Soutenance mémoire
Le concept de performance
Bourguignon, dans [37], caractérise la performance de la façon suivante :
• Elle est liée à un objectif.
• Elle peut avoir plusieurs dimensions.
• Elle est le résultat d’une action.
• Elle dépend des moyens mis en œuvre.
• Elle consiste à rapprocher le résultat d’une action, d’un objectif visé.
Ces différentes caractéristiques montrent que la performance est essentiellement caractérisée par 3 paramètres que sont les moyens, les objectifs et les résultats. En effet elle est étroitement liée à l’interprétation du résultat d’une action du système étudié, estimé ou réel, vis-à-vis d’un objectif fixé. Dans le premier cas, comme [213] on parlera d’évaluation de performance à priori et dans le second d’évaluation de performance à posteriori. Enfin, évidemment le résultat mesuré dépendra fortement des ressources (moyens) mobilisées. Dans [32] et [157] les auteurs ajoutent un 4 ème paramètre pour caractériser la performance, la finalité. Cela les conduit à proposer d’analyser la performance au travers de 4 prismes complémentaires :
• La pertinence : articulation entre moyens et objectifs.
• L’efficience : articulation entre moyens et résultats.
• L’efficacité : articulation entre objectifs et résultats.
• L’effectivité : articulation entre moyens, objectifs et résultats.
Le prisme de l’efficacité est évidemment celui qui est le plus souvent retenu par les auteurs lorsqu’ils parlent de performance. Dans nos travaux nous y ajouterons celui de l’efficience. La pertinence est une question évidemment essentielle qui doit être posée dès le début de la réflexion. En effet, il est illusoire de vouloir atteindre des objectifs qui sont hors d’atteinte compte tenu des moyens qui peuvent être mobilisés. D’autre part, il est évident que le surdimensionnement des moyens conduit de fait à minimiser le critère d’efficience et à maximiser celui d’efficacité … mais à quel prix ! Pour finir l’effectivité donne un point de vue nous semblet-il plus global car englobant les autres dimensions de la performance
Robotique industrielle
Par exemple si l’on s’intéresse dans un premier temps à la robotique manufacturière, la dimension industrielle a conduit à la proposition d’un ensemble précis et accepté de critères de performance par les instances de normalisation [8] [191] tels que la précision du positionnement statique, le temps de cycle ou la répétitivité point-à-point, etc… Sans oublier la dimension sécuritaire qui ne peut être ignorée dans un environnement industriel et est abordée dans les normes [3] [190] où l’on définit, entre autres, une force, une puissance et une vitesse limite pour les robots évoluant en présence d’un être humain. Ces travaux ont été complétés par des critères plus spécifiques comme la dextérité [67] pouvant être aussi considérée pour les robots médicaux ou les capacités dynamiques des robots [232] en présence de vibrations. On doit cependant souligner que l’univers industriel relève très majoritairement de robots manipulateurs travaillant dans un environnement limité, souvent connu, pas ou faiblement dynamique, en l’absence de contrainte énergétique, où le robot pourra se localiser avec facilité. Même si les contraintes de précision, de répétabilité ou de rapidité d’exécution peuvent être très importantes et difficiles à satisfaire, les tâches à exécuter restent le plus souvent assez simples, sans beaucoup de variabilité et ne nécessitent que de faibles capacités décisionnelles. Ainsi les capacités délibératives de ces robots étant limitées les performances robotiques évaluées relèvent plus de l’automatisation que de l’autonomie.
Robotique mobile
A contrario, la robotique mobile autonome s’inscrit le plus souvent dans un contexte très différent de la robotique industrielle. En premier lieu le robot va se voir confier une mission,qui en fonction de sa complexité, sera déclinée en une succession de tâches robotiques devant être exécutées séquentiellement et/ou simultanément. On ne parle pas de mission pour un robot industriel. Par ailleurs, la variabilité de l’environnement au travers de sa dynamicité et/ou de ses caractéristiques ((a)symétrie, propriétés physiques, etc..) s’inscrit très souvent comme une différence très marquée avec le milieu industriel. Enfin, un robot autonome n’est pas relié directement au réseau électrique et, par conséquent, la gestion de la dimension énergétique devient alors une problématique centrale de l’autonomie qui est totalement absente pour les robots industriels. Ce cadre d’application étant moins standardisé et normatif que celui de l’industrie, un ensemble de critères de performance a vu le jour, de façon assez dispersée, au gré des centres d’intérêts des chercheurs et des fonctions robotiques qu’ils cherchaient à caractériser. On dénombre tout d’abord un corpus de travaux s’intéressant plus particulièrement à la performance d’une tâche robotique donnée. Cette décomposition orientée tâche se retrouve clairement dans le rapport [33] où les auteurs identifient à partir d’une classification des tâches de la robotique mobile (Simultaneous Localization And Mapping (SLAM), contrôle du déplacement, évitement d’obstacle, asservissement visuel, préhension, autonomie/tâches cognitives), les critères de performance pouvant s’y rapporter. Curieusement la dimension énergétique est absente de cette étude et toutes les classes identifiées ne relèvent pas du même niveau d’abstraction. De façon plus spécifique l’analyse consacrée aux plateformes domestiques intelligentes [34] identifie des critères de performance liés à la localisation (précision de la localisation), à l’énergie (énergie maximale embarquée, consommation à l’arrêt, durée d’utilisation), à la sécurité (évitement d’obstacle, de chute). Les articles qui viennent d’être cités se contentent d’énumérer des tâches robotiques et les critères associés. D’autres évidemment évaluent spécifiquement la performance d’une tâche robotique de base. Par exemple [135] analyse la performance de préhension d’une main sous-actionnée en termes de magnitude des forces de contact et en capacité de manipulation. Pour l’évitement d’obstacle dans [193] les auteurs caractérisent d’une part l’environnement d’évolution en termes de densité (surface occupée/libre), de confinement, d’encombrement, etc.., et d’autre part la trajectoire suivie en fonction de son optimalité et de sa sécurité. Dans [49] les auteurs s’intéressent à la seule tâche de déplacement entre 2 points pour laquelle ils choisissent des critères de performance classiques comme la durée de déplacement, l’erreur finale de positionnement, la longueur du chemin, la distance aux obstacles, la courbure de la trajectoire, ainsi que les erreurs de tracking et longitudinales. Bien évidemment des auteurs font aussi appel au concept de performance pour qualifier des méthodes de localisation comme dans [164] où la précision de localisation d’un robot omnidirectionnel par filtre particulaire est analysée au regard du placement d’un système de radio-identification. Dans [129] la qualité de localisation pour des systèmes à base de capteurs laser est étudiée, en environnement dynamique, en s’intéressant à l’orientation estimée du robot et la robustesse des mesures effectuées. Dans [139] les auteurs comparent plusieurs méthodes de SLAM en choisissant une métrique non pas basée sur la qualité de la carte elle-même mais sur la localisation du robot au sein de celle-ci.
Garantie mono-axe (localisation)
Dans [179] [180] un modèle de contrôle prédictif stochastique est présenté pour garantir la stabilité pour des robots unicycles. La stabilité de ce modèle dépend d’une fonction de distance non-holonomique qui peut être représentée à l’aide d’une fonction de Lyapunov. La synthèse d’un contrôleur à garantie de performance est proposée dans [236] où une fonction caractérise le taux de convergence, le dépassement maximal et l’erreur statique. Cependant ces travaux ne prennent pas en compte l’impact que peut avoir l’échantillonnage du contrôle sur la stabilité du système étudié. Des chercheurs se sont aussi intéressés à l’erreur de localisation et aux garanties qu’il est possible d’apporter. Volpe étudie et évalue expérimentalement dans [225] l’erreur de localisation d’un robot martien (Rocky 7) censé se déplacer en ligne droite. La position du véhicule est calculée en combinant une mesure odométrique du déplacement avec une estimation du cap obtenue à partir d’un compas solaire (référence absolue) ou d’un gyroscope. Il démontre qu’en fonction de la distance parcourue d, l’erreur de localisation croît théoriquement linéairement dans le 1er cas. Dans le second cas elle évolue quadratiquement avec d sur de petites distances pt Ñ 0q, et linéairement avec d sur de grandes distances pt Ñ 8q . Dans [174] les auteurs étudient par simulation le comportement de l’erreur de localisation engendrée par l’utilisation d’une technique d’odométrie visuelle sur de longues distances. Celleci croît asymptotiquement en o(d 3{2), où d représente la distance parcourue par le robot. Ils soulignent l’impact prépondérant de l’erreur d’orientation dans l’évolution super-linéaire de l’erreur de localisation. Plusieurs études confirment l’impact néfaste de l’absence d’orientation absolue sur l’erreur de localisation [23] [172]. Ces deux études ne donnent pas rigoureusement de borne, et donc de garantie sur l’erreur de localisation en raison de la dérive non bornée de la méthode employée. En revanche, pour une distance parcourue donnée il est possible de connaître une estimation de l’erreur de localisation puisque l’on dispose, en quelque sorte, d’un modèle prédictif. Enfin dans [133] une analyse à la fois théorique, en simulation et expérimentale (Pioneer P3Dx) du comportement de l’estimation de l’erreur de position obtenue à partir de mesures bruitées de la pose d’un robot est proposée. Expérimentalement les capteurs utilisés sont des odomètres pour l’estimation de la distance parcourue et une caméra pour l’estimation de la rotation relative et du vecteur de déplacement. Les auteurs se sont intéressés à l’évolution de la moyenne et de la covariance de l’erreur de position. Ils démontrent que le biais (moyenne de la différence entre la position réelle et celle estimée) et la variance de l’erreur d’estimation de position croissent asymptotiquement au plus linéairement avec le temps et la distance parcourue. Des formules exactes sont données pour des trajectoires rectilignes et périodiques. Un des résultats intéressant est que les auteurs prouvent que le vecteur de déplacement du robot (position courante par rapport au point de départ) est un élément clef de la détermination du biais. Ce paramètre est souvent confondu avec la distance parcourue puisqu’il se confond avec cette dernière dans le cas de trajectoires rectilignes. On peut cependant regretter que les validations expérimentales aient été effectuées dans des environnements de dimensions réduites et seulement pour des trajectoires circulaires.
|
Table des matières
Table des figures
Liste des tableaux
1 INTRODUCTION GÉNÉRALE
2 AUTONOMIE ET GARANTIE DE PERFORMANCE
2.1 Autonomie et performance
2.2 De la performance à la garantie de performance : Positionnement général des travaux
2.2.1 Le concept de performance
2.2.2 Le pilotage de la performance
2.2.3 Performance et Robotique
2.2.3.1 Robotique industrielle
2.2.3.2 Robotique mobile
2.2.3.3 Mission robotique et performance
2.2.4 Notre approche de la performance
2.2.5 Garantie de performance – Cadre général de l’étude
2.2.5.1 Garantie mono-axe (localisation)
2.2.5.2 Garantie multi-axes
2.2.5.3 Garantie par analyse formelle
2.2.5.4 Notre approche de la garantie de performance
2.3 La Méthodologie PANORAMA
2.3.1 Quelques définitions
2.3.2 P0 : Phase préparatoire
2.3.2.1 Identification des inducteurs de performance
2.3.2.2 Formulation des modèles prédictifs d’estimation de la performance
2.3.3 P1 : Phase préliminaire
2.3.3.1 Représentation du scénario de la mission
2.3.3.2 Les contraintes
2.3.3.3 Projection des contraintes sur le scénario : Obtention du SMD
2.3.4 P2 : Estimation hors ligne de la performance
2.3.5 P3 : Gestion en ligne de la performance
2.3.6 Apports et limitations
2.4 Problématique scientifique de la thèse
2.5 Conclusion
3 LA LOCALISATION EN ROBOTIQUE MOBILE : ÉLÉMENTS, PROBLÉMATIQUES ET APPROCHES
3.1 Éléments de robotique mobile
3.1.1 Quelques définitions
3.1.2 Vue matérielle
3.1.2.1 Les capteurs
3.1.2.2 Actionneurs et effecteurs
3.1.2.3 Organisations matérielle et spatiale
3.1.3 Vue logicielle
3.2 Problématiques de localisation
3.3 Représentations de l’environnement
3.3.1 Une typologie des environnements
3.3.2 Les modèles d’environnement
3.4 Les approches de localisation
3.4.1 Localisation locale : Suivi de posture
3.4.1.1 Méthodes non probabilistes
3.4.1.2 Méthodes probabilistes
3.4.2 Localisation globale
3.4.2.1 Localisation par grille
3.4.2.2 Filtrage particulaire
3.4.3 Autres approches
3.4.3.1 Méthodes ensemblistes
3.4.3.2 Méthodes basées sur les apparences
3.4.4 Conclusion
3.5 La localisation : Retour sur les incertitudes
3.5.1 Mesure et incertitude
3.5.2 Les incertitudes : De multiples origines
3.5.3 Méthodes de localisation : incertitudes affichées
3.5.3.1 Incertitudes affichées et contexte expérimental
3.5.4 Incertitudes affichées : Enseignements
3.5.5 Méthode, incertitude et garantie de Localisation
3.6 Conclusion
4 CONTEXTE EXPÉRIMENTAL ET INCERTITUDES
4.1 Localisation, pose et incertitudes : Vue d’ensemble
4.1.1 Localisation et pose : Approche locale de suivi de posture
4.1.2 Localisation et pose : Approche globale orientée grille
4.1.3 Localisation, pose et incertitudes
4.2 Contexte expérimental : Mission de patrouille
4.2.1 Généralités
4.3 Carte de l’environnement
4.3.1 Vue d’ensemble
4.3.2 Instrumentation de l’environnement et incertitudes
4.4 La plateforme robotique : Vue matérielle
4.4.1 Organisation Matérielle
4.4.2 Modèle cinématique
4.4.3 Organisation spatiale
4.4.4 Capteurs
4.4.4.1 Wattmètre embarqué
4.4.4.2 Capteurs de choc
4.4.4.3 Odomètre
4.4.4.4 Ultrasons
4.4.4.5 Laser
4.4.4.6 Kinect 1 et marqueurs Aruco
A Caractérisation statique
B Caractérisation dynamique
C Influence du champ de vision
4.4.4.7 Kinect 2 et marqueurs Aruco
A Caractérisation dynamique
4.4.5 Actionneurs
4.4.6 Conclusion
4.5 La plateforme robotique : Vue logicielle
4.5.1 Le middleware : CONTRACT
4.5.2 Architecture logicielle : Modules, discrétisation et incertitude de localisation
4.5.2.1 Les modules
4.5.2.2 Incertitude de Traitement Logiciel
4.5.3 Conclusion
4.6 Conclusion
5 PERFORMANCE DE LOCALISATION ET MODÈLES PRÉDICTIFS D’INCERTITUDE
5.1 Performance de localisation : Démarche mise en œuvre
5.2 ODO : Localisation proprioceptive odométrique
5.2.1 État de l’art
5.2.2 Phase 1 : Diagramme Causes-effets
5.2.3 Phase 2 : Erreurs systématiques
5.2.4 Phase 3-1 : Modèle d’erreur odométrique de position
5.2.5 Phase 3-3 : Incertitude de position : Évaluation
5.2.6 Phase 3-1 : Modèle d’erreur odométrique de rotation
5.2.7 Phases 3-3 et 4 : Incertitude de pose : Évaluation et Validation
5.2.8 Conclusion
5.3 KIN-ARUCO : Localisation extéroceptive par amers artificiels verticaux
5.3.1 Phase 1 : Diagramme Causes-Effets
5.3.2 Phase 3-1 : Modèle d’erreur théorique
5.3.3 Phases 3-3 et 4 : Relevés expérimentaux et évaluation
5.3.4 Conclusion
5.4 COMPAS : une méthode de détermination de l’orientation
5.4.1 Description de la méthode COMPAS
5.4.2 Méthode COMPAS : Modèle d’incertitude de localisation
5.4.2.1 Phase 1 : Diagramme Causes-Effets
5.4.2.2 Phase 3-3 : Construction expérimentale du modèle d’incertitude
5.4.3 Conclusion
5.5 COMPKIN
5.5.1 Phase 3-1 : Modèle d’erreur théorique
5.5.2 Phases 3-3 et 4 : Évaluation expérimentale et conclusion
5.6 KINODO – COMPODOKIN
5.6.1 Phase 3-1 : Modèle d’erreur théorique
5.6.2 Phases 3-2 et 4 : Évaluation en simulation et conclusion
5.7 KIN2ODO : Localisation extéroceptive par amers artificiels horizontaux
5.8 LZA : Une nouvelle méthode de localisation globale
5.8.1 Description de la méthode LZA
5.8.1.1 Phases de mise en œuvre
A Phase d’apprentissage (hors ligne)
B Phase de transformation (hors ligne)
C Phase de localisation en (x,y) (en ligne)
D Phase de localisation en θ (en ligne)
5.8.1.2 Algorithmes
5.8.1.3 Conclusion
5.8.2 Méthode LZA : Modèle d’incertitude de localisation
5.8.2.1 Phase 1 : Diagramme Causes-Effets
5.8.2.2 Phase 3-1 : Modèle d’erreur intervalliste
5.8.2.3 Phase 3-2 : Modèle d’incertitude : Évaluation statique en simulation
5.8.2.4 Phases 3-3 et 4 : Modèle d’erreur : Évaluation dynamique expérimentale
5.8.3 Méthode LZA-ODO : Amélioration de la relocalisation de LZA
5.8.3.1 Phase 3-2 : Évaluation en simulation
5.8.3.2 Phase 4 : Évaluation expérimentale du modèle d’erreur
5.8.4 Méthode LZA-ODO-COMPAS
5.8.4.1 Phase 4 : Évaluation expérimentale du modèle d’erreur
5.8.5 Conclusion
5.9 Conclusion
6 VERS UNE GARANTIE DE PERFORMANCE INCLUANT LA LOCALISATION : PRINCIPES DE MISE EN ŒUVRE
6.1 Retour vers PANORAMA(SED)
6.2 La localisation : Un axe de performance particulier
6.3 Localisation et Algorithme de Viterbi
6.3.1 Formalisation du problème
6.3.2 Algorithme de Viterbi
6.3.3 Localisation, marge énergétique et algorithme de Viterbi
6.3.3.1 Garantie de Localisation
6.3.3.2 Maximisation de la marge énergétique
6.4 PANORAMA(SLED) : Garantie de performance SLED
6.4.1 Méthodologie finale SLED1
6.4.2 Méthodologie finale SLED2
6.4.3 Exemple didactique
6.5 Conclusion
7 VERS UNE GARANTIE DE PERFORMANCE INCLUANT LA LOCALISATION : SIMULATIONS ET EXPÉRIMENTATIONS
7.1 Mission étudiée : Hypothèses, contraintes et objectifs
7.1.1 Mission de Patrouille : Description initiale
7.1.2 Tâches robotiques : schémas de contrôle, ressources matérielles et logicielles
7.1.3 Schémas de contrôle et ressources associées
7.1.4 Hypothèses de travail
7.1.5 Contraintes
7.1.5.1 Contraintes matérielles et expérimentales
7.1.5.2 Contraintes d’utilisation des méthodes de localisation
7.1.5.3 Contraintes/objectifs de performance
7.2 Présentation du simulateur
7.3 Utilisation des QR-Codes verticaux
7.3.1 PANORAMA(SED) : Scénario de Mission Détaillé
7.3.2 PANORAMA(SLED2 – QRC1) : ECHEC
7.3.3 PANORAMA(SLED2 – QRC1 Y QRC2)
7.3.3.1 PANORAMA(SLED2 – QRC1 Y QRC2) – SMD : Axes Sécurité/ Localisation
7.3.3.2 PANORAMA(SLED2 – QRC1 Y QRC2) – Viterbi : Détermination de la Solution d’Allocation de Ressources
7.3.3.3 PANORAMA(SLED2 – QRC1 Y QRC2) : Simulation
7.3.3.4 PANORAMA(SLED2 – QRC1 Y QRC2) : Analyse détaillée d’une mission
7.3.3.5 Conclusion
7.3.4 Conclusion
7.4 Utilisation des QR-Codes verticaux et horizontaux
7.4.1 PANORAMA(SED – QRC1 Y QRC3) : Scénario de Mission Détaillé
7.4.2 PANORAMA(SLED2 – QRC1 Y QRC3)
7.4.2.1 PANORAMA(SLED2 – QRC1 Y QRC3) – Viterbi : Détermination de la Solution d’Allocation de Ressources
7.4.2.2 PANORAMA(SLED2 – QRC1 Y QRC3) : Simulation
7.4.2.3 PANORAMA(SLED2 – QRC1 Y QRC3) : Analyse détaillée d’une mission
7.4.2.4 PANORAMA(SLED2 – QRC1 Y QRC3) : Analyse globale des missions réalisées
7.4.3 Conclusion
7.5 Conclusion
8 CONCLUSION GÉNÉRALE
8.1 Contexte des travaux
8.2 Principaux résultats
8.3 Limitations
8.4 Perspectives
A Énergie : Tables et abaques des puissances consommées sur la batterie du robot
A.1 Puissance consommée : Modèle utilisé
A.2 Ressources matérielles : Table des puissances consommées
A.3 Puissance et énergie de déplacement
A.3.1 Modèle de la puissance de déplacement .
A.3.2 Énergie de déplacement
B Localisation : Tables de synthèse bibliographique
B.1 Méthodes de localisation locale
B.2 Méthodes de localisation globale
B.3 Méthodes de localisation par intervalle
C Environnement : Référencement des QR-Codes ARUCO
C.1 Ensemble Initial : QRC1
C.2 QR-Codes verticaux ajoutés : QRC2
C.3 QR-Codes verticaux ajoutés : QRC3
Bibliographie
Télécharger le rapport complet
