Développement d’un système de navigation intelligent pour robot mobile autonome
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
University of Tlemcen
Abstract
La navigation autonome des robots mobiles constitue un défi majeur en robotique, nécessitant des
algorithmes capables de planifier des trajectoires sûres tout en s'adaptant aux environnements dynamiques. Ce
mémoire propose une amélioration de la méthode hybride HPPRM (Hybrid Potential-based Probabilistic Roadmap
Method) par l'intégration d'un agent d'apprentissage par renforcement profond (DRL) pour la sélection adaptative
des paramètres critiques que sont le nombre de nœuds PRM (V) et le nombre de plus proches voisins (K).
L'approche proposée, nommée DRL-HPPRM, remplace le réglage manuel et statique des paramètres par une
génération continue et adaptative basée sur six caractéristiques géométriques de l'environnement (densité
d'obstacles, surface libre, fragmentation, taux de corridors, distance normalisée et occupation locale). L'agent
« ContinuousParamSelector » apprend par renforcement une politique de sélection optimale, en recevant une
récompense fonction de la qualité du chemin, du temps de planification et de l'économie des ressources.
L'implémentation a été réalisée en Python et validée sur le simulateur CoppeliaSim avec le robot mobile Pioneer
P3-DX. Les résultats expérimentaux montrent une réduction du temps de planification avec des chemins plus
directs. Cette recherche démontre la faisabilité et l'intérêt de l'apprentissage par renforcement profond pour
l'optimisation adaptative des paramètres d'un planificateur de trajectoire hybride.