Navigation Autonome d’un Robot Mobile par des Techniques Neuro-Floues

Cette thèse traite le problème de navigation autonome d'un robot mobile par les techniques hybrides neuro-floues. L’objectif de travail présenté est d’étudier et développer des architectures de commande efficaces pour une navigation réactive d'un robot mobile autonome dans un environnement inconnu, en utilisant d’une part l’approche comportementale et d’autre part les méthodes de l’apprentissage. Les techniques employées pour aborder ce problème sont basées sur les systèmes d'inférence flous, les réseaux de neurones artificiels et l’apprentissage par renforcement. On a utilisé premièrement, les systèmes basés sur les comportements flous pour la planification locale et réactive, puis pour l'ajustement des paramètres des comportements flous, on a introduit les modèles hybrides neuro-flous pour la navigation autonome. La deuxième méthode d’apprentissage est particulièrement adaptée à la robotique, qui permet de trouver, par un processus d’essais et d’erreurs, l’action optimale à effectuer pour chacune des situations que le robot va percevoir afin de maximiser ses récompenses. Pour combiner les avantages de la logique floue et l'apprentissage par renforcement, une stratégie de commande avec une capacité d’apprentissage est utilisée, c’est une extension de Q-learning aux cas continus et une méthode d'optimisation des systèmes flous. L'avantage des systèmes flous est l’introduction des connaissances disponibles à priori pour que le comportement initial soit acceptable. L’efficacité des architectures proposées et étudiées sont démontrées par diverses applications de navigation autonome d'un robot mobile. This thesis deals with the autonomous navigation problem of a mobile robot using hybrid neurofuzzy techniques. The objective of the presented work is to study and develop effective architectures for a reactive navigation of an autonomous mobile robot in unknown environment, by using on the one hand the behavior based approach, and on the other hand the learning paradigm. The techniques employed to tackle this problem are based on the fuzzy inference systems, artificial neural networks and the reinforcement learning. Firstly, we used fuzzy behavior based navigation approach for the reactive and local planning, then for tuning the fuzzy behaviors parameters; we introduced the hybrid neuro-fuzzy models for autonomous navigation. The second type of learning method is particularly adapted to mobile robotic, which makes it possible to find by a process of tests and errors, the executed optimal action for each situation which the robot will perceive in order to maximize its rewards. To combine the advantages of fuzzy logic and reinforcement learning, a control strategy with a learning capacity is used, it is an extension of Q-learning to the continuous spaces and considered as and optimization method of fuzzy systems. The advantage of the fuzzy systems is the introduction of a priori knowledge in order to make the first behavior is acceptable. The effectiveness of the proposed and the studied architectures are demonstrated by various applications of the autonomous mobile robot navigation