Planification et commande pour véhicules à deux trains directeurs en milieu encombré
224
0
0
Texte intégral
(2) N◦ d’ordre : D.U. 2804 EDSPIC : 795. EDSPI Université Clermont Auvergne École Doctorale Sciences Pour l’Ingénieur de Clermont-Ferrand. Thèse Présentée par. Ange NIZARD Ingénieur IFMA. pour obtenir le grade de. Docteur d’Université Spécialité : Vision pour la Robotique. Planification et commande pour véhicules à deux trains directeurs en milieu encombré édition du 24 avril 2017. Soutenue publiquement le 31 mars 2017 devant le jury Mme M. M. M. M. M. M.. Brigitte d’Andréa-Novel Fawzi Nashashibi Olivier Simonin Roland Lenain Benoit Thuilot Youcef Mezouar Michel Dhome. Présidente Rapporteur Rapporteur Examinateur Examinateur Directeur de thèse Invité.
(3)
(4) Résumé Le prochain secteur à être fortement automatisé est sans doute celui du transport routier. D’abord en environnement peu complexe comme c’est déjà le cas sur autoroute, puis à terme dans les scénarios les plus difficiles, comme ceux rencontrés au cœur du trafic urbain. Une étape intermédiaire consiste à introduire des véhicules autonomes en milieu urbain, mais hors du trafic, comme sur des sites fermés. Ces environnements présentent des caractéristiques particulières, comme un encombrement important. Alors, pour être en mesure de naviguer en toute autonomie, les véhicules doivent être à la fois agiles, précis et sûrs, mais aussi efficaces, donc rapides. Ce travail de thèse adresse deux problématiques clés de la navigation autonome en milieu encombré : la planification et le suivi de chemin pour les véhicules à deux trains directeurs (4WS). En effet, la cinématique 4WS est la réponse des constructeurs au besoin d’agilité et nécessite le développement de techniques de commande adaptées. La planification de chemin en temps-réel permet l’évitement d’obstacles, de façon à rendre le service robuste aux aléas de l’environnement. Le contrôle automatique de la direction permet ensuite de suivre ces chemins avec précision. La principale difficulté concernant la planification de chemin est le contraste entre la faible puissance de calcul embarquée sur le véhicule et la forte contrainte temporelle qu’impose le besoin de réactivité. Il s’agit donc de choisir l’approche adéquate et de mettre en place les simplifications algorithmiques les plus efficaces, c’est-à-dire qui réduisent la quantité de calculs nécessaires sans réduire la qualité des chemins générés. De plus, la planification de chemin en milieu encombré pose le problème des impasses dans lesquelles les méthodes les plus réactives restent coincées. De fait, l’approche retenue consiste à construire une fonction de navigation en deux dimensions dont est extrait le chemin. Au sens des critères choisis, il est optimal pour un véhicule circulaire. Des stratégies sont alors mises en place pour adapter cet algorithme aux véhicules 4WS de forme rectangulaire, comme la notion centrale de double-chemin qui permet de représenter la trajectoire d’un mobile à trois degrés de liberté dans un espace en deux dimensions. Enfin, d’autres stratégies et heuristiques sont introduites pour optimiser les performances de l’algorithme de planification et lui permettre de générer des manœuvres efficaces. Concernant le développement du contrôleur de direction, il s’agit de choisir le modèle d’évolution qui retranscrit au mieux le comportement du véhicule vis-à-vis du doublechemin qu’il doit suivre, puis d’en déduire les lois de commande des trains avant et arrière. Ayant été éprouvé par de nombreux travaux, le modèle bicyclette 4WS a été choisi. Ce modèle cinématique permet d’introduire facilement des angles de dérive utiles à la compensation des glissements des pneus sur le sol, qu’ils soient dus à un manque d’adhérence ou à une géométrie imparfaite des trains. Des lois de commande par retour d’état sont ensuite synthétisées et une stratégie de gestion de la saturation des actionneurs est proposée. Enfin, ce premier contrôleur est décliné en une version prédictive qui apporte un suivi de chemin d’une grande stabilité sur les véhicules réels. Les contributions ont toutes été évaluées en simulation et lors d’expérimentations en vraie grandeur sur l’EZ10, une navette électrique 4WS industrielle. Enfin, il se trouve que les performances obtenues dépassent les attentes initiales. Mots-clefs : véhicules à deux trains directeurs, planification en temps-réel, manœuvres, modélisation cinématique, suivi de chemin, commande prédictive.. 3.
(5)
(6) Abstract The next sector to be highly automated is probably road transport. First in an uncomplicated environment as is already the case on highway, then eventually in the most difficult scenarios, such as those encountered at the heart of the urban traffic. An intermediate step is to introduce autonomous vehicles in urban areas, but outside traffic, as on closed sites. These environments have particular characteristics, they can be very cluttered. So to be able to navigate autonomously, the vehicles have to be agile, precise and safe, but also efficient, i.e. fast. This thesis addresses two key issues of autonomous navigation in cluttered environments : path planning and tracking for bi-steerable (4WS) vehicles. Indeed, the 4WS kinematics is the response of the manufacturers to the need for agility and requires the development of adapted control techniques. Real-time path planning allows the avoidance of obstacles in order to make the service robust to the vagaries of the environment. The automatic control of the direction then makes it possible to follow these paths with precision. The main difficulty about path planning is the contrast between the low onboard computing power and the high temporal constraints imposed by the need for reactivity. It is thus necessary to choose the appropriate approach and to implement the most efficient algorithmic simplifications, i.e. reducing the amount of calculations without reducing the quality of the generated paths. In addition, path planning in cluttered environment raises the problem of dead-ends in which the most reactive methods remain stuck. Then, the adopted approach consists in constructing a navigation function in two dimensions from which the path is extracted. In the sense of the chosen criteria, it is optimal for a circular vehicle. Strategies are then put in place to adapt this algorithm to 4WS vehicles of rectangular shape, such as the central dual-path concept which allows to represent the trajectory of a mobile with three degrees of freedom in a two-dimensional space. Finally, other strategies and heuristics are introduced to optimize the performance of the planning algorithm and allow it to generate efficient maneuvers. Concerning the development of the controller, it is about choosing the evolution model which best reflects the behavior of the vehicle with respect to the dual-path that it must follow and then deducing the front and rear control laws. The 4WS bicycle model has shown itself to be very effective. This kinematic model makes it possible to easily introduce useful side-slip angles allowing to compensate the slippage of the tires on the ground, whether due to a lack of grip or an imperfect geometry of the axles. State feedback control laws are then synthesized and a strategy for managing the saturation of the actuators is proposed. Finally, this first controller is declined in a predictive version that provides a very stable tracking on real vehicles. The contributions were all evaluated in simulation and in full-scale experiments on the EZ10, an industrial 4WS electric shuttle. Finally, it turns out that the performances exceed initial expectations. Keywords : bi-steerable vehicles, realtime planning, maneuvers, kinematic modeling, path following, predictive control.. 5.
(7)
(8) Remerciements Ce manuscrit concentre mes trois années de recherche et développement effectués à l’Institut Pascal. Je remercie tout ceux qui œuvrent au sein de cet établissement et y installent un cadre de recherche sympathique et efficace. Les moyens techniques mis à disposition s’ajoutant à ceux apportés par les différents acteurs du projet VIPAFleet, comme les Automobiles Ligier que je remercie également, ont permis des développements au-delà des espérances. Je tiens à remercier Brigitte d’Andréa-Novel (MINES ParisTech), qui a présidé mon jury de thèse, tout comme Fawzi Nashashibi (INRIA Rocquencourt) et Olivier Simonin (INSA Lyon) pour avoir rapporté cette thèse et s’être déplacé sur Clermont-Ferrand. Mes remerciements vont également à Roland Lenain (IRSTEA) et Michel Dhome pour s’être joints à eux. Je remercie tout particulièrement Youcef Mezouar, mon directeur de thèse, ainsi que Benoit Thuilot pour l’encadrement qu’ils m’ont apporté. Ils ont été d’un positif sans faille, ont trouvé les mots qui synthétisent et ont apporté du formalisme à mes intuitions et mes trouvailles. Je remercie touts ceux qui ont été présents au laboratoire pour lui donner vie à de diverses et nombreuses occasions, notamment Léo L., Stéphan W., Morgan S., CharlesAntoine N., François DLB., Jérémy D., Claude A., Coralie B.-A., Alexis W., Céline T., Gautier C., Tawsif G., Dieumet D., Ghina E., Pierre D., Laurent D., Gaspard D., Datta R., Thanh Tin N., Sébastien C., Mihai C., Vadim L., Lamine T., mais aussi François M., Serge A., Eric R., Laurent M., Laurent L., Thierry C., Romuald A., Sébastien L. ainsi qu’Aurélie G. et Jean-Sébastien G. de la SATT Grand-Centre et tous ceux qui m’échappent en écrivant ces lignes, mais qui se reconnaîtront. Enfin, je remercie ma famille et mes amis pour leur aide et leur soutient irremplaçable.. 7.
(9)
(10) Publications Publications directement issues du sujet de thèse :. Ange Nizard, Benoit Thuilot, Roland Lenain et Youcef Mezouar, Nonlinear Path Tracking Controller for Bi-Steerable Vehicles in Cluttered Environments, Proceedings of the 9th IFAC Symposium on Intelligent Autonomous Vehicles (IAV), pages 19-24, 2016. Ange Nizard, Benoit Thuilot et Youcef Mezouar, Avoidance planning at interactive rate for 4-wheel steering unmanned shuttles, À soumettre à Journal of Intelligent Transportation Systems (ITS). Roland Lenain, Ange Nizard, Mathieu Deremetz, Benoit Thuilot et Christophe Cariou, Trajectory tracking of bi-steerable off-road mobile robot : A multi-control laws strategy, Soumis à IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017. Eric Royer, François Marmoiton, Serge Alizon, Datta Ramadasan, Morgan Slade, Ange Nizard, Michel Dhome, Benoit Thuilot et Florent Bonjean, Lessons learned after more than 1000 km in an autonomous shuttle guided by vision, IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pages 22482253, 2016.. Autres publications :. Ange Nizard, Benoit Thuilot et Roland Lenain, Tire longitudinal grip estimation for improved safety of vehicles in off-road conditions, IEEE International Conference on Robotics and Automation (ICRA), pages 3368-3373, 2015. Dieumet Denis, Ange Nizard, Benoit Thuilot et Roland Lenain, Slip and cornering stiffnesses observation for the stability assessment of off-road vehicles, International Conference on Mediterranean Green Energy Forum (MGEF), 2015. Léo Pio-Lopez, Ange Nizard, Karl Friston et Giovanni Pezzulo, Active inference and robot control : A case study, Journal of The Royal Society Interface, vol. 13, 2016.. 9.
(11)
(12) Table des matières Résumé. 3. Abstract. 5. Remerciements. 7. Publications. 9. 1 Introduction générale 1.1 Robots mobiles autonomes . . . . . . . . . . . . . . . . . . . . 1.2 Navigation autonome . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Acquisition des données pour la navigation . . . . . . . 1.2.2 Exploitation des données pour la navigation . . . . . . 1.3 Véhicules autonomes, le cas des navettes . . . . . . . . . . . . 1.3.1 Les navettes automatiques industrielles dans le monde 1.3.2 Deux trains directeurs pour plus de maniabilité . . . . 1.3.3 Cinématiques biguidables . . . . . . . . . . . . . . . . 1.4 Contexte et problématique des travaux . . . . . . . . . . . . . 1.4.1 Un projet industriel . . . . . . . . . . . . . . . . . . . . 1.4.2 Définition de la stratégie de navigation . . . . . . . . . 1.4.3 Choix du modèle d’évolution . . . . . . . . . . . . . . . 1.5 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Organisation du mémoire . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. 2 Introduction à la planification de chemin 2.1 Notions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Un problème d’optimisation . . . . . . . . . . . . . . . . . . . . 2.1.2 Terminologie liée à l’optimisation . . . . . . . . . . . . . . . . . 2.1.3 Optimisation combinatoire : graphes et algorithmes de recherche 2.1.4 Optimisation par métaheuristiques . . . . . . . . . . . . . . . . 2.1.5 Autres formalismes . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.6 Opérations sur la cartographie des obstacles . . . . . . . . . . . 2.1.7 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 État de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Méthodes exactes sans obstacle . . . . . . . . . . . . . . . . . . 2.2.2 Méthodes issues de l’évitement réactif . . . . . . . . . . . . . . . 2.2.3 Méthodes géométriques et analytiques . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. 21 22 23 24 26 28 28 29 30 30 30 31 33 34 34. . . . . . . . . . . . .. 37 38 38 39 43 50 55 57 60 61 61 65 70. 11.
(13) TABLE DES MATIÈRES. 2.3. 2.2.4 Méthodes discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 2.2.5 Déformation de chemin . . . . . . . . . . . . . . . . . . . . . . . . . 81 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82. 3 Contribution à la planification 3.1 Choix de la méthode de planification . . . . . . . . . . . . . . 3.1.1 Discussion bibliographique . . . . . . . . . . . . . . . . 3.1.2 Hypothèses principales . . . . . . . . . . . . . . . . . . 3.2 Introduction au fast-marching . . . . . . . . . . . . . . . . . . 3.2.1 Équation eikonal . . . . . . . . . . . . . . . . . . . . . 3.2.2 Algorithme du fast-marching . . . . . . . . . . . . . . . 3.2.3 Analogies et applications . . . . . . . . . . . . . . . . . 3.3 Conception de l’algorithme de planification . . . . . . . . . . . 3.3.1 Optimisation multi-critère . . . . . . . . . . . . . . . . 3.3.2 Planification pour deux trains directeurs . . . . . . . . 3.3.3 Stabilité instantanée de la solution . . . . . . . . . . . 3.3.4 Définition de la pose finale . . . . . . . . . . . . . . . . 3.3.5 Utilisation d’heuristiques . . . . . . . . . . . . . . . . . 3.3.6 Profil de vitesse . . . . . . . . . . . . . . . . . . . . . . 3.4 Évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 Évitement en environnement ouvert . . . . . . . . . . . 3.4.2 Évitement en environnement encombré . . . . . . . . . 3.4.3 Évitement en environnement encombré avec manœuvre 3.4.4 Passage très étroit avec et sans manœuvre . . . . . . . 3.4.5 Replanification à la découverte d’un obstacle long . . . 3.4.6 Planification hors ligne . . . . . . . . . . . . . . . . . . 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. 83 84 84 87 91 91 91 95 96 96 99 102 103 105 106 107 107 109 110 112 113 114 114. 4 Introduction au suivi de chemin 4.1 Notions d’automatique . . . . . . . . . . . . . . . . . . . . 4.1.1 Modélisation des systèmes . . . . . . . . . . . . . . 4.1.2 Analyse des systèmes . . . . . . . . . . . . . . . . . 4.1.3 Structures de contrôle . . . . . . . . . . . . . . . . 4.2 Approches pour la synthèse des lois de commande . . . . . 4.2.1 Contrôleurs génériques . . . . . . . . . . . . . . . . 4.2.2 Linéarisation par feedback . . . . . . . . . . . . . . 4.2.3 Linéarisation par feedback statique . . . . . . . . . 4.2.4 Linéarisation par feedback dynamique . . . . . . . 4.2.5 Forme chainée . . . . . . . . . . . . . . . . . . . . . 4.2.6 Fonctions de Lyapunov . . . . . . . . . . . . . . . . 4.2.7 Backstepping . . . . . . . . . . . . . . . . . . . . . 4.3 Particularisation au cas des robots mobiles . . . . . . . . . 4.3.1 Systèmes non-holonomes . . . . . . . . . . . . . . . 4.3.2 Stabilisation sur une configuration de repos . . . . 4.3.3 Suivi de chemin et poursuite de trajectoire . . . . . 4.3.4 Poursuite de trajectoire incluant des points d’arrêt. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. 117 118 118 120 125 127 127 128 130 132 133 134 134 135 135 136 136 138. 12. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. Ange Nizard.
(14) TABLE DES MATIÈRES. 4.4. Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139. 5 Contribution au suivi de chemin 5.1 Approches antérieures . . . . . . . . . . . . . . . . 5.1.1 Modélisation . . . . . . . . . . . . . . . . . . 5.1.2 Contrôleur proposé dans [CLTB09] . . . . . 5.1.3 Évaluation . . . . . . . . . . . . . . . . . . . 5.2 Contrôleur dédié au suivi d’un double-chemin . . . 5.2.1 Paramétrage du modèle bicyclette . . . . . . 5.2.2 Loi de commande du train arrière . . . . . . 5.2.3 Loi de commande du train avant . . . . . . 5.2.4 Saturation des angles de braquage . . . . . . 5.2.5 Évaluation . . . . . . . . . . . . . . . . . . . 5.3 Anticipation du retard d’actionnement . . . . . . . 5.3.1 Séparation des boucles de régulation ouverte 5.3.2 Commande prédictive à modèle interne . . . 5.3.3 Évaluation . . . . . . . . . . . . . . . . . . . 5.3.4 Prédiction sur la contribution rétroactive . . 5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . et fermée . . . . . . . . . . . . . . . . . . . . . . . .. 6 Expérimentations 6.1 Plateforme d’expérimentation . . . . . . . . . . . . . 6.1.1 Caractéristiques générales . . . . . . . . . . . 6.1.2 Capteurs embarqués . . . . . . . . . . . . . . 6.1.3 Architecture logicielle et hardware . . . . . . . 6.1.4 Localisation du véhicule . . . . . . . . . . . . 6.1.5 Site d’expérimentation . . . . . . . . . . . . . 6.2 Validation du contrôleur 4WS . . . . . . . . . . . . . 6.2.1 Suivi de chemin à basse vitesse . . . . . . . . 6.2.2 Contrôle prédictif en environnement encombré 6.2.3 Contrôle prédictif à haute vitesse . . . . . . . 6.3 Validation de la navigation en milieu encombré . . . . 6.3.1 Ruelles étroites . . . . . . . . . . . . . . . . . 6.3.2 Virage serré et étroit . . . . . . . . . . . . . . 6.3.3 Évitement en milieu encombré . . . . . . . . . 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .. 141 . 142 . 143 . 144 . 146 . 149 . 149 . 151 . 152 . 153 . 154 . 160 . 160 . 161 . 165 . 171 . 174. . . . . . . . . . . . . . . .. 177 . 178 . 179 . 179 . 180 . 181 . 185 . 186 . 186 . 187 . 192 . 196 . 196 . 196 . 197 . 198. 7 Conclusion et perspectives. 199. A Simulateur et interface. 205. Ange Nizard. 13.
(15) TABLE DES MATIÈRES. 14. Ange Nizard.
(16) Table des figures 1.1. De gauche à droite : robot illustrant la pièce de théâtre R.U.R. (Rossum’s ˘ Universal Robots, 1927) de Karel Capek, premier robot autonome Shakey développé en 1967 à Stanford, robot Atlas développé en 2013 par Boston Dynamics, un extrait du film I, Robot de 2004 et du film Terminator (2015). 1.2 De gauche à droite : une machine agricole sans pilote, le véhicule autonome Stanley développé à l’Université de Stanford (gagnant du Grand Challenge 2005 de la DARPA) et deux Google Cars (2011 et 2014). . . . . . . . . . . 1.3 Capteurs proprioceptifs industriels, de gauche à droite : un odomètre (système ABS de moto), une centrale inertielle et un gyroscope optique. . . . . 1.4 Capteurs extéroceptifs, de gauche à droite : des caméras industrielles, un scanner lidar industriel (1 nappe) et la série des Velodyne (lidars multinappe). 1.5 Interprétation des données capteur, de gauche à droite : de la reconnaissance de forme dans un nuage de points 3D (scan Velodyne), de la reconnaissance visuelle et une reconstruction numérique complète d’une scène urbaine. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Navettes autonomes électriques. De gauche à droite : L’EZ10 par Ligier / EasyMile en 2014, l’Arma par Navya en 2015 et Olli en 2016. . . . . . . . . 1.7 Historique récent des véhicules autonomes à l’Institut Pascal avant l’EZ10 (2014), dans l’ordre : le CyCab (2002), le Vipalab (2010), le Vipa de 2011 et celui de 2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.8 Illustration du problème de la navigation en milieu encombré. . . . . . . . 1.9 Diagramme simplifié décrivant le comportement de la navette. . . . . . . . 1.10 Modèle bicyclette à deux trains directeurs. . . . . . . . . . . . . . . . . . . 2.1 2.2 2.3 2.4 2.5. Exemples de graphe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple d’arbre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemples de graphe grille. . . . . . . . . . . . . . . . . . . . . . . . . . . Voisinages les plus courant dans les grilles : 4, 8 et 16 sommets. . . . . . Illustration de l’exploration d’un graphe non orienté. En blanc les sommets explorés, en gris le front, et en noir les sommets inexplorés. . . . . . . . . 2.6 Exemples d’opérations morphologiques simples. . . . . . . . . . . . . . . 2.7 Une opération d’ouverture. . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8 Une opération de fermeture. . . . . . . . . . . . . . . . . . . . . . . . . . 2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.10 Squelettisation de composantes connexes. . . . . . . . . . . . . . . . . . . 2.11 Transformée en distance euclidienne. . . . . . . . . . . . . . . . . . . . .. 22. 23 24 25. 26 28. 29 29 32 34. . . . .. 44 44 45 46. . . . . . . .. 47 58 59 59 59 60 60. 15.
(17) TABLE DES FIGURES. 2.12 Exemples de chemins de Dubins, de gauche à droite : RSL, RSR, LRL. . . 2.13 Principes de la méthode Curvature-Velocity. Le véhicule est positionné à l’origine des repères et pointe vers le haut (images reprisent de [Sim96]). . 2.14 Principes de la méthode DWA (images reprises de [FBT95]). . . . . . . . . 2.15 Construction d’un VO pour un horizon temporel H . . . . . . . . . . . . . 2.16 Exemple de graphe de visibilité et un chemin possible en bleu. . . . . . . . 2.17 Diagramme de Voronoï de Cfree utilisé comme graphe de connectivité (approximation [KR96]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.18 Exemple d’une décomposition en triangles de Cfree . . . . . . . . . . . . . . . 2.19 Exemple d’une décomposition en trapèzes de Cfree . . . . . . . . . . . . . . . 2.20 Exemple d’une décomposition multi-échelle en carrés (quadtree) de Cfree . Les zones vertes sont complétement libres, celles en jaune sont mixtes. . . . 2.21 Illustration du RRT sans contrainte cinématique ni obstacle, tirée de [LaV98] 2.22 Illustrations du RRT tirées de [LaV98] . . . . . . . . . . . . . . . . . . . . 2.23 Illustration du fonctionnement des méthodes basées treillis (images tirées de [PKK07]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.24 Exemple de fonction de navigation obtenue avec le FMM (images tirées de [GMAB09]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. 3.2 3.3 3.4 3.5 3.6. 3.7 3.8. 3.9 3.10 3.11. 3.12. 16. La zone navigable pouvant être très étendue (zone verte), la définition d’une fenêtre glissante locale au véhicule (zone rouge) permet de réduire la complexité de la planification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Quel que soit l’angle de braquage disponible, la cinématique à un train directeur ne permet pas de négocier des virages étroits. . . . . . . . . . . Illustration d’un double-chemin. . . . . . . . . . . . . . . . . . . . . . . . Forme du voisinage (en vert) et structure du graphe utilisé par le fastmarching après discrétisation de C en C. . . . . . . . . . . . . . . . . . . À gauche : un problème de planification (la luminosité est proportionnelle au coût). À droite : la fonction de navigation U calculée avec le fastmarching et le chemin extrait par une descente de gradient discrète. . . . Illustration de l’expansion du front et du schéma numérique (3.4). La courbe rouge représente le front continu que le front discret approxime. . Sur la gauche un chemin obtenu avec l’algorithme de Dijkstra, au milieu la sortie typique d’un algorithme hybride RRT-A* [DTMD10] et à droite celle du fast-marching. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaison entre Dijkstra et le fast-marching. . . . . . . . . . . . . . . Analogie entre l’optique et la planification de chemin. . . . . . . . . . . . Exemple d’une carte de coût Q utilisée pour décrire les obstacles durant une expérimentation. À gauche : les lignes bleues sont les obstacles de la base de données, les tracés blancs/gris sont les obstacles dilatés (analytiquement dans ce cas). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . À gauche : profil du coût Qv en fonction de la distance à l’obstacle le plus proche, conformément à (3.7) avec σv = 1 et τv = 5. À droite : vue 3D de Qv lors d’une expérimentation. . . . . . . . . . . . . . . . . . . . . . . .. 62 66 67 68 70 70 71 72 73 76 77 78 80. . 87 . 88 . 89 . 90 . 92. . 92 . 93. . 94 . 95 . 95. . 96. . 97. Ange Nizard.
(18) TABLE DES FIGURES. 3.13 Effet du gradient de Q sur la courbure des chemins obtenus avec le fastmarching. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 3.14 Scénario d’évitement simple en environnement ouvert permettant de présenter les éléments clefs de l’algorithme de planification (le véhicule vient de la gauche). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 3.15 Schéma illustrant la descente de gradient décrite par l’équation (3.9) . . . . 100 3.16 À gauche : Profil du coût Qt pour Vmax = 1 en fonction de la distance à Cconv conformément à (3.10) avec σt = 0.6 et τt = 40. À droite : vue en coupe de Qt autour d’une zone de convergence. . . . . . . . . . . . . . . . 104 3.17 Temps de calcul des différentes étapes de la planification pour toutes les itérations ayant eu lieu pendant le scénario d’évitement de la figure 3.14. . 108 3.18 Profil de vitesse maximum associé au double-chemin de la figure 3.14, conformément à (3.11) avec along = 0.3m/s2 , alat = 0.5m/s2 et δ˙max = 20◦ /s. 108 3.19 Scénario d’évitement en environnement encombré, les lignes bleues représentent les trottoirs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 3.20 Temps de calcul des différentes étapes de la planification pour toutes les itérations ayant eu lieu pendant le scénario d’évitement de la figure 3.19. . 110 3.21 Scénario d’évitement nécessitant une manœuvre. . . . . . . . . . . . . . . . 110 3.22 Temps de calcul des différentes étapes de la planification pour toutes les itérations ayant eu lieu pendant le scénario d’évitement de la figure 3.21, avant d’effectuer la première manœuvre. . . . . . . . . . . . . . . . . . . . 111 3.23 Profil de vitesse maximum associé au double-chemin de la figure 3.21, conformément à (3.11) avec along = 0.3m/s2 , alat = 0.5m/s2 et δ˙max = 20◦ /s. 111 3.24 Scénario d’évitement nécessitant le passage dans une ruelle très étroite. . . 112 3.25 Scénario d’évitement nécessitant une manœuvre à la sortie d’une ruelle très étroite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 3.26 Scénario d’évitement d’un obstacle s’avérant plus long que prévu alors que l’évitement a déjà été entamé. . . . . . . . . . . . . . . . . . . . . . . . . . 113 3.27 Planification hors ligne d’un double-chemin pour la navigation automatique dans des ruelles très étroites. . . . . . . . . . . . . . . . . . . . . . . . . . . 114 4.1 Schéma-bloc générique d’un système dynamique Σ (4.2). . . . . . . . . . . 118 4.2 Schéma-bloc générique d’un système linéaire ΣL (4.4). . . . . . . . . . . . . 119 4.3 Schéma-bloc d’une “régulation” en boucle ouverte du système Σ par le régulateur RBO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4.4 Schéma-bloc d’une “régulation” en boucle ouverte du système Σ par le régulateur RBO avec adjonction d’une action directe (bloc Ff : feedforward).126 4.5 Schéma-bloc d’une régulation en boucle fermée du système Σ par le régulateur R et le feedback Fb qui reconstruit – une estimation de – l’état du système q d’après y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 4.6 Modèle bicyclette classique paramétré dans le repère de Frénet. . . . . . . 137 5.1 5.2 5.3 5.4. Ange Nizard. Modèle bicyclette à deux trains directeurs avec angles de dérive. . . . . . Vue du simulateur utilisé pour le scénario 1. . . . . . . . . . . . . . . . . Simulation (scénario 1) : suivi avec le contrôleur de [CLTB09]. . . . . . . Simulation (scénario 1) : contrôleur de [LTCM06] (couplage : δR = −δF ).. . . . .. 143 147 148 149. 17.
(19) TABLE DES FIGURES. 5.5 5.6 5.7 5.8. 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18 5.19 5.20 5.21 5.22 6.1 6.2 6.3. 6.4 6.5 6.6 6.7 6.8 6.9 6.10. 18. Paramétrage de la paire de points glissants sur un double-chemin (le véhicule n’apparaît pas ici). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 En haut, la saturation n’est pas problématique. En bas, le problème de saturation serait résolu par le braquage de la roue arrière selon les pointillés.153 Simulation (scénario 1 bis) : utilisation du contrôleur (5.22). . . . . . . . . 155 Simulation (scénario 2) : utilisation du contrôleur sans stratégie de désaturation. Une intervention manuelle permet de rejoindre le double-chemin non admissible. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 Simulation (scénario 2) : utilisation du contrôleur (5.22) intégrant une stratégie de désaturation. Le double-chemin suivi est non admissible. . . . . . . 157 Simulation (scénario 3) : utilisation des lois (5.18) & (5.19) pour effectuer un changement de voie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 Simulation (scénario 4) : convergence sur un double-chemin rectiligne avec le contrôleur (5.22) pour de grands écarts initiaux. . . . . . . . . . . . . . . 159 Simulation (scénario 5) : convergence sur un double-chemin circulaire avec le contrôleur (5.22) pour de grands écarts initiaux (deux cas de figure). . . 159 Représentation des variables de la commande prédictive. . . . . . . . . . . 161 Simulation (scénario 6) : passage à 1.5m/s sans prédiction. . . . . . . . . . 166 Simulation (scénario 6) : passage à 1.5m/s avec prédiction. . . . . . . . . . 167 Exemples (roue arrière), à deux instants différents, des profils liés au processus d’optimisation MPC. . . . . . . . . . . . . . . . . . . . . . . . . . . 169 Simulation (scénario 6) : passage avec et sans prédiction à 3m/s. . . . . . . 169 Simulation (scénario 7) : comparaison entre un suivi sans prédiction (actionneurs parfaits) et avec prédiction (actionneurs réalistes). . . . . . . . . 170 Simulation (scénario 8) : comparaison entre un suivi avec et sans prédiction sur la correction des écarts. . . . . . . . . . . . . . . . . . . . . . . . . . . 172 Simulation (scénario 8) : comparaison entre un suivi avec et sans prédiction sur la correction des écarts (3m/s). . . . . . . . . . . . . . . . . . . . . . . 172 Simulation (scénario 8) : comparaison entre un suivi avec et sans prédiction sur la correction des écarts (4m/s). . . . . . . . . . . . . . . . . . . . . . . 173 Simulation (scénario 9) : navigation dans PAVIN à 8m/s. . . . . . . . . . . 175 L’EZ10, véhicule électrique 4WS utilisé pour évaluer les algorithmes proposés.178 Architecture logicielle très simplifiée. . . . . . . . . . . . . . . . . . . . . . 180 Illustration de la base de données utilisée pour les expérimentations sur PAVIN. En haut à gauche, la carte géoréférencée des bords de trottoirs. Au milieu, le réseau de doubles voies de PAVIN. À droite, la base 3D vision. En bas, une visualisation de toutes les cartes recalées. . . . . . . . . . . . . 181 Site d’expérimentation PAVIN. . . . . . . . . . . . . . . . . . . . . . . . . 185 Résultats expérimentaux d’un suivi avec le contrôleur proposé. . . . . . . . 187 Validation expérimentale de la commande prédictive sur PAVIN. . . . . . . 188 Comparaison avec et sans prédiction à 2.5m/s (scénario de la figure 6.6). . 189 Comparaison avec et sans prédiction à 3m/s (scénario de la figure 6.6). . . 190 Passage à 4m/s avec prédiction (scénario de la figure 6.6). . . . . . . . . . 191 Photos de l’EZ10 lors du passage à 4m/s avec prédiction (scénario de la figure 6.6). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191. Ange Nizard.
(20) TABLE DES FIGURES. 6.11 Résultats expérimentaux du suivi d’un double-chemin à 6.5m/s avec le contrôleur prédictif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.12 Résultats expérimentaux du suivi d’un double-chemin à 6m/s avec le contrôleur prédictif et une correction de l’angle de roulis. . . . . . . . . . . . . . . 6.13 Comparaison : passage à moins de 0.5m/s (gauche) et à 6m/s (droite) dans le virage principal du scénario de la figure 6.12. . . . . . . . . . . . . . . . 6.14 Passage d’une ruelle étroite à une autre en guidage automatique. . . . . . . 6.15 Virage serré et étroit en guidage automatique. . . . . . . . . . . . . . . . . 6.16 Évitement automatique d’un autre véhicule à l’arrêt. . . . . . . . . . . . . 6.17 Manœuvre en crabe lors de l’évitement. . . . . . . . . . . . . . . . . . . . .. 193 194 195 196 196 197 197. A.1 Vue principale de l’interface de simulation et d’expérimentation. . . . . . . 205 A.2 Courbes en temps-réel intégrées à l’interface de simulation et d’expérimentation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206. Ange Nizard. 19.
(21) TABLE DES FIGURES. 20. Ange Nizard.
(22) Chapitre 1 Introduction générale Cette thèse traite de la commande des véhicules autonomes roulants à deux trains directeurs, notamment en milieu encombré. Toutes les techniques nécessaires à l’automatisation complète des véhicules roulants ont aujourd’hui la maturité suffisante pour voir aboutir des projets un peu partout dans le monde. La Google Car est sans doute l’aboutissement le plus médiatisé, mais beaucoup d’autres véhicules ont été, sont et seront développés par des constructeurs automobiles, des universités ou des laboratoires. Bien que de plus en plus d’aspects de la conduite soient maîtrisés par les véhicules autonomes – et parfois mieux qu’un humain – beaucoup reste à faire. En effet, certaines tâches ne sont pas encore automatisées, mais même celles qui le sont doivent évoluer, notamment par la réduction de leur coût (capteurs embarqués, calculateurs) et le perfectionnement des algorithmes : perception, localisation, interprétation, prise de décision, planification ou encore contrôle des actionneurs. Comme les autres, les tâches de planification et de contrôle font l’objet d’un grand nombre de travaux de recherche, dans lesquels cette thèse s’inscrit.. Sommaire 1.1 1.2. 1.3. 1.4. 1.5 1.6. Robots mobiles autonomes . . . . . . . . . . . . . . . . Navigation autonome . . . . . . . . . . . . . . . . . . . 1.2.1 Acquisition des données pour la navigation . . . . . . 1.2.2 Exploitation des données pour la navigation . . . . . . Véhicules autonomes, le cas des navettes . . . . . . . 1.3.1 Les navettes automatiques industrielles dans le monde 1.3.2 Deux trains directeurs pour plus de maniabilité . . . . 1.3.3 Cinématiques biguidables . . . . . . . . . . . . . . . . Contexte et problématique des travaux . . . . . . . . 1.4.1 Un projet industriel . . . . . . . . . . . . . . . . . . . 1.4.2 Définition de la stratégie de navigation . . . . . . . . . 1.4.3 Choix du modèle d’évolution . . . . . . . . . . . . . . Contributions . . . . . . . . . . . . . . . . . . . . . . . . Organisation du mémoire . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . .. 22 23 24 26 28 28 29 30 30 30 31 33 34 34. 21.
(23) CHAPITRE 1. INTRODUCTION GÉNÉRALE. 1.1. Robots mobiles autonomes. Les robots mobiles s’opposent principalement aux robots manipulateurs fixés au sol et exécutant des tâches souvent répétitives, par exemple sur des chaînes de montage industrielles. Le robot mobile autonome, lui, se distingue du robot téléopéré qui n’embarque aucune logique de décision. Le robot mobile à roue est le plus courant parce qu’il est relativement facile à concevoir, mais d’autres moyens de locomotion se démocratisent. Sur terrain peu accidenté, les robots humanoïdes ou bipèdes maîtrisent de mieux en mieux la marche, mais aussi la “gymnastique” en général. Quand il s’agit de traverser des zones difficiles, les concepteurs ont longtemps privilégié les chenilles de même que les cinématiques à six roues des rovers martiens, mais de nouvelles approches émergent, souvent calquées sur les espèces animales. Ainsi, la marche à quatre pattes semble aujourd’hui mieux maîtrisée que la marche bipède et il existe des reproductions très réalistes de serpents. Dans les airs, les drones de type quadricoptère se déclinent à l’infini, et ce, malgré la faible efficacité énergétique du concept. L’alternative qui permet de voler sur de longues distances est plus ancienne, c’est l’avion ou le drone planeur motorisé qui souffre d’une faible maniabilité. Le concept est encore anecdotique, mais l’approche qui consiste à reproduire le vol des oiseaux pourrait être une solution intermédiaire viable. On peut aussi imaginer des robots volants reconfigurables alliant les différentes techniques. Enfin, sur l’eau et en milieu sous-marin, la propulsion par turbine est très répandue, mais la nage des poissons et des serpents donne de bons résultats. Les outils, du premier silex au tout dernier robot, ont permis à l’espèce humaine d’adapter toujours plus vite l’environnement à ses besoins et de toujours moins compter sur la très progressive évolution biologique. Ils ont aussi mis l’humain face à des choix de plus en plus critiques, et le dernier siècle étant ce qu’il est, le prochain ne profite pas d’une tendance facilitant l’optimisme. ˘ Le terme de robot vient de l’imaginaire du tchèque Karel Capek qui, en 1927, met en scène des esclaves mécaniques dans une pièce de théâtre (voir figure 1.1). Ceux-ci finissent par se rebeller contre leurs créateurs, un thème qui marque la science-fiction encore aujourd’hui. Ces automates intelligents restent hypothétiques de nombreuses années, mais leur éventuelle apparition pousse dès 1950 l’écrivain russe Isaac Asimov à publier le recueil de nouvelles I, Robot qui introduit les fameuses “trois lois de la robotique”. Aujourd’hui, les avancées en terme d’intelligence artificielle peuvent surprendre, et il n’y a plus qu’à. Figure 1.1 – De gauche à droite : robot illustrant la pièce de théâtre R.U.R. (Rossum’s ˘ Universal Robots, 1927) de Karel Capek, premier robot autonome Shakey développé en 1967 à Stanford, robot Atlas développé en 2013 par Boston Dynamics, un extrait du film I, Robot de 2004 et du film Terminator (2015).. 22. Ange Nizard.
(24) 1.2. NAVIGATION AUTONOME. Figure 1.2 – De gauche à droite : une machine agricole sans pilote, le véhicule autonome Stanley développé à l’Université de Stanford (gagnant du Grand Challenge 2005 de la DARPA) et deux Google Cars (2011 et 2014). espérer le meilleur. Les progrès techniques, notamment en électronique puis en informatique, permettent le développement des premiers automates programmables dans l’industrie puis du premier robot autonome Shakey en 1967. Il dispose de moyens de perception et de calcul très limités, et pourtant aujourd’hui, un demi-siècle plus tard, plus rien n’empêche la mise au point d’un robot autonome aussi terrible qu’un Terminator. Mais rien de tel ici, il s’agit d’un type de robot mobile autonome plutôt inoffensif : le véhicule sans pilote (quelques exemples figure 1.2). Pour les chercheurs et ingénieurs, le véhicule sans conducteur est avant tout un challenge technique passionnant, une occasion de comprendre et de reproduire les mécanismes de la conduite chez l’humain. Pour les constructeurs et toute l’industrie sous-traitante, c’est un marché à ne pas manquer. L’environnement devrait aussi en tirer parti puisque cette technologie est souvent alliée à des moyens de propulsion alternatifs, notamment électriques. Pour les particuliers, le véhicule autonome est plus sûr, fait gagner du temps et soulage ceux pour qui, nombreux, l’exercice de la conduite est une corvée. Les conséquences sur l’emploi et l’économie sont difficiles à prédire, d’autant plus que les décennies à venir s’annoncent incertaines. Les transports en commun seront vraisemblablement les premiers à être automatisés, aussi bien en ville qu’à l’échelle des pays. Je pense principalement aux autocars, mais aussi aux taxis, avec peut-être l’émergence de nouveaux services automatisés calqués sur le modèle des vélos en libre-service. Le transport de marchandises suivra probablement cette tendance, et l’on peut même imaginer des services automatiques de livraison à domicile. Je suppose que l’automatisation progressive du secteur du transport est comparable à l’invention de la machine à laver le linge. C’est l’un des secteurs d’activité les moins gratifiants et qui bat tous les records d’insatisfaction au travail. Les technologies créent des métiers, en rendent d’autres obsolètes. Pour les voyageurs, cela devrait se traduire par la baisse du coût des trajets et la nécessité toujours moindre de posséder un véhicule personnel.. 1.2. Navigation autonome. La mise au point d’un robot mobile autonome est une tâche particulièrement multidisciplinaire. Elle demande la collaboration d’expertises diverses : mécanique, électrique, électronique, informatique, automatique, algorithmique, etc. Pour coopérer, tous ces domaines doivent communiquer, donnant naissance à des domaines “passerelles”, comme la mécatronique. Cette collaboration permet aux robots mobiles autonomes d’effectuer trois. Ange Nizard. 23.
(25) CHAPITRE 1. INTRODUCTION GÉNÉRALE. métatâches : l’acquisition, le traitement et l’action. Cette dernière est purement affaire de matériel, la suite se focalise donc sur les deux autres.. 1.2.1. Acquisition des données pour la navigation. L’acquisition de données regroupe beaucoup de choses : l’utilisation de capteurs proprioceptifs et extéroceptifs, mais aussi celle de bases de données embarquées et d’appareils de communication avec l’infrastructure et les autres robots à proximité. • Mesures proprioceptives Les capacités proprioceptives d’un système lui permettent de suivre l’état de ses composants internes : vitesses, accélérations, forces, déformations, contacts, température, etc. Si l’on se concentre sur les véhicules roulants, l’équipement habituel – illustrés figure 1.3 – est le suivant : — Capteurs odométriques Les codeurs incrémentaux sont des capteurs rotatifs placés au niveau des roues et donnant une information sur le sens et la vitesse de leurs rotations. Il peut s’agir d’une technologie identique à celle utilisée par les mollettes de souris. De tels capteurs sont par exemple montés sur tous les véhicules munis de l’ABS. Les codeurs absolus sont plus coûteux à précision équivalente. Ils sont utilisés dans d’autres applications parce qu’ils donnent directement une orientation absolue et pas de simples incréments à intégrer. — Capteurs inertiels C’est l’équivalent de l’oreille interne chez l’humain. Une centrale inertielle (IMU, Inertial Measurement Unit), quand elle est complète, informe le véhicule sur son accélération linéaire (accéléromètre) et sa vitesse de rotation (gyroscope) suivant les trois axes de l’espace. Elle peut aussi contenir une boussole numérique (magnétomètre) qui donne la direction du nord magnétique en trois dimensions. Tous les smartphones sont équipés d’une centrale inertielle à bas coût. Les véhicules munis de l’ESP disposent d’un unique gyroscope suivant l’axe vertical. — Autres capteurs Voltmètre pour le niveau de charge batterie, sondes de température, etc. L’intérêt de ces capteurs est qu’ils fournissent des informations simples, sans retard sur le temps-réel et à fréquence élevée. Mais un véhicule autonome ne peut pas naviguer avec ces seuls capteurs. Pour nous, cela reviendrait à marcher les yeux fermés, et les oreilles bouchées.. Figure 1.3 – Capteurs proprioceptifs industriels, de gauche à droite : un odomètre (système ABS de moto), une centrale inertielle et un gyroscope optique.. 24. Ange Nizard.
(26) 1.2. NAVIGATION AUTONOME. Figure 1.4 – Capteurs extéroceptifs, de gauche à droite : des caméras industrielles, un scanner lidar industriel (1 nappe) et la série des Velodyne (lidars multinappe). • Perception de l’environnement Les capteurs extéroceptifs d’un système lui permettent de percevoir son environnement, par exemple : — GPS Les capteurs GPS fonctionnent en extérieur par le captage de signaux satellite et des mécanismes complexes de traitement et de trilatération. Ils fournissent une position en trois dimensions à la surface de la Terre. Les capteurs GPS de smartphone sont peu précis (10m), mais d’autres, beaucoup plus cher, peuvent être précis au centimètre. — Caméra Les caméras vidéos ont un très grand potentiel de par la grande quantité d’information qu’elles fournissent. Sens privilégié par l’humain pour la conduite, la vision permet de se localiser, de détecter les obstacles, de lire la signalisation routière, etc. Mais c’est aussi le capteur qui demande le plus de traitements et donc de puissance de calcul. — Radar et lidar Les radars et les lidars fonctionnent sur le même principe. Qu’ils utilisent des ultrasons, des ondes radio (radar) ou un laser infrarouge (lidar), ces capteurs donnent principalement une information de distance aux obstacles. Les plus évolués fournissent un scan 3D de l’environnement en temps-réel, mais ils sont encore trop coûteux, demandent beaucoup de traitements et fonctionnent plus ou moins correctement en fonction de la météo. Ces capteurs (des exemples figure 1.4) sont donc principalement utilisés pour la localisation dans l’environnement, la détection des obstacles et la lecture de la signalisation. Contrairement aux capteurs proprioceptifs, les capteurs extéroceptifs fournissent une grande quantité de données qu’il faut analyser avec des algorithmes complexes (sauf pour le GPS). De fait, l’information exploitable est souvent en retard sur le temps-réel et n’est actualisée qu’à faible fréquence. • Base de connaissance et communication Les capacités de perception et d’interprétation étant limitées, elles doivent être complétées. Il est aujourd’hui incontournable d’embarquer une base de données contenant des informations connues a priori. Typiquement, il peut s’agir d’une carte du réseau routier équivalente à celles intégrées aux navigateurs GPS, mais beaucoup plus riches et précises. En complément, des informations actualisées en temps-réel peuvent être transmises au. Ange Nizard. 25.
(27) CHAPITRE 1. INTRODUCTION GÉNÉRALE. véhicule via des réseaux de communication sans fil. La nature de ces informations est potentiellement très variable : conditions climatiques, informations sur le trafic, signalement des dangers, etc. tout comme leur source : internet via le réseau mobile, l’infrastructure et les autres véhicules via des communications à plus courte portée [ANL06], etc.. 1.2.2. Exploitation des données pour la navigation. Les données brutes provenant des capteurs font l’objet de traitements assez lourds. C’est un travail d’interprétation qui extrait l’information pertinente pour la logique de décision, de planification et de commande. Un état de l’art des techniques de planification et de contrôle des véhicules en milieu urbain est proposé dans [PCY+ 16]. • Localisation Il est indispensable que le véhicule sache où il se trouve dans le monde avec précision afin qu’il puisse utiliser sa base de données et la mettre en correspondance avec ses observations. Certaines applications se contentent d’un GPS centimétrique, mais dans de nombreux cas ce capteur n’est pas assez fiable, car la réception des signaux satellite fluctue beaucoup en fonction de la météo et de la géométrie de l’environnement : la végétation, le relief et les immeubles qui obstruent le ciel, les tunnels, etc. Des moyens de localisation alternatifs lui sont donc associés. Il peut s’agir de la reconnaissance d’un lieu à partir des images caméra ou de la forme des obstacles détectés par les radars et les lidars. Bien que des méthodes permettent de réduire intelligemment la charge du calculateur embarqué [ABAC+ 14], ces algorithmes de localisation restent gourmands. En plus de cela, une étape finale de fusion doit regrouper toutes les informations proprioceptives et extéroceptives. Cette fusion tire parti des caractéristiques de chaque source pour fournir une localisation optimale. Entre autres, elle gère l’arrivée non chronologique et irrégulière des informations. • Classification, prédiction Les algorithmes qui interprètent l’environnement du véhicule pour y trouver des obstacles, identifier des situations ou prédire des comportements sont primordiaux, mais eux aussi sont très gourmands en ressources (voir figure 1.5).. Figure 1.5 – Interprétation des données capteur, de gauche à droite : de la reconnaissance de forme dans un nuage de points 3D (scan Velodyne), de la reconnaissance visuelle et une reconstruction numérique complète d’une scène urbaine.. 26. Ange Nizard.
(28) 1.2. NAVIGATION AUTONOME. Classiquement, ce processus d’interprétation commence par une étape de classification. Dans les images d’une caméra, la classification permet de séparer et localiser individuellement chaque entité visible : véhicules, motos, vélos, piétons, animaux, mais aussi la signalisation (panneaux et feux tricolores), la route, les bandes blanches, les passages piétons, les trottoirs, les fossés, etc. Elle doit être assez précise pour permettre, par exemple, de différencier un piéton civil d’un agent qui peut éventuellement donner des consignes gestuelles. Aujourd’hui, les réseaux de neurones artificiels ne sont pas loin de constituer la seule approche efficace au traitement de ces problèmes de vision artificielle. Dans un nuage de points tridimensionnel fourni par un scanner laser ou une caméra stéréo, la classification se fera par de la reconnaissance de formes : sol, trottoirs, pylônes, véhicules, immeubles, etc. La fusion des données visuelles et tridimensionnelles permet souvent de préciser la détection globale et de la rendre plus robuste. Identifier les éléments d’une scène fixe est une étape importante, mais qui reste insuffisante. En effet, conduire un véhicule est affaire d’anticipation et d’évaluation des risques. Il faut donc estimer, en plus de la position et de l’orientation, la vitesse de chaque élément mobile de la scène. Cela suppose notamment l’implémentation d’un mécanisme de suivi (tracking). Il s’agit typiquement d’une mise en correspondance, répétée au court du temps, des détections d’un même objet. Quelle que soit la nature de l’objet mobile, sa dynamique future peut être prédite à court terme (de l’ordre de la seconde) sur la base de considérations simples, comme une vitesse et une orientation constantes. Mais des prédictions à plus long terme sont possibles grâce à l’étape de classification et l’utilisation d’une base de connaissance décrivant le comportement classique des véhicules et des piétons en fonction de la configuration de l’environnement. Toutes ces détections et prédictions étant incertaines par nature, estimer la confiance que l’on peut leur accorder est important. Une incertitude élevée sur les estimations (brouillard, scénario complexe, etc.) devrait en effet pousser le véhicule à se comporter prudemment : réduire sa vitesse, limiter ses manœuvres, etc. alors que des estimations très précises autorisent une conduite plus “agressive”. Ce comportement adaptatif doit être implémenté dans le module suivant, celui de la prise de décision. • Prise de décision Ce module est en charge de la stratégie générale de navigation. Il récupère les résultats de tous les traitements précédents et accède à la base de données du véhicule pour faire des choix qui respectent le Code de la route, garantissent la sécurité et lui permettent d’atteindre sa destination. Il s’agit de décisions de haut niveau : se déplacer vers tel endroit, effectuer tel type de manœuvre, adopter tel type de comportement, etc. qui ne détaillent pas ce que doit concrètement faire le véhicule. C’est un travail pour le module de planification. • Planification Il est possible de distinguer deux niveaux de planification. Un premier niveau calcule l’itinéraire à long terme du véhicule à la manière d’un navigateur GPS classique. On parle de planification globale. Un deuxième niveau de planification, dit local, va alors réagir en temps-réel aux évènements que le véhicule rencontre le long de l’itinéraire en fournissant. Ange Nizard. 27.
(29) CHAPITRE 1. INTRODUCTION GÉNÉRALE. Figure 1.6 – Navettes autonomes électriques. De gauche à droite : L’EZ10 par Ligier / EasyMile en 2014, l’Arma par Navya en 2015 et Olli en 2016. une suite d’actions très précises à réaliser. C’est une tâche complexe qui collabore étroitement avec le module de prise de décision. L’approche qui semble remporter le plus de succès est celle de la génération de trajectoire. De très nombreuses méthodes existent, le chapitre 2 en propose une bibliographie. Le module de planification doit à chaque instant proposer une trajectoire locale permettant au véhicule de suivre au mieux son itinéraire tout en respectant le Code de la route, en évitant les obstacles, en garantissant un niveau de risque faible, etc. sans perdre de temps. • Commande Le module de contrôle est celui qui envoie les consignes de braquage, d’accélération et de freinage à l’électronique de bas niveau du véhicule. Dans le cas où la planification implémente un générateur de trajectoire, ces consignes sont déduites de la position et de l’orientation du véhicule par rapport à celle-ci. Là encore, c’est un problème complexe adressé par de nombreuses techniques. C’est le thème du chapitre bibliographique 4. Les principales problématiques sont la prise en compte de la cinématique et de la dynamique du véhicule, ainsi que des retards matériels qui s’accumulent entre les prises de décision et l’actionnement effectif du véhicule qui supposent la mise en place de mécanismes d’anticipation.. 1.3. Véhicules autonomes, le cas des navettes. La médiatisation toujours plus importante des véhicules sans pilote lève depuis quelques années le couvercle sur des décennies de recherche et développement. Une application particulière est mise en avant dans le domaine du transport en commun : les navettes électriques automatiques.. 1.3.1. Les navettes automatiques industrielles dans le monde. En 2014, le constructeur français Ligier qui est maintenant associé à EasyMile dévoile discrètement la présérie de sa navette autonome électrique à deux trains directeurs EZ10 (se prononce easy-ten), en photo sur la gauche de la figure 1.6, aboutissement d’une série de prototypes (les VIPA). Les dernières spécifications précisent qu’il peut transporter 12 personnes et théoriquement rouler jusqu’à 40km/h. Côté perception et sécurité, il est. 28. Ange Nizard.
(30) 1.3. VÉHICULES AUTONOMES, LE CAS DES NAVETTES. Figure 1.7 – Historique récent des véhicules autonomes à l’Institut Pascal avant l’EZ10 (2014), dans l’ordre : le CyCab (2002), le Vipalab (2010), le Vipa de 2011 et celui de 2013. équipé de caméras et de lidars. Il dispose également d’une rampe d’accès pour les fauteuils roulants. En démonstration dans plusieurs villes françaises, il s’exporte en Europe et en Asie. En 2015, la société française Navya achève le développement de l’Arma. Plus gros que l’EZ10, ses spécifications restent très proches. C’est une navette électrique à deux trains directeurs pouvant transporter 15 passagers et théoriquement rouler jusqu’à 45km/h. Des démonstrations sont en cours, en France et en Europe. En 2016, aux États-Unis, c’est la navette Olli qui se positionne sur le marché. Elle n’a qu’un seul train directeur.. 1.3.2. Deux trains directeurs pour plus de maniabilité. Le besoin de maniabilité s’était fait sentir au début des années 2000, poussant à équiper le CyCab de deux trains directeurs. Le CyCab (figure 1.7) est un biplace électrique servant de plateforme expérimentale à quelques laboratoires, dont l’Institut Pascal. Cette architecture manquant de fiabilité, le premier VipaLab marque en 2010 le retour vers une conception plus simple munie d’un seul train directeur. Il s’agit du véhicule de laboratoire actuellement utilisé par les expérimentateurs pour valider leurs travaux. Dès 2011, la première version industrielle conserve cette approche, c’est le Vipa. Pourtant, des essais en situation réelle (un exemple figure 1.8) font resurgir le problème de la maniabilité qui se traduit par la réintroduction d’un deuxième train directeur sur la version suivante du Vipa. Par rapport au VipaLab, ce deuxième prototype amène confort, esthétisme, sécurité et maniabilité accrue. En 2014, l’EZ10 améliore l’ensemble du concept.. Figure 1.8 – Illustration du problème de la navigation en milieu encombré.. Ange Nizard. 29.
(31) CHAPITRE 1. INTRODUCTION GÉNÉRALE. 1.3.3. Cinématiques biguidables. Les termes biguidable, 4WS, à deux trains directeurs ou à quatre roues directrices sont ambigus, et donc souvent interchangeables. En pratique, les véhicules ainsi équipés n’ont pas tous la même cinématique. Différents niveaux de couplage existent entre les essieux ou même les roues : — Deux trains couplés. Que le couplage soit mécanique ou logiciel, une fonction mathématique contraint l’angle de braquage de l’un des essieux en fonction de l’autre. Avec un couplage fixe, cette approche permet de simplifier l’utilisation de la cinématique à deux trains directeurs, mais elle n’augmente pas la manœuvrabilité efficacement. Les véhicules grand public dits 4WS, eux, adoptent un couplage variable en fonction de la vitesse. Le train arrière est légèrement braqué dans le même sens que le train avant ou dans le sens contraire. À basse vitesse (moins de 40km/h), un braquage contraire permet d’augmenter la maniabilité. À haute vitesse, une légère marche en crabe augmente la stabilité. — Deux trains découplés. C’est cette cinématique que désigneront les qualificatifs 4WS ou “à deux trains directeurs” dans la suite de ce mémoire. L’angle de braquage des trains avant et arrière peut être spécifié indépendamment (approximation du modèle d’Ackermann). Il s’agit d’une architecture qui provoque une usure prématurée des pneumatiques dans certaines configurations comme la marche en crabe. Cette usure étant liée à des phénomènes de glissement, elle peut aussi être associée à des problèmes de précision dans l’exécution des manœuvres, et à une instabilité à vitesse élevée. — Quatre roues directrices. C’est la forme la plus souple, mais aussi la plus “difficile” à commander : chaque roue peut être braquée arbitrairement. Le logiciel de commande doit donc assurer la cohérence des quatre angles de braquage pour garantir un bon comportement du véhicule. Cette implémentation est rare, car complexe et coûteuse. Ainsi, la cinématique 4WS autorise un véhicule à se déplacer en crabe lors de manœuvres spéciales comme l’accostage et à se faufiler dans des passages étroits et sinueux. Le problème est alors d’utiliser cette maniabilité accrue de façon efficace et en toute autonomie.. 1.4. Contexte et problématique des travaux. Les travaux de recherche présentés ici traitent les problèmes de planification et de commande pour les véhicules autonomes à deux trains directeurs en milieu encombré, principalement urbain. Cette thématique répond notamment aux besoins d’un projet industriel dont l’Institut Pascal est partenaire : VipaFleet.. 1.4.1. Un projet industriel. Au départ, le sujet d’étude commande d’un véhicule à deux trains directeurs en milieu encombré a été initié par le projet VipaFleet dont l’équipe avait pour mission la mise au point d’une navette sans pilote commercialisable. Le véhicule préalablement appelé le Vipa a été révisé et s’appelle maintenant l’EZ10. Il est conçu pour évoluer en milieu. 30. Ange Nizard.
Figure
+7
![Figure 2.21 – Illustration du RRT sans contrainte cinématique ni obstacle, tirée de [LaV98]](https://thumb-eu.123doks.com/thumbv2/123doknet/14596038.543257/77.892.107.777.100.329/figure-illustration-rrt-contrainte-cinématique-obstacle-tirée-lav.webp)
Documents relatifs