Ghediri,Maria2026-11-182026-11-182026-06-15https://dspace.univ-tlemcen.dz/handle/112/27394La 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.frNavigation autonomerobot mobileHPPRMPRMAPFapprentissage par renforcement profond (DRL)optimisation adaptativeplanification de trajectoireCoppeliaSim.Développement d’un système de navigation intelligent pour robot mobile autonomeThesis