Admin CliCours
Introduction générale
Chapitre 1: Robotique de groupe
1.1.Introduction
1.2.Intelligence en essaim
1.3.Robotique
1.3.1. Introduction
1.3.2. Architecture générale d’un robot
1.3.3. Architecture de contrôle d’un robot mobile autonome
1.3.3.1. Architecture de contrôle cognitive
1.3.3.2. Architecture de contrôle réactive
1.3.3.3. Architecture de contrôle centralisée
1.3.3.4. Architecture de contrôle décentralisée
1.3.4. Domaines d’application
1.3.5. Réseaux de robots
1.3.5.1. Définition
1.3.5.2. Communication
1.3.5.3. Coopération, coordination et collaboration
1.3.5.4. Domaines d’applications
1.4.Conclusion
Chapitre 2: Réseaux sans fil
2.1.Introduction
2.2.Les réseaux sans fil
2.2.1. Classification des réseaux sans fil
2.2.2. Réseau Ad hoc
2.2.2.1. Introduction
2.2.2.2. Piles protocolaires
2.2.2.3. Routage dans les réseaux Ad hoc
2.2.2.4. Problèmes du routage dans les réseaux Manet
2.2.2.5. Les applications des réseaux ad hoc
2.2.3. Réseaux DTN
2.2.3.1. Introduction
2.2.3.2. Définition des réseaux DTN
2.2.3.3. Caractéristiques des réseaux DTN
2.2.3.4. Fonctionnement des réseaux DTN
2.2.3.5. Routage dans les réseaux DTN
2.2.3.6. Domaines d’application de réseaux DTN
2.2.4. Le réseau Ad hoc et le réseau DTN
2.3.Conclusion
Chapitre 3: Méthode d’optimisation (Méta-heuristique PSO)
3.1. Introduction
3.2. Classification des méthodes d’optimisation
3.2.1. Méthodes exactes (déterministes)
3.2.2. Méthodes approchés (non déterministes)
3.2.2.1. Les heuristiques
3.2.2.2. Les méta-heuristiques
3.2.2.2.1. Les algorithmes génétiques
3.2.2.2.2. La programmation génétique
3.2.2.2.3. Optimisation par colonies de fourmis
3.2.2.2.4. Optimisation par essaim particulaire
3.3. Avantages et inconvénients des méthodes approchés
3.4. Conclusion
Chapitre 4: Tache d’exploration et de couverture
4.1. Introduction
4.2. Problème d’exploration
4.2.1. Introduction
4.2.2. Localisation et cartographie
4.2.3. Problèmes liés à la tâche d’exploration
4.2.3.1. Maintien de la connectivité
4.2.3.2. Minimisation du temps d’exploration
4.2.3.3. Minimisation d’énergie
4.2.4. Travaux sur le problème d’exploration
4.3. Couverture
4.3.1. Zone de couverture
4.3.2. Taxonomie de types de couverture
4.3.2.1. Surveillance de l’environnement
4.3.2.1.1. Couverture de zone
4.3.2.1.2. Couverture de points
4.3.2.1.3. Couverture de frontière
4.3.2.2. Types de couverture
4.3.2.2.1. Couverture simple
4.3.2.2.2. Couverture multiple
4.3.2.3. Dynamicité de la couverture
4.3.2.3.1. Couverture statique
4.3.2.3.2. Couverture dynamique
4.4. Conclusion
Chapitre 5: Problème posé et solution proposée
5.1.Introduction
5.2.Problème posé
5.3.Analyse du problème
5.3.1. Coopération
5.3.2. Conditions de communication et paramètres à régler
5.3.3. Fonction objective
5.3.4. Exemples
5.3.5. Communication horizontale
5.3.6. Communication verticale
5.4. Solution
5.4.1. Ressources logiques utilisées
5.4.2. Ressources physiques (Modélisation du robot)
5.4.3. Paramètre de La coopération
5.4.4. Paramètre de l’adaptation
5.5. Particle Swarm Optimization
5.5.1. Principe
5.5.2. Valeurs des paramètres du PSO utilisés
5.5.3. Algorithme de PSO
5.6. Algorithme d’exploration
5.6.1. Création de la population
5.6.2. Calcul d’utilité
5.7. Protocoles de routage
5.7.1. MANET
5.7.2. DTN
5.8. Algorithme de simulation
5.9. Conclusion
Chapitre 6: Mise-en-œuvre et résultats de simulation
6.1.Introduction
6.2.Mise en œuvre de la simulation
6.2.1. Introduction
6.2.2. Choix de simulateur
6.2.3. Mise en œuvre de la solution proposée
6.3.Résultats de simulation
6.3.1. Les règles décelées
6.3.2. La phase de la mise à l’échelle
6.3.2.1. La mise à l’échelle du nombre de robots
6.3.2.2. La mise à l’échelle du nombre de points d’intérêt
6.3.2.3. La mise à l’échelle de la taille d’environnement
6.3.2.4. La mise à l’échelle du rayon de détection
6.3.3. La mise à l’échelle du rayon de communication
6.4.Comparaison des résultats
6.5.Conclusion
Conclusion générale
Références bibliographique
Chapitre 1 : Robotique de groupe
1.1.Introduction
L’auto-organisation est un phénomène émergent résultant d’une multitude d’interactions entre différents membres d’une même société qu’elle soit naturelle (comme les insectes sociaux) ou artificielle (comme les collectivités de robots). Elle peut aussi résulter d’une interaction entre la société, en question, et l’environnement.
L’absence de contrôle hiérarchique ou centralisé permettant de gérer les activités entre les insectes sociaux incitent à considérer ces derniers comme un modèle pouvant être appliqué dans le domaine de la robotique. Il est clair que l’intelligence artificielle est inspirée du comportement individuel de l’être humain ; elle cherche à reproduire son raisonnement. Cependant, la nature abonde de formes d’intelligence collective. La nouveauté dans ce contexte c’est qu’au lieu de prendre en compte une intelligence individuelle on tient compte de celle de la collectivité.
L’intelligence en essaim est une forme particulière de ce type d’intelligence ; elle se base sur un essaim d’individus pourvus d’une intelligence minimale, mais totalement autonomes. La robotique en essaim est actuellement l’un des plus importants domaines d’application de l’intelligence en essaims, elle est une branche de la robotique collective axée sur l’étude des groupes relativement importants de robots avec des capacités de communication et de détection limitées. Un réseau de robots est composé d’un ensemble de machines intelligentes mobiles homogènes ou hétérogènes en interaction dans le but de réaliser des tâches difficiles voire même impossibles à accomplir par un seul robot. L’utilisation d’un réseau de robots présente plusieurs avantages en comparaison avec un robot solitaire (ou unique) tel que le parallélisme et la robustesse (la souplesse, l’efficacité, le gain économique, …). Le réseau de robots est utile dans plusieurs domaines d’applications. Comme celles : militaires, de surveillance, de transport, d’exploration spatiale ou sous-marine.
Ce chapitre s’intéresse à la robotique de groupe en générale, mais focalise sur la robotique collective et plus particulièrement sur celle en essaim. Pour se faire il est nécessaire d’introduire, en premier lieu, aussi bien le concept de l’intelligence en essaim (cas particulier de l’intelligence collective) que celui de la robotique. Il serait, par la suite, plus aisé d’expliquer les réseaux de robots.
1.2.Intelligence en essaim
Les chercheurs ont pu transformer des modèles du comportement collectif des insectes sociaux en méthodes utiles pour résoudre des problèmes d’optimisation.
L’intelligence en essaim est un nouveau domaine de recherche qui a vu le jour dans les dernières décennies et dont l’objectif est de transformer la connaissance que les éthologues ont des capacités collectives que les insectes sociaux exhibent pour venir à bout de leurs problèmes en techniques artificielles permettant de trouver des solutions à des problèmes humains. Le terme «essaim» fait référence à un grand groupe d’individus qui interagissent localement avec des objectifs communs. Il est utilisé pour décrire tous les types de comportements collectifs. L’intelligence en essaim est l’intelligence collective qui émerge à partir des interactions entre des groupes d’individus autonomes de grandes tailles. La nature nous montre des exemples typiques, comme celles rencontrés dans les espèces d’insectes sociaux. En effet, des colonies de fourmis, des guêpes, des abeilles et d’autres types d’insectes vivant en société ont l’intuition d’avoir des comportements complexes sans l’intervention d’un superviseur et sans aucun contrôle central dictant la manière de réalisation de tels comportements. Les animaux exécutent des comportements simples pour permettre l’émergence de comportements complexes qui sont essentiels à l’exploration de nouveau territoire, la recherche de nourriture, la chasse, la construction des nids et la survie.
Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)Routage adaptatif dans les réseaux de robots mobiles autonomes (2.3 Mo) (Rapport PDF)
