Vers une planification robuste et sûre pour les systèmes autonomes

par Romain Pepy

Thèse de doctorat en Physique

Sous la direction de Éric Walter.

Soutenue en 2009

à Paris 11 , en partenariat avec Université de Paris-Sud. Faculté des Sciences d'Orsay (Essonne) (autre partenaire) .


  • Résumé

    De nombreux outils existent pour résoudre les problèmes de planification sous contraintes. On peut les regrouper en deux classes principales. Les plus anciens planificateurs utilisent une discrétisation préalable de l'espace d'état. Les plus récents, les planificateurs à échantillonnage, permettent une exploration plus efficace. Ces planificateurs sont utilisés dans de nombreux domaines, comme la chimie, la biologie, la robotique, l'automatique ou encore l'intelligence artificielle. La contribution majeure de nos travaux est d'apporter une réponse au problème de planification de trajectoires en présence d'incertitudes en associant une technique de planification moderne, permettant une exploration rapide de l'espace d'état à des méthodes de localisation permettant de caractériser l'incertitude sur l'état du système à un instant donné. Deux approches ont été suivies. Dans la première, le planificateur utilise une représentation probabiliste de l'état du système à un instant donné, par une densité de probabilité gaussienne. La propagation des erreurs est effectuée en utilisant un filtre de Kalman étendu. Dans la deuxième approche, nous englobons dans un ensemble calculable les états que peut prendre le système à un instant donné compte tenu de bornes sur les erreurs commises. Contrairement à l'approche probabiliste précédente, cette approche permet de fournir une garantie sur la sûreté du système, à condition bien sûr que les hypothèses sur les bruits d'états qui la fondent soient satisfaites.

  • Titre traduit

    Toward reliable and robust path planning for autonomous systems


  • Résumé

    Many tools exist to solve constrained path-planning problems. They can be classified as follows. In the older ones, paths are planned in a discretized state space. The most recent, sampling-based path planners can explore the whole state space more efficiently. These path planners are used in many fields, e;g. , chemistry, biology, automatic control or robotics. The main contribution of our work is to provide a solution to the path planning problem when uncertainty is present. Modern planning techniques are used in combination with localization algorithms that make it possible to characterize the uncertainty on the system state at a given time. Two approaches are considered. In the first one, the path planner uses a probabilistic representation of the state space at any given time using multivariate Gaussian distributions. An extended Kalman filter is used to propagate the state error. In the second approach, all states that are consistent with bounds on the errors are enclosed in a computable set. Contrary to the previous probabilistic method, this one is able to guarantee the safety of the system moving along the planned path, provided of course that the hypotheses on which it is based are satisfied.

Autre version

Cette thèse a donné lieu à une publication en 2013 par [CCSD] [diffusion/distribution] à Villeurbanne

Vers une planification robuste et sûre pour les systèmes autonomes

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (162 p.)
  • Annexes : Bibliogr. p. 153-156

Où se trouve cette thèse ?