Un noeud est un code indépendant et exécutable qui est responsable de l’exécution de certaines tâches tel que: initialisation, traitement des données entrantes/sortantes, simulation de capteurs bruités, cartographie, planification, localisation … etc. Chaque noeud peut communiquer avec d’autres à travers un bus de communication appelé tapies. La connexion entre les noeuds est gérée par un master et suit le processus suivant [46]:

1. Un premier noeud avertit le master qu’il a une donnée à partager

2. Un deuxième noeud avertit le master qu’il souhaite avoir accès à une donnée

3. Une connexion entre les deux noeuds est créée

4. Le premier noeud peut envoyer des données au second

Conclusion et discussions

Pour conclure ce mémoire, il est important de revoir les objectifs ongmaux et la problématique introduits dans ce projet afin d’élaborer les bonnes conclusions. L’objectif principal est de développer une approche robuste de localisation d’un AGV dans des environnements d’intérieurs complexes. Tout d’abord, nous avons étudié le concept de l’approche probabiliste bayésienne appliquée à l’estimation en robotique mobile terrestre. Deux implémentations courantes (le filtre de Kalman et le filtre particulaire) ont été exposées. Il s’est avéré que le filtre particulaire (MCL) soit l’approche la plus adéquate pour la résolution des problématiques classiques de localisation des robots mobiles dans des environnements connus. Néanmoins, l’une des limites du MCL a démontré la sensibilité de ce dernier face à différentes incertitudes introduites par le choix de la proposition de distribution (erreurs aléatoires non bornées pour le modèle d’odométrie, ambiguïtés perceptuelles pour le modèle d’lCP). De ce fait, une nouvelle proposition de distribution a été développée en se basant sur un filtre de Kalman Étendu qui va permettre une fusion des données pondérées de deux sources de capteurs (encodeurs et télémètre laser).

Afin de prendre en considération l’influence de la géométrie de l’environnement sur les mesures d’observation du télémètre laser, nous avons conçu un EKF à covariance d’observation adaptative. Cette covariance est estimée en mettant en correspondance des segments de lignes extraites des mesures brutes du télémètre laser, cela a pennis de révéler une singularité lorsque au moins deux lignes parallèles sont extraites, ce qui correspond à la composition des environnements symétriques. Ensuite, la nouvelle architecture hybride MCL-EKF est présentée. Au départ, l’algorithme produit grâce à l’EKF une estimation a priori de la position du robot, l’innovation ici réside sur l’incorporation des mesures d’observations lors de la phase de prévision du MCL, ce que l’architecture classique n’offrait pas. Puis, basée sur la position a priori et la grille d’occupation, le MCL fournira une estimation finale de la position du robot. Pour juger de la pertinence de l’architecture proposée, nous avons évalué en simulation la précision de notre approche par rapport à d’autres approches classiques et nous avons obtenus une erreur quadratique moyenne inférieure à 4%. Enfin, l’implémentation de l’architecture dans un AGV différentiel du partenaire industriel DIVEL Inc. a pennis d’effectuer des tests de robustesse dans différents environnements réels.