HANTHERY - LAAS · 2- Soutenance de thèse -30 septembre 2005 ||| Plan Introduction Présentation et formalisation du problème de planification Résolution algorithmique Intégration

PLANIFICATION DEMISSIONPOUR UN VEHICULE AERIEN AUTONOME

Soutenance de thèse - 30 septembre 2005 Soutenance de thèse - 30 septembre 2005

Elodie CHANTHERY

Directeurs de thèse Raja Chatila (LAAS/CNRS)

Magali Barbier (ONERA/DCSD)

Co-encadrant Jean-Loup Farges (ONERA/DCSD)

2 - Soutenance de thèse - 30 septembre 2005

||| Plan||| Plan

Introduction

Présentation et formalisation du problème de planification

Résolution algorithmique

Intégration du planificateur dans une architecture embarquée

Tests

Conclusions et perspectives


||| Introduction||| Introduction

Contexte : engins autonomes inhabités

REMUS(source: Office of Naval Research)

Rover sur MARS(source : NASA Jet Propulsion Laboratory)

Missions dangereuses, longue durée

Communications limitées

Dates imprévisibles pour les événements affectant la mission

“Aléa : événement pouvant survenir en cours de mission dont la date d’occurrence est imprévisible.”“Aléa : événement pouvant survenir en cours de mission dont la date d’occurrence est imprévisible.”

EAGLE (source: EADS)


||| Introduction||| Introduction

Objectifs pour un engin autonome � effectuer au mieux sa mission

� réagir aux aléas mission, environnement et véhicule

Calcul de plans

Planification hors ligne

• Pendant la préparation de mission

• Plan = arbre d’actions

• Prévoir et traiter tous les événements possibles

• Exemple : planification conditionnelle

Planification hors ligne

• Pendant la préparation de mission

• Plan = arbre d’actions

• Prévoir et traiter tous les événements possibles

• Exemple : planification conditionnelle

Planification en ligne

• Pendant l’exécution de la mission

• Plan = séquence d’actions

• Savoir réagir à un événement connu

• Exemples : planification continue, planification sur événements

Planification en ligne

• Pendant l’exécution de la mission

• Plan = séquence d’actions

• Savoir réagir à un événement connu

• Exemples : planification continue, planification sur événements

Objectif de la thèse �Autonomie décisionnelle embarquée

• modèle et méthodes pour la replanification

• intégration dans le système bord

Objectif de la thèse �Autonomie décisionnelle embarquée

• modèle et méthodes pour la replanification

• intégration dans le système bord

Niveau d’autonomie visé : replanification embarquée


||| Illustration||| Illustration

Mission militaire d’observation pour un

véhicule aérien autonome

Environnement 3D, dynamique,

incertain et dangereux

Contraintes de mission

objectifs, environnement, véhicule

Fonction de planification embarquée

Sélectionne et ordonne le meilleur sous-ensemble d'objectifs

Détermine la date d’arrivée à chaque point de passage

Maximise sous contraintes les récompenses sur les observations, minimise

les critères sur le danger, la consommation de carburant

Fonction de planification embarquée

Sélectionne et ordonne le meilleur sous-ensemble d'objectifs

Détermine la date d’arrivée à chaque point de passage

Maximise sous contraintes les récompenses sur les observations, minimise

les critères sur le danger, la consommation de carburant


||| Plan||| Plan

Introduction




Tests



Mission

Séquencer des actions : mouvements, collectes d’information ...

Avec une quantité limitée de ressources : énergie, mémoire, probabilité de survie …

Pour réaliser un ensemble d’objectifs

||| Problème de planification de mission||| Problème de planification de mission

But de la planification

� Choisir les objectifs et les actions pour les réaliserBut de la planification

� Choisir les objectifs et les actions pour les réaliser

Récompenses et contraintes parfois non linéaires par rapport au temps

La solution proposée

Optimise un critère : récompense et coût de réalisation par objectif

Prend en compte les contraintes de temps et de ressources

Quantités physiquesQuantités physiquesQuantités physiquesQuantités physiquesQuantité liée à l’incertitudeQuantité liée à l’incertitudeQuantité liée à l’incertitudeQuantité liée à l’incertitude


||| Littérature||| Littérature

Ordonnancement d’objectifs� voyageur de commerce et dérivés (TSP, ITSP) [Laporte et Norbert 1983] [Bouali

1996] [Feillet, dejax & Gendreau 2001]

� course d’orientation [Keller 1989] [Kantor & Rosenwein 1992]

Sélection d’objectifs ex: Hubble [Kramer &Giulianno 1997] ;SOFIA [Frank & Kurklu 2003]; rovers [Smith 2004]

� nombre d’objectifs non fixé a priori

� formalisme état action

� complément intéressant : principe d’abstraction [Galindo et al 2004]

Prise en compte de l’incertitude� PDM, PDMPO [Teichteil & Fabiani 2005] [Schesvold et al 2003]


||| Formalisation du problème ||| Formalisation du problème

Nœud de bas niveau : point de passage

Supernœud = nœud de haut niveau : ensemble de nœuds de bas niveau

Idée : tirer partie du principe d’abstraction pour organiser la descriptionIdée : tirer partie du principe d’abstraction pour organiser la description

N ensemble de nœuds

W = {W1, …, We} partition de N

Relation S : S(Wi) sous-ensemble des successeurs de Wi

O1

O2

Réalisation d’un objectif


N, W, S

Etat Wk : date tk et ressource rk

Objectif o

Début mission : W1, t1, r1Fin mission : We, te, re, coût des ressources Re(te, re)

Ressources limitées

||| Formalisation du problème ||| Formalisation du problème HAUT NIVEAU HAUT NIVEAU

But Trouver une séquence d’états Wπ(1), …, Wπ(q)

telle que π est une fonction de {1, …, q} dans {1, …, e}

avec π(1) = 1; π(q) = e; Wπ(i+1) ∈S(Wπ(i))

en minimisant J = Re(te, re) -

But Trouver une séquence d’états Wπ(1), …, Wπ(q)

telle que π est une fonction de {1, …, q} dans {1, …, e}

avec π(1) = 1; π(q) = e; Wπ(i+1) ∈S(Wπ(i))

en minimisant J = Re(te, re) - ∑∈ oEo

oR

coût des ressources

récompenses

Ws(o)` {W début o}

We(o) {W fin traitement o}

Wr(o) {W fin réalisation o}

récompense Ro(ts(o), rs(o), te(o), re(o), tr(o), rr(o))


||| Formalisation du problème ||| Formalisation du problème BAS NIVEAU BAS NIVEAU

Ressources

Récompense

Intégration des incertitudes dans le critère d’optimisation

Sur l’exemple

=

2

1

r

rr

)(t.P.rGR s(o)Obs1r(o)oo o

=

r1: probabilité d’être vivantr2: masse du véhicule

1k

1kk

an,n∆+

+

Relation de succession S étendue au bas niveau

Action ak+1 entre nœuds nk et nk+1 de durée

Consommation des ressources� décomposables ou non

� linéaires suivant les durées ou non

1k

1kn

an,n(k)1)(k ∆tt +

++=+ ππ

1k

1kk

an,n∆+

+

Temps� dates à nk et nk+1 liées par

� bornée par vitesses min et max

� fenêtre temporelle sur chaque nœud maxmin kkk ttt ≤≤


||| Pour résumer||| Pour résumer

Pertinence du formalisme montrée par son paramétrage sur un exemple demission militaire d’observation pour un drone

Formalisation générique du problème de planification de mission � haut niveau : réalisation des objectifs� bas niveau : choix des nœuds, des actions, des vitesses entre les nœuds

Complexité du problème de planification de mission

Nombre de zones objectif

fin entrées/ sorties d’objectif

transmission Nombre de chemins

2

2

2

1

190

5

4

2

2

108

� méthodes d’exploration arborescentes adaptées


||| Plan||| Plan

Introduction




Tests



pour chaque action a possible faire

Début

Recherche d’une première solution admissiblesi une première séquence admissible a été trouvée alors Initialiser BORNE avec le J trouvéPlacer n1 dans listePtant que listeP n’est pas vide faire

pour chaque ni dans S(û) fairelisteT = Ø

Construire la séquence de n1 à (ni, a) Optimiser I en choisissant les dates pour chaque nœud en respectant les contraintessi Il y a une solution alors

Calculer h de (ni, a) à un nœud finStocker dans ni : I = g et hAjouter (ni, a) dans listeTsi ni ∈We et I < BORNE alors BORNE ← I

Elaguer l’arbre d’explorationMettre les éléments de listeT dans listePEffacer û de listeP

||| Cadre algorithmique||| Cadre algorithmique

� inspiré de l’algorithme A*

� adapté pour la replanification en ligne


||| Développement de l’arbre||| Développement de l’arbre

TOW

ENU1 ENU2 ENU3 ENU4

Optimisation des vitesses Optimisation des vitesses Optimisation des vitesses Optimisation des vitesses �� ggggRangement Rangement Rangement Rangement dansdansdansdans listePlistePlistePlisteP

ENU4ENU2ENU3ENU1

Choix du meilleur nœud Choix du meilleur nœud Choix du meilleur nœud Choix du meilleur nœud dansdansdansdans listePlistePlistePlisteP ENU4

ENO11 ENO12 ENO21 EN022

Rangement Rangement Rangement Rangement dansdansdansdans listePlistePlistePlisteP

ENO11ENO22ENO21ENU2ENU3ENU1

Élagage ?Élagage ?Élagage ?Élagage ?

EXO11 EXO12

LWj

LWj

LWj LWj

?

?

??

Calcul de hCalcul de hCalcul de hCalcul de h

Choix du meilleur nœud Choix du meilleur nœud Choix du meilleur nœud Choix du meilleur nœud dansdansdansdans listePlistePlistePlisteP ENO11


||| Algorithme||| Algorithme

Optimisation des durées basée sur l’algorithme de Frank & Wolfe

TRAITEMENT DES CONTRAINTES ET OPTIMISATION DU CRITERE

TRAITEMENT DES CONTRAINTES ET OPTIMISATION DU CRITERE

)I(Xmin∆

sous bA.X ≤

→ ( ))).((I)I(min (i)(i)T(i) ∆−∆∆+∆ ∆∆

sous bA. ≤∆

1ere étape sous bA. ≤∆( )∆∆=∆ ∆∆).(Imin (i)TˆSimplexe

2ème étape Optimisation monovariable )-k( (i)(i)1)(i ∆∆+∆=∆ + ˆ avec [0,1]k∈

Contraintes linéaires par rapport aux durées dans un simplexe

Contraintes non linéaires par rapport aux durées

�fonctions de pénalisation


||| Méthodes de l’algorithme||| Méthodes de l’algorithmeEVALUATION DU CRITERE EVALUATION DU CRITERE

H1 : majorant des récompenses des objectifs non réalisés sans tenir

compte du niveau des ressources au nœud courant

Hi : similaire à H1 mais en tenant compte du niveau des ressources

Hr : résolution d’un problème relaxé

� pas d’optimisation du critère à chaque développement de nœud

� pas de contraintes

� nombre fixé de nœuds développés

HW : exploite les deux niveaux de description

� recherche arrière préalable sur le graphe haut niveau

� valeur heuristique commune à tous les nœuds d’un même supernœud

4 méthodes pour l’évaluation h du nœud courant à un nœud fin


||| Méthodes de l’algorithme||| Méthodes de l’algorithmeELAGAGESELAGAGES

Critère non monotone �coûts positifs et négatifs

Utilisation des méthodes d’évaluation h

2 méthodes d’élagage

Méthode pour les h minorantes

� si g+h > BORNE alors élaguer le nœud ni

Méthode pour les h non minorantes

� si ( (g+h) - γ g+h ) > BORNE alors élaguer le nœud ni

Note

Un nœud où les contraintes ne peuvent pas être respectées est élagué


||| Méthodes de l’algorithme||| Méthodes de l’algorithmeRANGEMENTSRANGEMENTS

Note

Pour les rangements R1 et R3� h sert à l’élagage et non au rangement

4 méthodes de rangement de la liste des nœuds pendants

R1 ou R2 recherches en profondeur ordonnée« Ordonner S(û) par g (ou g+h) � puis les ranger en tête de listeP »

R3 ou R4 recherches au meilleur g (ou g+h) d’abord« Mettre S(û) dans listeP et ordonner listeP par g (ou g+h) �»

ENO11ENO21ENO22

listeTlisteTlisteTlisteT

ENU2ENU3ENU1

Ancienne Ancienne Ancienne Ancienne listePlistePlistePlisteP

ENU2ENO11ENU3ENU1ENO22ENO21

Nouvelle Nouvelle Nouvelle Nouvelle listePlistePlistePlistePordonnéeordonnéeordonnéeordonnée

ENO11ENO21ENO22ENU2ENU3ENU1

listePlistePlistePlisteP


Algorithme de base inspiré du A*

Combine recherche arborescente et optimisation continue


Pour la suite

Evaluation sur des problèmes de replanification en ligne

� Tests


Pour la suite

Evaluation sur des problèmes de replanification en ligne

� Tests


� 16 variantes

Méthodes d’évaluation du critère

Méthodes d’élagage

Méthodes de rangement


||| Plan||| Plan

Introduction




Tests



||| Architectures des systèmes autonomes||| Architectures des systèmes autonomes

Architectures réactives� pas de plan à long terme

� réaction rapide aux aléas

Architectures délibératives� plan à long terme

� réaction lente aux aléas

Architectures hybrides� combinaison des avantages

Choix

�architecture hybride hiérarchique dédiée à la réalisation d’une missionChoix

�architecture hybride hiérarchique dédiée à la réalisation d’une mission


||| Environnement logiciel||| Environnement logiciel

ProCoSA PROgrammation et COntrôle des Systèmes à forte Autonomie

Hors ligne : spécification des procédures de comportement du véhicule (codage par réseaux de Petri) et des coopération entre sous-systèmes

En ligne : exécution des procédures, dont réactions aux aléas

Événement(s) + infosplace ⇔ état, activité ou macro-activité

transition ⇔ changement d’étatRequête(s) d’activation + infos


||| Fonctionnalités||| Fonctionnalités

Réagir aux aléas� mettre à jour les cartes de danger et/ou de mission � recalculer un plan

� modification de la mission� données environnement prévues et observées incohérentes� trajectoire irréalisable � consignes de guidage non applicables

Effectuer la mission� gérer les données opérateurs et capteurs de navigation

� enchaîner les actions de plan

� rallier les points de passage, activer et désactiver la charge utile

� calculer les consignes de guidage

� contrôler le déroulement des phases de calculs et d’actions


COUCHE PHYSIQUE

||| Architecture hybride hiérarchique||| Architecture hybride hiérarchique

Organisation des niveaux

BASE DE DONNEES

Niveau 2Gestion du plan

Niveau 1Gestion de la trajectoire

Niveau 0Guidage

Niveau 3Gestion de la mission et de son environnement

3 niveaux délibératifs

1 niveau réactif


SEQUENCER

PREVOIR

COMPARER

CALCULER

déterminer le contexte dereplanification

replanifier

||| Développement des niveaux||| Développement des niveauxEXEMPLE SUR LE NIVEAU 2 EXEMPLE SUR LE NIVEAU 2

Partie Partie Partie Partie «««« Résolution algorithmiqueRésolution algorithmiqueRésolution algorithmiqueRésolution algorithmique »»»»

base dedonnéesniv 2

base dedonnées

couchephysique

plan mis àjour +évolutionnominale desressources

vers base dedonnéesniv 2

cartes dangers /objectifs

État des ressources / état x, y, z, t

Plan + segment de plan courants

état des ressourcessegment de plan traité prévus

Évolution nominale des ressources

segment de plan mis à jour

vers base dedonnéesniv 2

DonnéesDonnées


||| Développement des niveaux||| Développement des niveauxEXEMPLE SUR LE NIVEAU 2 EXEMPLE SUR LE NIVEAU 2

SEQUENCER

PREVOIR

COMPARER

CALCULER

déterminer le contexte dereplanification

replanifierdifférence

pas de différence

boucle automatiquede contrôle

fin prévision

lancer une replanification

segment infaisable

fin trajectoire lancer trajectoire

planification impossible

fin planification

ÉvénementsÉvénements


||| Exemples de procédures ProCoSA||| Exemples de procédures ProCoSA

Suivi des tâches physiques


||| Exigences temporelles pour la replanification||| Exigences temporelles pour la replanification

Evaluation du plan courant dans un nouveau contexte � JC’

Classification des problèmes de replanification & Critères d’évaluation

Cas 1: si JC’>JMAX, échec de la mission

� solution avant δrreplanification dite « critique »

Cas 2: si 0≤ JC’≤ JMAX, plan courant mauvais, mais durée de calcul moyenne acceptée� amélioration significative avant δ2replanification dite « nécessaire »

Cas 3: si JC’<0, pas de risque d’échec

� amélioration avant δ3replanification dite « éventuelle »

• qualité de la première solution admissible avant δr• qualité de la meilleure solution avant δ1 fixé

• qualité de la première solution admissible avant δr• qualité de la meilleure solution avant δ1 fixéδr = 10s δ1 = 20s

δ2 = 5min

δ3 = 15min

JMAX : risque d’échec trop élevéJMAX= 30%.Psys

• qualité de la première solution significativement meilleure• qualité de la meilleure solution avant δ2 fixé

• qualité de la première solution significativement meilleure• qualité de la meilleure solution avant δ2 fixé

• qualité de la meilleure solution avant δ3 fixé• qualité de la meilleure solution avant δ3 fixé



Cadre du travail� replanification en ligne déclenchée sur événements

� architecture hybride hiérarchique

� ProCoSA pour implémenter l’architecture et effectuer la mission

Architecture hybride hiérarchique� 4 niveaux de la gestion de la mission jusqu’au guidage

� mise en œuvre de la fonction de replanification

� fonction de détermination du contexte de replanification

Analyse de la qualité du plan courant� spécification du temps laissé au planificateur pour donner un résultat

� critères de performances pour comparer les différentes méthodes

� Tests


||| Plan||| Plan

Introduction




Tests



||| Présentation||| Présentation

Véhicule

Système de drone MALE� altitude entre 5000m et 15000m

� endurance entre 10h et 50h

Caractéristiques proches du Predator

Predator B (source : U.S Air Force)Missions et environnements

Mission Nombre de zones objectif

Nombre d’entrées/ sorties

Navigation

1

6

2

ligne droite contournement

balayage

2

4

2


balayage

3

6

4


balayage

4

6

2

ligne droite balayage


Mission 1

36 scénarios testés sur 16 combinaisonsde méthodes

36 scénarios testés sur 16 combinaisonsde méthodes

||| Scénarios||| Scénarios

Pour chaque mission� 3 instants de replanification

� 3 événements déclenchants (fuite de carburant, changement de la carte des dangers, changement de la carte des objectifs)

� 9 scénarios de replanification par mission

Manque de carburant

72 critères


||| Analyse des scénarios||| Analyse des scénarios

Pour l’exemple

Fréquences identiques pour tous les instants de replanification

Pour les événements, évaluation difficile

� étude de robustesse avec 3 valeurs pour chaque fréquence

Idée : utilisation d’un critère global pour chaque méthode i

f1…fk fréquences d’occurrence de k scénarios

valeur du critère

Evaluation suivant

Idée : utilisation d’un critère global pour chaque méthode i

f1…fk fréquences d’occurrence de k scénarios

valeur du critère

Evaluation suivant

ik

i1...JJ

ij

k

1jj

i .JfJ ∑==

� 27 combinaisons possibles de fréquences d’occurrence

Problème : Définition des f1…fk de la manière la plus réaliste possible alors que ce sont des paramètres mal connus


Choix d’une méthode - replanification critiqueChoix d’une méthode - replanification critique

Préférence pour les méthodes simples : H1R3, HiR3, HWR3

� rangement au meilleur g d’abord �l’heuristique ne sert qu’à élaguer

Méthode Hr : à proscrire Recherche d’une meilleure solution en moins de 20s inutile

-50000,00

950000,00

1950000,00

2950000,00

3950000,00

4950000,00

5950000,00

6950000,00

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

combinaison

critère

H1R3 - HiR3 - HwR3

H1R1 - HiR1 - HwR1H1R2 - HiR2

HrR2 - HrR1

HrR4 - HrR3 HwR4

HwR2

H1R4 - HiR4

Qualité première solution admissible

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

combinaison

HrR4 - HrR3 - HwR4

HrR2 - HrR1

H1R4 - HiR4

H1R1 - H1R2 HiR1 - HiR2

H1R3 - HiR3 - HwR3

HwR2

HwR1

Qualité meilleure solution en moins de 20s


Choix d’une méthode - replanification nécessaireChoix d’une méthode - replanification nécessaire

9 combinaisons : l’événement manque de carburant ne conduit jamais à une replanification nécessaireMéthodes de rangement en profondeur ordonnée R1et R2 meilleuresHr inefficace pour obtenir une meilleure solution en moins de 5minMéthodes d’évaluation « rapides » H1, Hi, HW meilleures

Qualité première solution admissible améliorant le critère Qualité meilleure solution en moins de 5 min

1 2 3 4 5 6 7 8 9

combinaison

HwR2 - HwR1H1R1 - HiR1H1R2 - HiR2

H1R3 - HiR3HwR3 - HrR1HrR2 - HwR4

HrR3 - HrR4H1R4 - HiR4

-35000

-30000

-25000

-20000

-15000

-10000

-5000

0

1 2 3 4 5 6 7 8 9

combinaison

critère

H1R1 - H1R2 HiR1 - HiR2HrR1 - HrR2HwR1 - HwR2

H1R3 - H1R4 HiR3 - HiR4HrR3 - HrR4HwR3 - HwR4


Choix d’une méthode - replanification éventuelleChoix d’une méthode - replanification éventuelle

Aucune méthode ne se démarque � Analyse multicritère

Meilleur compromis HiR1

Moins bons compromis avec R3 et R4 : rangement au meilleur d’abord

Utilisation des méthodes ELECTRE� notion de surclassement pour modéliser l’idée de préférence

� obtention d’un graphe représentant le préordre partiel

� notions de préférence, d’indifférence, d'incomparabilité entre deux alternatives


Choix d’une méthode uniqueChoix d’une méthode unique

Analyse multicritère� qualité globale de la première solution admissible

� qualité globale de la meilleure solution

� qualité globale de la meilleure solution

� durée de calcul globale pour la meilleure solution

Méthodes dominantes : H1R3 et HiR1

H1R3 calcule des solutions menant à un risque de destruction de l’appareil limité à 18 % contre 50% pour HiR1

� Pour réduire le risque d’échec, H1R3 préférable� Pour réduire le risque d’échec, H1R3 préférable

cas critique et nécessaire

cas éventuel


||| Pour résumer ||| Pour résumer

Intérêt d’utiliser des méthodes d’évaluation différentes pour le rangement et l’élagage

Choix d’un rangement pour chaque contexte

Rangement au meilleur g d’abord en critique (R3)

Rangement en profondeur ordonnée en nécessaire (R1 ou R2)

Rangement sans évaluation en éventuel (R1 ou R3)

Utilisation des méthodes d’évaluation du nœud courant jusqu’à un nœud fin

Evaluation des récompenses non obtenues avec et sans ressources équivalentes (H1 et Hi)

Rangements basés sur H1 et Hi peu efficaces, rangement basé sur Hrefficace en éventuel

Elagages avec H1, Hi, HW efficaces

Embarquement d’un planificateur unique : H1R3 meilleur algorithme


||| Plan||| Plan

Introduction




Tests



||| Conclusions (1)||| Conclusions (1)

Proposition d’un cadre formel basé sur une décomposition en deux niveaux� haut niveau : réalisation des objectifs

� bas niveau : choix des nœuds, des actions, des vitesses entre les nœuds

Problème de planification

Choisir et ordonner un sous-ensemble d’objectifs à réaliser. Optimiser les actions, connaissant les ressources, l’environnement, la récompense associée à chaque objectif et les contraintes temporelles

Problème de planification

Choisir et ordonner un sous-ensemble d’objectifs à réaliser. Optimiser les actions, connaissant les ressources, l’environnement, la récompense associée à chaque objectif et les contraintes temporelles

Cadre algorithmique basé sur le A* et adapté aux spécificités du problème� optimisation d’un critère non linéaire par rapport aux durées

� prise en compte de récompenses et de coûts fonctions du mode de réalisation des objectifs

� plusieurs méthodes : évaluation de coût, élagage, rangement

� Formalisation d’un problème avec incertitudes et où le nombre d’objectifs dans le plan n’est pas fixé a priori

� Résolution du problème de choix, d'ordonnancement et d’optimisation sous contraintes


||| Conclusions (2)||| Conclusions (2)

Intégration de la planification dans une architecture embarquée� niveau d’autonomie : replanification embarquée

� architecture hybride hiérarchique

� calcul de plans en ligne sur événements

� activation et contrôle de l’exécution par ProCoSA

Tests sur 36 scénarios de replanification� Identification de méthodes adaptées en fonction de la criticité de la

replanification

� Identification de méthodes non adaptées à la replanification en ligne

� Choix d’une méthode dans le cas d’un algorithme unique embarqué

� Le véhicule est doté d’une autonomie décisionnelle embarquée


||| Perspectives||| Perspectives

Architecture� mise en œuvre et validation� utilisation des connaissances opérateur� utilisation de l’architecture pour d’autres systèmes autonomes

Tests et méthodes d’analyse� générateur automatique de missions� autres scénarios

Application� automatisation du choix des points de passage� relief� hypothèse de l’instantanéité des transmissions� dégradation des récompenses� gestion de la charge utile

Algorithmes� automatisation du choix des paramètres

� amélioration des méthodes algorithmiques

� application sur d’autres domaines d’application

Merci !Merci !Merci !Merci !

Documents

HANTHERY - LAAS · 2- Soutenance de thèse -30 septembre 2005 ||| Plan Introduction Présentation et formalisation du problème de planification Résolution algorithmique Intégration