Simulation et optimisation de la gestion dynamique de tâches évolutives sur des robots mobiles autonomes.Application sur le traitement UV-C robotisé dans l’horticulture.

Simulation and optimization of the dynamic management of evolutive tasks on autonomous mobile robots.Application on robotic UV-C treatment in horticulture.

• Auteur / Autrice : Merouane Mazar
• Direction : Anne Louis
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel (AM)
• Date : Soutenance le 10/01/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'innovation numérique pour les entreprises et les apprentissages au service de la compétitivité des territoires (Saint-Etienne-du-Rouvray, Seine-Maritime) - Laboratoire d'innovation numérique pour les entreprises et les apprentissages au service de la compétitivité des territoires (Saint-Etienne-du-Rouvray, Seine-Maritime)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Président / Présidente : Michel Tollenaere
• Jury : Examinateurs / Examinatrices : Anne Louis, David Lemoine, Faicel Hnaien, Khaled Hadj Hamou, M'hamed Sahnoun, Belgacem Bettayeb, Nathalie Klement
• Jury : Rapporteurs / Rapporteuses : David Lemoine, Faicel Hnaien

Mots clés

Mots clés contrôlés

Simulation par ordinateur

Vision artificielle (robotique)

Ordonnancement dynamique

Mots clés libres

Ordonnancement dynamique

Simulation

Optimisation

Agriculture 4.0

Traitement préventif

Robot autonome

Dynamic scheduling

Simulation

Optimization

Agriculture 4.0

Preventive treatment

Autonomous robot

Résumé

L'ordonnancement de tâches sur des systèmes stochastiques complexes est une activité qui ne peut être optimisée avec les méthodes d'optimisation classiques. La principale difficulté réside dans le comportement stochastique et dynamique de ces systèmes, qui peut venir modifier les propriétés et/ou le nombre de tâches et/ou les ressources nécessaires à leur exécution. En effet, il est difficile d'estimer le temps nécessaire à l'exécution d'une tâche et définir un ordonnancement efficient qui prend en compte le comportement et l’évolution du système.Cette thèse propose de traiter ce problème en utilisant une approche basée sur le couplage entre simulation et optimisation dans plusieurs situations. Car la simulation gère un horizon temporel, mais elle a une myopie dans l'espace d'état. D'autre part, l'optimisation gère l'espace d'état, mais elle a une myopie dans le temps. L'objectif dans le couplage est de créer un environnement proche du système réel avec la simulation. Ensuite, d'intégrer les algorithmes d'optimisation pour améliorer le comportement du système. Nous avons appliqué cette approche dans le contexte de l'Agriculture 4.0, où nous avons automatisé le traitement robotique de maladie du mildiou en horticulture.Nous avons développé un simulateur basé sur des systèmes multi-agents, où nous avons incorporé des moteurs d'optimisation basés sur des méthodes exactes et approchées. Nous avons modélisé le comportement de la maladie dans une serre en se basant sur le formalisme de chaine de Markov pour chaque agent représentant une plante.Les scénarios de simulation sont basés sur différents types de traitements préventifs (conditionnels, prédictifs et calendaires). Les résultats obtenus ont montré l'efficacité de l'approche et ont permis de proposer aux horticulteurs un outil combinant la simulation et l’optimisation pour les aider à de définir et paramétrer la politique de traitement robotique appropriée.Enfin, cette thèse propose plusieurs solutions pour optimiser l'application des robots de traitement en horticulture. Le simulateur développé permet à l'utilisateur de choisir plusieurs stratégies de traitement et d'utiliser celle qui est la mieux adaptée à son environnement.

Task scheduling on complex stochastic systems is an activity that cannot be optimized with classical optimization methods. The main difficulty lies in the stochastic and dynamic behavior of these systems, which can modify the properties and/or the number of tasks and/or the resources necessary for their execution. Indeed, it is difficult to estimate the time needed to execute a task and to define an efficient scheduling that takes into account the behavior and evolution of the system.This thesis proposes to address this problem by using an approach based on the coupling between simulation and optimization in several situations. On one hand, simulation manages a temporal horizon, but it has a myopia in the state space. On the other hand, optimization manages the state space, but it has a myopia in time. The objective in coupling is to create an environment close to the real system with the simulation. Then, to integrate the optimization algorithms to improve the behavior of the system. We have applied this approach in the context of Agriculture 4.0, where we have automated the robotic treatment of blight in horticulture.We developed a simulator based on multi-agent systems, where we incorporated optimization engines based on exact and approximate methods. We modeled the disease behavior in a greenhouse based on the Markov chain formalism for each agent representing a plant.The simulation scenarios are based on different types of preventive treatments (conditional, predictive and calendar). The obtained results showed the efficiency of the approach and allowed to propose to horticulturists a tool combining simulation and optimization to help them define and parameterize the appropriate robotic treatment policy.Finally, this thesis proposes several solutions to optimize the application of treatment robots in horticulture. The developed simulator allows the user to choose several treatment strategies and to use the one that is best adapted to its environment.