Cependant, cette m´ethode n’est pas r´ef´erenc´ee capteurs au sens o`u nous l’avons
d´efini. En effet, une fois l’ellipse de r´ef´erence d´efinie, la m´ethode consiste `a suivre une
trajectoire dans le rep`ere li´e `a l’obstacle. Cela implique deux choses :
• Le suivi de l’ellipse de r´ef´erence implique de suivre une trajectoire d´efinie par
rapport `a un rep`ere fixe li´e `a l’obstacle. Le suivi de cette ellipse n´ecessite donc
une localisation locale pr´ecise par rapport `a ce rep`ere. Dans un contexte agricole,
une telle localisation peut ne pas ˆetre disponible, ou bien se r´ev`eler impr´ecise.
• La d´efinition pr´ealable de l’ellipse de r´ef´erence est tr`es importante. Cependant,
cette derni`ere se fait seulement `a partir d’une connaissance locale de l’obstacle.
Cette connaissance locale peut ˆetre insuffisante pour g´en´erer une ellipse anticipant
l’enti`eret´e de l’obstacle, y compris les endroits non visibles par le robot au d´ebut
de l’´evitement. Ainsi, l’ellipse g´en´er´ee peut entraˆıner une trajectoire rentrant en
collision avec une partie de l’obstacle.
1.6 Approche propos´ee dans ces travaux
La section pr´ec´edente a expos´e les m´ethodes pr´edominantes dans le domaine de
l’´evitement d’obstacles et de la navigation dans des environnements statiques et
dynamiques. Les avantages et inconv´enients de chaque m´ethode ont ´et´e dress´es et des
comparaisons plus approfondies peuvent ˆetre trouv´ees dans les articles [Kamil and N,
2015], [M.G and Salgoankar, 2017] et [Hoy et al., 2015]. L’approche propos´ee pour
l’´evitement d’obstacles en milieu agricole repose sur l’analyse suivante des m´ethodes
list´ees dans l’´etat de l’art :
1. Premi`erement, les m´ethodes bas´ees sur les champs de potentiel souffrent
notamment du risque de minima locaux. Dans le cadre d’un environnement
agricole fortement encombr´e avec de nombreux obstacles `a ´eviter, le robot
peut se trouver souvent dans cette situation et la navigation est alors dans une
impasse. De plus lorsque les obstacles sont dynamiques, les solutions propos´ees
bas´ees sur les champs de potentiel n´ecessitent une d´etection et un tracking
des obstacles mobiles. Or, l’approche a la capacit´e de ne prendre en compte
qu’un nombre r´eduit d’obstacle mobiles simultan´ement. Enfin, la distance
de s´ecurit´e entre le robot et les obstacles n’est pas garantie par les
formula-tions des forces r´epulsives des obstacles mobiles pr´esent´ees dans plusieurs articles.
2. Deuxi`emement, l’int´erˆet principal des m´ethodes DWA et VO r´eside dans la
prise en compte de la dynamique du robot. Or, dans un contexte agricole, avec
des sols vari´es, glissants et dont l’aspect peut changer en fonction du temps,
la mod´elisation de la dynamique du robot est une tˆache tr`es complexe. Il est
difficile d’assurer qu’en envoyant une commande de vitesse au robot, celui-ci
parvienne `a l’appliquer r´eellement sans d´eraper ou glisser.
3. Troisi`emement, les m´ethodes bas´ees histogrammes (VFH et d´eriv´es) utilisent
la localisation pour g´en´erer les histogrammes cumulatifs de l’environnement
en surmontant la faible pr´ecision des capteurs. `A l’inverse, nous consid´erons
dans nos cas sp´ecifiques d’utilisation que notre robot est ´equip´e de capteurs
ext´eroceptifs de haute pr´ecision, mais avec une localisation ´eventuellement
d´egrad´ee (ou inexistante). Ces m´ethodes ne sont donc pas adapt´ees `a notre cas.
4. Enfin, pour les m´ethodes consistant `a suivre une ellipse de r´ef´erence autour de
l’obstacle [Adouane, 2009], [Adouane et al., 2011], [Vilca Ventura et al., 2012]
et [Vilca et al., 2013], il est `a noter que cette ellipse reste fixe, une fois d´efinie,
et n’est plus remise `a jour. Ces techniques supposent donc que l’obstacle puisse
ˆetre d´etect´e compl`etement et qu’il soit statique. De plus, le suivi de la trajectoire
par rapport `a un rep`ere fixe li´e `a l’obstacle n´ecessite une localisation du robot
relative `a ce rep`ere. La difficult´e de la m´ethode rel`eve donc de la disponibilit´e
d’une localisation pr´ecise, notamment pour garantir une distance de s´ecurit´e
robot-obstacle suffisante et ´eviter la non collision.
Ainsi, l’ensemble des m´ethodes pr´ec´edemment cit´ees fonctionnent sur la base
d’hypoth`eses plus ou moins fortes concernant le robot et son environnement. Ces
hypoth`eses peuvent par exemple reposer sur un nombre r´eduit d’obstacles, ou bien
une forme, une g´eom´etrie ou une dynamique sp´ecifique des obstacles (par exemple,
des obstacles peu nombreux, convexes avec une vitesse lin´eaire constante dans le
temps). Elles peuvent aussi reposer sur une connaissance pr´ecise de la dynamique
et de la cin´ematique du robot. Or, dans un contexte agricole avec des obstacles
nombreux, volumineux et mobiles, avec des sols souvent glissants ou escarp´es, de telles
hypoth`eses peuvent difficilement ˆetre faites. Ainsi, un environnement encombr´e avec
de nombreux obstacles dynamiques implique donc des m´ethodes locales et r´eactives,
mais aussi tr`es g´en´eriques.
Dans cette th`ese, nous proposons un ensemble de strat´egies de navigation r´eactive
r´ef´erenc´ees capteurs en environnement statique et dynamique, visant `a ˆetre le plus
g´en´eriques possible. Ces m´ethodes seront utilis´ees en se basant sur les donn´ees de
divers capteurs ext´eroceptifs, qui pourront ˆetre des cam´eras RGB-D (exemple : des
cam´eras intel REALSENSE, des cam´eras SONY) ou des capteurs laser (exemple :
Hokuyo URG-04LX). Si les techniques d’´evitement d’obstacles telles que celles
bas´ees sur les champs de potentiels [Khatib, 1985], [Khatib and Chatila, 1995], ou
sur les histogrammes de champs de vecteurs (VFH) [Borenstein and Koren, 1991],
[Ulrich and Borenstein, 1998], [Ulrich and Borenstein, 2000] sont connues pour ˆetre
sensibles aux minima locaux, les approches d´ecrites dans [Adouane, 2009] et [Adouane
et al., 2011] ne souffrent pas de ce probl`eme. Cependant, elles ne permettent pas
de contrˆoler pr´ecis´ement la distance robot-obstacle et n´ecessitent une localisation
pr´ecise du robot par rapport `a l’obstacle. Dans cette th`ese, nous proposons une
solution r´ef´erenc´ee capteur adaptable aussi bien aux environnements statiques
que dynamiques, peu semsible aux minima locaux et ne n´ecessitant ni localisation
pr´ecise par rapport aux obstacles, ni la perception totale de ces derniers. Elle
re-pose sur la d´efinition de spirales de r´ef´erences et leur adaptation au cours de l’´evitement.
En effet, le concept de spirale a ´et´e initialement formalis´e par [Boyadzhiev, 1999].
Dans cet article, les spirales sont d´efinies math´ematiquement et il est montr´e que ces
derni`eres peuvent ˆetre param´etr´ees afin d’offrir un panel de trajectoires tr`es divers.
Ainsi, des techniques de navigation et d’´evitement d’obstacles bas´ees sur le suivi
de spirales ont ´et´e d´evelopp´ees. En s’appuyant sur le mod`ele de la spirale pr´esent´e
dans [Boyadzhiev, 1999], des techniques d’´evitement d’obstacles pour drones ont ´et´e
propos´ees par [Mcfadyen et al., 2012b], [Mcfadyen et al., 2012a], [Mcfadyen et al.,
2013] et [Mcfadyen et al., 2014]. Dans ce contexte a´erien, des spirales coniques sont
utilis´ees pour permettre `a un drone de contourner des obstacles. Les spirales ont
aussi ´et´e utilis´ees dans [Futterlieb et al., 2014], [Futterlieb, 2017] et [Flecher et al.,
2017] afin de doter un robot mobile terrestre de capacit´e de navigation, de demi-tours
et d’´evitement. Dans ces ouvrages, le choix de la spirale est principalement motiv´e
par sa g´en´ericit´e, sa versatilit´e et la possibilit´e d’appliquer la mˆeme m´ethode avec
plusieurs types de capteurs (LiDARs, cam´eras). Dans cette th`ese, notre objectif est
donc d’´etendre ces travaux effectu´es sur les spirales, et de nous concentrer sur leur
aspect g´en´erique et param´etrable afin de d´evelopper des m´ethodes de navigation
r´ef´erenc´ees capteurs en environnement statique et dynamique, pouvant fonctionner
dans de nombreux cas et situations diff´erentes.
1.7 Plan du manuscrit
Dans le document
Navigation autonome d'un robot agricole
(Page 36-39)