Techniques d’optimisation pour la surveillance d’une zone industrielle à risques par une équipe de robots mobiles autonomes

Οptimisatiοn techniques fοr mοnitοring a high-risk industrial area by a team οf autοnοmοus mοbile rοbοts

• Auteur / Autrice : Hamza Chakraa
• Direction : Dimitri Lefebvre, François Guérin
• Type : Thèse de doctorat
• Discipline(s) : Automatique, signal, productique, robotique
• Date : Soutenance le 05/12/2024
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
• Partenaire(s) de recherche : Laboratoire : Groupe de Recherche en Electrotechnique et Automatique du Havre (Le Havre, Seine-Maritime ; 1999-....)
• Partenaire(s) de recherche : Établissement co-accrédité : Université du Havre (1984-....)
• Jury : Président / Présidente : Stefan Haar
• Jury : Examinateurs / Examinatrices : Carla Seatzu, Cristian Mahulea, Edouard Leclercq
• Jury : Rapporteurs / Rapporteuses : Carla Seatzu, Cristian Mahulea

Mots clés

Mots clés contrôlés

Applications industrielles

Robots autonomes

Zones industrielles

Mots clés libres

Systèmes multi-Robots (MRS)

Allocation de tâches multi-Robots (MRTA)

Planification de trajectoire

Véhicule aérien sans pilote (UAV)

Multi-Robot systems (MRS)

Multi-Robot task allocation (MRTA)

Path planning

Unmanned aerial vehicle (UAV)

Industrial area

Résumé

Cette thèse explore le développement et la mise en œuvre d’algorithmes d’optimisation pour la surveillance de zones industrielles à l’aide d’une équipe de robots mobiles autonomes. Le travail de recherche se concentre sur l’allocation de tâches multi-robots (MRTA), où un plan de mission quasi-optimal doit être généré. Un nouveau modèle prenant en compte des robots et des tâches hétérogènes est proposé, utilisant des algorithmes génétiques (GA) et une méthode de recherche locale 2-Opt pour résoudre le problème. La thèse intègre également des stratégies d’évitement des collisions, qui deviennent nécessaires lorsqu’il y a beaucoup de robots et de tâches. Une solution locale de bas niveau gère de nombreuses situations de conflit pendant la mission, ce qui peut entraîner des retards. Par conséquent, une solution pour ce cas a été proposée en utilisant le clustering. En outre, nous évaluons les solutions proposées à l’aide d’expériences réelles qui incluent un algorithme basé sur la navigation pour résoudre les problèmes de collision. Les résultats démontrent la valeur de ces algorithmes dans l’optimisation de la répartition des tâches et de la planification des chemins pour les robots mobiles autonomes dans les environnements industriels, ouvrant la voie à une planification de mission plus efficace et à une sécurité accrue dans les environnements industriels.

This thesis explores the development and implementation of optimisation algorithms for monitoring industrial areas using a team of autonomous mobile robots. The research focuses on Multi-Robot Task Allocation (MRTA), where a near-optimal mission plan must be generated. A novel model considering heterogeneous robots and tasks is proposed, using Genetic Algorithms (GA) and 2-Opt local search methods to solve the problem. The thesis also integrates collision avoidance strategies, which become necessary when there are many robots and tasks. A low-level local solution handles many conflict situations during the mission, which can cause delays. Therefore, a solution for this case was proposed using clustering. Furthermore, we evaluate the proposed solutions through real-world experiments including a navigation-based algorithm that addresses collision issues. The results demonstrate the value of these algorithms in optimising task allocation and path planning for autonomous mobile robots in industrial settings, paving the way for more efficient mission planning and enhanced safety in industrial environments.