REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE CHAMBRE DE COMMERCE BECHAR

Mmoire de fin dtudes pour lobtention du diplme dingnieur dapplication en informatique de gestion

T H E ME
Planification de la trajectoire dun robot mobile par la logique floue
Prsent par
Melle BABA Nawel, Mmme DJAMAI Hayet M. LAOUFI Mourad

Encadr par:
Mr CHEBLOUNE Habib

Promotion : 2008 - 2010

C'est grce au bon Dieu que Je suis arrive finaliser ce travail que je ddie mes chres parents (HAWAS Fatiha & BABA Boualem); que Dieu les accorde sa bndiction; ainsi toute ma famille. A ma chre copine sur Nadjwa et sa noble famille. A ma chre sur Hayet. Sans oublier les nobles professeurs, les collgues de la section informatique

Je ddie ce travail tous qui m'aime

Nawel

C'est grce au bon Dieu que Je suis arrive finaliser ce travail que je ddie mes chres parents; que Dieu les accorde sa bndiction; ainsi toute ma famille. Mr DJAMAI Djelloule (mon pre) Mme GASMI Malika (ma mre) M. MEZRAG Omar (mon poux) A ma chre sur Nawel (ma Binme) Nour el-Yakin Rawane (ma fillette)

Je ddie ce travail tous qui m'aime

Hayet

C'est grce au bon Dieu que Je suis arriv finaliser ce travail que je ddie mes chres parents; que Dieu les accorde sa bndiction; ainsi toute ma famille. Toute la famille LAOUFI Tous collgue d'Algrie tlcom Tous collgue de la session informatique

Je ddie ce travail tous qui m'aime

Mourad

Tout dabord nous remercions Dieu qui nous a aid laborer notre mmoire. Nous tenons remercier tous les membres de jury qui ont bien voulu juger et examiner le prsent mmoire. Et dailleurs, nos remerciements sadressent tous les professeurs qui ont contribu notre formation est pour les conseils apports au mmoire, aussi qua Mr CHEBLOUNE Habib, notre encadreur pour laide technique et morale qui nous ; a durant toute la priode de llaboration du mmoire, beaucoup estimes. Nous remercions toute personnes ayant contribues de prs ou de loin au bon droulement de ce travail.

Sommaire
Introduction gnrale.............. 01 Chapitre I : robot mobile
03 04 04 05 05 05 05 06 07 07 08 08 09 09 10 11 12 13 13 14 16

I.1) Introduction ........ I.2) Dfinition dun robot et robotique....... I.3) types des robots mobiles........ I.4) Architecture dun robot mobile........ I.4.1) La locomotion........ I.4.1.1) la structure mcanique et motricit...... I.4.1.1.1) Les mobiles roues..... I.4.1.1.2) Les mobiles chenilles........ I.4.1.1.3) Les mobiles marcheurs...... I.4.1.1.4) Les robots rampants...... I.4.1.1.5) La motricit et lnergie...... I.4.2) La perception ......... I.4.2.1) Les types de capteurs........ I.4.2.1.1) Les capteurs ultrasonores ....... I.4.2.1.2) Les capteurs infrarouge .... I.4.2.1.3) Les capteurs tlmtriques laser ...... I.4.3) La dcision ....... I.4.3.1) Autonomie dun robot mobile .... I.5) Architecture de robot mobile adopt ....... I.6) Domaines dapplication de la robotique mobile .... I.7) Conclusion ......

Chapitre II :

Stratgie de navigation dun robot mobile

II.1) Introduction ....... 18 II.2) Architecture de commande dun robot mobile .... 18 II.2.1) Planification 19

II.2.2) Navigation. ...... II.2.3) Le pilotage....... II.3) Tactique de navigation............. II.3.1) Navigation dans un environnement totalement inconnu. II.3.2) Navigation dans un environnement totalement connu..... II.3.3) Navigation dans un environnement partiellement connu..... II.4) Les mthodes de navigation dun robot mobile.... II.4.1) Approches classiques......... II.4.2) Approches actuelles....... II.5) La stratgie de navigation............. II.6) Problmes de la navigation des robots mobiles. II.7) Planification dune trajectoire....... II.8) Conclusion.........

19 19 19 19 20 20 21 21 22 24 27 27 28

Chapitre III :

La logique floue
30 30 31 31 32 32 33 35 35 37 39 39 39 40 41 41 41 44 44 44 46 46

III.1) Introduction........... III.2) Qest-ce que la logique floue ?..... III.3) Historique......... III.4) Pourquoi utiliser la logique floue ?....... III.5) Thorie de sous-ensemble flou...... III.5.1) Concept de sous-ensemble flou..... III.5.2) Dfinition dun sous-ensemble flou... III.5.3) Fonction dappartenance....... III.5.4) Caractristiques dun sous-ensemble flou.... III.5.5) Oprations sur les sous-ensembles flous..... III.5.6) Les relations floues...... III.5.6.1) Dfinition dune relation floue..... III.5.6.2) Les diffrents relations floues...... III.6) Les variables linguistiques...... III.6.1) Dfinition des variables linguistiques...... III.6.2) Univers de discours..... III.6.3) Propositions floues....... III.7) Le contrleur flou...... III.7.1) Algorithme du contrleur flou....... III.7.2) Configuration gnrale dun contrleur flou.... III.7.3) Structure dun contrleur flou........ III.7.3.1) Base de connaissances....

III.7.3.2) Fuzzification..... III.7.3.3) Infrence floue...... III.7.3.4) Dfuzzification...... III.7.4) Avantages du contrleur flou........ III.7.5) Inconvnients du contrleur flou... III.8) Domaines dapplication....... III.9) Conclusion........

46 47 47 49 49 50 52

Chapitre IV :

Simulation et rsultats
54 54 54 56 57 57 59 63 67 68 68 68 70 77

IV.1) Introduction...... IV.2) Les comportements du robot....... IV.3) Description du robot simul......... IV.4) Architecture du systme de commande..... IV.5) Description du contrleur flou..... IV.5.1) La quantification floue des entres et des sorties du systme (fuzzification) ........ IV.5.2) tablissement des rgles liant les sorties aux entres (mcanisme dinfrence) .................................................. IV.5.3) La combinaison des rgles pour la gnration des sorties (dfuzzification)........................................................ IV.6) Lorganigramme du simulateur........ IV.7) Implmentation.. IV.7.1) Langage de programmation..... IV.7.2) Description du logiciel...... IV.8) Rsultat........ IV.9) Conclusion........

Conclusion gnrale....... 78 Bibliographie.. 79

Les systmes robotiss sont devenus les premiers outils dautomatisation de la production et dans toutes les branches de lindustrie moderne. Leur productivit et la qualit du travail obtenue sont directement lies leur rapidit, leurs prcisions et leur capacit dadaptation dans leur milieu de travail. Ces contraintes apportent la ncessit de dvelopper des mthodes de commande de plus en plus labores concernant la gnration de la trajectoire et la poursuite en temps rel de ces trajectoires. Les recherches et les dveloppements dans ce domaine ont permis de dgager plusieurs approches sur la planification de mouvement. Dans le cas de lvolution dans des environnements inconnus et volutifs, le problme reste encore trs ouvert. Lobjectif de notre mmoire consiste l'tude en simulation de la commande du dplacement dun robot mobile autonome dans un environnement totalement inconnu, en utilisant une approche base sur la logique floue. Cette approche peut tre considre comme une mthode bien adapte notre problme puisque dune part, on ne dispose pas dun modle prcis de lenvironnement, et dautre part les informations qui sont issues des diffrents capteurs du robot mobile sont souvent entaches derreurs. Lintrt supplmentaire du flou rside dans sa capacit dimpliquer lintelligence humaine dans la stratgie de la commande travers des rgles comportementales. Lorganisation du prsent mmoire est structure comme suite : Dans le premier chapitre nous prsentons les notions de base d'un robot mobile. Le deuxime chapitre prsente la stratgie de navigation d'un robot mobile. Le troisime chapitre prsente les concepts de la logique floue. Le quatrime chapitre concerne la partie simulation et les rsultats exprimentaux que nous avons obtenus.

I.1) Intelligence artificielle et la robotique

Le domaine des applications de lintelligence artificielle la robotique, bien quest utilis depuis longtemps comme dmonstration de lefficacit des systmes intelligents, est en ralit encore vaste et mal dfini. La possibilit davoir une intelligence artificielle est dintroduire un systme de programmation appropri ; il sagit de mettre au point des programmes spcialiss. Lintelligence artificielle comprend deux phases principales : reprsentation de la connaissances et la recherche de la solution. Lintelligence artificielle voit dans la robotique, un domaine dapplication particulirement riche pour laborer et exprimenter ses propres modles.

I.2) Dfinition d'un robot et robotique

Pour le sens commun, un robot est un dispositif mcanique articul capable d'imiter certaines fonctions humaines telles que la manipulation d'objets ou la locomotion, dans le but de se substituer l'homme pour la ralisation de certaines tches matrielles. Cette ralisation est plus ou moins autonome selon les facults de perception de l'environnement dont est dot le robot. La robotique est l'ensemble des activits de construction et de mise en uvre des robots. La robotique est branche de lintelligence artificielle concerne par ltude de systmes automatiques capables dune interaction directe avec le monde physique.

I.3) Dfinition d'un robot mobile

La tche essentielle qui incombe aux robots mobiles est le dplacement dans un environnement connu ou inconnu Il est donc ncessaire de connatre la position du robot au sein de son univers de faon prcise ou relative selon le cas.

La solution pour un robot mobile doit tre globale, cest--dire quil ne faut pas simplement rendre autonome une plate-forme en oubliant provisoirement loutil de travail qui lquipe. La plupart des recherches sont concentres sur les reconnaissances de lenvironnement immdiat du robot. Des capteurs (infrarouges, ultrasons, laser,

camra CCD) associs des logiciels adapts permettent, par la reconnaissance de formes, doptimiser les dplacements du mobile.

I.4) Architecture d'un robot mobile

On dcompose un robot mobile en trois grandes modules fonctionnaires : la locomotion, la perception et la dcision. I.4.1) La locomotion La locomotion se dcompose en deux parties : celle qui ralise lappui vis--vis du milieu dans le quel on entend se dplacer et celle qui permet la propulsion. Celle-ci inclut les moteurs et les mcanismes conduisant au dplacement. I.4.2) La perception Cette partie du robot est souvent la plus difficile raliser et les recherches dans ce domaine utilisent une plate-forme trois ou quatre roues pour tudier les problmes de comportement. La perception passe par deux tapes successives : la lecture des capteurs, puis le traitement de linformation. Linterprtation, qui permet de dlivrer un message clair la fonction locomotion, est dvolue la fonction dcision du robot. I.4.3) La dcision Les informations en provenance des diffrents captures doivent tre interprtes comme autant dlments utiles la prise de dcision sur laction faire, le but tant de dlivrer les ordres corrects aux actionneurs, bras, pinces ou moteurs des roues.

I.5) Domaines d'application de la robotique mobile

Commenons par les trois domaines majeurs: le nuclaire, le spatial et le sous marin qui prsentent des points communs: - La ncessit d'adaptation au milieu est primordiale - La tache effectuer est non rptitive. - En spatial, comme en nuclaire et en sous marin. La difficult de communication ncessite L'autonomie du robot. - Le nuclaire - le spatial - le sous-marin - la mdecine - les vhicules automatiques

II.1) Architecture de commande d'un robot mobile

La commande d'un robot mobile autonome passe par trois niveaux hirarchiques selon leur niveau de priorits: planificateur navigateur pilote, ceci constitue le module de raisonnement du robot mobile. (Fig1)

PLANIFICATEUR NAVIGATEUR
Perception de L'environnement

PILOTE

Actionneurs

Fig 1: dcomposition hirarchique classique de la commande

U

du robot mobile
U

II.1.1) Planification Planification c'est le sommet de la structure hirarchique de la commande, sa fonction est de gnrer une trajectoire pour le robot mobile de sa position courante la position finale. Le planificateur est appel avec un modle de l'environnement, il produit une trajectoire qui est passe au contrleur du robot qui son tour l'excute. Lorsque, l'environnement est inconnu (la dimension, la forme et la localisation des obstacles sont inconnus), le planificateur se base sur les informations sensorielles. II.1.2) Navigation La navigation est dfinie comme l'art de se diriger vers une destination finale et cela pour dterminer sa localisation et sa route, ainsi que la distance parcourue. Le module assurant cette action est le navigateur, il a deux fonctions: 1. Il est charg de suivre les contours du lieu d'volution et de transmettre les informations sur l'environnement au planificateur. 2. Il prend en charge les modifications de la trajectoire en fonction du changement de l'environnement lors d'une mission donne.

II.1.3) Le pilotage Le pilotage consiste asservir le mouvement lors de suivi d'une trajectoire planifie. Le pilote gre les fonctions de bas niveaux, tels que les asservissements, ainsi que les informations issues des capteurs de trouver les consignes appliquer aux actionneurs.

II.3) Les mthodes de navigation d'un robot mobile

II.3.1) Approches classiques Plusieurs mthodes classiques ont t dveloppes, mais la plupart elles ont le point commun de planifier une trajectoire continue, libre d'obstacles. Et on peut citer parmi ces mthodes: a) Approches bases sur le raisonnement gomtrique
U

b) Approches bases sur le champ de potentiel artificiel

U

c) Approches bases sur la configuration de l'espace

U

Dans cette approche, l'espace de travail du robot est divis en petites cellules (sous forme de rectangles ou carrs) ayant une taille fixe. Le centre de chaque cellule est localis dans un espace cartsien dont les lments sont 0 et 1 suivant que la cellule correspondante est libre ou occupe par un obstacle. L'environnement est donc compltement connu est configur en un modle de grille. La gnration d'une trajectoire libre d'obstacles est base sur ce modle. II.3.2) Approches actuelles L'environnement dans lequel se navigue un robot mobile n'est pas toujours connu, pour le plus part des cas est les impossibles de gnrer des trajectoires sans collision l'avance dans tous les cas. Un robot mobile au cours de la navigation doit viter les obstacles statiques ou dynamiques et localiser la cible. Plusieurs heuristiques simulant le raisonnement humain ont t propos dans la navigation d'un robot mobile ce qui est appel 'soft computing'. Les nouvelles approches se base essentiellement sur les rseaux de neurones, les algorithmes gntiques et la logique floue. figure

a) La navigation d'un robot mobile par la logique floue

U

La logique floue est un mode de raisonnement trs proche de la pense humaine, elle traduit les connaissances et le raisonnement d'un expert humain en rgles simples qu'un systme artificiel peut utiliser. La logique floue est utilise dans la navigation d'un robot mobile en intgrant la connaissance de l'tre humain dans le systme mobile, son comportement est gnr par un mcanisme d'infrence flou se basant sur cette connaissance. La logique floue offre de grands avantages: comme la raction en temps rel du mobil, puisque la connaissance est incorpore priori. Elle tolre l'imprcision des donnes prises par les capteurs, ce qui permet de rduire le cot de conception. Nous avons choisi la logique floue pour la navigation d'un robot mobile dans notre expos.

II.4) Planification d'une trajectoire

C'est l'un des objectifs principaux de la recherche en robotique, c'est une production d'une squence d'actions pour atteindre un but. Une situation prcise est dfinie l'avance, partir d'une base de connaissance initiale de l'environnement et d'un ensemble de rgles dterminant l'environnement.

III.1) Quest-ce que la logique floue ?

Le terme de logique flou a deux acceptions : - La premire, que nous avons adopte correspond tous les dveloppements concernant la thorie de sous-ensembles flous. - La seconde reprsente une extension de la logique classique, dans le but de raisonner sur des connaissances imparfaites.

III.2) Pourquoi utiliser la logique floue ?

Il convient dutiliser la logique floue lorsque des imperfections entachent la connaissance dont nous disposons sur le systme, lorsquil modlisation rigoureuse de celui-ci est difficile, lorsquil est trs complexe, lorsque notre faon naturelle de laborder passe par une vue globale de certains de ses aspects. Si elle impose une standardisation de la signification des description du systme exprimes linguistiquement, ce qui peut sembler rdacteur par rapport une utilisation purement symbolique des descriptions linguistiques, la logique floue prsente lavantage de permettre le passage dune telle description dun expert ou dun observateur lautre.

III.3) Thorie de sous ensemble floue

III.3.1) Concept de sous-ensemble flou Le concept de sous-ensemble flou a t introduit pour viter les passages brusques dune classe une autre (dans la classe noire la classe blanche par exemple) et autoriser des lments nappartenir compltement ni lune ni lautre ( tre gris, par exemple), ou encore appartenir partiellement chacune (avec un fort degr la classe noire et un faible degr la classe blanche dans le cas du degr fonc). La notion de sous-ensemble flou permet de traiter : - des catgories aux limites mal dfinies (comme "centre ville" ou "ancien"), - des situations intermdiaires entre le tout et le rien ("presque noire"),

- le passage progressif dune proprit une autre (de "proche" "loign" selon la distance), III.3.2) Dfinition dun sous-ensemble flou Un sous-ensemble classique A de X est dfini par une fonction caractristique X A qui prend la valeur 0 pour les lments de X nappartenant pas A et la valeur 1
R R

pour ceux qui appartiennent A : X A : X {0,1}

R R

Par contre un sous-ensemble flou A de X est dfini par une fonction

dappartenance qui associe chaque lment x de X, le degr A (x), compris entre 0 et
R R

1, avec lequel x appartient A : f A : X [0, 1].

R R

Dans le cas particulier o f A ne prend que des valeurs gales 0 ou 1, le sousR R

ensemble flou A est un sous-ensemble classique de X. Un sous-ensemble classique est donc un cas particulier de sous-ensemble flou. III.3.3) Fonction dappartenance Lapplication A est appele fonction dappartenance de lensemble flou A
R R

gnralisant ainsi le concept dappartenance de la thorie classiques des ensembles : A tout lment x de U la valeur A (x) associes nest pas ncessairement gale 0 ou
R R

1, elle est priori quelconque et dsigne le degr dappartenance de x lensemble de A.

(A) 1

(A) 1 x0
R

(A) 1

x0
R

x 0

x0
R

x1
R

x2
R

Fig2: fonctions dappartenance pour les 3 cas.

U

III.4) La logique Floue

La logique floue, gnralement appele logique linguistique manipulant des valeurs de vrit floues servira par consquent de modle mathmatique pour le raisonnement humain et pour tout systme bas sur l'infrence floue. La plupart des objets de base manipule par la logique linguistiques sont flous par nature. Il s'agit en particulier des objets suivants: - valeurs de vrits floues: vrai, faux, presque vrai, plus ou moins faux, etc.
U U

- quantificateurs flous: habituellement, presque tout, gnralement, beaucoup,

U U

rarement, etc. - prdicats flous: jeune, vieux, grand, petit, intelligent, cher, normal, etc.
U U

- modificateur flous: trs, plus ou moins, vraisemblablement, hautement, plutt, etc.

U U

III.4.1) variables linguistiques Une variable linguistique est dfinie par un triplet (X, U, T x ) ou X dsigne le
R R

nom de la variable, U le rfrentiel, et T x l'ensemble fini ou non des valeurs

R R

linguistiques de la variable X appeles termes. Les termes sont des mots ou des expressions vagues du langage naturel tels que petit, jeune, vieux, plus ou moins grand, qui caractrisent X est sont modliss par des ensembles flous. III.4.2) Univers de discours Soit X la variable linguistique qui dsigne la temprature de l'eau, on peut la dcrire par un certain nombre de mots par exemple : Chaude , Froide , Tide , chaque terme est modlis par un ensemble flou et donc par une fonction d'appartenance. L'un vers de discours est dfinit comme le domaine de variable linguistique, il couvrira par consquent l'ensemble des valeurs prises par cette variable. (Fig3 )

() 1

tide

1
R

2
R

3
R

4
R

5
R

(temprature)

froide

chaude

Univers de discours
U

Fig3:Exemple de variation d'une variable linguistique.

U

III.4.3) Propositions floues Une proposition floue est un nonc contenant un ou plusieurs prdicats flous selon qu'elle est simple ou compose. . Proposition floue simple Soit une variable linguistique (X, U, T x ), une proposition floue simple est de la
R R

forme X est A ou A est un lment de T x , associ un prdicat flou tel que

R R

jeune , chaude etc. La valeur de vrit de la proposition floue est par la fonction d'appartenance A de A. . Proposition floue compose Une proposition compose peut tre une ngation d'une proposition simple,

comme elle peut tre une juxtaposition de plusieurs propositions simples relies avec des oprateurs logiques 'ET' conjonction, 'OU' disjonction.

Avec les connecteurs logiques on peut suivre le tableau suivant:

Oprateur Et

Opration sur le degr de vrit Minimum Produit

Ou

Maximum Valeur moyenne

Non

Complment 1

Exemple
U

0.2 Pour minimum SI Condition 1 (0.4) ET Condition 2 (0.2) ALORS Action

R R U U R R

0.8 Pour produit 0.8 Pour maximum SI Condition 1 (0.8) OU Condition 2 (0.2) ALORS Action
R R U U R R

0.8 Pour moyenne SI Condition (0.6) ALORS Action 0.4 Pour le complment 1

III.5) Le contrle flou

Le contrle flou tire son nom des applications de contrle ou de commande en automatique, mais il dborde maintenant ce cadre par ses multiples applications, partout o une modlisation mathmatique est difficile. Le principe de cet algorithme de contrle est trs simple, il consiste raliser une interpolation entre un petit nombre de situations connues donnes par un expert sous la forme de rgles floues du genre si x est petit et y est modr, alors u doit tre trs grand . La mise au point des prdicats voqus par ces rgles se fait gnralement de faon empirique, mais de plus en plus, diffrents mthodes d'apprentissage ont t appliques dans le but d'avoir des systmes de contrle auto-adaptatifs.

III.5.1) Structure d'un contrleur flou Un contrleur flou est compos de 4 blocs principaux (Fig6) . Base de connaissances. . Interface de fuzzification. . Mcanisme d'infrence flou. . Interface de dfuzzification.

III.5.1.1) Base de connaissances

U

La base de connaissances comprend les connaissances de l'expert humain pour le contrle du systme ainsi le domaine de variation des variables d'E/S. Elle est donc constitue de : . Base de donnes: regroupe dans ce bloc, l'ensemble des dfinitions utilises dans les rgles du contrle flou (univers de discours, partition flous, choix des capteurs,). . Base des rgles floues : La connaissance de l'expert est gnralement exprime par des rgles et donc une collection de rgles de la forme SI-ALORS . La base des rgles et donc une collection de rgles floues: R(l) : Si x 1 est F 1 (l) ET x 2 est F 2 (l) ETET x n est F n (l) ALORS y est G(l)
U U R R R R U U R R R R U U U U R R R R U U

Ou : x = (x 1 , x 2 , , x n ) U 1 U 2 U n et y V sont des variables linguistiques

R R R R R R R R R R R R

d'entre et de sortie du systme respectivement pour l=1,,m.

R R R R

F 1 ,, F n , G
R R R R R R

reprsentants des ensembles flous sur les rfrentiels U 1 ,, U n , avec U i R, V R respectivement. Chaque rgle dfinit une implication floue : F 1 (l) F 2 (l) F n (l) G qui
R R R R R R

dcrit le comportement du systme. III.5.1.2) Fuzzification

U

La fuzzification est la premire tape dans la ralisation d'un contrleur flou. Elle transforme chaque valeur relle d'ente (mesure) en un ensemble flou, en lui attribuant sa fonction d'appartenance chacune des classes pralablement dfinie.

III.5.1.3) Infrence floue

U

A partir de la base des rgle (fournies par l'expert) et du sous ensembles X 0

R R R R R R R

correspond la fuzzification du vecteur de mesure x 0 = [x 01 ,, x 0n ]'U. Le mcanisme d'infrence calcule le sous ensemble flou YV qui est la sortie floue du systme.
Base de Donnes. Base des Rgles.

dans U

Interface de f uzzification

y de Interfqcedans V dfuzzification Mcanisme d'infrence Ensembles Flous dans V

Ensembles Flous dans U

U

Fig6 : Configuration de base d'un contrleur flou.

Il existe plusieurs mthodes d'infrence floue qui dpendent des applications et de la forme des fonctions d'appartenance. . Mthode d'infrence Max-Min: La mthode d'infrence Max-Min est la mthode utilise dans notre travail, elle peut tre dcrite de la manire suivante : Premire tape: Evaluer chacune des rgles actives R(l) (avec l=1,2,,m), en
U U

calculant la valeur de vrit de la prmisse. A notre que les oprateurs (ET), (ALORS) ralise respectivement par la formation du minimum. La valeur obtenue est note dl .
R R

Deuxime tape: Sachant que pour un tat donn des entres, plusieurs rgles peuvent
U U

tre valides ce qui implique des valeurs dl diffrentes. Il faut donc disposer d'une
R R

mthode de composition de ces rgles. Cette mthode est appele agrgation. L'infrence par le Max-Min prend le maximum de ces valeurs comme la fonction d'appartenance rsultante de la sortie et qui dfinit son ensemble flou.

RES (Y) = Max [ d1 , d2 ,, dn ] n:le nombre de rgles en conflits.

R R R R R R R R

III.5.1.4) Dfuzzification
U

Le sous ensemble flou Y de l'univers de discours V ayant t calcul par le mcanisme d'infrence, l'interface de dfuzzification pour objectif de la transformer en une valeur non floue permettant ainsi la commande effective du systme. Cette opration est effective par l'oprateur de dfuzzification. . La technique de MAX-MIN Cest la plus simple surtout au point de vue de volume de calcule, elle consiste ne consdrer pour chaque sortie que la rgle reprsentent de maximum de la validit et engnore les rgles secondaires. La grandeur de sortie doit tre normalise, et la dfinition des intervalles flous doit se rsumer une valeur. La dfuzzification consiste prendre le min entre la valeur produite par la rgle et la valeur de la variable floue, en suite en va prendre la max des valeurs trouves (voir exemple) . La technique de la moyenne pondre La moyenne pondre elle est plus volue. Elle considre comme valeur de sortie la moyenne des valeurs trouves par chaque rgle pondre par leur degr de vrit respectif (voir exemple). Remarque
U

Cest une technique trs utilise en programmation. . La technique du centre de gravit Consiste tracer sur un mme diagramme, les diffrentes zones correspondant chacune des rgles et calculer le centre de gravit de la zone de chevauchement.

Exemple
U

1 0,8 0,2 0

faible

moyenne

lev

Centre de gravit Zone de chevauchement

vitesse

Remarque
U

Cest une technique plus performante, trs complexe puis quil ncessite le calcule dun intgrale. Sil n y a pas de chevauchement implique que les rgles ne sont pas correcte.

III.6) Domaines dapplication

La logique floue nest pas restreinte aux systmes dont la modlisation est difficile, qui sont contrls par des experts humains ou ceux qui ont plusieurs E/S et des rponses nom linaire. Elle est intressante dans tous les domaines, ou un flou persiste. La liste propose reste limite, car les domaines dapplications sont multiples. . Informatique De nombreuses disciplines informatiques utilisent galement la logique floue. On peut citer notamment l'intelligence artificielle, les bases de donnes et la programmation. a) Intelligence artificielle et systmes experts
U

Les connaissances manipules par les systmes experts sont en gnral incompltes, vague et incertaines. Le trs clbre systme expert MYCIN dveloppe en 1974 afin d'organiser un ensemble de diagnostics sur certaines maladies, et de

permettre un non expert de prescrire la thrapeutie adquate, est un exemple de la prise en compte du vague et du incertain dans la base des rgles et des faits et donc l'utilisation de l'approche floue pour modliser certains de ces systmes. b) Programmation et dveloppement
U

Il s'agit des langages de programmation flous (ou base orientation linguistique) qui permettent d'implmenter des algorithmes flous. Un algorithme flou est une squence finie d'instructions floues. Une instruction floue peut tre une (x = petit, x = environ 50), une instruction inconditionnelle (dcrmenter lgrement x) ou une structure de contrle (si y est petit alors ajouter plusieurs fois 2 x). La programmation floue permet la conception des langages naturels.

. Reconnaissance des formes . Automatisme - Automatismes industriels - Automatismes d'entreprise et de transport - Automatismes dans les appareils grand public . Mathmatiques appliques - Statistiques - Recherche oprationnelle

Conclusion gnrale
La robotique mobile, domine qui ne cesse d'voluer, cherchant tout les atouts possibles pour dpasser les limites actuellement rencontres en navigation dans diffrents environnements. Les systmes base de la logique floue ont un grand degr d'autonomie, et une capacit de dterminer la conclusion (action) en temps rel l'aide d'un moteur d'infrence floue plus proche du mode de raisonnement humain.

Robot mobile

Chapitre I :

Robot mobile

I.1) Introduction
Le domaine des applications de lintelligence artificielle la robotique, bien quil soit utilis depuis longtemps comme dmonstration de lefficacit des systmes inte lligents, est en ralit encore vaste et mal dfini. Lintelligence artificielle voit dans la robotique, un domaine dapplication particulirement riche pour laborer et exprimenter ses propres modles. Les robots mobiles ont une place particulire en robotique. Ils ont vu le jour aux ETATS-UNIS : le robot SHAKEY (Stanford Research Institut) en 1968, le robot JASON (Barkey) en 1970, et le robot ROVER (Jet Propulsion Laboratory) en 1975 [LIM 91]. Leur intrt rside dans leur mobilit qui ouvre des applications dans de nombreux domaines. Depuis l'avnement des robots, les outils et mthodes de contrle utiliss en robotique se sont dvelopps de pair avec l'lectronique et l'informatique. En effet, les progrs constants dans le domaine de la technologie et le domaine de la mthodologie ont permis de concevoir des robots mobiles ayant la facult de percevoir, de prendre des dcisions, et d'agir d'une manire intelligente dans un univers non contrl directement par l'homme, en utilisant des moyens et outils nouveaux tels que : perception de l'environnement, intelligence artificielle, contrle flou . Tous ces moyens et outils contribuent l'accroissement de l'autonomie et la simplicit d'utilisation. Ce qui permet de raliser des oprations de plus en plus complexes avec une autonomie accrue. La mobilit et l'autonomie des robots permettent d'envisager des applications allant du chariot de l'atelier flexible l'exploration plantaire. Cette autonomie pose des problmes complexes en matire de gnration de trajectoire dans des espaces fortement contraints, d'laboration d'une commande et de prise de dcision partir d'information capteurs imprcises et / ou incompltes.

Chapitre I :

Robot mobile

I.2) Dfinition d'un robot et robotique [ZEG 94]

Pour le sens commun, un robot est un dispositif mcanique articul capable d'imiter certaines fonctions humaines telles que la manipulation d'objets ou la locomotion, dans le but de se substituer l'homme pour la ralisation de certaines tches matrielles. Cette ralisation est plus ou moins autonome selon les facults de perception de l'environnement dont est dot le robot. La robotique est l'ensemble des activits de construction et de mise en uvre des robots. La robotique est branche de lintelligence artificielle concerne par ltude de systmes automatiques capables dune interaction directe avec le monde physique [GIA 00].

I.3) Type des robots [GIA 00]

On distingue deux groupes de robots, les robots fixes et les robots mobiles. Les robots fixes sont utiliss dans lindustrie pour raliser des tches dangereuses (soudure du chssis ou peinture de la carrosserie dans une usine automobile), les robots mobiles pour transporter des tches (depuis les chanes de fabrication jusquaux zones de stockage) ou encore pour transporter le courrier dans les bureaux. La tche essentielle qui incombe aux robots mobiles est le dplacement dans un environnement connu ou inconnu Il est donc ncessaire de connatre la position du robot au sein de son univers de faon prcise ou relative selon le cas. La solution pour un robot mobile doit tre globale, cest--dire quil ne faut pas simplement rendre autonome une plate-forme en oubliant provisoirement loutil de travail qui lquipe. La plupart des recherches sont concentres sur les reconnaissances de lenvironnement immdiat du robot. Des capteurs (infrarouges, ultrasons, laser,

camra CCD) associs des logiciels adapts permettent, par la reconnaissance de formes, doptimiser les dplacements du mobile.

Chapitre I :

Robot mobile

I.4) Architecture d'un robot mobile

On dcompose un robot mobile en trois grandes modules fonctionnels : la locomotion, la perception et la dcision [GIA 00].

I.4.1) La locomotion [GIA 00]

La locomotion se dcompose en deux parties : celle qui ralise lappui vis--vis du milieu dans lequel on entend se dplacer et celle qui permet la propulsion. Celle-ci inclut les moteurs et les mcanismes conduisant au dplacement. Les moyens de dplacement sont nombreux, ils dpendent du milieu o le mobile est cens se dplacer (mobile sur le sol, avion, sous-marin, ). Dans notre tude nous traiterons seulement le cas des robots qui se dplacent sur une surface. I.4.1.1) La structure mcanique et motricit [PRU 88] On peut dnombrer quatre types de structures mcaniques assurant la motricit. I.4.1.1.1) Les mobiles roues
U

La mobilit par roues est la structure mcanique la plus communment applique. Cette technique assure selon l'agencement et les dimensions des roues un dplacement dans toutes les directions avec une acclration et une vitesse importante. Le franchissement d'obstacles ou l'escalade de marches d'escalier est possible dans une certaine mesure. Toutes les configurations (nombre, agencement, fonction) des roues sont appliques.

Chapitre I :

Robot mobile

Fig I.1 : Robot roue

I.4.1.1.2) Les mobiles chenilles

U

L'utilisation des chenilles prsente l'avantage d'une bonne adhrence au sol et d'une facult de franchissement d'obstacles. L'utilisation est oriente vers l'emploi sur sol accident ou de mauvaise qualit au niveau de l'adhrence (prsence de boue, herbe).

Fig I.2 : Robot chenille

Chapitre I : I.4.1.1.3) Les mobiles marcheurs

U

Robot mobile

Les robots mobiles marcheurs sont destins raliser des tches varies dont l'accs au site est difficile, dangereux ou impossible l'homme. Leur autonomie nombreux degrs de libert permet un rapprochement avec les robots manipulateurs. La locomotion est commande en termes de coordonnes articulaires. Les mthodes de commande des articulations dfinissent le concept d'allure qui assure le dplacement stable de l'ensemble. Les diffrentes techniques tudies se rapprochent de la marche des animaux et notamment de celle des insectes. L'adaptation au support est un problme spcifique aux marcheurs. Il consiste choisir le meilleur emplacement de contact en alliant l'avance et la stabilit avec l'aide de capteurs de proximit, de contact ou de vision

Fig I.3 : Robot marcheur

I.4.1.1.4) Les robots rampants

U

La reptation est une solution de locomotion pour un environnement de type "tunnel" qui conduit raliser des structures filiformes. Le systme est compos d'un ensemble de modules ayant chacun plusieurs mobilits. Les techniques utilises dcoulent des mthodes de locomotion des animaux.

Chapitre I :

Robot mobile

- Le type scolopendre constitue une structure inextensible articule selon deux axes orthogonaux. - Le type lombric comprend trois articulations, deux rotations orthogonales et une translation dans le sens du mouvement principal. - Le type pristaltique consiste raliser un dplacement relatif d'un module par rapport aux voisins. I.4.1.1.5) La motricit et l'nergie
U

Le dplacement des robots est ralis par des moteurs de types: - lectrique - thermique - hydraulique L'nergie lectrique la plus frquemment employe offre l'avantage d'une commande aise. Par contre le transport et la gnralisation prsentent des difficults. Plusieurs mthodes sont employes: - par batteries qui sont * soit recharges priodiquement de manire automatique ou manuelle. * soit par un change avec d'autres lorsqu'elles sont dcharges. - par groupe lectrogne embarqu dont l'inconvnient constitue la masse leve. L'nergie de base est alors thermique. - par cordon ombilical qui rduit l'autonomie du robot. L'nergie thermique est essentiellement employe par des vhicules de forte puissance comme nergie de base pour la traction ou pour activer un compresseur hydraulique.

I.4.2) La perception [GIA 00]

Cette partie du robot est souvent la plus difficile raliser et les recherches dans ce domaine utilisent une plate-forme trois ou quatre roues pour tudier les problmes de comportement.

Chapitre I :

Robot mobile

La perception passe par deux tapes successives : la lecture des capteurs, puis le traitement de linformation. Linterprtation, qui permet de dlivrer un message clair la fonction locomotion, est dvolue la fonction dcision du robot. On peut imaginer la situation dun robot mobile devant son environnement en comparant celui-ci avec un aveugle qui dcouvrirait un nouveau lieu. Le robot doit tre capable danalyser un objet localement, puis de positionner globalement tous les objets les uns par rapport aux autres. De cette manire, il construit un modle de son environnement au fur et mesure de son exploration. Les capteurs les plus simples sont utiliss pour analyse locale (les capteurs de contact, les capteurs de proximit avec ou sans mesure, les capteurs de lumire, les capteurs de pression mouvement), alors que la tlmtrie laser ou ultrason autorise lanalyse dune image simple ou dun mouvement. I.4.2.1) Les types de capteurs Les capteurs jouent un rle indispensable dans la modlisation de l'environnement, car ils fournissent des renseignements sur l'univers du robot, et grce ces informations ce dernier peut connatre sa position, et il peut aussi voluer librement en vitant les obstacles. I.4.2.1.1) Capteur ultrasonores [BEN 97]
U U

La mesure de la distance objet-capteur se fait par une mesure temporelle entre l'instant d'mission et l'instant de rception (appel temps de vol) de train d'ondes ultrasonores mis par un transducteur pizo-lectrique. (Fig I.4) d
Impulsions

Objet

t0

Emetteur

t0+tv

Rcepteur Fig I.4 : Principe d'un capteur ultrasonore

Chapitre I : La distance d sparant l'metteur et l'obstacle est donne par:

d= c * ty 2

Robot mobile

Avec :
ty : temps de vol.

c : clrit du son.

La clrit du son dpend de la nature du milieu et de sa temprature ( 25o c,

P P

Cair = 346 m/s).Les avantages d'un systme ultrasonore sont:

- Temps de propagation facilement mesurable. - Une mise en uvre simple. Le principal inconvnient rside dans le mouvement d'air qui entrane des fluctuations de la vitesse de propagation des ultrasons ce qui introduit des erreurs sur la mesure de la distance. I.4.2.1.2) Les capteurs infrarouge [BEN 97]
U U

Ce type de tlmtre utilise les rayons infrarouges pour mesurer la distance entre l'objet et le robot. Son principe de fonctionnement est le suivant: Un metteur (souvent une diode) est associ un rcepteur (phototransistor) qui est excit par la lumire rflchie par l'objet dont on souhaite valuer la distance ou dterminer la prsence. La figure (fig I.5) donne le principe de base.

Emetteur

Objet dtecter

Rcepteur Volume sensible FigI.5 : Principe d'un capteur infrarouge

Chapitre I :

Robot mobile

Ces capteurs prsentent un certain nombre d'avantages: - Des mesures beaucoup plus prcises que l'on peut obtenir par les capteurs ultrasonores. - Leurs distances minimales de dtection descendent au dessous du centimtre, ils prsentent la meilleure solution pour une distance minimum de la dtection (de l'ordre de un millimtre). - Un cot faible et petit volume. I.4.2.1.3) Les capteurs tlmtriques laser [BEN 97]
U U

Avec ce type de capteurs, on peut calculer la distance partir de diffrentes mthodes: Mesure du temps du vol:
U

C'est--dire de l'intervalle de temps sparant l'mission d'un train d'impulsions, et la rception de son cho. Une impulsion optique est gnre sur une diode Laser recueillie en retour sur un photodtecteur. Triangulation optique:
U

La distance peut tre aussi calcul en mesurant le dphasage entre le signal mis et le signal reu. Ce qu'on appelle la triangulation optique. Une diode Laser met un faisceau lumineux sur un point de surface, celle-ci diffuse une partie de la lumire reue dans tout l'espace dont une partie est collecte par lentille de dtection puis focalise sur un capteur. Base sur la mesure de l'angle entre la direction du faisceau mis et celle sous la quelle est vu le point d'impact (Fig I.6-a). Cette technique ne marche pas s'il existe des zones d'ombre (Fig I.6-b).

Chapitre I :

Robot mobile

Diode Laser

Capteur

Lentille De focalisation

Lentille de dtection

Zone ombrage (a) (b)

Fig I.6 : Tlmtrie optique par triangulation

I.4.3) La dcision [GIA 00]

Les informations en provenance des diffrents capteurs doivent tre interprtes comme autant dlments utiles la prise de dcision sur laction faire, le but tant de dlivrer les ordres corrects aux actionneurs, bras, pinces ou moteurs des roues. Dans un robot mobile, il est ncessaire de donner des priorits en fonction des informations reues. Par exemple, si un capteur de contact informe dun choc sur lavant, cette information est prioritaire sur un dplacement du robot vers lavant et doit entraner un arrt ou un dplacement dans une autre direction. On comprend ainsi toute la difficult raliser cette fonction, car cest elle qui donnera vie notre robot. Cest lors de cette phase de la conception dun robot quil est ncessaire de lui donner une forme dintelligence en lui laissant le choix sur laction entreprendre. Cette prise de la dcision est souvent arbitraire au dbut, mais elle permet de dvelopper une forme dapprentissage qui tient compte des rsultats des dcisions prcdentes. Cette fonction est de loin la plus incomplte, car elle tente dapprocher la psychologie animale, voire humaine.

Chapitre I :

Robot mobile

I.4.3.1) Autonomie dun robot mobile [CHO 98] La principale caractristique d'un robot mobile est l'autonomie, c'est la capacit du robot mobile prendre ses dcisions, dterminer ses actions lui-mme, dans son environnement, par le biais des informations collectes par son systme de perception et des connaissances incorpores priori ou acquises par apprentissage.

I.5) Architecture du robot mobile adopt

Nous avons opt pour une architecture assez standard : le robot considr est circulaire (ce qui permet au robot de tourner dans la mme place sans toucher les obstacles) dot d'un dispositif de dplacement constitu de deux roues motrices, directrices et indpendantes. Ainsi que deux roues folles d'quilibrage et trois capteurs infrarouges (parce qu'il donne des mesures beaucoup plus prcises, distance minimale de dtection (de lordre de centimtre) et un cot faible et un encombrement minimal) : l'un frontal et deux latraux pour assurer le systme de perception du robot mobile. Ce dernier est capable d'effectuer un mouvement de retournement (Fig I.7).
,
Roues folles Equilibrages

Capteurs Infrarouges

yr

Roues motrices

xr Fig I.7: Configuration du robot

Chapitre I :
: Orientation du robot.

Robot mobile

: La vitesse du robot.
( xr , yr ) : Les coordonnes du robot.
R R

I.6) Domaines d'application de la robotique mobile [HROB]

Commenons par les trois domaines majeurs: le nuclaire, le spatial et le sous marin qui prsentent des points communs: - La ncessit d'adaptation au milieu est primordiale - La tche effectuer est non rptitive. - En spatial, comme en nuclaire et en sous marin, la difficult de communication ncessite l'autonomie du robot.

a) Le nuclaire
C'est le domaine le plus ancien, le nuclaire reste un grand utilisateur pour ses applications classiques: dcontamination, inspection et ventuellement intervention en cas d'accidents. Comme on peut le constater au Service de Tlopration et Robotique du CEA (Commissariat l'nergie atomique) Fontenay-aux-Roses (France). C'est certainement le domaine ou les architectures utiliss sont les plus varies, car chaque problme trouve sa solution spcifique: robots longs et fins pour passer dans des canalisations, hexapodes, vhicules chenilles, roues, en trains

b) Le spatial
La robotique spatiale a vraiment progress dans les annes 80. Aprs des fortunes diverses dues en partie aux pressions des astronautes pour favoriser les vols habits, la robotique mobile est revenue en force avec l'exploration martienne et le succs trs mdiatis du petit robot Sjourner qui est un vhicule a six roues dpos le 4 juillet 1997 charg d'explorer le site.

c) Le sous-marin

Chapitre I : Robot mobile En sous-marin, la varit des applications s'tend de la recherche ocanographique fondamentale l'ingnierie. Nous citons: La cartographie des fonds sous marins, l'inspection des pavs comme l'exploration du TITANIC, l'observation de la flore, de la faune, de la gologie. Comme en nuclaire les systmes utiliss diffrent selon les applications et la profondeure : Engins tloprs, vhicules autonomes de longues porte.

d) Mdecine
Le monde de la sant est l'un des principaux utilisateurs potentiels de techniques de la robotique mobile; dans des hpitaux ou des maisons de retraite, des prototypes de robots mobiles circulants dans les couloirs et les chambres pour livrer des mdicaments et plateaux-repas.

e) Les vhicules automatiques

Les recherches en assistance la conduite des automobiles ou des camions, incluant mme une automatisation partielle de celle-ci, utilisent largement les rsultats des travaux sur les robots mobiles en localisation, vitement d'obstacles, planification des mouvements. Plus spcifique est le dveloppement assez rcent des tudes sur les 'drones', petits vhicules volants (dirigeables, avions hlicoptres), partiellement tloprs ou autonomes. Outre que les applications militaires de surveillance ou de renseignement, il existe de nombreux besoins civils qui pourront tre satisfait par de tels systmes: cartographie automatique, inspection de lignes de haute tension, localisation d'accidents en montagnes, scurit, etc. On retrouve dans ce domaine les problmes de localisation et de perception de l'environnement des robots mobiles terrestres, auxquels s'ajoutent des questions dlicates de pilotage.

Chapitre I :

Robot mobile

I.7) Conclusion
Dans ce chapitre nous avons prsent : les diffrents types des robots, architecture d'un robot mobile (c'est--dire la locomotion, la perception et la dcision) et l'architecture adopte. La robotique mobile connue une grande rvolution. Elle est devenue indispensable et ces applications sont reparties dans presque dans tous les domaines de la vie. La robotique mobile va bien sr continuer intgrer les progrs de linformatique, et en premier lieu bnficier dalgorithmes de plus en plus complexes, excutables en temps rel. Mais aussi, via les techniques daccs aux rseaux Internet par mobiles. Plus largement, un couplage avec de futurs agents de recherches intelligents sur Internet permettra par exemple un robot de compagnie dtre aussi une interface avec des connaissances repartis dans le monde entier. Les robots mobiles vont aussi se bnficier du dveloppement de la mcanique, llectronique. Il va tre compos de capteurs intelligents, micro contrleurs, se sont des facteurs de fiabilit et de baisse de cot. Les robots mobiles vinrent en principe gagner en autonomie. Ils se dplaceront dans des lieus publics, comme par exemple un robot guide de muse ou chien daveugle, et devront viter toute collision.

Stratgie de navigation d'un robot mobile

Chapitre II :

Stratgie de navigation d'un robot mobile

II.1) Introduction
La possibilit de naviguer avec une certaine autonomie dans un environnement contenant des obstacles est l'un des problmes des robots mobiles. Le manque d'autonomie en navigation peut conduire des rsultats errons et des difficults de modlisation de l'environnement. L'autonomie de navigation d'un robot mobile est la capacit des robots prendre des dcisions indpendamment de l'oprateur humain dans leurs dplacements. Il existe deux approches de navigation : approches classiques qui prsentent certaines limites d'application et approches actuelles, qui sont les nouvelles techniques basant sur l'intelligence artificiel tell que les rseaux de neurones, algorithmes gntiques et la logique floue. Offrant les nouveaux apports la robotique mobile en particulier l'autonomie du robot. Pour cette raison nous avons adopt pour la navigation d'un robot mobile, la logique floue.

II.2) Architecture de commande d'un robot mobile [LIM 91]

La commande d'un robot mobile autonome passe par trois niveaux hirarchiques selon leur niveau de priorits: planificateur navigateur pilote, ceci constitue le module de raisonnement du robot mobile (Fig II.1).

PLANIFICATEUR NAVIGATEUR
Perception de L'environnement

PILOTE

Actionneurs

Fig II.1: Dcomposition hirarchique classique de la commande du robot mobile

Chapitre II :

Stratgie de navigation d'un robot mobile

II.2.1) Planification
Planification est le sommet de la structure hirarchique de la commande, sa fonction est de gnrer une trajectoire pour le robot mobile de sa position courante la position finale. Le planificateur avec un modle de l'environnement produit une trajectoire qui est passe au contrleur du robot qui son tour l'excute. Lorsque, l'environnement est inconnu (la dimension, la forme et la localisation des obstacles sont inconnus), le planificateur se base sur les informations sensorielles.

II.2.2) Navigation
La navigation est dfinie comme l'art de se diriger vers une destination finale et cela dtermine la localisation du robot et sa route, ainsi que la distance parcourue. Le module assurant cette action est le navigateur, il a deux fonctions: 1. Il est charg de suivre les contours du lieu d'volution et de transmettre les informations sur l'environnement au planificateur. 2. Il prend en charge les modifications de la trajectoire en fonction du changement de l'environnement lors d'une mission donne.

II.2.3) Le pilotage
Le pilotage consiste asservir le mouvement lors de suivi d'une trajectoire planifie. Le pilote gre les fonctions de bas niveaux, tels que les asservissements, ainsi que les informations issues des capteurs. Il permet de trouver les consignes appliquer aux actionneurs.

II.3) Tactique de navigation [BEN 97]

On peut classer les tactiques de navigation en trois groupes, suivant que le robot ne connat rien de son univers de dplacement, qu'il le connat totalement, ou qu'il le dcouvre au fur et mesure de son dplacement.

II.3.1) Navigation dans un environnement totalement inconnu

Cette tactique concerne les robots mobiles isols de toute information de lenvironnement du travail, donc le chemin ne peut tre planifi avant laction, pour

Chapitre II :

Stratgie de navigation d'un robot mobile

cela, les robots chercheront seulement viter les obstacles pour atteindre leurs buts laide dun tlmtre. Les primitives suivantes sont prises en compte : - aller en ligne droite sur une longueur donne ; - tourner dun angle donn ; - orienter un tlmtre dans une direction donne. Comme les robots ne possde aucune information concernant lunivers de travail, ils sont appels prendre en charge les trois primitives dj cites pour dterminer lenchanement des tches accomplir. Si un obstacle est dtect, le robot le contourne par ttonnement ou en tournant dun angle et en avanant dune certaine distance et cela dune faon continue jusqu atteindre le but.

II.3.2) Navigation dans un environnement totalement connu

Comme la connaissance de lunivers est donne par lutilisateur, alors le seul objectif principal du robot est de modliser cet environnement. Dans ce type denvironnement, la tactique de circulation du robot est bien vidente, elle est base sur les mthodes de recherche des chemins optimaux engendrs par la thorie des graphes, et ceci en considrant lenvironnement comme tant un graphe.

II.3.3) Navigation dans un environnement partiellement connu

Ce type denvironnement est d : aux limites de son organe de " vision", ou aux ajouts des obstacles lenvironnement. La tactique suivie dans ce cas est une combinaison des deux tactiques prcdentes, le robot commence par lexcution de la deuxime tactique, en utilisant sa mmoire qui contient des informations globales concernant son environnement, et en gardant les coordonnes de dpart et les obstacles ventuels, ensuite il estime la trajectoire optimale. En cas o le robot dtecte un nouvel obstacle inconnu pour sa mmoire, il prend en compte la premire tactique, et intgre les connaissances impliquant cet obstacle dans sa carte mmoire.

Chapitre II :

Stratgie de navigation d'un robot mobile

II.4) Les mthodes de navigation d'un robot mobile [CHO 98]

Le choix des approches de planification et de contrle de la navigation est troitement li la nature de l'environnement o se dplace le robot mobile, les approches classiques de navigation souvent supposent une connaissance priori de l'environnement, c'est--dire l'environnement est totalement ou partiellement connu. Contrairement aux approches actuelles o le robot n'a aucune ide sur son environnement, donc il n'a pas la possibilit de planifier son chemin.

II.4.1) Approches classiques

Plusieurs approches classiques ont t dveloppes, mais la plupart delles ont le point commun de planifier une trajectoire continue et libre d'obstacles. Parmi ces mthodes: a) Approches bases sur le raisonnement gomtrique Cette approche, le robot est modlis comme une forme gomtrique, ou un point dans un environnement statique, compltement connu. Le problme se transforme en un problme gomtrique de planification de chemins et de gnration de trajectoires pour le contrle. b) Approches bases sur la configuration de l'espace Dans cette approche, l'espace de travail du robot est divis en petites cellules (sous forme de rectangles ou carrs) ayant une taille fixe. Le centre de chaque cellule est localis dans un espace cartsien dont les lments sont 0 et 1 suivant que la cellule correspondante est libre ou occupe par un obstacle. L'environnement est donc compltement connu est configur en un modle de grille. La gnration d'une trajectoire libre d'obstacles est base sur ce modle. c) Approches bases sur le champ de potentiel artificiel Ces approches bases sur le champ de potentiel artificiel dveloppes par O.Khatib [KHA 86] ont t les plus utiliss pour la planification et le contrle de la navigation. Par contre, ces approches peuvent tre envisages pour une ventuelle application en temps rel condition de rsoudre le problme de 'serrure' c'est--dire, dans le cas d'quilibre des forces.

Chapitre II :

Stratgie de navigation d'un robot mobile

En ralit, la navigation d'un robot mobile dans son environnement est un problme ci complexe, car on ne peut pas connatre tous les environnements o il navigue. Un robot mobile est destin raliser des tches bien dfinies dans diffrents environnements qui peuvent tre complexes. Son comportement doit tre bas sur la manire dont se comporte l'tre humain. Le processus de navigation doit tre dcrit d'une faon comportementale et non pas mathmatique comme le fait les approches classiques.

II.4.2) Approches actuelles

L'environnement dans lequel se navigue un robot mobile n'est pas toujours connu, et pour la plus part des cas il est impossible de gnrer des trajectoires sans collision l'avance dans tous les cas. Un robot mobile au cours de la navigation doit viter les obstacles statiques ou dynamiques et localiser la cible. L'environnement o il se trouve est donc inconnu et changeable, les informations obtenues sur son environnement peuvent tre imprcise et incertaines. Une description mathmatique de ce problme ne tolre pas l'imprcision ni l'incertitude, ce qui ne constitue pas une solution adquate un tel problme. Un problme de navigation d'un robot mobile ncessite que le robot soit intelligent, autonome et arrive ragir en temps rel dans toute situation. Son comportement est semblable au comportement de l'tre humain dans de telles situations. Plusieurs

heuristiques simulant le raisonnement humain ont t proposes dans la navigation d'un robot mobile ce qui est appel 'soft computing'. Les nouvelles approches se basent essentiellement sur les rseaux de neurones, les algorithmes gntiques et la logique floue. a) Les rseaux de neurones et la robotique mobile Les rseaux de neurones sont utiliss pour mimer le cerveau humain. L'intrt de les utiliser est de construire des systmes artificiels capables d'apprendre, et d'excuter des tches complexes exigeants un traitement parallle. Dans la navigation d'un robot mobile se basant sur les rseaux de neurones, le robot doit prvoir et percevoir l'environnement, son comportement est bas sur des rgles acquises au fur et mesure

Chapitre II :

Stratgie de navigation d'un robot mobile

de sa navigation. Les rseaux de neurones sont des techniques d'apprentissages et d'auto adaptation. b) Les algorithmes volutionnaires et la navigation du mobile [VIC 98] Les algorithmes volutionnaires (stratgies d'volution, Algorithmes gntiques, ) sont des heuristiques bases sur la thorie d'volution des espces. Les organismes biologiques peuvent tre une source d'inspiration pour construire et contrler des robots autonomes. Les animaux, les tres humains sont des vrais agents autonomes qui reprsentent une adaptation robuste, et un comportement stable dans des environnements changeables sans une supervision externe. Les algorithmes gntiques sont donc appels pour la conception d'un comportement robuste et adaptatif du robot dans un environnement changeable et inconnu. c) La navigation d'un robot mobile par la logique floue La logique floue est un mode de raisonnement trs proche de la pense humaine, elle traduit les connaissances et le raisonnement d'un expert humain en rgles simples qu'un systme artificiel peut utiliser. La logique floue est utilise dans la navigation d'un robot mobile en intgrant la connaissance de l'tre humain dans le systme mobile, son comportement est gnr par un mcanisme d'infrence flou se basant sur cette connaissance. La logique floue offre de grands avantages: comme la raction en temps rel du mobil, puisque la connaissance est incorpore priori. Elle tolre l'imprcision des donnes prises par les capteurs, ce qui permet de rduire le cot de conception. Nous avons fournies la logique floue pour la navigation d'un robot mobile dans notre thme. d) Soft computing Ces mthodes et encore d'autres du 'soft computing' sont trs intressantes pour la rsolution du problme de la navigation du robot mobile autonome. Plusieurs approches portent sur l'utilisation de l'une de ces mthodes qu'on appelle les systmes intelligents ou bien l'hybridation entre deux ou plusieurs mthodes en exploitant leurs proprits complmentaires. Ce qu'on appelle les systmes hybrides intelligents.

Chapitre II :

Stratgie de navigation d'un robot mobile

II.5) La stratgie de navigation

La stratgie de navigation concerne les diverses mthodes de dplacement du mobile en accord avec le type de tches envisages. Trois types de navigation sont distinguer : - le dplacement dun point vers un autre est la stratgie la plus courante. Elle consiste gnrer les commandes afin que le robot atteigne un point de lespace (2D ou 3D). Les primitives de commande sont du type "aller (x, y) "[PRU 88]. On utilise aussi deux comportements afin d'assurer au mieux la navigation d'un robot mobile. Comportement vitement d'obstacles fixes
U

Il permet au robot de ragir en temps rel aux ventuels obstacles rencontrs. A titre dexemple : si le robot dtecte un obstacle l'avant, un obstacle droite, aucun obstacle gauche et la cible est droite, alors il tournera gauche avec un vitesse moyenne. A titre dexemple nous citons la rgle suivante :

SI la distance gauche est loin ET la distance frontale est prs ET la distance droite est prs ET la cible droite ALORS tourne gauche ET vitesse moyenne.

cible

robot Fig II.2: Evitement lobstacle

Chapitre II : Comportement rapprochement du but

U

Stratgie de navigation d'un robot mobile

Il permet au robot de rapprocher la cible et de s'immobiliser lorsque celle-ci est atteinte. Pour ce comportement nous donnons deux exemples.

SI la distance gauche est loin ET la distance frontale est loin ET la distance droite est loin ET la cible droite ALORS tourne droite ET vitesse nulle.

SI la distance gauche est loin ET la distance frontale est loin ET la distance droite est loin ET la cible gauche ALORS tourne gauche ET vitesse nulle.

cible

robot Fig II.3: Rapprochement la cible

- Le balayage de zone est essentiellement utilis par le robots dont la tche consiste parcourir toute la surface afin dy effectuer un travail (notamment le nettoyage). Deux algorithmes dfinissent les tactiques de dplacement : * le dplacement en spirale constitue une mthode de dplacement paralllement aux trajectoires dj utilises partir du primtre extrieur de lenvironnement et en allant de proche en proche vers le centre [PRU 88].

Chapitre II :

Stratgie de navigation d'un robot mobile

Fig II.4: Navigation en spirale

* le dplacement en zig-zag consiste parcourir la zone utile de gauche droite et de haut en bas (ou inversement) [PRU 88].

Fig II.5 : Navigation en zig-zag

Dans le cas environnement complexe, c'est--dire avec de nombreux obstacles, la mthode consiste partager lensemble en zones dans lesquelles seront appliqus un des algorithmes cits. Le problme consiste minimiser le nombre de surfaces lmentaires traverses plusieurs fois ainsi que le nombre de mouvements de rotation appliquer au mobile [PRU 88].

Chapitre II :

Stratgie de navigation d'un robot mobile

Fig II.6 : Partage de lenvironnement en zones

- La poursuite consiste suivre : * un autre mobile qui se dplace * un lment de lenvironnement (exemple : poursuite de route) [PRU 88].

II.6) Problmes de la navigation des robots mobiles [BEN 97]

Les problmes de la navigation des robots mobiles sont : - contrainte gomtrique, planification de la trajectoire et vitement obstacles, il sagit de trouver une squence continue de positions et dorientations dun robot mobile dans lenvironnement ; - contrainte cinmatique, une trajectoire gomtrique sans collision peut tre une trajectoire cinmatiquement non ralisable ; - estimation de la position instantane (localisation), c'est--dire estimer chaque instant les coordonnes x, y et lorientation.

II.7) Planification d'une trajectoire [RDIS]

La planification de trajectoires sans collision dans des environnements a t le sujet d'un nombre trs important de recherches ces dernires annes. Toutefois, de nos jours,

Chapitre II : Stratgie de navigation d'un robot mobile trs peu de planificateurs sont efficaces lorsque l'espace de travail est trs encombr. Le problme peut se traduire de la faon suivante : tant donnes une configuration initiale et une configuration finale, trouver une trajectoire qui amne le robot la position finale souhaite, si elle existe, tout en vitant les obstacles. Il existe deux types d'approches pour la recherche de trajectoires : les mthodes globales et locales. Les mthodes globales sont bases sur la connaissance de l'ensemble de l'espace libre. La construction de cet espace est trs coteuse en temps de calcul et n'autorise pas l'utilisation de telles mthodes en temps rel. Les mthodes locales se caractrisent par la connaissance locale de l'environnement et l'ensemble de rgles. A chaque pas de dplacement l'algorithme dtermine l'existence ou non de collisions, si c'est le cas, alors la trajectoire est modifie localement. Toutefois avec ces mthodes on peut trouver des minima locaux dus la nature locale de l'approche.

II.8) Conclusion
Dans ce chapitre nous avons prsent larchitecture de commande d'un robot mobile, les tactiques de navigation, les stratgies de navigation et planification d'une trajectoire. Le choix dune mthode de navigation dpend fortement de lenvironnement. Les approches actuelles de navigation dun robot mobile sont : les rseaux de neurones, les algorithmes volutionnaires et la logique floue. Dans ce contexte nous avons choisi la logique floue pour la navigation du robot mobile. La logique floue est un outil trs robuste de lintelligence artificielle. Elle sera tudie dans le chapitre suivant.

La logique floue

Chapitre III :

La logique floue

III.1) Introduction
La thorie classique des ensembles et la logique classique ont montr leur incapacit modliser les notions vagues du langage naturel qui arrive dcrire parfaitement le monde rel qui lui-mme est d'essence imprcise et incertaine. Pour s'approcher du mode de raisonnement humain dans la manipulation des connaissances vagues, imprcises et incertaines, plusieurs thories ont t

dveloppes. La thorie des ensembles flous nonce par L.A.ZADEH (professeur l'universit de BERKLEY en Californie) est l'une des thories qui a connu un vritable engouement actuellement, pour les applications de contrle des systmes et dans plusieurs autres domaines. Les ensembles flous constituent une gnralisation de la thorie classique des ensembles et admettent des situations intermdiaires entre le 'vrai' et le 'faux', ils tablissent une interface entre des donnes dcrites symboliquement (des mots) et des donnes numriques (des chiffres), ce qui a fait de cette thorie le modle prfrable pour reprsenter les notions vagues du langage naturel afin de pallier l'inadaptation de la thorie des ensemble dans ce domaine. La logique floue est donc un outil pour la manipulation et la reprsentation des connaissances imparfaitement dcrites, ses objets sont modliss par des ensembles flous support de base des notions vagues.

III.2) Quest-ce que la logique floue ?

Le terme de logique flou a deux acceptions :

[BER 95]

- La premire, que nous avons adopte

correspond tous les

dveloppements concernant la thorie de sous-ensembles flous. - La seconde reprsente une extension de la logique classique, dans le but de raisonner sur des connaissances imparfaites.

30

Chapitre III :

La logique floue

III.3) Historique [JEA95]

Les racines de logique floue se trouvent dans le principe dincertitude Heisenberg. Dans les annes 20, les physiciens ont introduit la troisime valeur dans le systme logique bivalent {0,1}. Au dbut des annes 30, le logicien polonais Jan Lukasiewiez a dvelopp le systme logique avec trois valeurs puis tous les nombres rationnels entre 0 et 1. Il a dfini la logique floue comme une logique qui utilise la fonction gnrale de vrit, laquelle associe une affirmation un niveau de vrit qui peut prendre toutes les valeurs entre 0 (faux) et 1 (vrai), c'est--dire T : {Affirmation} [0,1]. Dans les annes 30. Max Blak a appliqu la logique floue aux ensembles dlments ou des symboles. Il a appel imprcision lincertitude de ces ensembles. Il a dessin la premire fonction dappartenance (membership function) dun ensemble flou. En 1965 Lotfi Zadeh a publi larticle fuzzy set dans lequel il a dvelopp la thorie des ensembles flous et introduit le thme fuzzy dans la littrature technique. Les premiers rsultats en commande floue ont t publis par Mamdani et assilian en 1975, ce qui encourag diffrentes activits en Angleterre, au Danemark et en France. Aprs 1980, les recherches sarrtent en Europe mais les Japonais les reprennent. Leur industrie a lanc de nombreux produits bass sur la logique floue, notamment des appareils lectromnagers et des matriels audio visuel. Actuellement, la logique floue est considre comme un outil de base au Japon, et les principales directions de recherche sont la combinaison de la logique floue, des algorithmes gntiques et des rseaux de neurone. de

III.4) Pourquoi utiliser la logique floue ?

[BER 95]

Il convient dutiliser la logique floue lorsque des imperfections entachent la connaissance dont nous disposons sur le systme, et lorsque la modlisation

rigoureuse de celui-ci est difficile, lorsquil est trs complexe, lorsque notre faon
31

Chapitre III :

La logique floue

naturelle de laborder passe par une vue globale de certains de ses aspects. Si elle impose une standardisation de la signification des descriptions du systme exprimes linguistiquement, ce qui peut sembler rdacteur par rapport une utilisation purement symbolique des descriptions linguistiques, la logique floue prsente lavantage de permettre le passage dune telle description dun expert ou dun observateur lautre et la mise au point dune standardisation consensuelle en cas de divergence de signification entre deux individus. De toutes faons, les descriptions linguistiques ne sont elles-mmes que des schmatisations de la situation relle, dpendant du langage utilis et galement du modle du monde dans lequel se situer le systme. Un expert exprime diffremment ses connaissances sur un mme point, donc reprsente diffremment ses connaissances, selon quil participe une mission de radio ou quil sadresse ses condisciples, par exemple, et lintroduction de sousensembles flous nest quune autre reprsentation de ses connaissances, dans un but dautomatisation de processus concernant le systme. Insistons pour terminer sur le fait que la logique floue est le seul cadre dans lequel puissent tre traites des imprcisions et des incertitudes, qui autorise galement le traitement de certaines incompltudes, et le seul cadre dans lequel puissent tre traites des connaissances numriques et des connaissances exprimes symboliquement par des qualifications du langage naturel.

III.5) Thorie de sous ensemble flou

III.5.1) Concept de sous-ensemble flou [BER 95]
Le concept de sous-ensemble flou a t introduit pour viter les passages brusques dune classe une autre (de la classe noire la classe blanche par exemple) et autoriser des lments nappartenir compltement ni lune ni lautre ( tre gris, par exemple), ou encore appartenir partiellement chacune (avec un fort degr la classe noire et un faible degr la classe blanche dans le cas du degr fonc).

32

Chapitre III : La notion de sous-ensemble flou permet de traiter : - des catgories aux limites mal dfinies,

La logique floue

- des situations intermdiaires entre le tout et le rien ("presque noire"), - le passage progressif dune proprit une autre (de "proche" "loign" selon la distance), Le concept de sous-ensemble flou constitue un assouplissement de celui de sousensemble flou dun ensemble donn. Il nexiste pas densemble flou au sens propre, tous les ensembles considrs tant classiques et bien dfinis. On utilise toutefois souvent le terme densemble flou au lieu de sous-ensemble flou, par abus de langage, conformment la traduction du terme original de "fuzzy set", que lon peut oppose grisp set dsignant un sous-ensemble non flou.

III.5.2) Dfinition dun sous-ensemble flou [BER 95]

Un sous-ensemble classique A de X est dfini par une fonction caractristique X A qui prend la valeur 0 pour les lments de X nappartenant pas A et la valeur 1 pour ceux qui appartiennent A : X A : X {0,1}

Par contre un sous-ensemble flou A de X est dfini par une fonction

dappartenance qui associe chaque lment x de X, le degr A (x), compris entre 0 et 1, avec lequel x appartient A : f A : X [0, 1]. Dans le cas particulier o f A ne prend que des valeurs gales 0 ou 1, le sousensemble flou A est un sous-ensemble classique de X. Un sous-ensemble classique est donc un cas particulier de sous-ensemble flou. Dans un ensemble de rfrence E, depuis [Zadeh 65] et [kaufmann 72], un sousensemble flou de rfrentiel E est caractris par une fonction dappartenance de E dans lintervalle des nombres rels [0,1] (degr dappartenance qui est lextension de la fonction caractristique dun sous-ensemble classique). En fait un sous-ensemble flou (nous dirons plus brivement un ensemble flou) est formellement dfini par ffffffffffffff
33

Chapitre III :

La logique floue

lapplication , mais pour se ramener au langage des mathmatiques classiques, nous parlerons dun ensemble flou A, et noterons A sa fonction dappartenance [GAC 97]. Cependant, si on prend un concept aux limites floues par exemple : "cet homme est dun ge moyen" cest une proprit qui est vague. Si lon considre que lge moyen est de 45 ans, les personnes de 35 ans ou 55 ans ne peuvent tre situes "tout fait en dehors de lge moyen" Au contraire les gent dont lge est infrieur 30 ans ou suprieur 60 ans peuvent tre considrs comme "tout fait dehors de lge moyen".Un tel concept peut tre reprsent avec un ensemble flou dge entre 30 et 60 ans est une chelle, un degr dappartenance entre 0 et 1, afin de restituer les nuances inhrentes ce concept vague, mal adapt la notion dappartenance du modle ensembliste classique. On pourrait donc par convention attribuer un degr

dappartenance 1 lge de 45 ans pour dire quil est vraiment de lge moyen, alors quun homme de 55 ans se verrait attribuer un degr de 0.3 pour dire quil est plus ou moins dun ge moyen. Un ensemble flou se prsente grce cette fonction

dappartenance (Fig III.1) [JEA 95]. Dans notre exemple U peut tre lensemble de tous les ges U = [0, 120], l'ensemble flou A est l'ensemble des ges satisfaisant la proprit vague "ge moyen" avec un degr de confiance reprsent par la fonction dappartenance A [JEA 95].
Degr d'appartenance ge moyen

0.3

30

45

55

60

ge (annes)

Fig III.1 : Reprsentation dun ensemble flou

34

Chapitre III :

La logique floue

III.5.3) Fonction dappartenance [BOR 98]

Lapplication A est appele fonction dappartenance de lensemble flou A gnralisant ainsi le concept dappartenance de la thorie classiques des ensembles : A tout lment x de U la valeur A (x) associes nest pas ncessairement gale 0 ou 1, elle est priori quelconque et dsigne le degr dappartenance de x lensemble de A. Largument x se rattache la proprit vague reprsent par lensemble flou A. Lorsque cette proprit correspond lnonc de la valeur de variable x = x 0 , on aura A (x) = 1 pour x = x 0 et A (x) = 0, pour x x 0 on alors un singleton. Le tel que x peu prs gal x 0 aura une fonction dappartenance en forme triangle. Laffirmation x peu prs compris entre x 1 et x 2 correspond une fonction dappartenance trapzodale (Fig III.2).
(A) 1 (A) 1 (A) 1

x0

x0

x1

x2

Fig III.2 : Fonction d'appartenance pour les trois cas

La thorie des ensembles flous ne fournie pas assez doutils daide pour la dtermination de la fonction dappartenance approprie, le plus souvent on utilise les deux dernires formes : Triangulaire et trapzodale.

III.5.4) Caractristiques dun sous-ensemble flou [BER 95]

Les caractristiques dun sous-ensemble flou A de X les plus utiles pour le dcrire sont celles qui montrent quel point il diffre dun sous-ensemble classique de X.

35

Chapitre III : a) Support

La logique floue

La premire de ces caractristiques est le support de A, cest--dire lensemble des lments de X qui appartiennent, au moins un peu, A. Le support de A, not Supp (A), est la partie de X sur laquelle la fonction dappartenance de A nest pas nulle : Supp (A) = {x X / f A (x) 0}. b) Hauteur La deuxime caractristique de A est sa hauteur, note h (A), cest--dire le plus fort degr avec lequel un lment de X appartient A. La hauteur, note h (A), du sous-ensemble flou A de X est la plus grande valeur prise par sa fonction dappartenance : h (A) = sup xX f A (x). c) Normalis On utilise souvent des sous-ensembles flous normaliss, cest--dire pour lesquels il existe au moins un lment de X appartenant de faon absolue (avec un degr 1) A. La thorie des possibilits, fait appel des sous-ensembles flous normaliss. Le sous-ensemble flou A de X est normalis si sa hauteur h (A) est gale 1. d) Noyau Un sous-ensemble flou normalis suppose quil existe des lments de X typiques de la proprit laquelle il est associ. Ce sont lments appartenant de faon absolue A, dont lensemble est appel le noyau de A. Le noyau de A, not noy (A), est lensemble des lments de X pour lesquels la fonction dappartenance de A vaut 1 : noy (A) = {xX / f A (x) = 1}. e) Cardinalit Lorsque X est fini, on caractrise galement le sous-ensemble flou A de X par sa cardinalit, qui indique le degr global avec lequel les lments de X appartiennent A.
36

Chapitre III : La cardinalit du sous-ensemble flou A de X est dfini par : |A| = x X f A (x).

La logique floue

Si A est un sous-ensemble flou ordinaire de X, sa hauteur est gale 1 ; il est normalis et identique son support et son noyau ; sa cardinalit est le nombre dlments qui le composent, selon la dfinition classique. f) -coupes Pour un seuil donn de [0, 1], on dfinit la -coupe du sous-ensemble flou A de X (ou sous-ensemble de niveau associ A) comme le sous-ensemble A = {x X / f A (x) } de X, dont la fonction caractristique X A est telle que : X A (x) = 1 si et seulement si f A (x) .

III.5.5) Oprations sur les sous-ensembles flous [BER 95]

La description dun sous-ensemble flou A de lensemble de rfrence X correspond lidentification des degrs avec lesquels une proprit Prop (A) est satisfaite, ventuellement imparfaitement, par les lments de X. peut-on construire le sousensemble flou dfini par les rgles avec lesquelles Prop (A) nest pas satisfaite ? Peuton construire celui dfini par les degrs avec lesquels deux proprits Prop (A) est Prop (B) sont satisfaites simultanment ? Des oprations sur les ensembles flous sont dfinies pour rpondre de telles questions. Le concept de sous-ensemble flou de X tant une gnralisation de la notion sous-ensemble classique de X, ces oprations sont choisies de faon tre quivalentes aux oprations classiques de la thorie des ensembles lorsque les fonctions dappartenance ne prennent que les valeurs 0 ou 1. a) Egalit et inclusion de sous-ensembles flous [BER 95] Deux sous-ensembles flous A et B de X sont gaux si leurs fonctions dappartenances prennent la mme valeur pour tout lment de X : x X f A (x) = B (x). Etant donn deux sous-ensembles flous A et B de X, on dit que A est inclus dans B et on note A B, si leurs fonctions dappartenance sont telles que : x X f A (x) B (x)
37

Chapitre III : b) Intersection et union de sous-ensembles flous [BER 95]

La logique floue

L'intersection de deux sous-ensembles flous A et B de X est le sous-ensemble flou C, que l'on note A B, tel que : x X f C (x) = min (f A (x), f B (x)). L'union de deux sous-ensembles flous A et B de X est le sous-ensemble flou D, que l'on note A B, tel que : x X f D (x) = max (f A (x), f B (x)). c) Complment d'un sous-ensemble flou [BER 95] Le complment Ac d'un sous-ensemble flou A de X dfini comme le sous-ensemble flou de X de fonction d'appartenance : x X f A c (x) = 1 f A (x). d) Dfinitions des T_normes et T_conormes [GAC 97] Les t_normes [Menger 42] tendent la conjonction ordinaire. Les t_normes T sont les applications commutatives, associatives, croissantes de [0,1]2 dans [0,1] (telles que a c et b d entranement T (a, b) T (c, d)) vrifiant T (0, 0) = 0 et o 1 est neutre, pour tout a T (a, 1) = a (la stricte monotonie n'est pas exige par la dfinition). Une t_norme est dite diagonale si et seulement si T (x, x) x pour x < 1. Les plus connues sont : T0 (a, b) = si max (a, b) = 1 alors min (a, b) si non 0 (produit drastique de weber) T1 (a, b) = max (0, a+b-1) (Lukasiewiez) T1,5 (a, b) = ab/(2-a-b+ab) (Einstein) T2 (a, b) = ab (algbrique ou probabiliste) T2,5 (a, b) = ab/(a+b-ab) (Hamacher) T3 (a, b) = min (a, b) (Zadeh)

Les t_conormes sont les applications S commutatives associatives croissantes depuis [0, 1]2 dans [0, 1] (telles que a c et b d entranement S (a, b) S (c, d)) vrifiant

38

Chapitre III :

La logique floue

S (1, 1) = 1 et telles que pour tout a, on ait S (a, 0) = a (0 pour neutre). En notant N (a) = 1- a la ngation, les deux notions sont videmment duales ce qui signifie : S (a, b) = N (T (N (a), N (b))). On a donc les t_conormes associes : S (a, b) = si min (a, b) = 0 alors max (a, b) si non 1 (weber) S1 (a, b) = min (1, a+b) (Lukasiewiez) S1,5 (a, b) = (a+b)/(1+ab) (Einstein) S2 (a, b) = a+b-ab (Probabiliste) S2,5 (a, b) = (a+b-2ab)/(1-ab) (Hamacher) S3 (a, b) = max (a, b) (Zadeh)

III.5.6) Les relations floues

III.5.6.1) Dfinitions dune relation floue [HEN 94) Soit U=U 1 U 2 le produit cartsien de deux univers U 1 et U 2 . On appelle relation floue entre U 1 et U 2 un ensemble flou R dans U 1 U 2 (relation binaire) cette dfinition peut gnraliser produit cartsien dordre n, dans ce cas R est un ensemble flou dans U 1 U 2 U n (relation n-aire). La fonction dappartenance R (x 1 , x 2 ,, x n ) est une application du produit cartsien U dans lintervalle [0,1]. R : U 1 , U 2 ,, U n [0,1] III.5.6.2) Les diffrentes relations floues a) Le produit cartsien [HEN 94] Soient n ensembles flous A 1 , A 2 ,, A n de rfrentiels U 1 , U 2 ,, U n ; le produit cartsien des ensembles flous est lensemble flou not A 1 A 2 A n Dont la fonction dappartenance est A1xA2xxAn (x 1 , x 2 , , x n ) = Min ( A1 (x 1 ), A2 (x 2 ), ..., An (x n )) Pour un produit cartsien dordre 2 on a : A1xA2 (x 1 , x 2 ) = Min ( A1 (x 1 ), A2 (x 2 ))

39

Chapitre III : b) Projection dun ensemble flou [JEA 95]

La logique floue

Soit un sous ensemble flou A dfini sur univers U 1 U 2 , produit cartsien de deux ensembles de rfrence U 1 et U 2 . La projection sur U 1 du sous ensemble flou A de U 1 U 2 est le sous ensemble flou projU 1 (A) de U 1 dont la fonction dappartenance est dfinie par : x 1 U 1 , projx1 (U 1 ) = sup x2U2 (x 1 , x 2 ) c) Composition des relations floues [HEN 94] Il existe diffrents types doprations permettant la composition de deux ou plusieurs relations floues. Nous proposons ici uniquement les oprations de types max-min et max-prod pour la composions de deux relations floues R entre U 1 et U 2 et S entre U 2 et U 3 . 1) Composition max-min : La relation floue compose de R et de S est une relation floue entre U 1 et U 3 et note RoS et dont la fonction dappartenance est dfini par : RoS (x, z) = Max yU2 [Min ( R (x, y), S (y, z))] 2) Composition Max-prod : On dsigne par * une opration de type produit, on a RoS (x, z) = Max yU2 ( R (x, y)* S (y, z))

III.6) Les variables linguistiques

[JEA 95]

La logique floue, gnralement appele logique linguistique manipulant des valeurs de vrit floues servira par consquent de modle mathmatique pour le raisonnement humain et pour tout systme bas sur l'infrence floue. La plupart des objets de base manipule par la logique linguistiques sont flous par nature. Il s'agit en particulier des objets suivants: - valeurs de vrits floues: vrai, faux, presque vrai, plus ou moins faux, etc. - quantificateurs flous: habituellement, presque tout, gnralement, beaucoup, rarement, etc.
40

Chapitre III :

La logique floue

- prdicats flous: jeune, vieux, grand, petit, intelligent, cher, normal, etc. - modificateur flous: trs, plus ou moins, vraisemblablement, hautement, plutt, etc.

III.6.1) Dfinition des variables linguistiques [JEA 95]

Une variable linguistique est dfinie par un triplet (X, U, T x ) ou X dsigne le nom de la variable, U le rfrentiel, et T x l'ensemble fini ou non des valeurs linguistiques de la variable X appeles termes. Les termes sont des mots ou des expressions vagues du langage naturel comme petit, jeune, vieux, plus ou moins grand, qui caractrisent X et ils sont modliss par des ensembles flous.

III.6.2) Univers de discours [BOR 98]

Soit X la variable linguistique qui dsigne la temprature de l'eau, on peut la dcrire par un certain nombre de mots par exemple : Chaude , Froide , Tide , chaque terme est modlis par un ensemble flou et donc par une fonction d'appartenance. L'univers de discours est dfini comme le domaine de variable linguistique, il couvrira par consquent l'ensemble des valeurs prises par cette variable (Fig III.3 ).
() tide 1

2 Froide

4 Chaude

(temprature)

Univers de discours

Fig III.3 : Exemple de variation d'une variable linguistique

III.6.3) Propositions floues [BOR 98][JEA 95]

Une proposition floue est un nonc contenant un ou plusieurs prdicats flous selon qu'elle est simple ou compose.
41

Chapitre III : a) Proposition floue simple

La logique floue

Soit une variable linguistique (X, U, T x ), une proposition floue simple est de la forme X est A ou A est un lment de T x , associ un prdicat flou tel que jeune , chaude etc. La valeur de vrit de la proposition floue est par la fonction d'appartenance A de A. b) Proposition floue compose Une proposition compose peut tre une ngation d'une proposition simple, comme elle peut tre une juxtaposition de plusieurs propositions simples relies avec des oprateurs logiques 'ET' conjonction, 'OU' disjonction. La ngation: La ngation exprime par X est non A a comme valeur de vrit pour tout point x du rfrentiel U : 1- A (x). La conjonction: La valeur de vrit de la proposition X est A ET Y est B pour tout point (x,y) de UV est calcule par les deux oprations suivantes: min ( A (x), B (y) ) (Fig III.4) (III.1)

A (x). B (y)
La disjonction:

(III.2)

Si l'on prend pour ET la formule (III.1), on prendra la formule: max ( A (x), B (y)) (Fig III.4) pour calculer la valeur de vrit de la proposition X est A OU Y est B pour tout point (x,y) de U V. L'oprateur dual de (III.2) est : A (x) + B (y) - A (x). B (y).

42

Chapitre III :

La logique floue

A(x)
1

A et B(x)
1

B(x)
1

A ou B(x)
1

Fig III.4 : Reprsentation des oprateurs logique ET, OU sur un mme rfrentiel

Une autre manire de combiner les propositions floues consiste utiliser l'implication. L'implication: L'implication, exprime par si X est A alors Y est B not 'AB' est souvent sous le nom de la relation floue. La valeur de vrit est dfinie par la fonction d'appartenance min ( A (x), B (y))

R (x, y) qui s'exprime pour tout point (x, y) de UV comme:

Mamdani. Larsen. Lukasiewiez.

A (x). B (y)
min ( 1- A (x) + B (y), 1 )

Une proposition floue utilisant une implication entre deux propositions floues quelconques par exemple de forme si X est A ET Y est B alors Z est C est appele rgle floue .

43

Chapitre III :

La logique floue

III.7) Le contrleur flou

[GAC 97]

Le contrleur flou tire son nom des applications de contrle ou de commande en automatique, mais il dborde maintenant ce cadre par ses multiples applications, partout o une modlisation mathmatique est difficile. Le principe de cet algorithme de contrle est trs simple, il consiste raliser une interpolation entre un petit nombre de situations connues donnes par un expert sous la forme de rgles floues du genre si x est petit et y est modr, alors u doit tre trs grand . La mise au point des prdicats voqus par ces rgles se fait gnralement de faon empirique, mais de plus en plus, diffrentes mthodes d'apprentissage ont t appliques dans le but d'avoir des systmes de contrle auto-adaptatifs.

III.7.1) Algorithme du contrleur flou [GAC 97]

Le contrle flou est l'tude, la mise au point et l'exprimentation de systmes bass sur des rgles exprimes par des catgories linguistiques mal dfinies telles que : Si (X est A 1 ) Et (Y est A 2 ) Alors (U est B) O A 1 , A 2 , B sont des prdicats mentionns comme grand positif , moyen , Presque nul . La plupart du temps ces rgles ont une, deux voire trois prmisses portant souvent sur un paramtre d'entre E (erreur ou cart entre une valeur mesure et une valeur cible ou consigne C) et sur la variation E de ce paramtre entre deux mesures conscutives (E et sa drive E' si on prfre).

III.7.2) Configuration gnrale d'un contrleur flou [BER 95]

Un contrleur flou peut tre regard comme un systme expert particulirement simple, fonctionnant partir d'une reprsentation des connaissances base sur ses ensembles flous. Il est dcrit dans la (Fig III.5). Ses particularits sont, d'une part que les rgles fournissent directement une conclusion sans avoir besoin denchaner, d'autre part que les observations sont fournies par des capteurs et sont donc gnralement numriques et prcises.

44

Chapitre III :

La logique floue

La base de connaissances contient les dfinitions des termes utiliss dans la commande et les rgles caractrisant la cible de la commande et dcrivant la conduite de l'expert. Un module d'interface avec le flou tablit une reprsentation des

Base de connaissances

Interface avec le flou

Interface avec le non flou

Raisonnement flou

Etat du

Command

Systme command
Systme non floue Fig III.5 : Configuration gnrale d'un contrleur flou

connaissances adquates, en utilisant gnralement une discrtisation de l'univers de dfinition des variables ou une normalisation dans l'intervalle [0, 1] et il dfinit les caractrisations floues des variables correspondant des qualifications linguistiques. Le module d'interface avec le non flou dtermine une action prcise partir de descriptions floues des variables de sortie. Chaque tat du systme commandes passe par le filtre de l'interface avec le flou avant d'tre trait par le module de raisonnement partir des connaissances de la base. Le rsultat flou ainsi obtenu passe par le second filtre, celui de l'interface avec le non flou, qui fournit une commande prcise, non floue, directement applicable au systme commander. Cette dernire tape n'est habituellement pas ralise dans un systme expert.

45

Chapitre III :

La logique floue

III.7.3) Structure d'un contrleur flou

Un contrleur flou est compos de 4 blocs principaux . Base de connaissances. . Interface de fuzzification. . Mcanisme d'infrence flou. . Interface de dfuzzification. III.7.3.1) Base de connaissances [BOR 98] La base de connaissances comprend les connaissances de l'expert humain pour le contrle du systme ainsi le domaine de variation des variables d'E/S. Elle est donc constitue de : a) Base de donnes: regroupe dans ce bloc, l'ensemble des dfinitions utilises dans les rgles du contrle flou (univers de discours, partition flous, choix des capteurs,). b) Base des rgles floues : La connaissance de l'expert est gnralement exprime par des rgles et donc une collection de rgles de la forme SI-ALORS . La base des rgles et donc une collection de rgles floues: R(l) : Si x 1 est F 1 (l) ET x 2 est F 2 (l) ETET x n est F n (l) ALORS y est G(l) O : x = (x 1 , x 2 , , x n ) U 1 U 2 U n et y V sont des variables linguistiques d'entre et de sortie du systme respectivement pour l=1,,m. F 1 ,, F n , G reprsentant des ensembles flous sur les rfrentiels U 1 ,, U n , avec U i R, V R respectivement. Chaque rgle dfinit une implication floue : F 1 (l) F 2 (l) F n (l) G qui dcrit le comportement du systme. III.7.3.2) Fuzzification [BOR 98] La fuzzification est la premire tape dans la ralisation d'un contrleur flou. Elle transforme chaque valeur relle d'ente (mesure) en un ensemble flou, en lui attribuant sa fonction d'appartenance chacune des classes pralablement dfinie.

46

Chapitre III : III.7.3.3) Infrence floue [BOR 98]

La logique floue

A partir de la base des rgles (fournies par l'expert) et du sous ensemble X 0 correspond la fuzzification du vecteur de mesure x 0 = [x 01 ,, x 0n ]'U. Le mcanisme d'infrence calcule le sous ensemble flou YV qui est la sortie floue du systme. Il existe plusieurs mthodes d'infrence floue qui dpendent des applications et de la forme des fonctions d'appartenance. a) Mthode d'infrence Max-Min: La mthode d'infrence Max-Min est la mthode utilise dans notre travail, elle peut tre dcrite de la manire suivante : Premire tape: Evaluer chacune des rgles actives R(l) (avec l=1,2,,m), en calculant la valeur de vrit de la prmisse en cas de prsence des oprateurs (ET), (ALORS) la valeur de vrit est ralise respectivement par la formation du minimum. La valeur obtenue est note dl . Deuxime tape: Sachant que pour un tat donn des entres, plusieurs rgles peuvent tre valides ce qui implique des valeurs dl diffrentes. Il faut donc disposer d'une mthode de composition de ces rgles. Cette mthode est appele agrgation. L'infrence par le Max-Min prend le maximum de ces valeurs comme la fonction d'appartenance rsultante de la sortie et qui dfinit son ensemble flou.

RES (Y) = Max [ d1 , d2 ,, dn ] n:le nombre de rgles en conflits.

III.7.3.4) Dfuzzification Le sous ensemble flou Y de l'univers de discours V ayant t calcul par le

mcanisme d'infrence, l'interface de dfuzzification pour objectif de la transformer en une valeur non floue permettant ainsi la commande effective du systme. Cette opration est effective par l'oprateur de dfuzzification [BOR 98]. a) La technique de MAX-MIN Cest la plus simple surtout au point de vue de volume de calcul, elle consiste ne concderais pour chaque sortie que la rgle reprsente de maximum de la validit et ignore les rgles secondaires.
47

Chapitre III :

La logique floue

La grandeur de sortie doit tre normalise, et la dfinition des intervalles flous doit se rsumer une valeur. La dfuzzification consiste prendre le minimum entre la valeur produite par la rgle et la valeur de la variable floue, en suite va prendre la max des valeurs trouves. b) La technique de la moyenne pondre La moyenne pondre, elle, est plus volue. Elle considre comme valeur de sortie la moyenne des valeurs trouves par chaque rgle pondre par leur degr de vrit respectif.
A = ( Bi Ci ) Bi
i =1 i =1 n n

A : grandeur physique finale. B i : degr de vrit de la sortie de la rgle (i). C i : grandeur physique de la sortie (action de rgle (i)). c) La technique du centre de gravit Consiste tracer sur un mme diagramme, les diffrentes zones correspondant chacune des rgles et calculer le centre de gravit de la zone de chevauchement (Fig
III.6).

1 0.8 0.2

faible

moyenne

lev

Vitesse Centre de gravit Zone de chevauchement Fig III.6 : Exemple du centre de gravit

48

Chapitre III : Remarque

La logique floue

Cest une technique plus performante, trs complexe puis quelle ncessite le calcul dune intgrale. Sil n y a pas de chevauchement de zones cela implique quil y a une certaine incohrence entre les rgles.

III.7.4) Avantages du contrleur flou [GAC 97]

Les variables linguistiques sont bien adaptes en traduisent le raisonnement qualitatif humain, comme lui, on dcrit des situations locales avec des rgles reprsentant chacune une information partielle. Un oprateur expriment prend en effet ses dcisions seulement sur des situations spcifiques dont il na quune connaissance imparfaite, mais quil agrge le long de son exprience. Le fait dutiliser des prdicats flous, loin de traduire une pauvret de linformation, permet dexprimer des situations graduelles. Le contrle flou s'est surtout montr robuste, son comportement vis--vis des situations pathologiques, sa flexibilit (adaptation facile des domaines, et ils sont nombreux, dont on ne possde pas de modle mathmatique) sont bons, et bien sr il est rapide en temps rel.

III.7.5) Inconvnients du contrleur flou

- Pas de mthode systmatique pour la dtermination du nombre des sous ensembles flous, leur forme et plus particulirement des rgles floues ainsi que leur nombre. - L'empirisme dans le choix de la rgle de la dfuzzification (soit MM, soit CG). De nombreuses tudes dans le domaine de la commande floue sont en cours dans les laboratoires de recherches et en industrie. Les tudes portant sur l'laboration de mthodes dterministes concernant la fuzzification et l'obtention d'un ensemble de rgles optimises (techniques neuronales, algorithmes gntiques) ainsi que l'tude de la stabilit des rgulateurs flous. D'autres tudes portent sur l'implantation matrielle des rgulateurs flous.

49

Chapitre III :

La logique floue

III.8) Domaines dapplication

[JEA 95]

La logique floue nest pas restreinte aux systmes dont la modlisation est difficile, qui sont contrls par des experts humains ou ceux qui ont plusieurs E/S et des rponses nom linaire. Elle est intressante dans tous les domaines, ou un flou persiste. La liste propose reste limite, car les domaines dapplications sont multiples.

a) Automatisme
Aprs les travaux de M.MAMDANI en 1974, pour exprimenter la thorie nonce par Zadeh sur une chaudire vapeur, matriel qu'on connat la complexit. Les automatismes ont constitu le domaine d'application par excellence de la logique floue car c'est l ou existe le grand nombre d'applications. On peut classer ses applications par domaines d'utilisation. 1) Automatismes industriels Ateliers de production, machines-outils, processus industriels divers, automates programmables. 2) Automatismes d'entreprise et de transport Chane de tri ou de gestion des stocks, pilotes d'avions, trains automatiques etc. 3) Automatismes dans les appareils grand public Machines laver, camra, magntoscopes, tlviseurs, automobiles, conditionneurs d'air, etc. Quelle que soit la nature de l'automatisme considr, les notions fondamentales sont celles du contrleur flou.

b) Informatique
De nombreuses disciplines informatiques utilisent galement la logique floue. On peut citer notamment l'intelligence artificielle, les bases de donnes et la programmation. 1) Intelligence artificielle et systmes experts

50

Chapitre III : La logique floue Les connaissances manipules par les systmes experts sont en gnral incompltes, vagues et incertaines. Le trs clbre systme expert MYCIN dveloppe en 1974 afin

fournir un ensemble de diagnostics sur certaines maladies, et de permettre un non expert de prescrire la thrapie adquate, est un exemple de la prise en compte du vague et incertain dans la base des rgles et des faits et donc l'utilisation de l'approche floue pour modliser certains de ces systmes. 2) Programmation et dveloppement Il s'agit des langages de programmation flous (ou base orientation linguistique) qui permettent d'implmenter des algorithmes flous. Un algorithme flou est une squence finie d'instructions floues. Une instruction floue peut tre une (x = petit, x = environ 50), une instruction inconditionnelle (dcrmenter lgrement x) ou une structure de contrle (si y est petit alors ajouter plusieurs fois 2 x). La programmation floue permet la conception des langages naturels.

c) Mathmatiques appliques
1) Statistiques La dcision statistique, la rgression et d'autres aspects de la statistique utilisent le modle flou. 2) Recherche oprationnelle Programmation linaire, Rseaux de ptri, Files d'attente, etc. Toutes ces applications de la Recherche oprationnelle utilisent le modle flou.

c) Reconnaissance des formes

La reconnaissance des formes permet de reprsenter dans une mmoire d'ordinateur des manifestations (appeles formes) des objets extrieurs la machine, tels que les signaux et les images. Elle permet par des algorithmes de dcision et au moyen des capteurs, de reconnatre un son, une image, etc. Grce aux formes enregistres.

51

Chapitre III : La logique floue Le flou est utilis dans plusieurs approches en reconnaissance des formes, citons titre d'exemple : l'approche structurelle ou une forme a une certaine structure que l'on peut dcrire en utilisant une grammaire : la reconnaissance des formes devient un

problme d'analyse syntaxique. La prise en compte du flou passe par les modles syntaxiques flous (automates finis flous, grammaire rgulire floue).

III.9) Conclusion
Nous avons vu dans ce chapitre que la rsolution d'un problme en intelligence artificielle par la logique floue passe par trois phases: - la quantification floue des entres et des sorties du systme (fuzzification). - l'tablissement des rgles liant les sorties aux entres (l'infrence des rgles). - la combinaison des rgles pour la gnration des sorties (dfuzzification). Les systmes base de logique floue ont un grand degr dautonomie et une capacit de dterminer la conclusion (action) en temps rel laide dun moteur dinfrence floue plus proche du raisonnement humain. La logique floue regroupe certain nombre davantages techniques et commerciaux : - Non ncessit de connatre le modle mathmatique du systme contrler. - Possibilit de lintgration du savoir de lexpert. - Rsolution de certains problmes de contrle ou de commande voir, mme la supervision des processus complexes notamment les systmes non linaires - Robustesse vis--vis des incertitudes. - Facilit dimplmentation et dveloppement moins coteux. - Base mathmatique solide.

52

Simulation et rsultats

Chapitre IV :

Simulation et rsultats

IV.1) Introduction
Dans ce chapitre, nous prsentons la maquette du logiciel, qui consiste simuler la planification de la trajectoire dun robot mobile avec un tlmtre infrarouge dans un environnement inconnu. Avant dimplmenter un problme quelconque, il faut bien le connatre et lanalyser dans les moindres dtails. Pour cela nous avons fait une recherche approfondie dans la partie thorique pour planifier la trajectoire dun robot mobile sans collision avec lobstacle fixe. Nous avons dcrit par simulation les phases principales du contrleur flou (fuzzification, infrence floue et dfuzzification).

IV.2) les comportements du robot

Le principe fondamental de la navigation ractive dun robot autonome est lvitement de collision avec les obstacles fixes (premier comportement) et le dplacement vers la cible (deuxime comportement). Le contrleur flou est appliqu pour raliser les comportements ractifs.

IV.3) Description du robot simul

Le robot mobile simul est une plate-forme circulaire, dot de trois capteurs tlmtriques infrarouges. Les distances par rapport aux obstacles (dG, dF et dD) sont fournies par les capteurs (latral gauche, avant et latral droit) respectivement
IV.1). (fig

Chapitre IV :

Simulation et rsultats
Champ de perception gauche

Capteur gauche Champ de perception frontal Capteur frontal R Capteur droit Champ de perception droite

Fig IV.1 : Reprsentation du robot simul

R : est le rayon de la plate-forme circulaire. : est langle douverture du capteur infrarouge (60). La position du robot un instant donn est donne par les quations cinmatiques suivantes.
(t ) = (t 1) + V (t ) cos( (t )) (t ) = (t 1) + V (t ) sin( (t )) Avec : (t ) = (t 1) + (t ) (t ) = (t 1) + (t )

La position relative du robot par rapport la cible est langle que fait le robot avec cette dernire note (fig IV.2).

Chapitre IV :

Simulation et rsultats

Cible

Obstacle

=-

Robot

Fig IV.2 : Localisation du robot et de la cible

IV.4) Architecture du systme de commande

Le systme de navigation est constitu dun systme de localisation de lenvironnement (les capteurs) et un contrleur flou ractif qui a comme entre les distances dG, dF et dD (une distance gauche, une distance frontale et une distance droite) respectivement, par rapport aux obstacles et la position relative du robot par rapport la cible d, ainsi que langle existant entre lorientation de la cible et lorientation de robot (fig IV.3). Les sorties de ce contrleur sont : 1) langle dorientation du robot . 2) la variation de la vitesse .

Chapitre IV :
Information sur La cible d Le contrleur Flou dG dF dD v

Simulation et rsultats

d Robot Mobile

dD dF dG Information sur lenvironnement Fig IV.3 : Le contrleur ractif flou

A partir des donnes dentres et dun mcanisme dinfrence flou bas sur des rgles extraites de lexprience humaine, le contrleur doit dduire lorientation du robot et sa vitesse.

IV.5) Description du contrleur flou

IV.5.1) La quantification floue des entres et des sorties du systme (fuzzification)
Les distances dG, DF, dD et d sont volues par rapport aux deux intervalles flous caractriss par les variables linguistiques (floues) P : prs et L : loin (fig IV.4).
Degr d'appartenance Prs Loin

dG, dF, dD, d (mtre)

Fig IV.4 : Reprsentation des sous ensembles flous de la distance

Chapitre IV :

Simulation et rsultats

Langle dorientation de la cible par rapport au robot est reprsent par cinq intervalles flous : GG (gauche grand), GP (gauche petit), Z (zro), DP (droite petit) et DG (droite grand) couvrant le demi espace frontal du robot (fig IV.5).
Degr d'appartenance GG GP 1 Z DP DG

-60

-30

30

60

(degr)

Fig IV.5 : Reprsentation des sous ensembles flous de l'entre

La variable de sortie (langle dorientation du robot) est reprsente par les cinq sous-ensembles flous : TGG, TGP, TZ, TDP et TDG (T variation dangle maximale dorientation de 30 (fig IV.6).
P P

pour thta) avec la

Degr d'appartenance T GG T GP 1 TZ T DP T DG

-30

-15

15

30

(degr)

Fig IV.6 : Reprsentation des sous ensembles flous de la sortie

La variation de la vitesse est dcrite par trois sous-ensembles flous : Acce, Zacc et Dece dnotant respectivement : augmenter la vitesse, pas de changement et diminuer la vitesse (fig IV.7).

Chapitre IV :
Degr d'appartenance Dece 1 Zacc

Simulation et rsultats

Acce

-0.1

0.1

V (m/s)

Fig IV.7 : Reprsentation des sous ensembles flous de la sortie V

IV.5.2) tablissement des rgles liant les sorties aux entres (mcanisme dinfrence)
Le comportement du robot est gouvern par une base des rgles floues (fig IV.9) extraites de la connaissance de expert humain suivant huit situations de base (fig IV.8).

Cas (1)

Cas (2)

Cas (3)

Cas (4)

Cas (5)

Cas (6)

Cas (7)

Cas (8)

Fig IV.8 : Les huit situations de base

A partir de la dfinition dun point darrive, le robot se dplace en direction de celui-ci selon une stratgie dfinie par la premire situation o le robot est considr loin des obstacles. Lorsque le robot sapproche des obstacles fixes le dispositif de contrle du robot fait appel la stratgie dvitement dobstacles dfinie par les sept dernires situations (au moins une distance est petit (P)).

Chapitre IV :

Simulation et rsultats

Les tableaux suivants reprsentent le mcanisme d'infrence flou du robot mobile :

dG L L L L L Cas(1) Si L L L L L P P P P P Cas(2) Si P P P P P L L L L L Cas(3) Si L L L L L dF L L L L L L L L L L L L L L L L L L L L P P P P P P P P P P dD L L L L L L L L L L L L L L L L L L L L L L L L L L L L L L d L L L L L P P P P P L L L L L P P P P P L L L L L P P P P P GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DP Alors Alors Alors

TGG TGP TZ TDP TDG TGG TGP TZ TDP TDG TZ TZ TZ TDP TDG TZ TZ TZ TDP TDG TGG TGP TGP TDP TDG TGG TGP TGP TDP TDG

Acce Acce Acce Acce Acce Dece Dece Dece Dece Dece Zacc Zacc Acce Zacc Zacc Zacc Zacc Dece Dece Dece Zacc Zacc Zacc Zacc Zacc Dece Dece Dece Dece Dece

Chapitre IV : Suite de tableau :

dG L L L L L Cas(4) Si L L L L L P P P P P Cas(5) Si P P P P P L L L L L Cas(6) Si L L L L L dF L L L L L L L L L L P P P P P P P P P P P P P P P P P P P P dD P P P P P P P P P P L L L L L L L L L L P P P P P P P P P P d L L L L L P P P P P L L L L L P P P P P L L L L L P P P P P GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DP

Simulation et rsultats

TGG TGP TZ TZ TZ Alors TGG TGP TZ TZ TZ TDG TDP TDP TDP TDG Alors TDG TDP TDP TDP TDG TGG TGP TGP TGP TGG Alors TGG TGP TGP TGP TGG

Zacc Zacc Acce Zacc Zacc Dece Dece Dece Zacc Zacc Zacc Zacc Zacc Zacc Zacc Zacc Zacc Dece Dece Dece Zacc Zacc Zacc Zacc Zacc Dece Dece Dece Zacc Zacc

Chapitre IV : Suite de tableau :

dG P P P P P Cas(7) Si P P P P P P P P P P Cas(8) Si P P P P P dF L L L L L L L L L L P P P P P P P P P P dD P P P P P P P P P P P P P P P P P P P P d L L L L L P P P P P L L L L L P P P P P GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG GG GP Z DP DG

Simulation et rsultats

TZ TZ TZ TZ TZ Alors TZ TZ TZ TZ TZ TGG TGG TGG TDG TDG Alors TGG TGG TGG TDG TDG

Zacc Zacc Acce Zacc Zacc Zacc Zacc Dece Zacc Zacc Dece Dece Dece Dece Dece Dece Dece Dece Dece Dece

Tableau IV.1 : Table des rgles

Aprs la localisation du robot, On dtermine les degrs dappartenance des donnes (dG, dF, dD, d et ) aux ensembles flous, une fois, les ensembles flous des entres sont obtenus, les rgles floues qui leurs prmisses correspondent aux ensemble floues dentres sont actives. Les ensembles flous de sorties sont des ensembles flous reprsents en degrs de vrits, pour simplifier le calcul des sorties.

Chapitre IV :

Simulation et rsultats

Le mcanisme d'infrence flou value la prmisse de chaque rgle active par le minimum de degrs d'appartenance des entres de la rgle. Si plusieurs rgles donnent mme sortie on prend le minimum de chacune puis on prend le maximum de l'ensemble des minimaux.

IV.5.3) La combinaison des rgles pour la gnration des sorties (dfuzzification)

La sortie du contrleur est obtenue par la mthode de dfuzzification dite "moyenne pondr" par ce qu'elle est trs utilise en ct programmation.
= ( i Di ) i
i =1 n i =1 n n n

= ( i Ci ) i
i =1 i =1

Minimum ((dG),(dF), (dD), (d), ()). i =

R R

Maximum (Minimum (rgle L))

R R

L=1,, m.
R R P P

D i : grandeur physique de l'orientation du robot () pour i (-1()). C i : grandeur physique de la vitesse du robot (V) pour i (-1(V)).
R R R R P P

(dG) : fonction d'appartenance de la distance gauche. (dF) : fonction d'appartenance de la distance frontal. (dD) : fonction d'appartenance de la distance droite. (d) : fonction d'appartenance de la distance entre la cible et robot. () : fonction d'appartenance de l'orientation de la cible par rapport le robot. -1 : fonction inverse de .
P P

Exemple : Les rgles d'infrence : R 1 : Si distance gauche est prs Et distance frontale est prs Et distance droite est loin
R R

Et distance entre la cible et robot est loin Et l'angle d'orientation de la cible par rapport au robot est droite grand Alors l'orientation de sortie ( ) est droite grand Et la vitesse
( ) est zro acclration.

Chapitre IV :

Simulation et rsultats

R 2 : Si distance gauche est prs Et distance frontale est prs Et distance droite est loin
R R

Et distance entre la cible et robot est loin Et l'angle d'orientation de la cible par rapport au robot est zro Alors l'orientation de sortie ( ) est droite petit Et la vitesse ( ) est zro acclration. R 3 : Si distance gauche est prs Et distance frontale est prs Et distance droite est loin
R R

Et distance entre la cible et robot est loin Et l'angle d'orientation de la cible par rapport au robot est droite petit Alors l'orientation de sortie ( ) est droite petit Et la vitesse
( ) est zro acclration.

R 4 : Si distance gauche est prs Et distance frontale est prs Et distance droite est loin
R R

Et distance entre la cible et robot est petit Et l'angle d'orientation de la cible par rapport au robot est droite grand Alors l'orientation de sortie ( ) est droite grand Et la vitesse ( ) est dclre. La valeur d'entre : Prs avec un degr de vrit : 0.5 Distance gauche (3m) : Loin avec un degr de vrit : 0.2

Prs avec un degr de vrit : 0.6 Distance frontale (2.6m) : Loin avec un degr de vrit : 0

Prs avec un degr de vrit : 0.3 Distance droite (5m) : Loin avec un degr de vrit : 0.6

Prs avec un degr de vrit : 0 Distance (10m) : Loin avec un degr de vrit : 1

Chapitre IV :

Simulation et rsultats

PppppppppppppppppppppppppppppppppppppppppPrs avec un deg de vr : 0.25 L'orientation (cible par rapport au robot) (20)): ppDroit petit avec un deg de vr :0.5 pppppppppppppppppppppppppppppppppppppppppDroit grand avec un deg de vr :0 deg de vr : degr de vrit. Les rgles d'infrence donnent les valeurs (degr de vrit) :

Droite grand avec un degr de vrit : 0 R1 :

R R

min (0.5,0.6,0.6,1,0)

Zro acclration avec un degr de vrit : 0

min (0.5,0.6,0.6,1,0)

Droite petit avec un degr de vrit : 0.25 R2 :

R R

min (0.5,0.6,0.6,1,0.25)

Zro acclration avec un degr de vrit : 0.25 min (0.5,0.6,0.6,1,0.25)

Droite petit avec un degr de vrit : 0.5 R3 :

R R

min (0.5,0.6,0.6,1,0.5)

Zro acclration avec un degr de vrit : 0.5

min (0.5,0.6,0.6,1,0.5)

Droite grand avec un degr de vrit : 0 R4 :

R R

min (0.5,0.6,0.6,0,0)

Dclr avec un degr de vrit : 0 Donc: Droite grand avec un degr de vrit : 0 R1 :
R R

min (0.5,0.6,0.6,0,0)

min (0.5,0.6,0.6,1,0)

Zro acclration avec un degr de vrit : 0

min (0.5,0.6,0.6,1,0)

Droite petit avec un degr de vrit : 0.5 R 2 et R 3 :

R R R R

max (0.25,0.5)

Zro acclration avec un degr de vrit : 0.5 max (0.25,0.5)

Chapitre IV : Droite grand avec un degr de vrit : 0 R4 :

R R

Simulation et rsultats min (0.5,0.6,0.6,0,0)

Dclr avec un degr de vrit : 0

min (0.5,0.6,0.6,0,0)

Calcul grandeur physique des sorties (moyenne pondr) :

Droite petit (0) est 0 -1 ( ) =

P P

Droite grand (0.5) est 8

( ) = (0*0+0.5*8+0*0)/(0+0.5+0) = 8

= 8. Zro acclration (0) est 0 m/s -1 ( ) =

P P

Zro acclration (0.5) est 0.05 m/s Dclr (0) est 0 m/s

( ) = (0*1+0.5*0.05+0*0)/(0+0.5+0) = 0.05 m/s

V = 0.05 m/s.

Chapitre IV :

Simulation et rsultats

IV.6) L'organigramme du simulateur

Dbut

Elaboration du contrleur flou

Choix de l'environnement

Localisation du robot et de la cible dG, dF, dD, d et

Oui

Dtection au moins un obstacle (dG, dF et dD)

Non

Evitement obstacle fixe

Rapprochement de la cible

Calcule et Calcule V

= + V=V+V Dplacement de robot Non But atteint Oui Autre environnement Oui

Non fin Fig IV.9 : Organigramme de navigation du robot mobile

Chapitre IV :

Simulation et rsultats

Fig IV.11 : Interface du logiciel

L'interface du logiciel : ENVIRONNEMENT : contient huit Champs. AIDE : contient des informations concernant lutilisation du logiciel. QUITTER : pour quitter le programme. ROBOT : contient deux caractristiques : la vitesse et l'orientation du robot courantes. CIBLE : comprend deux caractristiques : la distance et l'orientation de la cible par rapport au robot courantes. DETECTION DES OBSTACLES : Contient les diffrents tats d'obstacles proches par rapport au robot courants. ATTEINDRE LA CIBLE : activer le robot (lancer lexcution). PAUSE : pour stopper le robot temporairement.

Chapitre IV :

Simulation et rsultats

NOUVEAU ENVIRONNEMENT : pour changer l'environnement o se dplace le robot et prparer donc une nouvelle excution. COMPORTEMENT rsultat final.
ET RESULTAT

: pour afficher le comportement actif ou bien le

IV.8) Rsultat
Nous prsentons dans cette partie les rsultats de planification de la trajectoire et navigation du robot mobile (plate forme circulaire) avec trois capteurs en diffrents environnements par un contrleur flou. Nous avons simul plusieurs environnements trs diffrents pour tudier le comportement du robot dans chaque environnement et tester la fois la robustesse et lefficacit de la logique floue. Les figures [IV.13, IV.18] montre le comportement du robot dans chaque environnement pour atteindre la cible tout on vitant les obstacles. Chaque environnement contient des obstacles fixes reprsents sous formes de rectangles ou de carrs, la cible est reprsente comme deux cercles l'un l'intrieur de lautre et le robot est reprsent par un cercle et une flche de l'orientation l'intrieure.

Chapitre IV :

Simulation et rsultats

Fig IV.12: Rsultat de l'environnement 1

Fig IV.13 : Rsultat de l'environnement 2

Chapitre IV :

Simulation et rsultats

Fig IV.14 : Rsultat de l'environnement 3

Fig IV.15 : Rsultat de l'environnement 4

Chapitre IV :

Simulation et rsultats

Fig IV.16 : Rsultat de l'environnement 5

Fig IV.17 : Rsultat de l'environnement 6

Chapitre IV :

Simulation et rsultats

Fig IV.18 : Rsultat de l'environnement 7

Dans les simulations suivantes nous avons gard le mme environnement mais nous avons chang chaque fois la position initiale du robot et la cible.

Fig IV.19 : Rsultat de l'environnement 8/1

Chapitre IV :

Simulation et rsultats

Fig IV.20 : Rsultat de l'environnement 8/2

Fig IV.21 : Rsultat de l'environnement 8/3

Chapitre IV :

Simulation et rsultats

Fig IV.22 : Rsulta de l'environnement 8/4

Daprs ces rsultats de simulation nous remarquons que le robot peut atteindre la cible dans environnement mme trs complexe (le cas des figures IV17, IV.18). Nous constatons aussi que mme si on change la position initiale du robot ou la position de la cible le robot peut facilement sadapter son environnement et atteindre la cible et ceci grce son contrleur flou. On peut dire que la logique floue est une mthode trs efficace et optimale pour la planification de la trajectoire du robot mobile.

Chapitre IV :

Simulation et rsultats

IV.9) Conclusion
Dans ce chapitre nous avons prsent la simulation du problme de planification de la trajectoire et navigation du robot mobile par la logique floue. Nous avons dvelopp un contrleur flou cinq entres prsentant la localisation de la cible et des obstacles par apport au robot et deux sorties prsentant la variation de la vitesse et de lorientation du robot pour atteindre la cible. Son mcanisme dinfrence contient quatre vingt rgles regroupant tout les situations possibles o peut se trouver le robot. Les rsultats des simulations de commande du robot par ce contrleur flou sont trs satisfaisants. Le robot peut atteindre la cible dans nimporte quel environnement tout en vitant les obstacles fixes.

ous avons prsent dans ce mmoire la planification de la trajectoire et la

navigation du robot mobile dans un environnement inconnu l'aide de la logique floue. Notre travail est rparti en deux phases principales : la premire, description et ltude dun robot mobile et la logique floue, la deuxime, le dveloppement du contrleur flou pour la navigation du robot. Les systmes base de la logique floue ont un grand degr d'autonomie, et une capacit de dterminer la conclusion (action) en temps rel l'aide d'un moteur d'infrence flou plus proche du mode de raisonnement humain. Les rsultats obtenus aprs l'implmentation de ce contrleur flou ont t trs satisfaisants, car le robot peut se dplacer d'aprs une situation initiale vers une situation finale tout en vitant les obstacles fixes nimporte quel environnement.

nfin, ce projet nous a donn une grande exprience et matrise du contrle flou

soit au niveau dveloppement, soit au niveau application en particulier dans la robotique mobile, ainsi que les techniques utilises en programmation.

Rfrence Bibliographique
[BEN 97] BENHALIMA Noreia et BELLAHCENE Latfa, Maquette logicielle pour la simulation de la tlopration d'un robot mobile l'aide d'un joystick , Mmoire d'ingnieur USTO, 1997. [BER 95] BERNADETTE Bouchon-Meunier, La logique floue et ses application , Edition addison-wesley, France, 1995. [BOR 98] P.Borne, Introduction la commande floue , Edition Technip, 1998.

[CHO 98] A.Chohra, Planification et control de la navigation des Vhicules Autonomes Intelligents (VIA) en environnements dynamiques , Thse de doctorat d'tat en lectronique 1998. [GAC 97] Gacgne et Louis, lment de logique floue , Edition Hermes, Paris, 1997. [GIA 00] Frdric GIAMARCHI, Petits robots mobiles , Edition Technique et Scientifiques Franaises (ETSF), 2000. [HEN 94] HENK Scholten, Logique floue et rglage PID : Thorie et pratique de rgulation active avec interfaces raliser soi-mme et programme d'exprimentation , Edition Denis Meyer, France, 1994. [JEA 95] JEAU Raphal Tong-Tong, La logique floue , Edition Hermes, Paris, 1995. [KHA 86] O.Khatib, Real-Time obstacle avoidance for manipulators and mobile robots , Int. J of Robotics Research Vol 5, N 1, p 90-98, 1986. [LIM 91] Komol LIMSAKOUNE, tude de la modlisation des robots mobiles et de leur environnement; Application du dveloppement d'un logiciel CAO une mission d'optimisation , Thse pour l'obtention le titre du Doctorat de l'universit de Paris 6, Mai 1991.

[MAA 95]

H.Maaraf, M.Benreguieg et C.Barket, Aides floues la navigation d'un robot mobile autonome , Groupe systme complexe, CIMIF 1995.

[NIN 98]

Nino Silverio, Langage C++ migrer du C au C++ exploiter la bibliothque standard matriser les techniques objet avances , Edition Eyrolles, 1998.

[OUA 97]

Steve OUALLINE, Programmation C++ par la pratique , Editions O'Reilly Paris, 1997.

[PRU 88] [VIC 98]

Alain BRUSKI, Robotique gnrale , Edition Ellipses Paris, 1988. VICENTE Metallan, COMINA Fernandej et JOS Molira, Genetic learning of fuzzy reactif controlers , Departmento de informatica. Universidad Catlos III de Madrid, 02 Mars 1998.

[ZEG 94] J.-P.LALLEMAND et S.Zeghloul, Robotique. Aspects fondamentaux , Edition Hasson Paris, 1994.

Site Internet :
U

[HROB]: Document Internet, La robotique histoire et perpectives.html , Bernand Espiau INRIA Rhne-Alpes. [RDIS]:Document Internet, http:// www.lms.univ-poitiers.fr\robot\Distance.html.
0TU U0T

[IMAG]: Document Internet, http:// www.images.google.fr/images .

U U

La liste des Figures

Figure Chapitre I :
I.1 I.2 I.3 I.4 I.5 I.6 I.7

Robot mobile
06 06 07 09 10 12 13

Robot roue..... Robot chenille .... Robot marcheur.... Principe d'un capteur ultrasonore .... Principe d'un capteur infrarouge... Tlmtrie optique par triangulation.. Configuration du robot..

Figure Chapitre II :
II.1 II.2 II.3 II.4 II.5 II.6

Stratgie de navigation d'un robot mobile

18 24 25 26 26 27

Dcomposition hirarchique classique de la commande du robot mobile Evitement dobstacle. Rapprochement de la cible. Navigation en spirale..... Navigation en zig-zag.... Partage de l'environnement en zones....

Figure Chapitre III :

III.1 III.2 III.3 III.4 III.5 III.6

La logique floue
34 35 41 43 45 48

Reprsentation dun ensemble flou..... Fonction d'appartenance pour les trois cas.. Exemple de variation d'une variable linguistique..... Reprsentation des oprateurs logique ET, OU sur un mme rfrence. Configuration gnrale d'un contrleur flou..... Exemple du centre de gravit...

Figure Chapitre IV :
IV.1 IV.2 IV.3 IV.4 IV.5 IV.6 IV.7 IV.8 IV.9 IV.10 IV.11 IV.12 IV.13 IV.14 IV.15 IV.16 IV.17 IV.18 IV.19 IV.20 IV.21 IV.22

Simulation et rsultats
55 56 57 57 58 58 59 59 67 68 69 71 71 72 72 73 73 74 74 75 75 76

Reprsentation du robot simul... Localisation du robot et de la cible.. Le contrleur ractif flou.... Reprsentation des sous ensembles flous de la distance. Reprsentation des sous ensembles flous de l'entre Reprsentation des sous ensembles flous de la sortie .. Reprsentation des sous ensembles flous de la sortie V Les huit situations de base... Organigramme de navigation du robot mobile.... Main logiciel... Interface du logiciel.... Rsultat de l'environnement 1..... Rsultat de l'environnement 2..... Rsultat de l'environnement 3..... Rsultat de l'environnement 4..... Rsultat de l'environnement 5..... Rsultat de l'environnement 6..... Rsultat de l'environnement 7..... Rsultat de l'environnement 8/1.. Rsultat de l'environnement 8/2.. Rsultat de l'environnement 8/3.. Rsultat de l'environnement 8/4..