Você está na página 1de 109
C'est grâce au bon Dieu que Je su is arrivée à finaliser ce travail que
C'est grâce au bon Dieu que Je su is arrivée à finaliser ce travail que

C'est grâce au bon Dieu que Je suis arrivée à finaliser ce travail que je dédie à mes chères parents (HAWAS Fatiha & BABA Boualem); que Dieu les accorde sa bénédiction; ainsi toute ma famille.

A ma chère copine sœur Nadjwa et sa noble famille.

A ma chère sœur Hayet.

Sans oublier les nobles professeurs, les collègues de la section informatique

Je dédie ce travail à tous qui m'aime

les nobles pr ofesseurs, les collègues de la section informatique Je dédie ce travail à tous

Nawel

C'est grâce au bon Dieu que Je su is arrivée à finaliser ce travail que
C'est grâce au bon Dieu que Je su is arrivée à finaliser ce travail que

C'est grâce au bon Dieu que Je suis arrivée à finaliser ce travail que je dédie à mes chères parents; que Dieu les accorde sa bénédiction; ainsi toute ma famille.

Mr DJAMAI Djelloule (mon père)

M me GASMI Malika (ma mère)

M. MEZRAG Omar (mon époux)

A ma chère sœur Nawel (ma Binôme)

Nour el-Yakin Rawane (ma fillette)

Je dédie ce travail à tous qui m'aime

chère sœur Nawel (ma Binôme)  Nour el-Yakin Rawane (ma fillette) Je dédie ce travail à

Hayet

C'est grâce au bon Dieu que Je su is arrivé à finaliser ce travail que
C'est grâce au bon Dieu que Je su is arrivé à finaliser ce travail que

C'est grâce au bon Dieu que Je suis arrivé à finaliser ce travail que je dédie à mes chères parents; que Dieu les accorde sa bénédiction; ainsi toute ma famille.

Toute la famille LAOUFI

Tous collègue d'Algérie télécom

Tous collègue de la session informatique

Je dédie ce travail à tous qui m'aime

télécom  Tous collègue de la session informatique Je dédie ce travail à tous qui m'aime

Mourad

Tout d’abord nous remercions Dieu qui nous a aidé à élaborer notre mémoire. Nous tenons
Tout d’abord nous remercions Dieu qui nous a aidé à élaborer notre
mémoire.
Nous tenons à remercier tous les membres de jury qui ont bien
voulu juger et examiner le présent mémoire. Et d’ailleurs, nos
remerciements s’adressent à tous les professeurs qui ont contribué à notre
formation est pour les conseils apportés au mémoire, aussi qu’a
Mr CHEBLOUNE Habib, notre encadreur pour l’aide technique et morale
qui nous ; a durant toute la période de l’élaboration du mémoire,
beaucoup estimées.
Nous remercions toute personnes ayant contribues de prés ou de
loin au bon déroulement de ce travail.

Sommaire

Introduction générale……….……….……….……….……….…

Chapitre I :

robot mobile

I.1) Introduction ….……………….……….……….……….……….…

I.2) Définition d’un robot et robotiqueI.3) types des robots mobiles.….……….……….……….……….……… I.4) Architecture d’un robot mobile.…

……….……….……….………

……….……….……….……….…. I.4.1) La locomotion.….……….……….……….……….……….…….

I.4.1.1) la structure mécanique et motricité….……….……….……… I.4.1.1.1) Les mobiles à roues….……….……….……….…………. I.4.1.1.2) Les mobiles à chenilles….……….……….……….…… I.4.1.1.3) Les mobiles à marcheurs.….……….……….……….……. I.4.1.1.4) Les robots à rampants.….……….……….……….………. I.4.1.1.5) La motricité et l’énergie….……….……….……….……

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 à infrarouge …….……….……….……….…… I.4.2.1.3) Les capteurs télémétriques laser …….……….……….……

I.4.3) La décision …….……….……….……….……….……….……….

I.4.3.1) Autonomie d’un robot mobile …….……….……….……….… I.5) Architecture de robot mobile adopté …….……….……….……….… I.6) Domaines d’application de la robotique mobile …….……….……….….

I.7) Conclusion …….……….……….……….……….……….…………

…….……….……….……….………

Chapitre II :

Stratégie de navigation d’un robot mobile

II.1) Introduction …….……….……….……….……….……….……….

II.2) Architecture de commande d’un robot mobile …….……….……….…. II.2.1) Planification…………………………………………………

01

03

04

04

05

05

05

05

06

07

07

08

08

09

09

10

11

12

13

13

14

16

18

18

19

II.2.2) Navigation. …….……….……….……….……….……….…… 19

II.2.3) Le pilotage.….……….……….……….……….……….………

19

II.3) Tactique de navigation

……….……….……….……….………

……….……….……….……….……

19

II.3.1) Navigation dans un environnement totalement inconnu……………….

19

II.3.2) Navigation dans un environnement totalement connu….……….…

20

II.3.3) Navigation dans un environnement partiellement connu.….………

20

II.4) Les méthodes de navigation d’un robot mobile.….……….……….……

21

II.4.1) Approches classiques.….……….……….……….……….……

21

II.4.2) Approches actuelles.….……….……….……….……….……….

22

II.5) La stratégie de navigation

24

II.6) Problèmes de la navigation des robots mobiles…………………………….

27

II.7) Planification d’une trajectoire….……….……….……….……….…

27

II.8) Conclusion….……….……….……….……….……….……….…

28

Chapitre III :

La logique floue

 

30

III.1) Introduction

….……….……….……….……….……….………

III.2) Q’est-ce que la logique floue ?.….……….……….……….…………

30

III.3) Historique….……….……….……….……….……….……….…

31

III.4) Pourquoi utiliser la logique floue ?.….……….……….……….……

31

III.5) Théorie de sous-ensemble flou…………….……….……….………

32

III.5.1) Concept de sous-ensemble flou….……….……….……….…….

32

III.5.2) Définition d’un sous-ensemble flou….……….……….…………

33

III.5.3) Fonction d’appartenance….……….……….……….…………

35

III.5.4) Caractéristiques d’un sous-ensemble flou….……….……….…….

35

III.5.5) Opérations sur les sous-ensembles flous….……….……….……

37

III.5.6) Les relations floues….……….……….……….……….……….

39

III.5.6.1) Définition d’une relation floue….……….……….……….….

39

III.5.6.2) Les différents relations floues….……….……….……….…

39

III.6) Les variables linguistiques….……….……….……….……….…….

40

III.6.1) Définition des variables linguistiques….……….……….………

41

III.6.2) Univers de discours….……….……….……….……….………

41

III.6.3) Propositions floues….……….……….……….……….………

41

III.7) Le contrôleur flou….……….……….……….……….……….……

44

III.7.1) Algorithme du contrôleur flou….……….……….……….……

……

44

III.7.2) Configuration générale d’un contrôleur flou….……….……….….

44

III.7.3) Structure d’un contrôleur flou….……….……………

46

III.7.3.1) Base de connaissances….……….……….……….…………

46

III.7.3.2) Fuzzification….……….……….……….……….………… III.7.3.3) Inférence floue….……….……….……….……….………. III.7.3.4) Défuzzification.……….……….……….……….…………. III.7.4) Avantages du contrôleur flou….……….……….……….…… III.7.5) Inconvénients du contrôleur flou….……….……….…………… III.8) Domaines d’application….……….……….……….……….………

III.9) Conclusion….……….……….……….……….……….…………

Chapitre IV :

Simulation et résultats

IV.1) Introduction….……….……….……….……….……….…………

IV.2) Les comportements du robot….……….……….……….……….… IV.3) Description du robot simulé….……….……….……….……….… IV.4) Architecture du système de commande….……….……….………… IV.5) Description du contrôleur flou….……….…….……….……….…… IV.5.1) La quantification floue des entrées et des sorties du système

(fuzzification) .……….……….……….……….……………

46

47

47

49

49

50

52

54

54

54

56

57

57

IV.5.2) Établissement des règles liant les sorties aux entrées (mécanisme

d’inférence) ……

……

……

……

……

59

IV.5.3) La combinaison des règles pour la génération des sorties

(défuzzification)…

…… IV.6) L’organigramme du simulateur IV.7) Implémentation…………………………………………………………… IV.7.1) Langage de programmation….……….……….……………… IV.7.2) Description du logiciel……………………………

……………. IV.8) Résultat….……….……….……….……….……….……….…….

IV.9) Conclusion….……

……

……

….……….……….……….………

….……….……….……….……….…………

Conclusion générale….……….……….……….……….……….…….

Bibliographie…………………………………………………………………

63

67

68

68

68

70

77

78

79

Les systèmes robotisés sont devenus les premiers outils d’automatisation de la production et dans toutes

Les systèmes robotisés sont devenus les premiers outils d’automatisation de la production et dans toutes les branches de l’industrie moderne. Leur productivité et la qualité du travail obtenue sont directement liées à leur rapidité, à leurs précisions et à leur capacité d’adaptation dans leur milieu de travail. Ces contraintes apportent la nécessité de développer des méthodes de commande de plus en plus élaborées concernant la génération de la trajectoire et la poursuite en temps réel de ces trajectoires. Les recherches et les développements dans ce domaine ont permis de dégager plusieurs approches sur la planification de mouvement. Dans le cas de l’évolution dans des environnements inconnus et évolutifs, le problème reste encore très ouvert. L’objectif de notre mémoire consiste à l'étude en simulation de la commande du déplacement d’un robot mobile autonome dans un environnement totalement inconnu, en utilisant une approche basée sur la logique floue. Cette approche peut être considérée comme une méthode bien adaptée à notre problème puisque d’une part, on ne dispose pas d’un modèle précis de l’environnement, et d’autre part les informations qui sont issues des différents capteurs du robot mobile sont souvent entachées d’erreurs. L’intérêt supplémentaire du flou réside dans sa capacité d’impliquer l’intelligence humaine dans la stratégie de la commande à travers des règles comportementales. L’organisation du présent mémoire est structurée comme suite :

Dans le premier chapitre nous présentons les notions de base d'un robot mobile.

Le deuxième chapitre présente la stratégie de navigation d'un robot mobile.

Le troisième chapitre présente les concepts de la logique floue.

Le quatrième chapitre concerne la partie simulation et les résultats expérimentaux que nous avons obtenus.

I.1) Intelligence artificielle et la robotique

Le domaine des applications de l’intelligence artificielle à la robotique, bien qu’est utilisé depuis longtemps comme démonstration de l’efficacité des systèmes intelligents, est en réalité encore vaste et mal défini. La possibilité d’avoir une intelligence artificielle est d’introduire un système de programmation approprié ; il s’agit de mettre au point des programmes spécialisés. L’intelligence artificielle comprend deux phases principales : représentation de la connaissances et la recherche de la solution. L’intelligence artificielle voit dans la robotique, un domaine d’application particulièrement riche pour élaborer et expérimenter ses propres modèles.

I.2) Définition d'un robot et robotique

Pour le sens commun, un robot est un dispositif mécanique articulé capable d'imiter certaines fonctions humaines telles que la manipulation d'objets ou la locomotion, dans le but de se substituer à l'homme pour la réalisation de certaines tâches matérielles. Cette réalisation est plus ou moins autonome selon les facultés de perception de l'environnement dont est doté le robot. La robotique est l'ensemble des activités de construction et de mise en œuvre des robots. La robotique est branche de l’intelligence artificielle concernée par l’étude de systèmes automatiques capables d’une interaction directe avec le monde physique.

I.3) Définition d'un robot mobile

La tâche essentielle qui incombe aux robots mobiles est le déplacement dans un environnement connu ou inconnu Il est donc nécessaire de connaître la position du robot au sein de son univers de façon précise ou relative selon le cas.

La solution pour un robot mobile doit être globale, c’est-à-dire qu’il ne faut pas simplement rendre autonome une plate-forme en oubliant provisoirement l’outil de travail qui l’équipe. La plupart des recherches sont concentrées sur les reconnaissances de l’environnement immédiat du robot. Des capteurs (infrarouges, ultrasons, laser, caméra CCD) associés à des logiciels adaptés permettent, par la reconnaissance de formes, d’optimiser les déplacements du mobile.

I.4) Architecture d'un robot mobile

On décompose un robot mobile en trois grandes modules fonctionnaires : la locomotion, la perception et la décision. I.4.1) La locomotion La locomotion se décompose en deux parties : celle qui réalise l’appui vis-à-vis du milieu dans le quel on entend se déplacer et celle qui permet la propulsion. Celle-ci inclut les moteurs et les mécanismes conduisant au déplacement. I.4.2) La perception Cette partie du robot est souvent la plus difficile à réaliser et les recherches dans ce domaine utilisent une plate-forme à trois ou quatre roues pour étudier les problèmes de comportement. La perception passe par deux étapes successives : la lecture des capteurs, puis le traitement de l’information. L’interprétation, qui permet de délivrer un message clair à la fonction «locomotion», est dévolue à la fonction «décision» du robot. I.4.3) La décision Les informations en provenance des différents captures doivent être interprétées comme autant d’éléments utiles à la prise de décision sur l’action à faire, le but étant de délivrer les ordres corrects aux actionneurs, bras, pinces ou moteurs des roues.

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

Commençons par les trois domaines majeurs: le nucléaire, le spatial et le sous marin qui présentent des points communs:

- La nécessité d'adaptation au milieu est primordiale - La tache à effectuer est non répétitive. - En spatial, comme en nucléaire et en sous marin. La difficulté de communication nécessite L'autonomie du robot.

- Le nucléaire

- le spatial

- le sous-marin

- la médecine

- les véhicules automatiques

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

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

PLANIFICATEUR

NAVIGATEUR

PILOTE

PLANIFICATEUR NAVIGATEUR PILOTE
PLANIFICATEUR NAVIGATEUR PILOTE
Perception de L'environnement
Perception
de
L'environnement
NAVIGATEUR PILOTE Perception de L'environnement Actionneurs U Fig 1: décomposition hiérarchique classique
Actionneurs
Actionneurs
PILOTE Perception de L'environnement Actionneurs U Fig 1: décomposition hiérarchique classique de la

UFig 1: décomposition hiérarchique classique de la commande Udu robot mobile

II.1.1) Planification Planification c'est le sommet de la structure hiérarchique de la commande, sa fonction est de générer une trajectoire pour le robot mobile de sa position courante à la position finale. Le planificateur est appelé avec un modèle de l'environnement, il produit une trajectoire qui est passée au contrôleur du robot qui à son tour l'exécute. 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 définie comme l'art de se diriger vers une destination finale et cela pour déterminer 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 chargé de suivre les contours du lieu d'évolution 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 donnée.

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

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

II.3.1) Approches classiques Plusieurs méthodes classiques ont été développées, mais la plupart elles ont le point commun de planifier une trajectoire continue, libre d'obstacles. Et on peut citer parmi ces méthodes:

Ua) Approches basées sur le raisonnement géométrique Ub) Approches basées sur le champ de potentiel artificiel Uc) Approches basées sur la configuration de l'espace Dans cette approche, l'espace de travail du robot est divisé en petites cellules (sous forme de rectangles ou carrés) ayant une taille fixe. Le centre de chaque cellule est localisé dans un espace cartésien dont les éléments sont 0 et 1 suivant que la cellule correspondante est libre ou occupée par un obstacle. L'environnement est donc complètement connu est configuré en un modèle de grille. La génération d'une trajectoire libre d'obstacles est basée sur ce modèle. figure 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 générer des trajectoires sans collision à l'avance dans tous les cas. Un robot mobile au cours de la navigation doit éviter les obstacles statiques ou dynamiques et localiser la cible. Plusieurs heuristiques simulant le raisonnement humain ont été proposé dans la navigation d'un robot mobile ce qui est appelé 'soft computing'. Les nouvelles approches se base essentiellement sur les réseaux de neurones, les algorithmes génétiques et la logique floue.

Ua) La navigation d'un robot mobile par la logique floue La logique floue est un mode de raisonnement très proche de la pensée humaine, elle traduit les connaissances et le raisonnement d'un expert humain en règles simples qu'un système artificiel peut utiliser. La logique floue est utilisée dans la navigation d'un robot mobile en intégrant la connaissance de l'être humain dans le système mobile, son comportement est généré par un mécanisme d'inférence flou se basant sur cette connaissance. La logique floue offre de grands avantages: comme la réaction en temps réel du mobil, puisque la connaissance est incorporée à priori. Elle tolère l'imprécision des données prises par les capteurs, ce qui permet de réduire le coût de conception. Nous avons choisi la logique floue pour la navigation d'un robot mobile dans notre exposé.

II.4) Planification d'une trajectoire

C'est l'un des objectifs principaux de la recherche en robotique, c'est une production d'une séquence d'actions pour atteindre un but. Une situation précise est définie à l'avance, à partir d'une base de connaissance initiale de l'environnement et d'un ensemble de règles déterminant l'environnement.

III.1) Qu’est-ce que la logique floue ?

Le terme de ‘’logique flou’’ a deux acceptions :

- La première, que nous avons adoptée correspond à tous les développements concernant la théorie de sous-ensembles flous. - La seconde représente une extension de la logique classique, dans le but de raisonner sur des connaissances imparfaites.

III.2) Pourquoi utiliser la logique floue ?

Il convient d’utiliser la logique floue lorsque des imperfections entachent la connaissance dont nous disposons sur le système, lorsqu’il modélisation rigoureuse de celui-ci est difficile, lorsqu’il est très complexe, lorsque notre façon naturelle de l’aborder passe par une vue globale de certains de ses aspects. Si elle impose une standardisation de la signification des description du système exprimées linguistiquement, ce qui peut sembler rédacteur par rapport à une utilisation purement symbolique des descriptions linguistiques, la logique floue présente l’avantage de permettre le passage d’une telle description d’un expert ou d’un observateur à l’autre.

III.3) Théorie de sous ensemble floue

III.3.1) Concept de sous-ensemble flou Le concept de sous-ensemble flou a été introduit pour éviter les passages brusques d’une classe à une autre (dans la classe noire à la classe blanche par exemple) et autoriser des éléments à n’appartenir complètement ni à l’une ni à l’autre (à être gris, par exemple), ou encore à appartenir partiellement à chacune (avec un fort degré à la classe noire et un faible degré à la classe blanche dans le cas du degré foncé). La notion de sous-ensemble flou permet de traiter :

- des catégories aux limites mal définies (comme "centre ville" ou "ancien"), - des situations intermédiaires entre le tout et le rien ("presque noire"),

- le passage progressif d’une propriété à une autre (de "proche" à "éloigné" selon la distance), III.3.2) Définition d’un sous-ensemble flou Un sous-ensemble classique A de X est défini par une fonction caractéristique XR A R qui prend la valeur 0 pour les éléments de X n’appartenant pas à A et la valeur 1 pour ceux qui appartiennent à A :

XR A R : X {0,1}

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

d’appartenance qui associe à chaque élément x de X, le degré ƒ R A R (x), compris entre 0 et

1, avec lequel x appartient à A :

fR A R : X [0, 1]. Dans le cas particulier où f R A R ne prend que des valeurs égales à 0 ou 1, le sous- 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 d’appartenance L’application µR A R est appelée fonction d’appartenance de l’ensemble flou A généralisant ainsi le concept d’appartenance de la théorie classiques des ensembles :

A tout élément x de U la valeur µR A R (x) associées n’est pas nécessairement égale à 0 ou

à 1, elle est à priori quelconque et désigne le degré d’appartenance de x à l’ensemble

de A.

µ(A)

1

µ(A)

1

de x à l’ensemble de A . µ(A) 1 µ(A) 1 0 x R 0 R
de x à l’ensemble de A . µ(A) 1 µ(A) 1 0 x R 0 R

0

x R 0 R

x

0

µ(A) 1 x R 0 R x x R 0 R
µ(A)
1
x R 0 R
x
x R 0 R

0

x x R 1 R x R 2 R
x
x R 1 R
x R 2 R

UFig2: fonctions d’appartenance pour les 3 cas.

III.4) La logique Floue

La logique floue, généralement appelée logique linguistique manipulant des

valeurs de vérité floues servira par conséquent de modèle mathématique pour le raisonnement humain et pour tout système basé sur l'inférence floue. La plupart des objets de base manipulée par la logique linguistiques sont flous par nature. Il s'agit en particulier des objets suivants:

-

Uvaleurs de vérités floues: U vrai, faux, presque vrai, plus ou moins faux, …etc.

-

Uquantificateurs

flous: U

habituellement,

presque

tout,

généralement,

beaucoup,

rarement, …etc.

- Uprédicats flous: U jeune, vieux, grand, petit, intelligent, cher, normal, …etc.

- Umodificateur flous: U très, plus ou moins, vraisemblablement, hautement, plutôt, …etc. III.4.1) variables linguistiques Une variable linguistique est définie par un triplet (X, U, T R x R ) ou X désigne le nom de la variable, U le référentiel, et T R x R l'ensemble fini ou non des valeurs linguistiques de la variable X appelées termes. Les termes sont des mots ou des expressions vagues du langage naturel tels que petit, jeune, vieux, plus ou moins grand, qui caractérisent X est sont modélisés par des ensembles flous. III.4.2) Univers de discours Soit X la variable linguistique qui désigne la température de l'eau, on peut la décrire par un certain nombre de mots par exemple : « Chaude », « Froide », « Tiède », chaque terme est modélisé par un ensemble flou et donc par une fonction d'appartenance. L'un vers de discours est définit comme le domaine de variable linguistique, il couvrira par conséquent l'ensemble des valeurs prises par cette variable. (Fig3 )

µ(θ)

1

tiède θ (température) θ R 1 R θR 2 R θR 3 R θR 4
tiède
θ (température)
θ R 1 R
θR 2 R
θR 3 R
θR 4 R
θR 5 R
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 énoncé contenant un ou plusieurs prédicats flous selon qu'elle est simple ou composée. . Proposition floue simple Soit une variable linguistique (X, U, T R x R ), une proposition floue simple est de la forme « X est A » ou A est un élément de TR x R , associé à un prédicat flou tel que « jeune », « chaude »…etc.

La valeur de vérité de la proposition floue est par la fonction d'appartenance µA

de A. . Proposition floue composée Une proposition composée peut être une négation d'une proposition

comme elle peut être une juxtaposition de plusieurs propositions simples reliées avec

des opérateurs logiques 'ET' conjonction, 'OU' disjonction.

simple,

Avec les connecteurs logiques on peut suivre le tableau suivant:

Opérateur

Opération sur le degré de vérité

Et

Minimum

Produit

Ou

Maximum

Valeur moyenne

Non

Complément à 1

UExemple

0.2

Pour minimum

Pour produit

SI Condition R 1 R (0.4) UETU Condition R 2 R (0.2) ALORS Action

0.8

0.8

Pour maximum

Pour moyenne

SI Condition R 1 R (0.8) UOUU Condition R 2 R (0.2) ALORS Action

0.8

SI Condition (0.6) ALORS Action

ALORS Action 0.8 SI  Condition (0.6) ALORS Action 0.4 Pour le complément à 1 III.5)

0.4 Pour le complément à 1

III.5) Le contrôle flou

Le contrôle flou tire son nom des applications de contrôle ou de commande en automatique, mais il déborde maintenant ce cadre par ses multiples applications, partout où une modélisation mathématique est difficile. Le principe de cet algorithme de contrôle est très simple, il consiste à réaliser une « interpolation » entre un petit nombre de situations connues données par un expert sous la forme de règles floues du genre « si x est petit et y est modéré, alors u doit être très grand ». La mise au point des prédicats évoqués par ces règles se fait généralement de façon empirique, mais de plus en plus, différents méthodes d'apprentissage ont été appliquées dans le but d'avoir des systèmes de contrôle auto-adaptatifs.

III.5.1) Structure d'un contrôleur flou Un contrôleur flou est composé de 4 blocs principaux (Fig6)

.

Base de connaissances.

.

Interface de fuzzification.

.

Mécanisme d'inférence flou.

.

Interface de défuzzification.

UIII.5.1.1) Base de connaissances La base de connaissances comprend les connaissances de l'expert humain pour le contrôle du système ainsi le domaine de variation des variables d'E/S. Elle est donc constituée de :

. Base de données: regroupe dans ce bloc, l'ensemble des définitions utilisées dans les règles du contrôle flou (univers de discours, partition flous, choix des capteurs,…). . Base des règles floues : La connaissance de l'expert est généralement exprimée par des règles et donc une collection de règles de la forme « SI-ALORS ». La base des règles et donc une collection de règles floues:

R(l) : U Si U x R 1 R est FR 1 R (l) UETU x R 2 R est FR 2 R (l) UETUUETU x R n R est FR n R (l) UALORSU y est G(l)

Ou : x = (x R 1 R , x R 2 R , …, x R n R ) UR 1 R × UR 2 R × × UR n R et y V sont des variables linguistiques d'entrée et de sortie du système respectivement pour l=1,…,m. F R 1 R ,…, FR n R , G

représentants des ensembles flous sur les référentiels U R 1 R ,…, UR n R , avec UR i R R, V R respectivement.

Chaque règle définit une implication floue : F R 1 R (l) × FR 2 R (l) ×× FR n R (l) G qui décrit le comportement du système. UIII.5.1.2) Fuzzification La fuzzification est la première étape dans la réalisation d'un contrôleur flou. Elle transforme chaque valeur réelle d'entée (mesure) en un ensemble flou, en lui attribuant sa fonction d'appartenance à chacune des classes préalablement définie.

UIII.5.1.3) Inférence floue A partir de la base des règle (fournies par l'expert) et du sous ensembles XR 0 R

correspond à la fuzzification du vecteur de mesure x R 0 R = [x R 01 R ,…, x R 0n R ]'U. Le

mécanisme d'inférence calcule le sous ensemble flou YV qui est la sortie floue du système.

Base de Base des Données. Règles. x dans U . V Interface de Interfqce y
Base de
Base des
Données.
Règles.
x dans U
.
V
Interface de
Interfqce y dans de
défuzzification
f uzzification
Mécanisme
d'inférence
Ensembles
Ensembles
Flous dans U
Flous dans V
UFig6 : Configuration de base d'un contrôleur flou.

Il existe plusieurs méthodes d'inférence floue qui dépendent des applications et de la forme des fonctions d'appartenance. . Méthode d'inférence Max-Min:

La méthode d'inférence Max-Min est la méthode utilisée dans notre travail, elle peut être décrite de la manière suivante :

UPremière étape: U Evaluer chacune des règles activées R(l) (avec l=1,2,…,m), en calculant la valeur de vérité de la prémisse. A notre que les opérateurs (ET), (ALORS)

réalisée respectivement par la formation du minimum. La valeur obtenue est notée µR dl R . UDeuxième étape: U Sachant que pour un état donné des entrées, plusieurs règles peuvent

être validées ce qui implique des valeurs µR dl R différentes. Il faut donc disposer d'une méthode de composition de ces règles. Cette méthode est appelée agrégation. L'inférence par le Max-Min prend le maximum de ces valeurs comme la fonction d'appartenance résultante de la sortie et qui définit son ensemble flou.

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

UIII.5.1.4) Défuzzification Le sous ensemble flou Y de l'univers de discours V ayant été calculé par le mécanisme d'inférence, l'interface de défuzzification à pour objectif de la transformer en une valeur non floue permettant ainsi la commande effective du système. Cette opération est effective par l'opérateur de défuzzification.

. La technique de MAX-MIN C’est la plus simple surtout au point de vue de volume de calcule, elle consiste à ne consédèrer pour chaque sortie que la règle représentent de maximum de la validité et engnore les règles secondaires. La grandeur de sortie doit être normalisée, et la définition des intervalles flous doit se résumer à une valeur. La défuzzification consiste à prendre le min entre la valeur produite par la règle et la valeur de la variable floue, en suite en va prendre la max des valeurs trouvées (voir exemple)

. La technique de la moyenne pondérée La moyenne pondérée elle est plus évoluée. Elle considère comme valeur de sortie la moyenne des valeurs trouvées par chaque règle pondérée par leur degré de vérité respectif (voir exemple). URemarque C’est une technique très utilisée en programmation.

. La technique du centre de gravité Consiste à tracer sur un même diagramme, les différentes zones correspondant à chacune des règles et calculer le centre de gravité de la zone de chevauchement.

UExemple

µ

U Exemple µ 1 faible moyenne élevé 0,8 0,2 0 vitesse Centre de gravité Zone de

1

faible

moyenne

élevé

U Exemple µ 1 faible moyenne élevé 0,8 0,2 0 vitesse Centre de gravité Zone de

0,8

0,2

0

vitesse

U Exemple µ 1 faible moyenne élevé 0,8 0,2 0 vitesse Centre de gravité Zone de

Centre de gravité Zone de chevauchement

URemarque C’est une technique plus performante, très complexe puis qu’il nécessite le calcule d’un intégrale. S’il n y a pas de chevauchement implique que les règles ne sont pas correcte.

III.6) Domaines d’application

La logique floue n’est pas restreinte aux systèmes dont la modélisation est difficile, qui sont contrôlés par des experts humains ou ceux qui ont plusieurs E/S et des réponses nom linéaire. Elle est intéressante dans tous les domaines, ou un flou persiste. La liste proposée reste limitée, car les domaines d’applications sont multiples. . Informatique De nombreuses disciplines informatiques utilisent également la logique floue. On peut citer notamment l'intelligence artificielle, les bases de données et la programmation. Ua) Intelligence artificielle et systèmes experts Les connaissances manipulées par les systèmes experts sont en général incomplètes, vague et incertaines. Le très célèbre système expert MYCIN développée en 1974 afin d'organiser un ensemble de diagnostics sur certaines maladies, et de

permettre à un non expert de prescrire la thérapeutie adéquate, est un exemple de la prise en compte du vague et du incertain dans la base des règles et des faits et donc l'utilisation de l'approche floue pour modéliser certains de ces systèmes. Ub) Programmation et développement Il s'agit des langages de programmation flous (ou à base orientation linguistique) qui permettent d'implémenter des algorithmes flous. Un algorithme flou est une séquence finie d'instructions floues. Une instruction floue peut être une (x = petit, x = environ 50), une instruction inconditionnelle (décrémenter légèrement x) ou une structure de contrôle (si y est petit alors ajouter plusieurs fois 2 à 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

.

Mathématiques appliquées

-

Statistiques

-

Recherche opérationnelle

Conclusion générale

La robotique mobile, domine qui ne cesse d'évoluer, cherchant tout les atouts possibles pour dépasser les limites actuellement rencontrées en navigation dans différents environnements. Les systèmes à base de la logique floue ont un grand degré d'autonomie, et une capacité de déterminer la conclusion (action) en temps réel à l'aide d'un moteur d'inférence floue plus proche du mode de raisonnement humain.

Robot mobile
Robot mobile

Chapitre I :

Robot mobile

I.1) Introduction

Le domaine des applications de l’intelligence artificielle à la robotique, bien qu’il soit utilisé depuis longtemps comme démonstration de l’efficacité des systèmes inte lligents, est en réalité encore vaste et mal défini. L’intelligence artificielle voit dans la robotique, un domaine d’application particulièrement riche pour élaborer et expérimenter ses propres modèles. Les robots mobiles ont une place particulière 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 intérêt réside dans leur mobilité qui ouvre des applications dans de nombreux domaines. Depuis l'avènement des robots, les outils et méthodes de contrôle utilisés en robotique se sont développés de pair avec l'électronique et l'informatique. En effet, les progrès constants dans le domaine de la technologie et le domaine de la méthodologie ont permis de concevoir des robots mobiles ayant la faculté de percevoir, de prendre des décisions, et d'agir d'une manière intelligente dans un univers non contrôlé directement par l'homme, en utilisant des moyens et outils nouveaux tels que :

perception de l'environnement, intelligence artificielle, contrôle flou… . Tous ces moyens et outils contribuent à l'accroissement de l'autonomie et à la simplicité d'utilisation. Ce qui permet de réaliser des opérations de plus en plus complexes avec une autonomie accrue. La mobilité et l'autonomie des robots permettent d'envisager des applications allant du chariot de l'atelier flexible à l'exploration planétaire. Cette autonomie pose des problèmes complexes en matière de génération de trajectoire dans des espaces fortement contraints, d'élaboration d'une commande et de prise de décision à partir d'information capteurs imprécises et / ou incomplètes.

Chapitre I :

Robot mobile

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

Pour le sens commun, un robot est un dispositif mécanique articulé capable d'imiter certaines fonctions humaines telles que la manipulation d'objets ou la locomotion, dans le but de se substituer à l'homme pour la réalisation de certaines tâches matérielles. Cette réalisation est plus ou moins autonome selon les facultés de perception de l'environnement dont est doté le robot. La robotique est l'ensemble des activités de construction et de mise en œuvre des robots. La robotique est branche de l’intelligence artificielle concernée par l’étude de systèmes automatiques capables d’une 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 utilisés dans l’industrie pour réaliser des tâches dangereuses (soudure du châssis ou peinture de la carrosserie dans une usine automobile), les robots mobiles pour transporter des tâches (depuis les chaînes de fabrication jusqu’aux zones de stockage) ou encore pour transporter le courrier dans les bureaux. La tâche essentielle qui incombe aux robots mobiles est le déplacement dans un environnement connu ou inconnu Il est donc nécessaire de connaître la position du robot au sein de son univers de façon précise ou relative selon le cas. La solution pour un robot mobile doit être globale, c’est-à-dire qu’il ne faut pas simplement rendre autonome une plate-forme en oubliant provisoirement l’outil de travail qui l’équipe. La plupart des recherches sont concentrées sur les reconnaissances de l’environnement immédiat du robot. Des capteurs (infrarouges, ultrasons, laser, caméra CCD) associés à des logiciels adaptés permettent, par la reconnaissance de formes, d’optimiser les déplacements du mobile.

Chapitre I :

Robot mobile

I.4) Architecture d'un robot mobile

la

locomotion, la perception et la décision [GIA 00].

I.4.1) La locomotion [GIA 00]

La locomotion se décompose en deux parties : celle qui réalise l’appui vis-à-vis du milieu dans lequel on entend se déplacer et celle qui permet la propulsion. Celle-ci inclut les moteurs et les mécanismes conduisant au déplacement. Les moyens de déplacement sont nombreux, ils dépendent du milieu où le mobile est censé se déplacer (mobile sur le sol, avion, sous-marin, …). Dans notre étude nous traiterons seulement le cas des robots qui se déplacent sur une surface. I.4.1.1) La structure mécanique et motricité [PRU 88] On peut dénombrer quatre types de structures mécaniques assurant la motricité. UI.4.1.1.1) Les mobiles à roues La mobilité par roues est la structure mécanique la plus communément appliquée. Cette technique assure selon l'agencement et les dimensions des roues un déplacement dans toutes les directions avec une accélération 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 appliquées.

On

décompose

un

robot

mobile

en

trois

grandes

modules

fonctionnels :

Chapitre I :

Robot mobile

Chapitre I : Robot mobile Fig I.1 : Robot à roue U I.4.1.1.2) Les mobiles à

Fig I.1 : Robot à roue

UI.4.1.1.2) Les mobiles à chenilles L'utilisation des chenilles présente l'avantage d'une bonne adhérence au sol et d'une faculté de franchissement d'obstacles. L'utilisation est orientée vers l'emploi sur sol accidenté ou de mauvaise qualité au niveau de l'adhérence (présence de boue, herbe…).

ou de mauvaise qualité au niveau de l'adhérence (présence de boue, herbe…). Fig I.2 : Robot

Fig I.2 : Robot à chenille

Chapitre I :

Robot mobile

UI.4.1.1.3) Les mobiles marcheurs Les robots mobiles marcheurs sont destinés à réaliser des tâches variées dont l'accès au site est difficile, dangereux ou impossible à l'homme. Leur autonomie à nombreux degrés de liberté permet un rapprochement avec les robots manipulateurs. La locomotion est commandée en termes de coordonnées articulaires. Les méthodes de commande des articulations définissent le concept d'allure qui assure le déplacement stable de l'ensemble. Les différentes techniques étudiées se rapprochent de la marche des animaux et notamment de celle des insectes. L'adaptation au support est un problème spécifique aux marcheurs. Il consiste à choisir le meilleur emplacement de contact en alliant l'avance et la stabilité avec l'aide de capteurs de proximité, de contact ou de vision

de capteurs de proximité, de contact ou de vision Fig I.3 : Robot marcheur U I.4.1.1.4)

Fig I.3 : Robot marcheur

UI.4.1.1.4) Les robots rampants La reptation est une solution de locomotion pour un environnement de type "tunnel" qui conduit à réaliser des structures filiformes. Le système est composé d'un ensemble de modules ayant chacun plusieurs mobilités. Les techniques utilisées découlent des méthodes de locomotion des animaux.

Chapitre I :

Robot mobile

- Le type scolopendre constitue une structure inextensible articulée selon deux

axes orthogonaux.

- Le type lombric comprend trois articulations, deux rotations orthogonales et une translation dans le sens du mouvement principal.

- Le type péristaltique consiste à réaliser un déplacement relatif d'un module par rapport aux voisins. UI.4.1.1.5) La motricité et l'énergie Le déplacement des robots est réalisé par des moteurs de types:

- électrique

- thermique

- hydraulique

L'énergie électrique la plus fréquemment employée offre l'avantage d'une commande

aisée. Par contre le transport et la généralisation présentent des difficultés. Plusieurs méthodes sont employées:

- par batteries qui sont * soit rechargées périodiquement de manière automatique ou manuelle. * soit par un échange avec d'autres lorsqu'elles sont déchargées.

- par groupe électrogène embarqué dont l'inconvénient constitue la masse élevée. L'énergie de base est alors thermique.

- par cordon ombilical qui réduit l'autonomie du robot.

forte

puissance comme énergie 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 à réaliser et les recherches dans ce domaine utilisent une plate-forme à trois ou quatre roues pour étudier les problèmes de comportement.

L'énergie

thermique

est

essentiellement

employée

par

des

véhicules

de

Chapitre I :

Robot mobile

La perception passe par deux étapes successives : la lecture des capteurs, puis le traitement de l’information. L’interprétation, qui permet de délivrer un message clair à la fonction «locomotion», est dévolue à la fonction «décision» du robot. On peut imaginer la situation d’un robot mobile devant son environnement en comparant celui-ci avec un aveugle qui découvrirait un nouveau lieu. Le robot doit être capable d’analyser un objet localement, puis de positionner globalement tous les objets les uns par rapport aux autres. De cette manière, il construit un modèle de son environnement au fur et à mesure de son exploration. Les capteurs les plus simples sont utilisés pour analyse locale (les capteurs de contact, les capteurs de proximité avec ou sans mesure, les capteurs de lumière, les capteurs de pression mouvement), alors que la télémétrie laser ou ultrason autorise l’analyse d’une image simple ou d’un mouvement. I.4.2.1) Les types de capteurs Les capteurs jouent un rôle indispensable dans la modélisation de l'environnement, car ils fournissent des renseignements sur l'univers du robot, et grâce à ces informations ce dernier peut connaître sa position, et il peut aussi évoluer librement en évitant les obstacles. UI.4.2.1.1) Capteur ultrasonores U [BEN 97] La mesure de la distance objet-capteur se fait par une mesure temporelle entre l'instant d'émission et l'instant de réception (appelé temps de vol) de train d'ondes ultrasonores émis par un transducteur piézo-électrique. (Fig I.4)

d Impulsions t 0 Emetteur t 0 +t v Récepteur
d
Impulsions
t 0
Emetteur
t 0 +t v
Récepteur

Objet

Fig I.4 : Principe d'un capteur ultrasonore

Chapitre I :

Robot mobile

La distance d séparant l'émetteur et l'obstacle est donnée par:

d =

c*ty

2

Avec :

ty : temps de vol. c : célérité du son. La célérité du son dépend de la nature du milieu et de sa température (à 25 o P P c, Cair = 346 m/s).Les avantages d'un système ultrasonore sont:

- Temps de propagation facilement mesurable. - Une mise en œuvre simple. Le principal inconvénient réside dans le mouvement d'air qui entraîne des fluctuations de la vitesse de propagation des ultrasons ce qui introduit des erreurs sur la mesure de la distance. UI.4.2.1.2) Les capteurs à infrarouge U [BEN 97] Ce type de télémètre utilise les rayons infrarouges pour mesurer la distance entre l'objet et le robot. Son principe de fonctionnement est le suivant: Un émetteur (souvent une diode) est associé à un récepteur (phototransistor) qui est excité par la lumière réfléchie par l'objet dont on souhaite évaluer la distance ou déterminer la présence. La figure (fig I.5) donne le principe de base.

Emetteur

Emetteur

Récepteur

Récepteur
Objet à détecter Volume sensible
Objet à détecter
Volume sensible

FigI.5 : Principe d'un capteur infrarouge

Chapitre I :

Robot mobile

Ces capteurs présentent un certain nombre d'avantages:

- Des mesures beaucoup plus précises que l'on peut obtenir par les capteurs ultrasonores. - Leurs distances minimales de détection descendent au dessous du centimètre, ils présentent la meilleure solution pour une distance minimum de la détection (de l'ordre de un millimètre). - Un coût faible et petit volume. UI.4.2.1.3) Les capteurs télémétriques laser U [BEN 97] Avec ce type de capteurs, on peut calculer la distance à partir de différentes méthodes:

UMesure du temps du vol:

C'est-à-dire de l'intervalle de temps séparant l'émission d'un train d'impulsions, et la réception de son écho. Une impulsion optique est générée sur une diode Laser recueillie en retour sur un photodétecteur. UTriangulation optique:

La distance peut être aussi calculé en mesurant le déphasage entre le signal émis et le signal reçu. Ce qu'on appelle la triangulation optique. Une diode Laser émet un faisceau lumineux sur un point de surface, celle-ci diffuse une partie de la lumière reçue dans tout l'espace dont une partie est collectée par lentille de détection puis focalisée sur un capteur. Basée sur la mesure de l'angle entre la direction du faisceau émis 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

Lentille

De

focalisation

Capteur Lentille de détection
Capteur
Lentille
de
détection

(a)

Zone ombragée
Zone ombragée

(b)

Fig I.6 : Télémétrie optique par triangulation

I.4.3) La décision [GIA 00]

Les informations en provenance des différents capteurs doivent être interprétées comme autant d’éléments utiles à la prise de décision sur l’action à faire, le but étant de délivrer les ordres corrects aux actionneurs, bras, pinces ou moteurs des roues. Dans un robot mobile, il est nécessaire de donner des priorités en fonction des informations reçues. Par exemple, si un capteur de contact informe d’un choc sur l’avant, cette information est prioritaire sur un déplacement du robot vers l’avant et doit entraîner un arrêt ou un déplacement dans une autre direction. On comprend ainsi toute la difficulté à réaliser cette fonction, car c’est elle qui donnera vie à notre robot. C’est lors de cette phase de la conception d’un robot qu’il est nécessaire de lui donner une forme d’intelligence en lui laissant le choix sur l’action à entreprendre. Cette prise de la décision est souvent arbitraire au début, mais elle permet de développer une forme d’apprentissage qui tient compte des résultats des décisions précédentes. Cette fonction est de loin la plus incomplète, car elle tente d’approcher la psychologie animale, voire humaine.

Chapitre I :

Robot mobile

I.4.3.1) Autonomie d’un robot mobile [CHO 98] La principale caractéristique d'un robot mobile est l'autonomie, c'est la capacité du robot mobile à prendre ses décisions, déterminer ses actions lui-même, dans son environnement, par le biais des informations collectées par son système de perception et des connaissances incorporées à priori ou acquises par apprentissage.

I.5) Architecture du robot mobile adopté

Nous avons opté pour une architecture assez standard : le robot considéré est circulaire (ce qui permet au robot de tourner dans la même place sans toucher les obstacles) doté d'un dispositif de déplacement constitué de deux roues motrices,

directrices et indépendantes. Ainsi que deux roues folles d'équilibrage et trois capteurs infrarouges (parce qu'il donne des mesures beaucoup plus précises, distance minimale de détection (de l’ordre de centimètre) et un coût faible et un encombrement minimal) :

l'un frontal et deux latéraux pour assurer le système de perception du robot mobile. Ce dernier est capable d'effectuer un mouvement de retournement (Fig I.7).

Y

y r

Roues folles θ ,ν Equilibrages Capteurs Infrarouges Roues motrices 0 x r X
Roues folles
θ ,ν
Equilibrages
Capteurs
Infrarouges
Roues motrices
0
x r
X

Fig I.7: Configuration du robot

Chapitre I :

Robot mobile

θ : Orientation du robot.

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

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

Commençons par les trois domaines majeurs: le nucléaire, le spatial et le sous marin qui présentent des points communs:

- La nécessité d'adaptation au milieu est primordiale - La tâche à effectuer est non répétitive. - En spatial, comme en nucléaire et en sous marin, la difficulté de communication nécessite l'autonomie du robot.

a) Le nucléaire

C'est le domaine le plus ancien, le nucléaire reste un grand utilisateur pour ses applications classiques: décontamination, inspection et éventuellement intervention en cas d'accidents. Comme on peut le constater au Service de Téléopération et Robotique du CEA (Commissariat à l'énergie atomique) à Fontenay-aux-Roses (France). C'est certainement le domaine ou les architectures utilisés sont les plus variées, car chaque problème trouve sa solution spécifique: robots longs et fins pour passer dans des canalisations, hexapodes, véhicules à chenilles, à roues, en trains…

b) Le spatial

La robotique spatiale a vraiment progressé dans les années 80. Après des fortunes diverses dues en partie aux pressions des astronautes pour favoriser les vols habités, la robotique mobile est revenue en force avec l'exploration martienne et le succès très médiatisé du petit robot Séjourner qui est un véhicule a six roues déposé le 4 juillet 1997 chargé d'explorer le site.

c) Le sous-marin

Chapitre I :

Robot mobile

En sous-marin, la variété des applications s'étend de la recherche océanographique fondamentale à l'ingénierie. Nous citons: La cartographie des fonds sous marins, l'inspection des pavés comme l'exploration du TITANIC, l'observation de la flore, de la faune, de la géologie. Comme en nucléaire les systèmes utilisés diffèrent selon les applications et la profondeure : Engins téléopérés, véhicules autonomes de longues portée.

d) Médecine

Le monde de la santé est l'un des principaux utilisateurs potentiels de techniques de la robotique mobile; dans des hôpitaux ou des maisons de retraite, des prototypes de robots mobiles circulants dans les couloirs et les chambres pour livrer des médicaments et plateaux-repas.

e) Les véhicules automatiques

Les recherches en assistance à la conduite des automobiles ou des camions, incluant même une automatisation partielle de celle-ci, utilisent largement les résultats des travaux sur les robots mobiles en localisation, évitement d'obstacles, planification des mouvements. Plus spécifique est le développement assez récent des études sur les 'drones', petits véhicules volants (dirigeables, avions hélicoptères), partiellement téléopérés ou autonomes. Outre que les applications militaires de surveillance ou de renseignement, il existe de nombreux besoins civils qui pourront être satisfait par de tels systèmes: cartographie automatique, inspection de lignes de haute tension, localisation d'accidentés en montagnes, sécurité, …etc. On retrouve dans ce domaine les problèmes de localisation et de perception de l'environnement des robots mobiles terrestres, auxquels s'ajoutent des questions délicates de pilotage.

Chapitre I :

Robot mobile

I.7) Conclusion

Dans ce chapitre nous avons présenté : les différents types des robots, architecture d'un robot mobile (c'est-à-dire la locomotion, la perception et la décision) et l'architecture adoptée. La robotique mobile connue une grande révolution. Elle est devenue indispensable et ces applications sont reparties dans presque dans tous les domaines de la vie. La robotique mobile va bien sûr continuer à intégrer les progrès de l’informatique, et en premier lieu bénéficier d’algorithmes de plus en plus complexes, exécutables en temps réel. Mais aussi, via les techniques d’accès aux réseaux Internet par mobiles. Plus largement, un couplage avec de futurs agents de recherches intelligents sur Internet permettra par exemple à un robot de compagnie d’être aussi une interface avec des connaissances repartis dans le monde entier. Les robots mobiles vont aussi se bénéficier du développement de la mécanique, l’électronique. Il va être composé de capteurs intelligents, micro contrôleurs, se sont des facteurs de fiabilité et de baisse de coût. Les robots mobiles vinrent en principe gagner en autonomie. Ils se déplaceront dans des lieus publics, comme par exemple un robot guide de musée ou chien d’aveugle, et devront éviter toute collision.

Stratégie de navigation d'un robot mobile
Stratégie de navigation d'un robot mobile

Chapitre II :

Stratégie de navigation d'un robot mobile

II.1) Introduction

La possibilité de naviguer avec une certaine autonomie dans un environnement contenant des obstacles est l'un des problèmes des robots mobiles. Le manque d'autonomie en navigation peut conduire à des résultats erronés et des difficultés de modélisation de l'environnement. L'autonomie de navigation d'un robot mobile est la capacité des robots à prendre des décisions indépendamment de l'opérateur humain dans leurs déplacements. Il existe deux approches de navigation : approches classiques qui présentent certaines limites d'application et approches actuelles, qui sont les nouvelles techniques basant sur l'intelligence artificiel tell que les réseaux de neurones, algorithmes génétiques et la logique floue. Offrant les nouveaux apports à la robotique mobile en particulier l'autonomie du robot. Pour cette raison nous avons adopté 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 hiérarchiques selon leur niveau de priorités: planificateur – navigateur – pilote, ceci constitue le module de raisonnement du robot mobile (Fig II.1).

PLANIFICATEUR

NAVIGATEUR

PILOTE

PLANIFICATEUR NAVIGATEUR PILOTE
PLANIFICATEUR NAVIGATEUR PILOTE
Perception de L'environnement
Perception
de
L'environnement
NAVIGATEUR PILOTE Perception de L'environnement Actionneurs Fig II.1: Décomposition hiérarchique classique
Actionneurs
Actionneurs
PILOTE Perception de L'environnement Actionneurs Fig II.1: Décomposition hiérarchique classique de la

Fig II.1: Décomposition hiérarchique classique de la commande du robot mobile

Chapitre II :

Stratégie de navigation d'un robot mobile

II.2.1) Planification

Planification est le sommet de la structure hiérarchique de la commande, sa fonction est de générer une trajectoire pour le robot mobile de sa position courante à la position finale. Le planificateur avec un modèle de l'environnement produit une trajectoire qui est passée au contrôleur du robot qui à son tour l'exécute. 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 définie comme l'art de se diriger vers une destination finale et cela détermine 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 chargé de suivre les contours du lieu d'évolution 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 donnée.

II.2.3) Le pilotage

Le pilotage consiste à asservir le mouvement lors de suivi d'une trajectoire planifiée. Le pilote gère les fonctions de bas niveaux, tels que les asservissements, ainsi que les informations issues des capteurs. Il permet de trouver les consignes à 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 connaît rien de son univers de déplacement, qu'il le connaît totalement, ou qu'il le découvre au fur et à mesure de son déplacement.

II.3.1) Navigation dans un environnement totalement inconnu

Cette

tactique

concerne

les

robots

mobiles

isolés

de

toute

information

de

l’environnement du travail, donc le chemin ne peut être planifié avant l’action, pour

Chapitre II :

Stratégie de navigation d'un robot mobile

cela, les robots chercheront seulement à éviter les obstacles pour atteindre leurs buts à l’aide d’un télémètre. Les primitives suivantes sont prises en compte :

- aller en ligne droite sur une longueur donnée ;

- tourner d’un angle donné ;

- orienter un télémètre dans une direction donnée.

Comme les robots ne possède aucune information concernant l’univers de travail, ils sont appelés à prendre en charge les trois primitives déjà citées pour déterminer l’enchaînement des tâches à accomplir. Si un obstacle est détecté, le robot le contourne

par tâtonnement ou en tournant d’un angle et en avançant d’une certaine distance et cela d’une façon continue jusqu’à atteindre le but.

II.3.2) Navigation dans un environnement totalement connu

Comme la connaissance de l’univers est donnée par l’utilisateur, alors le seul objectif principal du robot est de modéliser cet environnement. Dans ce type d’environnement, la tactique de circulation du robot est bien évidente, elle est basée sur les méthodes de recherche des chemins optimaux engendrés par la théorie des graphes, et ceci en considérant l’environnement comme étant un graphe.

II.3.3) Navigation dans un environnement partiellement connu

Ce type d’environnement est dû : aux limites de son organe de " vision", ou aux ajouts des obstacles à l’environnement. La tactique suivie dans ce cas est une combinaison des deux tactiques précédentes, le robot commence par l’exécution de la deuxième tactique, en utilisant sa mémoire qui contient des informations globales con- cernant son environnement, et en gardant les coordonnées de départ et les obstacles éventuels, ensuite il estime la trajectoire optimale. En cas où le robot détecte un nouvel obstacle inconnu pour sa mémoire, il prend en compte la première tactique, et intègre les connaissances impliquant cet obstacle dans sa carte mémoire.

Chapitre II :

Stratégie de navigation d'un robot mobile

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

Le choix des approches de planification et de contrôle de la navigation est étroitement lié à la nature de l'environnement où se déplace le robot mobile, les approches classiques de navigation souvent supposent une connaissance à priori de l'environnement, c'est-à-dire l'environnement est totalement ou partiellement connu. Contrairement aux approches actuelles où le robot n'a aucune idée sur son environnement, donc il n'a pas la possibilité de planifier son chemin.

II.4.1) Approches classiques

Plusieurs approches classiques ont été développées, mais la plupart d’elles ont le point commun de planifier une trajectoire continue et libre d'obstacles. Parmi ces méthodes:

a) Approches basées sur le raisonnement géométrique

Cette approche, le robot est modélisé comme une forme géométrique, ou un point dans un environnement statique, complètement connu. Le problème se transforme en un problème géométrique de planification de chemins et de génération de trajectoires pour le contrôle.

b) Approches basées sur la configuration de l'espace

Dans cette approche, l'espace de travail du robot est divisé en petites cellules (sous forme de rectangles ou carrés) ayant une taille fixe. Le centre de chaque cellule est localisé dans un espace cartésien dont les éléments sont 0 et 1 suivant que la cellule

correspondante est libre ou occupée par un obstacle. L'environnement est donc complètement connu est configuré en un modèle de grille. La génération d'une trajectoire libre d'obstacles est basée sur ce modèle.

c) Approches basées sur le champ de potentiel artificiel

Ces approches basées sur le champ de potentiel artificiel développées par O.Khatib [KHA 86] ont été les plus utilisés pour la planification et le contrôle de la navigation. Par contre, ces approches peuvent être envisagées pour une éventuelle application en temps réel à condition de résoudre le problème de 'serrure' c'est-à-dire, dans le cas d'équilibre des forces.

Chapitre II :

Stratégie de navigation d'un robot mobile

En réalité, la navigation d'un robot mobile dans son environnement est un problème ci complexe, car on ne peut pas connaître tous les environnements où il navigue. Un robot mobile est destiné à réaliser des tâches bien définies dans différents environnements qui peuvent être complexes. Son comportement doit être basé sur la manière dont se comporte l'être humain. Le processus de navigation doit être décrit d'une façon comportementale et non pas mathématique 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 générer des trajectoires sans collision à l'avance dans tous les cas. Un robot mobile au cours de la navigation doit éviter les obstacles statiques ou dynamiques et localiser la cible. L'environnement où il se trouve est donc inconnu et changeable, les informations obtenues sur son environnement peuvent être imprécise et incertaines. Une description mathématique de ce problème ne tolère pas l'imprécision ni l'incertitude, ce qui ne constitue pas une solution adéquate à un tel problème. Un problème de navigation d'un robot mobile nécessite que le robot soit intelligent, autonome et arrive à réagir en temps réel dans toute situation. Son comportement est semblable au comportement de l'être humain dans de telles situations. Plusieurs heuristiques simulant le raisonnement humain ont été proposées dans la navigation d'un robot mobile ce qui est appelé 'soft computing'. Les nouvelles approches se basent essentiellement sur les réseaux de neurones, les algorithmes génétiques et la logique floue. a) Les réseaux de neurones et la robotique mobile Les réseaux de neurones sont utilisés pour mimer le cerveau humain. L'intérêt de les utiliser est de construire des systèmes artificiels capables d'apprendre, et d'exécuter des tâches complexes exigeants un traitement parallèle. Dans la navigation d'un robot mobile se basant sur les réseaux de neurones, le robot doit prévoir et percevoir l'environnement, son comportement est basé sur des règles acquises au fur et à mesure

Chapitre II :

Stratégie de navigation d'un robot mobile

de sa navigation. Les réseaux de neurones sont des techniques d'apprentissages et d'auto adaptation.

b) Les algorithmes évolutionnaires et la navigation du mobile [VIC 98]

Les algorithmes évolutionnaires (stratégies d'évolution, Algorithmes génétiques, …) sont des heuristiques bases sur la théorie d'évolution des espèces. Les organismes biologiques peuvent être une source d'inspiration pour construire et contrôler des robots autonomes. Les animaux, les êtres humains sont des vrais agents autonomes qui représentent une adaptation robuste, et un comportement stable dans des environnements changeables sans une supervision externe. Les algorithmes génétiques sont donc appelés 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 très proche de la pensée humaine, elle traduit les connaissances et le raisonnement d'un expert humain en règles simples qu'un système artificiel peut utiliser. La logique floue est utilisée dans la navigation d'un robot mobile en intégrant la connaissance de l'être humain dans le système mobile, son comportement est généré par un mécanisme d'inférence flou se basant sur cette connaissance. La logique floue offre de grands avantages: comme la réaction en temps réel du mobil, puisque la connaissance est incorporée à priori. Elle tolère l'imprécision des données prises par les capteurs, ce qui permet de réduire le coût de conception. Nous avons fournies la logique floue pour la navigation d'un robot mobile dans notre

thème.

d) Soft computing

Ces méthodes et encore d'autres du 'soft computing' sont très intéressantes pour la résolution du problème de la navigation du robot mobile autonome. Plusieurs approches portent sur l'utilisation de l'une de ces méthodes qu'on appelle les systèmes intelligents ou bien l'hybridation entre deux ou plusieurs méthodes en exploitant leurs propriétés complémentaires. Ce qu'on appelle les systèmes hybrides intelligents.

Chapitre II :

Stratégie de navigation d'un robot mobile

II.5) La stratégie de navigation

La stratégie de navigation concerne les diverses méthodes de déplacement du mobile en accord avec le type de tâches envisagées. Trois types de navigation sont à distinguer :

- le déplacement d’un point vers un autre est la stratégie la plus courante. Elle consiste à générer les commandes afin que le robot atteigne un point de l’espace (2D ou 3D). Les primitives de commande sont du type "aller à (x, y) "[PRU 88]. On utilise aussi deux comportements afin d'assurer au mieux la navigation d'un robot mobile. UComportement évitement d'obstacles fixes Il permet au robot de réagir en temps réel aux éventuels obstacles rencontrés. A titre d’exemple : si le robot détecte un obstacle à l'avant, un obstacle à droite, aucun obstacle à gauche et la cible est à droite, alors il tournera à gauche avec un vitesse moyenne. A titre d’exemple nous citons la règle suivante :

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

robot cible

robot

cible

Fig II.2: Evitement l’obstacle

Chapitre II :

Stratégie de navigation d'un robot mobile

UComportement rapprochement du but 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 à 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 à gauche ALORS tourne gauche ET vitesse nulle.

robot cible

robot

cible

Fig II.3: Rapprochement la cible

- Le balayage de zone est essentiellement utilisé par le robots dont la tâche consiste à parcourir toute la surface afin d’y effectuer un travail (notamment le nettoyage). Deux algorithmes définissent les tactiques de déplacement :

* le déplacement en spirale constitue une méthode de déplacement parallèlement aux trajectoires déjà utilisées à partir du périmètre extérieur de l’environnement et en allant de proche en proche vers le centre [PRU 88].

Chapitre II :

Stratégie de navigation d'un robot mobile

II : Stratégie de navigation d'un robot mobile Fig II.4: Navigation en spirale * le déplacement

Fig II.4: Navigation en spirale

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

à droite et de haut en bas (ou inversement) [PRU 88]. Fig II.5 : Navigation en

Fig II.5 : Navigation en zig-zag

Dans le cas environnement complexe, c'est-à-dire avec de nombreux obstacles, la méthode consiste à partager l’ensemble en zones dans lesquelles seront appliqués un des algorithmes cités. Le problème consiste à minimiser le nombre de surfaces élémentaires traverses plusieurs fois ainsi que le nombre de mouvements de rotation à appliquer au mobile [PRU 88].

Chapitre II :

Stratégie de navigation d'un robot mobile

II : Stratégie de navigation d'un robot mobile Fig II.6 : Partage de l’environnement en zones

Fig II.6 : Partage de l’environnement en zones

- La poursuite consiste à suivre :

* un autre mobile qui se déplace

* un élément de l’environnement (exemple : poursuite de route) [PRU 88].

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

Les problèmes de la navigation des robots mobiles sont :

- contrainte géométrique, planification de la trajectoire et évitement obstacles, il s’agit de trouver une séquence continue de positions et d’orientations d’un robot mobile dans l’environnement ;

- contrainte cinématique, une trajectoire géométrique sans collision peut être une

trajectoire cinématiquement non réalisable ;

- estimation de la position instantanée (localisation), c'est-à-dire estimer à chaque instant les coordonnées x, y et l’orientation.

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

La planification de trajectoires sans collision dans des environnements a été le sujet d'un nombre très important de recherches ces dernières années. Toutefois, de nos jours,

Chapitre II :

Stratégie de navigation d'un robot mobile

très peu de planificateurs sont efficaces lorsque l'espace de travail est très encombré. Le problème peut se traduire de la façon suivante : étant données une configuration initiale et une configuration finale, trouver une trajectoire qui amène le robot à la position finale souhaitée, si elle existe, tout en évitant les obstacles. Il existe deux types d'approches pour la recherche de trajectoires : les méthodes globales et locales. Les méthodes globales sont basées sur la connaissance de l'ensemble de l'espace libre. La construction de cet espace est très coûteuse en temps de calcul et n'autorise pas l'utilisation de telles méthodes en temps réel. Les méthodes locales se caractérisent par la connaissance locale de l'environnement et l'ensemble de règles. A chaque pas de déplacement l'algorithme détermine l'existence ou non de collisions, si c'est le cas, alors la trajectoire est modifiée localement. Toutefois avec ces méthodes on peut trouver des minima locaux dus à la nature locale de l'approche.

II.8) Conclusion

Dans ce chapitre nous avons présenté l’architecture de commande d'un robot mobile, les tactiques de navigation, les stratégies de navigation et planification d'une trajectoire. Le choix d’une méthode de navigation dépend fortement de l’environnement. Les approches actuelles de navigation d’un robot mobile sont : les réseaux de neurones, les algorithmes évolutionnaires 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 très robuste de l’intelligence artificielle. Elle sera étudie dans le chapitre suivant.

La logique floue
La logique floue

Chapitre III :

La logique floue

III.1) Introduction

La théorie classique des ensembles et la logique classique ont montré leur incapacité à modéliser les notions vagues du langage naturel qui arrive à décrire parfaitement le monde réel qui lui-même est d'essence imprécise et incertaine. Pour s'approcher du mode de raisonnement humain dans la manipulation des connaissances vagues, imprécises et incertaines, plusieurs théories ont été

développées. La théorie des ensembles flous énoncée par L.A.ZADEH (professeur à

l'université de BERKLEY en Californie) est l'une des théories qui a connu un

véritable engouement actuellement, pour les applications de contrôle des systèmes et dans plusieurs autres domaines. Les ensembles flous constituent une généralisation de la théorie classique des ensembles et admettent des situations intermédiaires entre le 'vrai' et le 'faux', ils établissent une interface entre des données décrites symboliquement (des mots) et des données numériques (des chiffres), ce qui a fait de cette théorie le modèle préférable pour représenter les notions vagues du langage naturel afin de pallier l'inadaptation de la théorie des ensemble dans ce domaine. La logique floue est donc un outil pour la manipulation et la représentation des connaissances imparfaitement décrites, ses objets sont modélisés par des ensembles flous support de base des notions vagues.

III.2) Qu’est-ce que la logique floue ? [BER 95]

Le terme de ‘’logique flou’’ a deux acceptions :

- La première, que nous avons adoptée correspond à tous les développements concernant la théorie de sous-ensembles flous. - La seconde représente une extension de la logique classique, dans le but de raisonner sur des connaissances imparfaites.

Chapitre III :

La logique floue

III.3) Historique [JEA95]

Les racines de logique floue se trouvent dans le principe d’incertitude de Heisenberg. Dans les années 20, les physiciens ont introduit la troisième valeur ½ dans le système logique bivalent {0,1}. Au début des années 30, le logicien polonais Jan Lukasiewiez a développé le système logique avec trois valeurs puis tous les nombres rationnels entre 0 et 1. Il a défini la logique floue comme une logique qui utilise la fonction générale de vérité, laquelle associe à une affirmation un niveau de vérité qui peut prendre toutes les valeurs entre 0 (faux) et 1 (vrai), c'est-à-dire T : {Affirmation} [0,1]. Dans les années 30. Max Blak a appliqué la logique floue aux ensembles d’éléments ou des symboles. Il a appelé imprécision l’incertitude de ces ensembles. Il a dessiné la première fonction d’appartenance (membership function) d’un ensemble flou. En 1965 Lotfi Zadeh a publié l’article «fuzzy set » dans lequel il a développé la théorie des ensembles flous et introduit le thème fuzzy dans la littérature technique. Les premiers résultats en commande floue ont été publiés par Mamdani et assilian en 1975, ce qui encouragé différentes activités en Angleterre, au Danemark et en France. Après 1980, les recherches s’arrêtent en Europe mais les Japonais les reprennent. Leur industrie a lancé de nombreux produits basés sur la logique floue, notamment des appareils électroménagers et des matériels audio visuel. Actuellement, la logique floue est considérée comme un outil de base au Japon, et les principales directions de recherche sont la combinaison de la logique floue, des algorithmes génétiques et des réseaux de neurone.

III.4) Pourquoi utiliser la logique floue ? [BER 95]

floue

connaissance dont

rigoureuse de celui-ci est difficile, lorsqu’il est très complexe, lorsque notre façon

Il

convient

d’utiliser

nous

la

logique

lorsque

des

et

imperfections

lorsque

la

la

modélisation

entachent

disposons

sur

le

système,

Chapitre III :

La logique floue

naturelle de l’aborder passe par une vue globale de certains de ses aspects. Si elle impose une standardisation de la signification des descriptions du système exprimées linguistiquement, ce qui peut sembler rédacteur par rapport à une utilisation purement symbolique des descriptions linguistiques, la logique floue présente l’avantage de permettre le passage d’une telle description d’un expert ou d’un observateur à l’autre et la mise au point d’une standardisation consensuelle en cas de divergence de signification entre deux individus. De toutes façons, les descriptions linguistiques ne sont elles-mêmes que des schématisations de la situation réelle, dépendant du langage utilisé et également du modèle du monde dans lequel se situer le système. Un expert exprime différemment ses connaissances sur un même point, donc représente différemment ses connaissances, selon qu’il participe à une émission de radio ou qu’il s’adresse à ses condisciples, par exemple, et l’introduction de sous- ensembles flous n’est qu’une autre représentation de ses connaissances, dans un but d’automatisation de processus concernant le système. Insistons pour terminer sur le fait que la logique floue est le seul cadre dans lequel puissent être traitées des imprécisions et des incertitudes, qui autorise également le traitement de certaines incomplétudes, et le seul cadre dans lequel puissent être traitées des connaissances numériques et des connaissances exprimées symboliquement par des qualifications du langage naturel.

III.5) Théorie de sous ensemble flou

III.5.1) Concept de sous-ensemble flou [BER 95]

Le concept de sous-ensemble flou a été introduit pour éviter les passages brusques d’une classe à une autre (de la classe noire à la classe blanche par exemple) et autoriser des éléments à n’appartenir complètement ni à l’une ni à l’autre (à être gris, par exemple), ou encore à appartenir partiellement à chacune (avec un fort degré à la classe noire et un faible degré à la classe blanche dans le cas du degré foncé).

Chapitre III :

La logique floue

La notion de sous-ensemble flou permet de traiter :

- des catégories aux limites mal définies,

- des situations intermédiaires entre le tout et le rien ("presque noire"),

- le passage progressif d’une propriété à une autre (de "proche" à "éloigné"

selon la distance), Le concept de sous-ensemble flou constitue un assouplissement de celui de sous- ensemble flou d’un ensemble donné. Il n’existe pas d’ensemble flou au sens propre, tous les ensembles considérés étant classiques et bien définis. On utilise toutefois souvent le terme d’ensemble flou au lieu de sous-ensemble flou, par abus de langage, conformément à la traduction du terme original de "fuzzy set", que l’on peut oppose à «grisp set» désignant un sous-ensemble non flou.

III.5.2) Définition d’un sous-ensemble flou [BER 95]

Un sous-ensemble classique A de X est défini par une fonction caractéristique X A qui prend la valeur 0 pour les éléments de X n’appartenant pas à A et la valeur 1 pour ceux qui appartiennent à A :

X A : X {0,1}

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

d’appartenance qui associe à chaque élément x de X, le degré ƒ A (x), compris entre 0 et 1, avec lequel x appartient à A :

f A : X [0, 1].

ne prend que des valeurs égales à 0 ou 1, le sous-

ensemble 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 référence E, depuis [Zadeh 65] et [kaufmann 72], un sous- ensemble flou de référentiel E est caractérisé par une fonction d’appartenance µ de E dans l’intervalle des nombres réels [0,1] (degré d’appartenance qui est l’extension de la fonction caractéristique d’un sous-ensemble classique). En fait un sous-ensemble flou (nous dirons plus brièvement un ensemble flou) est formellement défini par ffffffffffffff

Dans le cas particulier où f A

Chapitre III :

La logique floue

l’application µ, mais pour se ramener au langage des mathématiques classiques, nous parlerons d’un ensemble flou A, et noterons µ A sa fonction d’appartenance [GAC 97]. Cependant, si on prend un concept aux limites floues par exemple : "cet homme est d’un âge moyen" c’est une propriété qui est vague. Si l’on considère que l’âge moyen est de 45 ans, les personnes de 35 ans ou 55 ans ne peuvent être situées "tout à fait en dehors de l’âge moyen" Au contraire les gent dont l’âge est inférieur à 30 ans ou supérieur à 60 ans peuvent être considérés comme "tout à fait dehors de l’âge moyen".Un tel concept peut être représenté avec un ensemble flou d’âge entre 30 et 60 ans est une échelle, un degré d’appartenance entre 0 et 1, afin de restituer les nuances inhérentes à ce concept vague, mal adapté à la notion d’appartenance du modèle ensembliste classique. On pourrait donc par convention attribuer un degré d’appartenance 1 à l’âge de 45 ans pour dire qu’il est vraiment de l’âge moyen, alors qu’un homme de 55 ans se verrait attribuer un degré de 0.3 pour dire qu’il est plus ou moins d’un âge moyen. Un ensemble flou se présente grâce à cette fonction d’appartenance (Fig III.1) [JEA 95]. Dans notre exemple U peut être l’ensemble de tous les âges U = [0, 120], l'ensemble flou A est l'ensemble des âges satisfaisant la propriété vague "âge moyen" avec un degré de confiance représenté par la fonction d’appartenance µ A [JEA 95].

Degré d'appartenance âge moyen 1 0.3 0 30 45 55 60 âge (années)
Degré d'appartenance
âge moyen
1
0.3
0
30
45
55
60
âge (années)

Fig III.1 : Représentation d’un ensemble flou

Chapitre III :

La logique floue

III.5.3) Fonction d’appartenance [BOR 98]

L’application µ A est appelée fonction d’appartenance de l’ensemble flou A

généralisant ainsi le concept d’appartenance de la théorie classiques des ensembles :

A tout élément x de U la valeur µ A (x) associées n’est pas nécessairement égale à 0 ou

à 1, elle est à priori quelconque et désigne le degré d’appartenance de x à l’ensemble

de A. L’argument x se rattache à la propriété vague représenté par l’ensemble flou A. Lorsque cette propriété correspond à l’énoncé de la valeur de variable x = x 0 , on aura µ A (x) = 1 pour x = x 0 et µ A (x) = 0, pour x x 0 on alors un singleton. Le tel que x à

peu prés égal à x 0 aura une fonction d’appartenance en forme triangle. L’affirmation x

correspond à une fonction d’appartenance

à peu

prés

compris

entre

x 1

et

x 2

trapézoïdale (Fig III.2).

µ(A) µ(A) µ(A) 1 1 1 0 x 0 x 0 x 0 x 0
µ(A)
µ(A)
µ(A)
1
1
1
0
x 0
x
0
x 0
x
0
x 1
x 2
x

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

La théorie des ensembles flous ne fournie pas assez d’outils d’aide pour la détermination de la fonction d’appartenance appropriée, le plus souvent on utilise les deux dernières formes : Triangulaire et trapézoïdale.

III.5.4) Caractéristiques d’un sous-ensemble flou [BER 95]

Les caractéristiques d’un sous-ensemble flou A de X les plus utiles pour le décrire sont celles qui montrent à quel point il diffère d’un sous-ensemble classique de X.

Chapitre III :

La logique floue

a) Support

La première de ces caractéristiques est le support de A, c’est-à-dire l’ensemble des

éléments de X qui appartiennent, au moins un peu, à A. Le support de A, noté Supp (A), est la partie de X sur laquelle la fonction d’appartenance de A n’est pas nulle :

Supp (A) = {x X / f A (x) ≠ 0}.

b) Hauteur

La deuxième caractéristique de A est sa hauteur, notée h (A), c’est-à-dire le plus fort

degré avec lequel un élément de X appartient à A. La hauteur, notée h (A), du sous-ensemble flou A de X est la plus grande valeur prise par sa fonction d’appartenance :

h (A) = sup xX f A (x).

c) Normalisé On utilise souvent des sous-ensembles flous normalisés, c’est-à-dire pour lesquels il

existe au moins un élément de X appartenant de façon absolue (avec un degré 1) à A. La théorie des possibilités, fait appel à des sous-ensembles flous normalisés. Le sous-ensemble flou A de X est normalisé si sa hauteur h (A) est égale à 1.

d) Noyau

Un sous-ensemble flou normalisé suppose qu’il existe des éléments de X typiques de la propriété à laquelle il est associé. Ce sont éléments appartenant de façon absolue à

A, dont l’ensemble est appelé le noyau de A. Le noyau de A, noté noy (A), est l’ensemble des éléments de X pour lesquels la fonction d’appartenance de A vaut 1 :

noy (A) = {xX / f A (x) = 1}.

e) Cardinalité

Lorsque X est fini, on caractérise également le sous-ensemble flou A de X par sa cardinalité, qui indique le degré global avec lequel les éléments de X appartiennent à

A.

Chapitre III :

La logique floue

La cardinalité du sous-ensemble flou A de X est défini par :

|A| = x X f A (x). Si A est un sous-ensemble flou ordinaire de X, sa hauteur est égale à 1 ; il est normalisé et identique à son support et à son noyau ; sa cardinalité est le nombre d’éléments qui le composent, selon la définition classique.

f) α-coupes

Pour un seuil donné α de [0, 1], on définit la α-coupe du sous-ensemble flou A de X

(ou sous-ensemble de niveau α associé à A) comme le sous-ensemble A α = {x X / f A

(x) ≥ α} de X, dont la fonction caractéristique X Aα est telle que :

X Aα (x) = 1

si et seulement si f A (x) ≥ α .

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

La description d’un sous-ensemble flou A de l’ensemble de référence X correspond à l’identification des degrés avec lesquels une propriété Prop (A) est satisfaite, éventuellement imparfaitement, par les éléments de X. peut-on construire le sous- ensemble flou défini par les règles avec lesquelles Prop (A) n’est pas satisfaite ? Peut- on construire celui défini par les degrés avec lesquels deux propriétés Prop (A) est Prop (B) sont satisfaites simultanément ? Des opérations sur les ensembles flous sont définies pour répondre à de telles questions. Le concept de sous-ensemble flou de X étant une généralisation de la notion sous-ensemble classique de X, ces opérations sont choisies de façon à être équivalentes aux opérations classiques de la théorie des ensembles lorsque les fonctions d’appartenance ne prennent que les valeurs 0 ou 1. a) Egalité et inclusion de sous-ensembles flous [BER 95] Deux sous-ensembles flous A et B de X sont égaux si leurs fonctions d’appartenances prennent la même valeur pour tout élément de X :

x X f A (x) = ƒ B (x). Etant donné 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 d’appartenance sont telles que :

x X

f A (x) ≤ ƒ B (x)

Chapitre III :

La logique floue

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

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) Complément d'un sous-ensemble flou [BER 95]

Le complément A c d'un sous-ensemble flou A de X défini comme le sous-ensemble

flou de X de fonction d'appartenance :

x X

f A c (x) = 1 – f A (x).

d) Définitions des T_normes et T_conormes [GAC 97]

Les t_normes [Menger 42] étendent 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 bd entraînement T (a, b) T (c, d)) vérifiant T (0, 0) = 0 et où 1 est neutre, pour

tout a T (a, 1) = a (la stricte monotonie n'est pas exigée par la définition).

Une t_norme est dite diagonale si et seulement si T (x, x) x pour x < 1.

Les plus connues sont :

T 0 (a, b) = si max (a, b) = 1 alors min (a, b) si non 0 (produit drastique de weber)

T 1 (a, b) = max (0, a+b-1) T 1,5 (a, b) = ab/(2-a-b+ab) T 2 (a, b) = ab T 2,5 (a, b) = ab/(a+b-ab) T 3 (a, b) = min (a, b)

(Lukasiewiez) (Einstein) (algébrique ou probabiliste) (Hamacher) (Zadeh)

Les t_conormes sont les applications S commutatives associatives croissantes depuis

[0, 1] 2 dans [0, 1] (telles que a c et bd entraînement S (a, b) S (c, d)) vérifiant

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 négation, les deux notions sont évidemment duales ce qui signifie :

S (a, b) = N (T (N (a), N (b))). On a donc les t_conormes associées :

S (a, b) = si min (a, b) = 0 alors max (a, b) si non 1

(weber)

S 1 (a, b) = min (1, a+b)

(Lukasiewiez)

S 1,5 (a, b) = (a+b)/(1+ab)

(Einstein)

S 2 (a, b) = a+b-ab

(Probabiliste)

S 2,5 (a, b) = (a+b-2ab)/(1-ab)

(Hamacher)

S 3 (a, b) = max (a, b)

(Zadeh)

III.5.6) Les relations floues

III.5.6.1) Définitions d’une relation floue [HEN 94)

Soit U=U 1 ×U 2 le produit cartésien 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 définition

peut généraliser à produit cartésien d’ordre n, dans ce cas R est un ensemble flou dans

U 1 × U 2 ×× U n (relation n-aire).

La fonction d’appartenance µ R (x 1 , x 2 ,…, x n ) est une application du produit cartésien

U dans l’intervalle [0,1].

µ R : U 1 , U 2

,…, U n [0,1]

III.5.6.2) Les différentes relations floues

a) Le produit cartésien [HEN 94]

Soient n ensembles flous A 1 , A 2 ,…, A n de référentiels U 1 , U 2 ,…, U n ; le produit

cartésien des ensembles flous est l’ensemble flou noté A 1 × A 2 ×× A n

Dont la fonction d’appartenance est

µ A1xA2xxAn (x 1 , x 2 , …, x n ) = Min (µ A1 (x 1 ), µ A2 (x 2 ),

, µ An (x n ))

Pour un produit cartésien d’ordre 2 on a :

µ A1xA2 (x 1 , x 2 ) = Min (µ A1 (x 1 ), µ A2 (x 2 ))

Chapitre III :

La logique floue

b) Projection d’un ensemble flou [JEA 95]

Soit un sous ensemble flou A défini sur univers U 1 × U 2 , produit cartésien de deux ensembles de référence 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 d’appartenance est définie par :

x 1 U 1 , µ projx1 (U 1 ) = sup x2U2 µ(x 1 , x 2 )

c) Composition des relations floues [HEN 94]

Il existe différents types d’opérations permettant la composition de deux ou plusieurs relations floues. Nous proposons ici uniquement les opérations 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 composée de R et de S est une relation floue entre U 1 et U 3 et notée RoS et dont la fonction d’appartenance est défini par :

µ RoS (x, z) = Max yU2 [Min (µ R (x, y), µ S (y, z))]

2) Composition Max-prod :

On désigne par * une opération de type produit, on a µ RoS (x, z) = Max yU2 R (x, y)* µ S (y, z))

III.6) Les variables linguistiques [JEA 95]

La logique floue, généralement appelée logique linguistique manipulant des valeurs de vérité floues servira par conséquent de modèle mathématique pour le raisonnement humain et pour tout système basé sur l'inférence floue. La plupart des objets de base manipulée par la logique linguistiques sont flous par nature. Il s'agit en particulier des objets suivants:

- valeurs de vérités floues: vrai, faux, presque vrai, plus ou moins faux, …etc. - quantificateurs flous: habituellement, presque tout, généralement, beaucoup, rarement, …etc.

Chapitre III :

La logique floue

- prédicats flous: jeune, vieux, grand, petit, intelligent, cher, normal, …etc. - modificateur flous: très, plus ou moins, vraisemblablement, hautement, plutôt, …etc.

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

le nom

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

la variable X appelées termes. Les termes sont des mots ou des expressions vagues du langage naturel comme petit, jeune, vieux, plus ou moins grand, qui caractérisent X et ils sont modélisés par des ensembles flous.

III.6.2) Univers de discours [BOR 98]

Soit X la variable linguistique qui désigne la température de l'eau, on peut la décrire par un certain nombre de mots par exemple : « Chaude », « Froide », « Tiède », chaque terme est modélisé par un ensemble flou et donc par une fonction d'appartenance. L'univers de discours est défini comme le domaine de variable linguistique, il couvrira par conséquent l'ensemble des valeurs prises par cette variable (Fig III.3 ).

Une variable linguistique est définie par un triplet (X, U, T x ) ou X désigne

µ(θ) tiède 1 θ 1 θ 2 θ 3 θ 4 θ 5 θ (température)
µ(θ)
tiède
1
θ 1
θ 2
θ 3
θ 4
θ 5
θ (température)
Froide
Chaude

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 énoncé contenant un ou plusieurs prédicats flous selon qu'elle est simple ou composée.

Chapitre III :

La logique floue

a) Proposition floue simple

Soit une variable linguistique (X, U, T x ), une proposition floue simple est de la forme

« X est A » ou A est un élément de T x , associé à un prédicat flou tel que « jeune », « chaude »…etc.

La valeur de vérité de la proposition floue est par la fonction d'appartenance µA de

A.

b)

Proposition floue composée

Une proposition composée peut être une négation d'une proposition simple, comme elle peut être une juxtaposition de plusieurs propositions simples reliées avec des opérateurs logiques 'ET' conjonction, 'OU' disjonction.

La négation:

La négation exprimée par « X est non A » a comme valeur de vérité pour tout point x

du référentiel U : 1-µ A (x). La conjonction:

La valeur de vérité de la proposition « X est A ET Y est B» pour tout point (x,y) de

U×V est calculée par les deux opérations suivantes:

min (

µ A (x), µ B (y) ) (Fig III.4) (III.1)

µ A (x).

µ B (y)

(III.2)

La disjonction:

Si l'on prend pour ET la formule (III.1), on prendra la formule:

max (µ A (x), µ B (y)) (Fig III.4) pour calculer la valeur de vérité de la proposition « X est

A OU Y est B » pour tout point (x,y) de U × V.

L'opérateur dual de (III.2) est : µ A (x) + µ B (y) - µ A (x). µ B (y).

Chapitre III :

La logique floue

µ A (x) 1 x µ B (x) 1
µ
A (x)
1
x
µ
B (x)
1

x

µ A et B (x)

1

µ A ou B (x)

1

x
x

x

Fig III.4 : Représentation des opérateurs logique ET, OU sur un même référentiel

Une

autre

manière

l'implication.

L'implication:

de

combiner

les

propositions

floues

consiste

à

utiliser

L'implication, exprimée par « si X est A alors Y est B» noté 'AB' est souvent sous le nom de la relation floue. La valeur de vérité est définie par la fonction

d'appartenance

µ R (x, y) qui s'exprime pour tout point (x, y) de U×V comme:

min (µ A (x), µ B (y))

Mamdani.

µ A (x). µ B (y)

Larsen.

min ( 1- µ A (x) +µ 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 appelée « règle floue ».

Lukasiewiez.

Chapitre III :

La logique floue

III.7) Le contrôleur flou [GAC 97]

Le contrôleur flou tire son nom des applications de contrôle ou de commande en automatique, mais il déborde maintenant ce cadre par ses multiples applications, partout où une modélisation mathématique est difficile. Le principe de cet algorithme de contrôle est très simple, il consiste à réaliser une « interpolation » entre un petit nombre de situations connues données par un expert sous la forme de règles floues du genre « si x est petit et y est modéré, alors u doit être très grand ». La mise au point des prédicats évoqués par ces règles se fait généralement de façon empirique, mais de plus en plus, différentes méthodes d'apprentissage ont été appliquées dans le but d'avoir des systèmes de contrôle auto-adaptatifs.

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

Le contrôle flou est l'étude, la mise au point et l'expérimentation de systèmes basés sur des règles exprimées par des catégories linguistiques mal définies telles que :

Si (X est A 1 ) Et (Y est A 2 ) Alors (U est B) Où A 1 , A 2 , B sont des prédicats mentionnés comme « grand positif », «moyen », « Presque nul ». La plupart du temps ces règles ont une, deux voire trois prémisses portant souvent sur un paramètre d'entrée E (erreur ou écart entre une valeur mesurée et une valeur cible ou « consigne » C) et sur la variation E de ce paramètre entre deux mesures consécutives (E et sa dérivée E' si on préfère).

III.7.2) Configuration générale d'un contrôleur flou [BER 95]

Un contrôleur flou peut être regardé comme un système expert particulièrement simple, fonctionnant à partir d'une représentation des connaissances basée sur ses ensembles flous. Il est décrit dans la (Fig III.5). Ses particularités sont, d'une part que les règles fournissent directement une conclusion sans avoir besoin d’enchaîner, d'autre part que les observations sont fournies par des capteurs et sont donc généralement numériques et précises.

Chapitre III :

La logique floue

La base de connaissances contient les définitions des termes utilisés dans la commande et les règles caractérisant la cible de la commande et décrivant la conduite de l'expert. Un module d'interface avec le flou établit une représentation des

Interface avec le flou Etat du Système Base de connaissances Interface avec le non flou

Interface avec le flou

Interface avec le flou Etat du Système Base de connaissances Interface avec le non flou Raisonnement

Etat du

Système

Base de connaissances Interface avec le non flou Raisonnement flou Command Système commandé non floue
Base de connaissances
Interface avec le non flou
Raisonnement flou
Command
Système commandé
non floue

Fig III.5 : Configuration générale d'un contrôleur flou

connaissances adéquates, en utilisant généralement une discrétisation de l'univers de définition des variables ou une normalisation dans l'intervalle [0, 1] et il définit les caractérisations floues des variables correspondant à des qualifications linguistiques. Le module d'interface avec le non flou détermine une action précise à partir de descriptions floues des variables de sortie. Chaque état du système à commandes passe par le filtre de l'interface avec le flou avant d'être traité par le module de raisonnement à partir des connaissances de la base. Le résultat flou ainsi obtenu passe par le second filtre, celui de l'interface avec le non flou, qui fournit une commande précise, non floue, directement applicable au système à commander. Cette dernière étape n'est habituellement pas réalisée dans un système expert.

Chapitre III :

La logique floue

III.7.3) Structure d'un contrôleur flou

Un contrôleur flou est composé de 4 blocs principaux

.

Base de connaissances.

.

Interface de fuzzification.

.

Mécanisme d'inférence flou.

.

Interface de défuzzification.

III.7.3.1) Base de connaissances [BOR 98] La base de connaissances comprend les connaissances de l'expert humain pour le contrôle du système ainsi le domaine de variation des variables d'E/S. Elle est donc constituée de :

a) Base de données: regroupe dans ce bloc, l'ensemble des définitions utilisées dans les règles du contrôle flou (univers de discours, partition flous, choix des capteurs,…). b) Base des règles floues : La connaissance de l'expert est généralement exprimée par des règles et donc une collection de règles de la forme « SI-ALORS ». La base des règles et donc une collection de règles 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)

V sont des variables linguistiques

d'entrée et de sortie du système respectivement pour l=1,…,m. F 1 ,…, F n , G représentant des ensembles flous sur les référentiels U 1 ,…, U n , avec U i R, V R respectivement. Chaque règle définit une implication floue : F 1 (l) × F 2 (l) ×× F n (l) G qui décrit le comportement du système. III.7.3.2) Fuzzification [BOR 98] La fuzzification est la première étape dans la réalisation d'un contrôleur flou. Elle transforme chaque valeur réelle d'entée (mesure) en un ensemble flou, en lui attribuant sa fonction d'appartenance à chacune des classes préalablement définie.

Où : x = (x

1

, x 2 , …, x n ) U 1 × U 2 × × U n et y

Chapitre III :

La logique floue

III.7.3.3) Inférence floue [BOR 98] A partir de la base des règles (fournies par l'expert) et du sous ensemble X 0

correspond à la fuzzification du vecteur de mesure x 0 = [x 01 ,…, x 0n ]'U. Le

mécanisme d'inférence calcule le sous ensemble flou YV qui est la sortie floue du

système. Il existe plusieurs méthodes d'inférence floue qui dépendent des applications et de la forme des fonctions d'appartenance.

a) Méthode d'inférence Max-Min:

La méthode d'inférence Max-Min est la méthode utilisée dans notre travail, elle peut être décrite de la manière suivante :

Première étape: Evaluer chacune des règles activées R(l) (avec l=1,2,…,m), en calculant la valeur de vérité de la prémisse en cas de présence des opérateurs (ET), (ALORS) la valeur de vérité est réalisée respectivement par la formation du minimum.

La valeur obtenue est notée µ dl . Deuxième étape: Sachant que pour un état donné des entrées, plusieurs règles peuvent

être validées ce qui implique des valeurs µ dl différentes. Il faut donc disposer d'une méthode de composition de ces règles. Cette méthode est appelée agrégation. L'inférence par le Max-Min prend le maximum de ces valeurs comme la fonction d'appartenance résultante de la sortie et qui définit son ensemble flou.

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

III.7.3.4) Défuzzification Le sous ensemble flou Y de l'univers de discours V ayant été calculé par le mécanisme d'inférence, l'interface de défuzzification pour objectif de la transformer en une valeur non floue permettant ainsi la commande effective du système. Cette opération est effective par l'opérateur de défuzzification [BOR 98].

a) La technique de MAX-MIN

C’est la plus simple surtout au point de vue de volume de calcul, elle consiste à ne concéderais pour chaque sortie que la règle représente de maximum de la validité et ignore les règles secondaires.

Chapitre III :

La logique floue

La grandeur de sortie doit être normalisée, et la définition des intervalles flous doit se résumer à une valeur. La défuzzification consiste à prendre le minimum entre la valeur produite par la règle et la valeur de la variable floue, en suite va prendre la max des valeurs trouvées.

b) La technique de la moyenne pondérée

La moyenne pondérée, elle, est plus évoluée. Elle considère comme valeur de sortie la moyenne des valeurs trouvées par chaque règle pondérée par leur degré de vérité respectif.

n n

A

=

(

i =

1

Bi

C

i

)

÷

i

=

1

B

i

A : grandeur physique finale. B i : degré de vérité de la sortie de la règle (i). C i : grandeur physique de la sortie (action de règle (i)).

c) La technique du centre de gravité

Consiste à tracer sur un même diagramme, les différentes zones correspondant à chacune des règles et calculer le centre de gravité de la zone de chevauchement (Fig

III.6).

µ

1

de gravité de la zone de chevauchement (Fig III.6) . µ 1 faible moyenne élevé 0.8
faible moyenne élevé
faible
moyenne
élevé

0.8

0.2

Vitesse

Centre de gravité

Zone de chevauchement Fig III.6 : Exemple du centre de gravité

Chapitre III :

La logique floue

Remarque C’est une technique plus performante, très complexe puis qu’elle nécessite le calcul d’une intégrale. S’il n y a pas de chevauchement de zones cela implique qu’il y a une certaine incohérence entre les règles.

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

Les variables linguistiques sont bien adaptées en traduisent le raisonnement qualitatif humain, comme lui, on décrit des situations locales avec des règles représentant chacune une information partielle. Un opérateur expérimenté prend en effet ses décisions seulement sur des situations spécifiques dont il n’a qu’une connaissance imparfaite, mais qu’il agrège le long de son expérience. Le fait d’utiliser des prédicats flous, loin de traduire une pauvreté de l’information, permet d’exprimer des situations graduelles. Le contrôle flou s'est surtout montré robuste, son comportement vis-à-vis des situations pathologiques, sa flexibilité (adaptation facile à des domaines, et ils sont nombreux, dont on ne possède pas de modèle mathématique) sont bons, et bien sûr il est rapide en temps réel.

III.7.5) Inconvénients du contrôleur flou

- Pas de méthode systématique pour la détermination du nombre des sous ensembles

flous, leur forme et plus particulièrement des règles floues ainsi que leur nombre.

- L'empirisme dans le choix de la règle de la défuzzification (soit MM, soit CG).

De nombreuses études dans le domaine de la commande floue sont en cours dans les laboratoires de recherches et en industrie. Les études portant sur l'élaboration de méthodes déterministes concernant la fuzzification et l'obtention d'un ensemble de règles optimisées (techniques neuronales, algorithmes génétiques) ainsi que l'étude de la stabilité des régulateurs flous. D'autres études portent sur l'implantation matérielle des régulateurs flous.

Chapitre III :

La logique floue

III.8) Domaines d’application [JEA 95]

La logique floue n’est pas restreinte aux systèmes dont la modélisation est difficile, qui sont contrôlés par des experts humains ou ceux qui ont plusieurs E/S et des réponses nom linéaire. Elle est intéressante dans tous les domaines, ou un flou persiste. La liste proposée reste limitée, car les domaines d’applications sont multiples.

a) Automatisme

Après les travaux de M.MAMDANI en 1974, pour expérimenter la théorie énoncée par Zadeh sur une chaudière à vapeur, matériel qu'on connaît la complexité. Les automatismes ont constitué le domaine d'application par excellence de la logique floue car c'est là 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 Chaîne de tri ou de gestion des stocks, pilotes d'avions, trains automatiques etc. 3) Automatismes dans les appareils grand public Machines à laver, caméra, magnétoscopes, téléviseurs, automobiles, conditionneurs d'air, etc. Quelle que soit la nature de l'automatisme considéré, les notions fondamentales sont celles du contrôleur flou.

b) Informatique

De nombreuses disciplines informatiques utilisent également la logique floue. On peut citer notamment l'intelligence artificielle, les bases de données et la programmation. 1) Intelligence artificielle et systèmes experts

Chapitre III :

La logique floue

Les connaissances manipulées par les systèmes experts sont en général incomplètes, vagues et incertaines. Le très célèbre système expert MYCIN développée en 1974 afin

fournir un ensemble de diagnostics sur certaines maladies, et de permettre à un non expert de prescrire la thérapie adéquate, est un exemple de la prise en compte du vague et incertain dans la base des règles et des faits et donc l'utilisation de l'approche floue pour modéliser certains de ces systèmes. 2) Programmation et développement Il s'agit des langages de programmation flous (ou à base orientation linguistique) qui permettent d'implémenter des algorithmes flous. Un algorithme flou est une séquence finie d'instructions floues. Une instruction floue peut être une (x = petit, x = environ 50), une instruction inconditionnelle (décrémenter légèrement x) ou une structure de contrôle (si y est petit alors ajouter plusieurs fois 2 à x). La programmation floue permet la conception des langages naturels.

c) Mathématiques appliquées

1) Statistiques La décision statistique, la régression et d'autres aspects de la statistique utilisent le modèle flou. 2) Recherche opérationnelle Programmation linéaire, Réseaux de pétri, Files d'attente, etc. Toutes ces applications de la Recherche opérationnelle utilisent le modèle flou.

c) Reconnaissance des formes

La reconnaissance des formes permet de représenter dans une mémoire d'ordinateur des manifestations (appelées formes) des objets extérieurs à la machine, tels que les signaux et les images. Elle permet par des algorithmes de décision et au moyen des capteurs, de reconnaître un son, une image, etc. Grâce aux formes enregistrées.

Chapitre III :

La logique floue

Le flou est utilisé dans plusieurs approches en reconnaissance des formes, citons à titre d'exemple : l'approche structurelle ou une forme a une certaine structure que l'on peut décrire en utilisant une grammaire : la reconnaissance des formes devient un

problème d'analyse syntaxique. La prise en compte du flou passe par les modèles syntaxiques flous (automates finis flous, grammaire régulière floue).

III.9) Conclusion

Nous avons vu dans ce chapitre que la résolution d'un problème en intelligence artificielle par la logique floue passe par trois phases:

- la quantification floue des entrées et des sorties du système (fuzzification).

- l'établissement des règles liant les sorties aux entrées (l'inférence des règles).

- la combinaison des règles pour la génération des sorties (défuzzification).

Les systèmes à base de logique floue ont un grand degré d’autonomie et une capacité de déterminer la conclusion (action) en temps réel à l’aide d’un moteur d’inférence

floue plus proche du raisonnement humain.

La logique floue regroupe certain nombre d’avantages techniques et commerciaux :

- Non nécessité de connaître le modèle mathématique du système à contrôler.

- Possibilité de l’intégration du savoir de l’expert.

- Résolution de certains problèmes de contrôle ou de commande voir, même la supervision des processus complexes notamment les systèmes non linéaires

- Robustesse vis-à-vis des incertitudes.

- Facilité d’implémentation et développement moins coûteux.

- Base mathématique solide.

Simulation et résultats
Simulation et résultats

Chapitre IV :

Simulation et résultats

IV.1) Introduction

Dans ce chapitre, nous présentons la maquette du logiciel, qui consiste à simuler la planification de la trajectoire d’un robot mobile avec un télémètre infrarouge dans un environnement inconnu. Avant d’implémenter un problème quelconque, il faut bien le connaître et l’analyser dans les moindres détails. Pour cela nous avons fait une recherche approfondie dans la partie théorique pour planifier la trajectoire d’un robot mobile sans collision avec l’obstacle fixe. Nous avons décrit par simulation les phases principales du contrôleur flou (fuzzification, inférence floue et défuzzification).

IV.2) les comportements du robot

Le principe fondamental de la navigation réactive d’un robot autonome est l’évitement de collision avec les obstacles fixes (premier comportement) et le déplacement vers la cible (deuxième comportement). Le contrôleur flou est appliqué pour réaliser les comportements réactifs.

IV.3) Description du robot simulé

Le robot mobile simulé est une plate-forme circulaire, doté de trois capteurs télémétriques infrarouges. Les distances par rapport aux obstacles (dG, dF et dD) sont fournies par les capteurs (latéral gauche, avant et latéral droit) respectivement (fig

IV.1).

Chapitre IV :

Simulation et résultats

ϕ ϕ R ϕ
ϕ
ϕ
R
ϕ

Capteur gauche

Capteur frontal

Capteur droit

Champ de perception gauche

Champ de perception frontal

Champ de perception droite

Fig IV.1 : Représentation du robot simulé

R : est le rayon de la plate-forme circulaire. φ : est l’angle d’ouverture du capteur infrarouge (60°).

La position du robot à un instant donné est donnée par les équations cinématiques

suivantes.

est donnée par les équations cinématiques suivantes. t Χ Υ Avec : t = = =Χ

est donnée par les équations cinématiques suivantes. t Χ Υ Avec : t = = =Χ

t

Χ

Υ

Avec :

t

=

=

=Χ − +

(

θ

(

ν

(

t

t

)

)

)

t

=Υ − +