Contribution à commande des systèmes robotisés

Abstract

Contrairement à l’apprentissage supervisé, l’apprentissage par renforcement (AR) ne nécessite pas la éfinition d'une base d’apprentissage représentative. Ces techniques d’AR sont particulièrement adoptées à la robotique mobile. Elles permettent ainsi de trouver par un processus d’essais-erreurs, l’action optimale à effectuer pour chaque situation afin d'en maximiser les récompenses. À ce jour, divers algorithmes d’AR ont été proposés dans la littérature. Dans le présent travail, un intérêt particulier est porté aux deux algorithmesdénommés : Actor Critic Learning et Q-Learning. Ces deux approches, basées sur le principe de la programmation dynamique ont été appliquées pour l’adaptation des conclusions du contrôleur flou de la navigation du robot mobile. Par la suite une étude comparative des paramètres des deux algorithmes FACL (Fuzzy Actor Critic Learning) et FQL (Fuzzy Q-Learning) a été effectuée. La seconde partie du présent travail, repose sur la mise œuvre de la caméra RGB-Kinect pour la reconstruction de la carte de l’environnement 3D. Par le biais des filtres SURF, KNN, RANSAC et ICP, le programme développé a permis de minimiser l’erreur moyenne de la fusion de plusieurs vues successives et l’élaboration de la carte 3D de l’environnement d’évolution du robot mobile.