Soutenance mémoire
Les défis actuels de l’agriculture
Avec l’évolution de notre mode de vie, la population mondiale ne cesse de croître. Elle atteindra les 9 milliards d’individus d’ici 2050 d’après les études menées par [Bergerman et al., 2016], [Foley et al., 2011] et [Steensland and Zeigler, 2017]. D’après les travaux présentés dans [Grift et al., 2008], [Bommarco et al., 2013] et [FAO, 2019], l’accroissement de la population a engendré une augmentation de la demande en nourriture, mais aussi de celle en fibre et bio-fuel, que ce soit en termes quantitatifs ou qualitatifs. Pour répondre à ces besoins, la production agricole actuelle a besoin d’être doublée. Cette problématique ayant été identifiée il y a quelques décennies, la politique agricole menée depuis les années 60 a eu pour objectif d’accroître la productivité [Pretty, 2008]. Les stratégies appliquées ont principalement porté sur : l’extension de 11% des terres cultivables, le doublement du nombre des machines agricoles, l’intensification de l’irrigation, et la multiplication par quatre de l’utilisation des ressources extérieures telles que les fertilisants et pesticides. L’agriculture s’est ainsi transformée en la bioindustrie que nous connaissons aujourd’hui, permettant d’augmenter la production de 145% [FAO, 2019].
Cependant, il s’est avéré que ce mode d’agriculture est nocif pour l’environnement [FAO, 2019], [Steensland and Zeigler, 2017] et [Pretty, 2008]. Convertir davantage d’espaces en terres arables implique la transformation de forêts en champs ou en pâturages, ce qui dérègle l’écosystème. Étendre les systèmes d’irrigation nécessaires pour lutter contre la sécheresse de certaines régions et pour multiplier les saisons de récolte mène à l’appauvrissement des réserves existantes en eau douce. De plus, la qualité des sols et de l’environnement est menacée par la pollution provoquée par l’emploi de fertilisants et pesticides, par l’érosion due aux labours intensifs, par le déséquilibre nutritionnel causé par la monoculture, etc… En parallèle des problèmes environnementaux, le développement de l’agriculture doit relever des défis concernant la main d’œuvre. En effet, de récentes études [Bergerman et al., 2016], [Taylor et al., 2012], [Rye and Scott, 2018] et [Vougioukas, 2018] ont montré que durant la période de récolte, la production agriculture nécessite une main d’œuvre sept fois plus importante que durant les autres saisons. Cette tendance est particulièrement marquée dans les domaines où les fenêtres de récolte sont très courtes comme celles des fruits et légumes. Dans le même temps, la main d’œuvre qualifiée se fait de plus en plus rare suite aux migrations rurales, aux bas salaires proposés [Taylor et al., 2012], [Rye and Scott, 2018] ainsi qu’à la pénibilité du travail à effectuer (apparition de Troubles Musculo-Squelettiques (TMS)) [Osborne et al., 2012]. Par conséquent, l’augmentation de la production agricole doit de plus en plus tenir compte des défis que représentent la préservation de l’environnement et l’amélioration des conditions de travail. Des initiatives dans ce sens ont déjà été prises, comme en France par exemple, où le Grenelle de l’environnement prévoit de réduire de 25% le recours aux produits phytosanitaires d’ici 2020 [Ministère de la Transition écologique et solidaire, 2018].
Pour répondre sur le long terme à ces défis, une solution consiste à modifier les pratiques agricoles actuelles. L’agro-écologie représente une des pistes les plus intéressante et prometteuse [Steensland and Zeigler, 2017]. Il s’agit d’une discipline utilisant la bio-diversification dans et entre les secteurs agricoles (production de céréales, légumes, fruits, bois, animaux, poissons, etc …) pour tirer avantage des interactions entre espèces, variétés et races. Elle permet par exemple d’améliorer les processus de pollinisation, de mieux réguler les nuisibles et les maladies, de préserver les sols et l’eau, d’améliorer la qualité de l’air et de mieux faire face au changement climatique [FAO, 2019]. Cependant, sa mise en œuvre dans le système agricole intensif actuel s’avère un véritable défi. En effet, tout d’abord, la monoculture est utilisée dans la grande majorité des exploitations, ce qui nécessite une restructuration complète du mode de production. Ensuite, cette bio-diversification nécessite des recherches poussées sur les interactions entre les différents éléments de l’écosystème (plantes, animaux, …) [Gée C, 2015]. Enfin, des développements technologiques doivent être réalisés pour planter, fertiliser, traiter et récolter des champs comportant plusieurs cultures. Dans ce contexte, l’agriculture de précision est amenée à se développer [Gée C, 2015]. Il s’agit d’un ensemble de techniques et de pratiques limitant l’utilisation d’intrants dans les parcelles agricoles. Elle consiste à utiliser de manière coordonnée les nouvelles technologies numériques (capteurs, drones, robots, agriculture connectée, etc.) pour ajuster la dose d’intrants en quantité, en temps et en lieu dans les exploitations agricoles [INRA, 2019]. Elle permet donc entre autres de gérer de manière précise et individuelle les traitements à apporter à chaque parcelle, ouvrant la voie à la biodiversification des cultures. Elle limite également l’emploi de pesticides ou fertilisants, favorisant la protection de l’environnement [Gée C, 2015]. Enfin, elle peut répondre aussi aux enjeux sociétaux évoqués plus haut à travers l’automatisation (ou semiautomatisation) de certaines tâches spécifiques, pour augmenter le confort, réduire le risque d’accident et favoriser la création de postes plus qualifiés et mieux rémunérés.
Parmi les techniques les plus prometteuses mises en avant dans l’agriculture de précision, la robotique apparaît comme une solution efficiente [Grift et al., 2008], [Vougioukas, 2018], [Bergerman et al., 2016] et [Blackmore, 2009]. En effet, elle permet par exemple de superviser les besoins d’une exploitation ou les besoins individuels des plantes et animaux, de les analyser et d’y répondre de façon optimale par l’application d’une action locale et précise. En conséquence, l’utilisation de robots effectuant des tâches agricoles permettrait d’augmenter le rendement de la production existante tout en limitant son impact sur la planète et les personnes y travaillant.
La robotique dans l’agriculture
Dans l’optique de répondre aux problématiques posées précédemment, la robotique agricole suscite l’intérêt des chercheurs depuis de nombreuses années. Le degré d’autonomie et de complexité des solutions proposées dépend fortement de l’environnement dans lequel le robot évolue. Ces environnements sont très variés : certains sont fortement structurés par l’homme (serres, exploitations, etc.) ; d’autres sont façonnés par l’homme mais évoluent de manière naturelle, ce qui en fait des milieux semi-structurés (champs ouverts, vergers, etc.) ; d’autres enfin ne connaissent qu’une faible intervention de l’homme et sont donc peu structurés (forêts). Chacun de ces environnements présente donc des caractéristiques particulières, créant des défis spécifiques et conduisant à des solutions adaptées.
Les premiers environnements cités sont caractérisés par un espace réduit et bien connu, ce qui leur confère une structure forte. Souvent, ces environnements présentent de fortes similitudes avec le contexte industriel. En effet, les tâches à effectuer sont simples et demandent une autonomie réduite mais fiable. De plus, l’espace est restreint et statique. La valeur marchande de la production est forte. Tous ces facteurs expliquent l’instrumentation importante de ce milieu. C’est pourquoi de nombreuses solutions robotisées sont désormais disponibles sur le marché agricole. Par exemple, dans les fermes animalières, des robots permettent d’assurer des tâches répétitives comme l’approvisionnement en fourrage, en eau, etc. Ainsi, les robots Vector [Ruizenaar and Smit, 2017] et Juno [Van Kuilenburg, 2015] commercialisés par l’entreprise Lely, naviguent dans les allées pour fournir automatiquement le fourrage et le repousser si besoin. Le défi est donc la navigation autonome dans un environnement bien maîtrisé et la prise de décision pour l’entretien des animaux. Cependant il est aussi nécessaire de doter le robot de capacités d’action pour réaliser certaines opérations. Ainsi, certains systèmes robotisés effectuent la traite des vaches [van der Lely, 1998], la tonte des moutons [Trevelyan, 1989] ou la récolte des œufs [Cronin et al., 2008]. Enfin, l’instrumentation présente dans ces environnements permet le développement de systèmes de vision par ordinateur dédiés à la surveillance et l’analyse des besoins [Dunn et al., 2003] [Kanjilal et al., 2014] ou de l’état de santé des animaux [Zhu et al., 2010]. Malgré un contexte industriel moins marqué, les serres présentent de fortes similitudes avec les environnements évoqués plus haut en termes de taille, de structure et d’instrumentation. Dans ce milieu particulier, les cultures ont généralement une haute valeur marchande et nécessitent un traitement individuel adapté. De fait, les tâches de navigation et de manipulation requises doivent être exécutées de manière précise et suffisamment robuste par rapport aux conditions environnementales. En outre, l’environnement étant intérieur, les techniques de localisation dépendent de capteurs relatifs (par opposition aux systèmes absolus comme le Global Navigation Satellite System (GNSS)) et de l’instrumentation de l’environnement. Cependant, par souci de coût et de généricité, il y a un souhait de plus en plus marqué de s’affranchir de ces contraintes liées à l’installation de matériel destiné à aider la navigation. Ainsi, [Sammons et al., 2005] développe un robot naviguant dans les serres en autonomie, se servant des tuyaux de chauffage comme rails de guidage le long des rangées et pulvérisant des traitements sur les plants de tomates de façon ciblée. [Ohi et al., 2018] effectue une cartographie de la serre et des plantes durant la navigation. De plus, un bras robotique est installé sur le robot afin de polliniser les plants de mûres, de cassis et de framboises.
A l’opposé de ces milieux très maîtrisés, d’autres environnements ne sont que très peu, voire pas du tout structurés par l’homme. Ils sont de fait plus difficiles à automatiser de par leur haut degré de complexité. C’est notamment le cas des milieux naturels comme les forêts. Dans un tel environnement, plusieurs problèmes se posent. D’abord, son aspect très varié et complexe ne permet pas d’établir une cartographie précise des lieux. Ensuite, le terrain peut être accidenté, compliquant le mouvement du robot et pouvant nécessiter la détection, le choix et le suivi des chemins les mieux adaptés. Enfin, la canopée, les troncs, les branches et les rochers perturbent fortement la réception des signaux satellites, engendrant des erreurs de localisation pouvant aller jusqu’à 70 mètres selon [Jianyang Zheng et al., 2005]. Naviguer en autonomie complète dans cet environnement apparaît alors extrêmement compliqué et revient à explorer un milieu inconnu. De ce fait, à ce jour, très peu de systèmes autonomes ou semi-autonomes ont été commercialisés pour cet environnement [Bergerman et al., 2016]. Cependant, ce domaine a fait l’objet de quelques travaux de recherches. En termes de navigation, [Rossmann et al., 2009] et [Robmann et al., 2009] s’affranchissent de la technologie GNSS grâce à l’utilisation de scanners laser couplés à des méthodes de filtrage. Il s’agit alors de créer une carte de l’environnement dans lequel le robot peut se situer. D’un point de vue manipulation, la recherche porte actuellement sur la semi-automatisation des grues de levage, afin d’en améliorer le contrôle, d’optimiser les trajectoires et de faciliter la communication entre l’opérateur et la machine [Mettin et al., 2009] et [Hansson and Servin, 2010].
Au confluent de ces deux types de milieux, des environnements naturels sont semistructurés. Aménagés par l’homme, ils ne sont connus que partiellement. Ces environnements sont en général extérieurs et faiblement (voire pas du tout) instrumentés (champs ouverts, vergers) du fait de la plus faible valeur marchande des cultures au mètre carré, et de l’espace beaucoup plus vaste à couvrir. Ci-après est proposée une brève présentation de chacun de ces environnements. Les champs ouverts couvrent deux milieux distincts, les cultures céréalières et maraîchères. Dans les deux cas, la technologie GNSS est utilisable. Les cultures céréalières qui ont une valeur marchande faible sont caractérisées par un milieu peu structuré, constitué de sols plats, sans obstacle, le rendant facilement navigable. Par conséquent, les contraintes imposées par cet environnement ne sont pas très fortes, d’autant que la technologie GNSS facilite le processus de localisation. C’est pourquoi, des solutions commerciales efficaces comme les tracteurs autonomes sont déjà présentes sur le marché. Ces machines intègrent dans leur stratégie de navigation des méthodes de planification optimale telles que celles développées dans [Taïx et al., 2006], [Hofstee et al., 2009], [Oksanen and Visala, 2009] et [J. Jin and L. Tang, 2010]. Des activités de recherche sont également menées pour modéliser les perturbations dues au terrain et les compenser afin d’améliorer l’exécution de tâches comme le labourage dans [Katupitiya, 2014] et [Eaton et al., 2008]. D’autres encore traitent le sujet de coordination entre robots de façon à développer des flottes de robots autonomes [Emmi, 2014].
Les cultures maraîchères sont quant à elles structurées par la création de rangées de plantations. Les plants ont une valeur marchande moyenne et requièrent des traitements individuels et précis. Il est alors nécessaire de réaliser les tâches de navigation et de manipulation de manière robuste vis-à-vis des perturbations engendrées par l’environnement extérieur. C’est pourquoi certains champs peuvent être légèrement instrumentés (marqueurs de fin de rangées, etc.). L’un des défis consiste notamment à améliorer la navigation autonome afin de s’affranchir de cette contrainte. Des travaux de recherches ont été développés dans ce sens. Par exemple, [Emmi et al., 2019] construit un modèle de l’environnement et améliore la perception du robot désherbeur Oz commercialisé par Naio technologies pour limiter l’instrumentation du champ. Un autre défi lié à ce type de culture est le développement de méthodes robustes pour la manipulation afin d’effectuer diverses tâches comme l’analyse, le traitement, ou encore la récolte. Plusieurs travaux ont été menés pour répondre à cette problématique comme par exemple [Longo and Muscato, 2013] qui propose deux solutions basées sur l’utilisation de deux bras manipulateurs couplés à un système de vision afin de récolter des artichauts.
Enfin, de la même manière que les cultures maraîchères, les vergers sont structurés par la présence de rangées d’arbres. Ce type d’environnement induit de nombreuses contraintes qu’il est nécessaire de prendre en compte pour réaliser efficacement les tâches de navigation et de manipulation requises pour leur exploitation. Ces contraintes sont détaillées au sein d’une section spécifique puisque cet environnement est au cœur de nos travaux.
La robotique dans les vergers : Contexte et contraintes
Le sujet de cette thèse s’inscrit dans le cadre du contrôle d’un robot mobile muni de plusieurs bras manipulateurs servant à effectuer des opérations de phénotypages, d’application de traitements ciblés, de taille de branches, d’éclaircies des fruits ou encore de récoltes dans les vergers. Pour mener à bien ces opérations, le robot a besoin d’une part de naviguer en autonomie dans les parcelles et d’autre part d’effectuer des tâches de manipulation afin d’atteindre les cibles définies par le type d’opération en cours (feuilles, branches, fruits, …). Les problématiques concernant la robotique dans les vergers se situent à mi-chemin entre celles s’appliquant aux champs ouverts et celles relatives à la sylviculture. En effet, les processus à automatiser sont similaires à ceux effectués dans les champs ouverts (i.e. surveiller/analyser, planter/reproduire, traiter, récolter, trier, conditionner, etc.). Bien que les vergers soient des environnements naturels, ceux ci sont façonnés par les agriculteurs. Comme pour les champs ouverts, certains paramètres peuvent être connus a priori.
Cependant, les contraintes s’appliquant à la sylviculture se retrouvent aussi dans les vergers. Pour les mêmes raisons, la localisation par GNSS ne peut pas être prise en compte. La situation du robot doit donc être estimée localement en utilisant des capteurs embarqués tels que des caméras, scanners Light Detection And Ranging (LiDAR), etc… De même, l’environnement étant extérieur, des contraintes comme l’ensoleillement peuvent perturber les mesures fournies par les caméras et doivent donc être prises en compte. Les technologies dans ce domaine ont beaucoup évolué ces dernières années permettant une mesure plus robuste en extérieur, d’autant qu’elle se fait sous la canopée. La dynamique d’un verger est aussi une contrainte à ne pas négliger. Celle-ci représente le changement naturel de l’environnement et les modifications dues aux opérations effectuées. Par exemple, d’une année sur l’autre, des arbres peuvent être coupés, d’autres peuvent être plantés ; au cours des saisons, les feuilles tombent et de nouvelles poussent ; les fruits grossissent, prennent du poids, sont récoltés, ce qui modifie la position des branches et des fruits qui y restent attachés. De plus, la navigation peut être perturbée par la nature du terrain. En effet, celui-ci n’est pas toujours plat; le passage du robot ou d’autres machines agricoles peut marquer le sol, le rendant ainsi inégal ; la pluie peut aussi engendrer un terrain glissant ou boueux, générant des difficultés de navigation. Enfin, l’environnement peut être partagé avec des opérateurs humains, des animaux ou d’autres robots. Le véhicule doit donc pouvoir travailler en sécurité et s’adapter à des situations imprévues comme des obstacles, fixes ou en mouvement. Il devient alors nécessaire de prendre en compte ces contraintes qui modifient l’environnement du robot au cours du temps.
Ces contraintes ont déjà été considérées dans le cadre de recherches scientifiques. En effet, les approches permettant de s’affranchir des systèmes de localisation absolue comme le GNSS ont fait l’objet de nombreuses publications. Ainsi, par exemple, [Bergerman et al., 2015, Zhang et al., 2014, Bayar et al., 2015] présentent une stratégie de navigation complète basée sur l’utilisation d’un scanner laser et d’encodeurs odométriques. Cependant, elle nécessite une instrumentation de l’environnement avec l’installation préalable de marqueurs en fin de rang et la construction d’une carte. [Sharifi and XiaoQi Chen, 2015] propose quant à lui une technique utilisant une caméra pour déterminer le milieu de la rangée d’arbres de façon à naviguer le long de celle-ci. Néanmoins, la solution proposée repose uniquement sur l’utilisation de caméras, peu robustes aux changementsd’illumination. Dans [Subramanian et al., 2006] deux méthodes de détection de rangées de citronniers pour la navigation autonome sont comparées. L’une se base sur les informations reçues par un radar, l’autre sur les données visuelles perçues par une caméra. Ces deux approches ont conduit à de bons résultats, et les auteurs proposent de les associer pour améliorer la robustesse de la navigation et d’intégrer des fonctionnalités d’évitement d’obstacles. Pour s’affranchir du changement éventuel de la structure du champ, [Barawid Jr et al., 2007, Ryo et al., 2004] proposent d’estimer la ligne droite représentant au mieux la rangée d’arbres grâce aux informations extraites d’un scan laser. De même, [Vougioukas, 2007] propose une solution optimale pour suivre un chemin prédéfini tout en évitant d’éventuels obstacles imprévus.
Les contraintes liées à la dynamique de l’environnement sont aussi prises en compte dans l’exécution de tâches de manipulation. En effet, [Rosa et al., 2008] ont développé un système robotique pour faire vibrer la branche souhaitée afin de faire tomber une partie de ses fruits. Ce système est muni de caméras permettant d’analyser la distribution des fruits ainsi récoltés. Il est néanmoins limité car d’une part il n’est pas totalement autonome et d’autre part les fruits peuvent s’abîmer en cas de chocs avec les branches. [Baeten et al., 2008, De-An et al., 2011] montrent la faisabilité d’un système de récolte automatique basé sur un bras manipulateur équipé d’une caméra. Celle-ci permet d’identifier et de localiser les pommes à cueillir. Le robot est ensuite commandé par asservissement visuel pour garder les pommes à l’endroit adéquat dans l’image afin de les saisir. Cependant, des améliorations sont encore à apporter quant à la préhension nécessaire pour cueillir le fruit. De plus, la vitesse et la précision de l’exécution de la tâche face à une cible bloquée par un obstacle ou en mouvement doivent encore être améliorées. Enfin, [Zion et al., 2014] montre que pour être économiquement viable, les solutions développées doivent présenter un meilleur taux de productivité. Ainsi, l’auteur propose de réaliser un système robotique composé de plusieurs bras parallèles afin d’augmenter le taux de ramassage de melons. Néanmoins, la production pourrait être encore optimisée par la collaboration de plusieurs bras qui pourraient alors partager leur espace de travail. Ainsi, bien que d’importants progrès aient été effectués, les robots agricoles évoluant dans les vergers ne répondent pas encore aux besoins des agriculteurs. Une des premières raisons est la difficulté à se localiser pour le système robotique. En effet, les vergers sont des environnements naturels avec une canopée plus ou moins fournie et le signal GNSS est donc souvent perturbé, voire absent. De plus, il s’agit d’un environnement dynamique et évoluant au cours des jours. C’est pourquoi, les approches traditionnellement utilisées en robotique mobile, localisation par GNSS et localisation dans une carte métrique, se révèlent peu efficaces pour gérer ce type de situation. En revanche, il paraît intéressant de considérer les stratégies de commande dites référencées capteurs au sens où elles exploitent les données sensorielles issues de capteurs extéroceptifs directement dans la loi de commande. Elles permettent un contrôle plus réactif et sont connues pour être robustes aux différentes sources d’imprécisions (mesures, modèles, environnement, etc.). La seconde raison concerne la productivité encore trop réduite de la plupart des systèmes actuels. Dans ce contexte, un système robotisé équipé de plusieurs bras manipulateurs pourrait permettre de répondre à ce problème. Pour cela, il est nécessaire de développer des stratégies de commande réactive, permettant d’éviter des obstacles tels que les branches et gérant le fait que les bras partagent un même espace de travail.
|
Table des matières
1 Introduction
1.1 Les défis actuels de l’agriculture
1.2 La robotique dans l’agriculture
1.3 La robotique dans les vergers : Contexte et contraintes
2 Navigation autonome
2.1 Introduction
2.1.1 Stratégie générale pour la navigation
2.1.2 Navigation dans les vergers : Spécificités et solutions
2.2 Description du robot
2.3 Modélisation
2.4 Perception
2.4.1 Extraction du sol
2.4.2 Détection des arbres
2.4.3 Expérimentation
2.5 Action
2.5.1 Modélisation
2.5.2 Synthèse de lois de commande référencés capteur pour le parcours d’un verger
2.5.3 Conclusion
2.6 Architecture générale
2.6.1 Interactions entre processus
2.6.2 Application de l’architecture
2.7 Conclusion
3 Contrôle simultané des mouvements d’un système multi-bras
3.1 Introduction
3.2 Asservissement visuel
3.3 Commande par modèle prédictif non-linéaire
3.4 Asservissement Visuel Prédictif
3.5 Modélisation
3.5.1 Modélisation du robot
3.5.2 Modélisation des caméras
3.5.3 Modèles de prédiction
3.6 Synthèse d’un asservissement visuel prédictif
3.6.1 Présentation du problème
3.6.2 Définition des contraintes
3.7 Résultats
3.7.1 Comparaison des modèles de prédictions
3.8 Conclusion
4 Conclusion
