7

Nous dédions ce travail à l’ensemble de nos familles.

 Nous adressons nos remerciements à toutes les personnes qui ont
directement ou indirectement apporté leurs contributions à la réalisation de ce travail.

Notre profonde gratitude à l’endroit de :

- Prof. KONATE ADAMA Directeur Général de l’ESATIC, pour la mise en

place et la maintenance d’un cadre de formation de qualité et épanouissant ;

- Dr PANDRY GHISLAIN, Chercheur à l’ESATIC, pour sa supervision

rigoureuse et le temps accordé pour la réalisation de ce travail,

- Tout le personnel de l’ESATIC, du corps enseignant au corps administratif,

pour l’encadrement, les conseils et les coachings de développement personnel
donnés durant ces trois dernières années.

Nous remercions également notre famille et nos amis pour leurs soutiens, leurs
encouragements, leurs conseils et surtout leurs confiances placées en nous ;

Pour terminer, nous remercions tous les étudiants de l’ESATIC, particulièrement

nos ainés pour leur accompagnement et leurs conseils, pendant ces trois dernières
années
 Ce document reflète de façon écrite notre travail effectué durant 3 mois dans le
cadre des projets internes de l’ESATIC qui est une école d’enseignement supérieur
spécialisé dans les Technologies de l’Information et de la communication (TIC). Le
but de notre travail est d'améliorer les capacités d’un robot mobile dénommé
“ZBOT” dont la fonction principale est d’assister les personnes à mobilité limitée.
Notre solution d’amélioration à été de concevoir un module de perception pour
permettre la navigation autonome et sécurisée du robot. Cependant, la réalisation de
ce projet à été parsemé de difficultés dont, on peut citer entre autres:

- L'inaccessibilité du robot ZBOT, du fait de son mauvais état, qui nous

contraint à la construction d’un nouveau robot
- Le manque de temps dû à la continuité cours pendant la période du projet
- La non disponibilité des équipements en local.

En outre, ce document est un mémoire qui permet de mettre en exergue les capacités
de réflexion ou les aptitudes d’analyse d’un étudiant devant une problématique
spécifique.
INTRODUCTION
PARTIE I : GÉNÉRALITÉS
Chapitre I : Etat de l’art
Chapitre II : Etude de l’existant
Chapitre III : Cahier de charges
DEUXIÈME PARTIE : ÉTUDE TECHNIQUE
Chapitre IV : Méthodes de Perception
Chapitre V : Analyse conceptuelle
TROISIÈME PARTIE : RÉSULTATS, DISCUSSIONS ET
ESTIMATION FINANCIÈRE
Chapitre VI : Environnement de développement
Chapitre VII : Présentation des résultats
Chapitre IX : Discussions et estimation financière
CONCLUSION
A
AA: Apprentissage Automatique
AP: Average Precision
C
CID: Cellule d’Innovation et de Développement
CNN: Convolutional Neural Network
F
FN: Faux Négatif
H
HTML: Hyper Text Markup Language
I
IA: Intelligence artificielle
L
LAAS : Laboratoire d’Analyse et d’Architecture des Système
O
OpenCV : Open Source Computer Vision Library
P
PID: Proportionnel Intégrale Dérivé
R
ROS: Robot Operating System
S
SLAM: Simultaneous Localisation And Mapping
SysML: System Modeling Language
V
VO: Vision par Ordinateur
Y
YOLO: You only look once
XSS : Cross-Site Scripting

Authentification : L'authentification est un processus permettant à un système

informatique de s'assurer de la légitimité de la demande d'accès faite par une
entité afin d'autoriser son accès à des ressources du système conformément au
paramétrage du contrôle d'accès.

Apprentissage automatique: L'Apprentissage Automatique (AA), également appelé

apprentissage machine ou apprentissage artificiel et en anglais Machine Learning
(ML), est une forme d’IA qui permet à un système d'apprendre à partir des données
et non à l'aide d'une programmation explicite.

Couches convolutives: Les couches convolutives sont des couches de réseaux de

neurones profonds qui sont couramment utilisées pour l'analyse de données telles que
des images, des vidéos ou des signaux audio. Ces couches permettent de capturer des
motifs locaux dans les données d'entrée en appliquant une opération de convolution.

Intelligence artificielle: L'intelligence artificielle (IA) est un processus

d'imitation de l'intelligence humaine qui repose sur la création et l'application
d'algorithmes exécutés dans un environnement informatique dynamique. Son
but est de permettre à des ordinateurs de penser et d'agir comme des êtres
humains.
Réseaux de neurones profonds: Les réseaux de neurones profonds (ou deep
learning en anglais) sont un groupe de modèles d'apprentissage automatique qui se
base sur des architectures de réseau neuronal avec plusieurs couches cachées pour
apprendre au travers de données complexes.

WEBRTC: est une nouvelle technologie ouverte de communication en temps

réel pour navigateurs web
Virtualisation : *
 INTRODUCTION

Les robots mobiles deviennent de plus en plus importants pour l’homme dans
l’accomplissement des tâches difficiles à réaliser par ce dernier. Plusieurs types de
modèles ont été développés notamment les robots d’assistance aux personnes. Ces
robots doivent être capables de naviguer, quel que soit l’environnement dans lequel
ils se trouvent, au moyen de la perception afin d’être plus utiles à l’homme. En
robotique, la perception est comprise comme un système qui confère au robot la
capacité de percevoir, de comprendre et de raisonner sur l’environnement qui
l’entoure. Elle est liée à plusieurs applications de la robotique où les données
sensorielles et les techniques d’intelligence artificielle ainsi que l’apprentissage
automatique (IA/ML) sont indispensables. Ce module de perception est crucial pour
qu’un robot puisse comprendre l’environnement afin de prendre des décisions,
planifier et opérer dans cet environnement. Par ailleurs, Ce module doit également
inclure des mécanismes de sécurité pour protéger les données de perception, détecter
les menaces potentielles, réagir en temps réel et s’adapter aux changements dans
l’environnement. Les attaques informatiques doivent être aussi prises en compte et
protéger le système contre les actions malveillantes. C’est dans cette optique que,
passionnées des domaines de la robotique, l’IA, l’apprentissage automatique et à la
sécurité informatique, nous portons un grand intérêt pour notre projet interne dont le
thème est : « Analyse et Conception d’un module de perception sécurisé pour la
navigation autonome d’un robot mobile : cas de Zbot ». Alors il est important de se
poser un certain nombre de questions dont les réponses nous permettront d’apporter
une solution au problème :

- Comment concevoir un module de perception sécurisé pour la navigation

autonome d’un robot mobile ?

- Quelles sont les techniques et technologies adaptés pour la conception d’un

tel module ?
 - Quels mécanismes de sécurité faut-il intégrer pour assurer la sécurité de
robot ?

Afin de mener à bien ce projet, il sera structuré en trois grandes parties : d’abord, une
étude théorique qui nous permettra d’avoir une connaissance transversale sur les
travaux similaire déjà réalisé et l’étude du projet. Ensuite, une étude technique dans
laquelle nous retrouverons les différentes techniques et technologies pouvant être
exploité pour la réalisation du projet avant de passer à la mise en œuvre dudit projet.
Enfin, nous terminerons par la présentation des résultats obtenus et analyserons ces
résultats comparativement à l'étude théorique et aux résultats attendus.
CHAPITRE I : ETAT DE L’ART
I. DEFINITIONS

1. Perception d’un robot mobile

La perception d’un robot mobile, consiste à collecter et analyser des données
sensorielles pour créer une représentation de l’environnement du robot. Cela inclut la
détection d’objets, la reconnaissance de forme ; la mesure de la distance et de la
position et la détection de mouvement.

2. La navigation sémantique
La navigation sémantique d’un robot mobile se concentre sur la compréhension de
l'environnement dans lequel le robot se déplace. Cela implique la capacité du robot à
reconnaître les objets, les personnes et les lieux dans son environnement, ainsi qu’à
comprendre les relations spatiales entre ces éléments. La navigation utilise des
données de perception pour créer une carte de l’environnement et planifier des
itinéraires pour atteindre des objectifs spécifiques.

3. Robot mobile
Un robot mobile est un type de robot capable de se déplacer dans un environnement
physique en utilisant des méthodes telles que la locomotion à roues, à pattes, à
chenilles, à hélices, à réaction ou à tout autre mécanisme de mouvement. Les robots
mobiles peuvent être contrôlés manuellement ou programmés pour fonctionner de
manière autonome en utilisant des capteurs pour percevoir leur environnement et des
algorithmes pour prendre des décisions en fonction de ces perceptions. Les robots
mobiles sont utilisés dans de nombreuses applications, telles que l'exploration
spatiale, la recherche et sauvetage, la surveillance, la logistique, la fabrication et le
divertissement.
II. QUELQUES ROBOT DOTÉ DE LA NAVIGATION AUTONOME ET
CRITIQUE

1. Les robots LAAS-CNRS

Pour naviguer de façon autonome, les robots du Laboratoire d’Analyse et

d’Architecture des Systèmes (LAAS-CNRS) intègrent plusieurs fonctions
sensori-motrices réalisant les actions de planification de trajectoire, localisation et
contrôle de mouvement. Ainsi, il contrôle ses mouvements grâce à différentes
stratégies ou méthodes durant une tâche de navigation : méthode réactive par
potentiels attractif et répulsif, méthode de déformation de bande élastique le long de
la trajectoire pré planifiée. La localisation quant à elle s’appuie sur deux capteurs :
les capteurs proprioceptifs qui mesurent des quantités reliées à des dérivées
premières ou secondes de la position et les capteurs extéroceptifs qui mesurent l’état
d’une relation entre l’entité en mouvement et l’environnement extérieur[10].

2. Les robots mobiles de Meanwhile

 Les robots mobiles Meanwhile sont dotés d’une intelligence artificielle spécialisée
dans la navigation en intérieur (SLAM). Le SLAM, Simultaneous Localisation And
Mapping, permet au robot de construire son environnement et de modifier son
comportement en fonction des obstacles non cartographiés tout en se localisant en
temps réel. Afin de se déplacer en toute autonomie et sans trajectoire prédéfinie, le
robot va combiner les informations qui lui sont propres avec les informations de son
environnement (renvoyées par ses lasers et capteurs). En cas d’obstacle (opérateurs,
palettes, chariots élévateurs, etc.) obstruant son passage, le robot mobile le contourne
en toute sécurité, en déterminant une trajectoire alternative. La productivité s’en
trouve optimisée, car les délais d’approvisionnement sont plus facilement
respectés[13].

3. Le robot de surveillance de Knightscope

Le robot de surveillance mobile de Knightscope est un robot de sécurité autonome
conçu pour patrouiller les zones de sécurité telles que les campus universitaires, les
centres commerciaux, les immeubles de bureaux et les hôpitaux conçu par la société
Knightscope, Inc., une entreprise américaine spécialisée dans la fabrication de robots
de sécurité autonomes. Il utilise une variété de capteurs pour surveiller son
environnement, y compris des caméras haute définition, des microphones, des
détecteurs de gaz, des capteurs de température et des capteurs de mouvement. Les
données recueillies par ces capteurs sont analysées en temps réel par des algorithmes
d'apprentissage automatique pour détecter les menaces potentielles et les activités
suspectes. Le robot est également équipé de capacités de reconnaissance faciale et de
reconnaissance de plaque d'immatriculation, ce qui permet aux opérateurs de sécurité
de suivre les individus suspects ou de rechercher des véhicules spécifiques.

4. Critique
Les robots mobiles de Meanwhile, les robots LAAS-CNRS et le robot de
surveillance de Knightscope sont tous des exemples de robots mobiles avancés qui
utilisent des technologies de navigation autonomes. Cependant, comme toute
technologie, ces robots ont des limites qui doivent être prises en compte. Voici
quelques limites pour chacun de ces types de robots :

4.1. Les robots mobiles de Meanwhile

Les robots de Meanwhile présentent deux limites principales à savoir :

● Limites de la perception : les capteurs et caméra utilisés par ce robot

peuvent ne pas être suffisamment précis pour détecter tous les obstacles ou
identifier les zones de danger potentiel.
● Limites de l'autonomie : Ils nécessitent toujours une intervention humaine
pour certaines tâches, telles que le changement de batterie ou le réglage des
capteurs.

4.2. Les robots LAAS-CNRS

Ces robots aussi ne sont pas d'exception quant aux limites, nous avons entre
autres :
 ● Limites de la navigation : les algorithmes utilisés ne sont pas suffisamment
robustes pour naviguer dans des environnements complexes ou changer de
comportement en fonction des conditions.
● Limites de la perception : Les capteurs qu’ils utilisent peuvent être limités
par les conditions de lumière ou les obstacles.

4.3. Le robot de surveillance de Knightscope

● Limites de l'interaction humaine : ils ne sont pas toujours capables

d'interagir efficacement avec les personnes dans ces zones, en particulier en
cas d'urgence ou de crise.
● Limites de la surveillance : Ils ne sont souvent pas en mesure de détecter
tous les types de menaces ou de suivre tous les individus suspects.

Conclusion partielle

Les robots présentés sont des exemples impressionnants de la technologie de la

navigation autonome, mais il est important de reconnaître leurs limites pour une
utilisation efficace et sûre dans diverses applications. Notre contribution sera
d’apporter cette fonctionnalité a un robot mobile existant tout essayant de pallier les
limites relevées par rapport à ces robots mobiles avancés
CHAPITRE II : ÉTUDE DE L’EXISTANT
Ce chapitre est consacré à présenter l’existant de notre projet et en dégager les
limites afin de trouver la solution appropriée.

I. PRÉSENTATION DE L'EXISTANT
Notre existant dans ce projet est un robot dénommé “ZBOT”. ZBOT est un un projet
qui allie santé et technologie. Il est parti du constat que les personnes souffrant d’un
handicap moteur déploient la plupart du temps beaucoup d’efforts pour effectuer des
tâches qui paraissent anodines pour le commun des mortels. Il représente donc une
extension qui comble le handicap [Link] projet a été développé au sein du
département d’ingénierie de la Société Ivoirienne d’Intelligence Numérique (SIIN)
en collaboration avec la Cellule d’Innovation et de Développement (CID) de
l’ESATIC.
 Figure 1: Robot ZBOT

Le Zbot est doté d’une suspension rocker bogie et d’un bras mécanique pour la
récupération des objets. Il dispose aussi d’une interface de commande qui peut être
déployée sur un ordinateur, un smartphone ou une tablette. Il est commandé
manuellement grâce à l’interface de commande. Ce projet a permis à l’équipe projet
de participer à de nombreuses compétitions et remporté plusieurs prix dont
l’Hackathon 5 G de Orange et bien d'autres.

II. LIMITES DU ROBOT ZBOT

Bien que le ZBOT soit une réelle révolution dans le cadre de l’assistance aux
personnes à capacité réduite, il demande cependant beaucoup d’effort ces personnes,
et cela s’explique à plusieurs niveaux :
 ● La navigation et le fonctionnement du bras mécanique dépendent entièrement
d’une présence humaine en occurrence celle des personnes à capacité réduite
● Il n’est pas doté d’une intelligence lui permettant reconnaître les objets
● Incapacité à cartographier l’environnement dans lequel il se trouve.

Notre contribution dans le cadre du projet interne est de combler ces limites
énumérées par la conception d’un module permettant au robot de s’émouvoir de
façon autonome.

CHAPITRE III : CAHIER DES CHARGES

Ce chapitre est consacré à la présentation générale de notre projet au moyen de
l’analyse du contexte et du cahier des charges.
 I. PRESENTATION GENERALE DU PROJET

1. Contexte du projet
Dans le souci de mieux assister les personnes à capacité réduite pour
l'accomplissement des tâches dont la réalisation demande assez d’effort, un
robot mobile à été mis en place, le robot “ZBOT”. Cependant, il ne peut
assurer l’assistance complète et efficace qui sera plus utile pour ces personnes.
C’est dans l’optique de combler ces limites que nous avons décidé de travailler
sur la navigation autonome et sécurisée du robot en concevant un module de
perception, dans le cadre des projets internes de l’ESATIC.

2. Objectifs du projet
2.1. Objectif général

L’objectif principal de ce projet est d’assurer la navigation autonome et sécurisée du

robot ZBOT.

2.2. Objectifs spécifiques

Dans l’atteinte de notre objectif principale, nous avons l’avons spécifié en sous
objectifs qui sont entre autres :
● Assurer une bonne capacité de visualisation de l’environnement
● Contrôler la navigation au travers de la planification de trajectoire
● Détecter et reconnaître les objets
● Calcul de distance entre la position du robot et celle de l’objet
● Commander le robot à distance
 II. BESOINS ET CONTRAINTES DE RÉALISATION ET DIAGRAMME
DE PROJET
1. Besoins et contraintes de réalisation
Les besoins fonctionnels auxquels notre robot mobile devra répondre pour assurer
une navigation tout à fait autonome et sécurisée sont les suivants :

● L’apprentissage automatique pour la reconnaissance des objets;

● Une interface de commande prenant en compte l'accessibilité, la facilité
d’utilisation, la personnalisation et le feedback, permettant de prendre le
contrôle manuel du robot et le pilotage à distance;
● Une interaction entre l’application de commande et robot
● Affichage des données perçue par le robot sur l’interface de commande
● Recherche d’un objet bien définir avec précision tout évitant les obstacles;
● Une grande précision dans la cartographie de l’environnement;
● Assurer la protection contre les interférences électromagnétiques et les
injections de données..

2. Calendrier de réalisation du projet

Nous nous sommes servis du diagramme de Gantt (voir figure 2) pour représenter
l’état d’avancement de notre projet. En effet, le projet a été réalisé sur 3 mois du
vingt (20) novembre au dix-huit (18) février, et a été subdivisé en plusieurs tâches
avec différents responsables dans le but de travailler de façon structurée.
 Conclusion partielle
Le cahier de charge du projet étant bien défini, au travers des Objectifs, et des
besoins fonctionnels, nous passons maintenant l’étude de l’étude conceptuelle de la
solution.
CHAPITRE V : MÉTHODES ET OUTILS UTILISÉS

I. PRÉSENTATION DES MÉTHODES DE PERCEPTION

1. Méthode de perception basée sur l’apprentissage

automatique

La perception par apprentissage automatique est une méthode d'analyse de données

qui permet à une machine d'apprendre à interpréter les informations sensorielles,
telles que des images, des sons ou des données textuelles. L'apprentissage
automatique est une méthode spécifique pour développer des modèles d'IA en
utilisant des algorithmes d'apprentissage à partir de données d'entraînement. Elle est
largement utilisée dans des applications telles que la reconnaissance d'images, la
reconnaissance vocale, la traduction automatique et la prédiction de séries
chronologiques. Cette méthode se fait en plusieurs étapes :

● Collecte de données : Un ensemble de données d'entraînement doit être

collecté et étiqueté pour l'apprentissage. Les données peuvent être des
images, des vidéos, du texte, des signaux audios, etc.
● Prétraitement de données : Les données doivent être nettoyées, normalisées
et préparées pour l'analyse
● Création d'un modèle de réseau de neurones : Le modèle est créé en
spécifiant le nombre de couches de neurones, le type de fonctions d'activation
et d'autres paramètres.
● Entraînement du modèle : Le modèle est entraîné à partir des données
d'entraînement en ajustant les poids des connexions neuronales pour
minimiser l'erreur de prédiction.
● Validation du modèle : Le modèle est validé en utilisant un ensemble de
données de validation pour mesurer ses performances et ajuster les
hyperparamètres si nécessaire.
● Test du modèle : Le modèle est testé avec un ensemble de données de test
pour évaluer sa capacité à généraliser les connaissances apprises.
 ● Utilisation du modèle : Le modèle peut être utilisé pour prédire des sorties
pour de nouvelles données non vues auparavant.

2. Méthode de perception basée sur les capteurs

La méthode de perception basée sur les capteurs est une approche courante pour
permettre à des machines ou des robots de percevoir leur environnement en utilisant
des capteurs. Cette méthode permet aux machines de collecter des informations sur
leur environnement à partir de sources telles que des caméras, des microphones, des
capteurs de pression, des capteurs de température, des capteurs de proximité, etc.

Les données collectées par les capteurs sont ensuite traitées à l'aide d'algorithmes de
traitement de signal et de techniques de traitement d'image pour extraire des
informations pertinentes sur l'environnement. Les informations collectées peuvent
inclure la détection d'objets, la reconnaissance de formes, la localisation, la
cartographie, etc.

Les avancées dans les technologies de capteurs et les algorithmes de traitement de

signal ont permis une amélioration significative de la précision et de la fiabilité des
systèmes de perception basés sur les capteurs.

2. Méthode de perception basée sur la Vision par

ordinateur

La vision par ordinateur est un domaine de l'intelligence artificielle (IA) qui permet
aux ordinateurs et aux systèmes de dériver des informations significatives à partir
d'images numériques, de vidéos et d'autres entrées visuelles, et de prendre des
mesures ou de faire des recommandations sur la base de ces informations.

La méthode de perception basée sur la vision par ordinateur est une approche pour
permettre aux machines de percevoir leur environnement à l'aide de caméras et de
techniques de traitement d'image. Cette méthode est couramment utilisée dans les
applications de reconnaissance d'images, de navigation autonome, de surveillance et
de robotique.

Dans cette méthode, des images en 2D ou en 3D de l'environnement sont capturées à

l'aide de caméras ou de capteurs d'image. Les images sont ensuite traitées à l'aide
d'algorithmes de traitement d'image pour extraire des informations pertinentes sur
l'environnement. Les informations collectées peuvent inclure la détection d'objets, la
reconnaissance de formes, la localisation, la cartographie, etc.

Les algorithmes de traitement d'image utilisent des techniques telles que la

segmentation d'image, la détection de contours, la reconnaissance de formes et la
correspondance d'image pour extraire des caractéristiques clés des images. Ces
caractéristiques sont ensuite utilisées pour identifier et localiser les objets dans
l'image.

II. ETUDE COMPARATIVE DES MÉTHODES ET CHOIX DE LA

MÉTHODE

1. Etude comparative

MÉTHODES Apprentissage Capteurs Vision par ordinateur

DE automatique
PERCEPTION

AVANTAGES
● Capacité ● Réponse rapide ● Capacité à
d'apprentissage aux changements collecter des
continu et environnementau données
d'adaptation aux x visuelles riches
nouvelles situations ● Possibilité de ● Précision élevée
● Capacité à détecter collecter des dans la
des modèles données en temps reconnaissance
complexes et à réel d'objets et de
reconnaître des objets ● Faible coût par formes
inconnus rapport aux autres ● Faible coût par
● Réduction du besoin méthodes rapport à la
de programmation ● Faible méthode de
manuelle pour la consommation perception basée
reconnaissance sur
 d'objets d'énergie l'apprentissage
● Possibilité de prendre automatique
en compte plusieurs ● Possibilité de
sources de données prendre en
compte des
données spatiales

INCONVÉNI
ENTS ● Besoin d'un grand ● Limitations dans ● Limitations dans
volume de données la précision des les conditions
pour entraîner le capteurs d'éclairage et les
modèle de ● Nécessite des obstacles
reconnaissance connaissances physiques
● Risque de biais dans approfondies en pouvant bloquer
les données ingénierie pour la les images
d'entraînement, qui conception et la ● Nécessite des
peut affecter la mise en place des connaissances
performance du capteurs approfondies en
modèle ● Incapacité à traitement
● Temps de traitement collecter des d'image pour
plus long que les informations extraire des
autres méthodes visuelles ou caractéristiques
sonores dans pertinentes
certains ● Peut être
environnements sensible aux
biais et aux
erreurs dans les
données
d'entraînement

2. Choix de la méthode
Au regard des avantages de chaque méthode, nous choisissons de faire une
combinaison des trois (3) méthodes pour plusieurs raisons.
En combinant ces trois (3) méthodes, le robot mobile peut bénéficier de la robustesse
et de la flexibilité de l'apprentissage automatique, de la précision et de la fiabilité des
capteurs, ainsi que de l'analyse détaillée des images fournies par la vision par
ordinateur.

Conclusion partielle
En somme, la combinaison de ces méthodes de perception permet de fournir des
informations complètes et précises sur l'environnement, et est donc une solution
idéale pour la navigation autonome.
CHAPITRES VI : ANALYSE CONCEPTUELLE
I. MODÉLISATION DU SYSTÈME

1. Présentation de la méthode de modélisation SysML

Pour modéliser le système de navigation d'un robot mobile, SysML (System
Modeling Language) est un langage de modélisation adapté car il permet de
représenter visuellement la structure, le comportement et les interactions d'un
système complexe comme celui-ci.
En effet, grâce à ses diagrammes standardisés, SysML permet de modéliser de
manière complète et cohérente les différents composants du système, ainsi que leurs
interactions et leurs processus. Par exemple, en utilisant des diagrammes de blocs,
d'exigences, d'états, de séquence et d'activité, vous pouvez décrire la plateforme, les
moteurs, les capteurs, les exigences de navigation, les états de fonctionnement du
robot, les interactions entre les différents composants, les étapes de navigation, etc.
En outre, SysML permet également de vérifier et de valider la conception du
système, en effectuant des simulations et des analyses de performance, et en
détectant d'éventuelles erreurs ou incohérences dans la modélisation.
En résumé, SysML est un langage de modélisation adapté pour la conception de
systèmes complexes comme le système de navigation d'un robot mobile, car il
permet de représenter visuellement et de manière rigoureuse l'ensemble des
composants, des interactions et des processus du système, tout en offrant des outils
d'analyse et de validation performants.

2. Diagramme de cas d’utilisation

 Figure 3: Diagramme de cas d’utilisation

3.  Diagramme des exigences

Ce diagramme permet de spécifier les exigences du système, c'est-à-dire les
fonctionnalités et les contraintes qu'il doit respecter. Il nous permet ainsi de définir
les exigences de navigation du robot, telles que la précision, la vitesse, la sécurité,
etc.
 Figure 4: Diagramme des exigences

3. Diagramme de séquence
Le diagramme de séquence est un diagramme permet de représenter les interactions
entre les différents composants du système, en montrant les messages échangés entre
eux. Vous pouvez ainsi représenter les interactions entre les capteurs, le système de
contrôle, les moteurs, etc.

II. CONCEPTION DU SYSTÈME DE PERCEPTION PAR LES

CAPTEURS

1. Description

La conception d'un système de perception efficace est essentielle pour la navigation

autonome d'un robot mobile. Dans cette partie, nous allons décrire comment nous
avons conçu le système de perception de notre robot mobile à partir des capteurs
suivants : un lidar, une caméra de profondeur et des encodeurs moteur. Nous allons
également décrire comment nous avons intégré ces capteurs dans la plateforme
robotique, qui est un robot à différentiel drive de 35 cm de haut et 48 cm de diamètre,
équipé d'un Raspberry Pi comme ordinateur embarqué et d'un Arduino pour les
moteurs et les encodeurs.

2. Spécification des besoins de perception

Avant de concevoir le système de perception, il est important de déterminer les

besoins de perception. Pour ce faire, nous avons identifié les exigences de perception
pour la navigation autonome de notre robot, telles que la détection d'obstacles, la
localisation précise du robot, la cartographie de l'environnement et la détection de la
profondeur. Nous avons également défini les contraintes et les limites du système de
perception, telles que la taille, le poids, la consommation d'énergie et le coût. Enfin,
nous avons déterminé les caractéristiques de performance requises pour chaque
capteur, telles que la portée, la résolution spatiale et temporelle, la précision et la
fiabilité.

3. Sélection des capteurs pour la perception

Pour répondre aux besoins de perception identifiés, nous avons choisi trois capteurs :
un lidar, une caméra de profondeur et des encodeurs moteur. Le lidar est un capteur
laser qui mesure la distance et la position des objets environnants. La caméra de
profondeur est une caméra qui utilise une lumière structurée pour mesurer la
profondeur des objets environnants. Les encodeurs moteurs sont des capteurs qui
mesurent la vitesse de rotation des moteurs et la distance parcourue par le robot.
Nous avons justifié ces choix en fonction des caractéristiques techniques des capteurs
et de leur capacité à répondre aux exigences de perception.
 4. Conception des interfaces capteurs

4.1. Conception du système de perception par le LIDAR

Le premier aspect à considérer dans la conception du système de perception est

l'utilisation d'un LIDAR. Le LIDAR est un capteur de télémétrie laser qui mesure la
distance entre le robot et les objets environnants. Il permettra de cartographier
l'environnement du robot et de détecter les obstacles sur son chemin. Pour intégrer le
LIDAR dans le système, il faudra d'abord définir sa position sur le robot. Ensuite, il
faudra mettre en place un algorithme pour traiter les données collectées par le
LIDAR et créer une carte de l'environnement.

4.2. Conception du système de perception par la caméra de profondeur

La caméra de profondeur est un autre élément clé du système de perception. Elle

permet de mesurer la profondeur des objets et de créer une représentation en trois
dimensions de l'environnement. Comme pour le LIDAR, il faudra déterminer la
position de la caméra sur le robot. Ensuite, il faudra développer un algorithme pour
traiter les données de profondeur collectées par la caméra. Cet algorithme permettra
de détecter les obstacles et de créer une carte de l'environnement en 3D.

4.3. Conception du système de perception par les encodeurs

moteur

Les encodeurs moteurs sont des capteurs qui mesurent la vitesse et la position des
moteurs du robot. Ils permettent de calculer la distance parcourue par le robot et de
connaître sa position exacte. Pour intégrer les encodeurs moteurs dans le système, il
faudra les connecter à l'Arduino et au Raspberry Pi, et développer un algorithme pour
traiter les données collectées. Cet algorithme permettra de calculer la position et
l'orientation du robot en temps réel.
 5. Intégration des différents composants

Une fois que les différents systèmes de perception sont conçus et testés, il faudra les
intégrer dans le robot. Le LIDAR, la caméra de profondeur, les encodeurs moteur,
l'Arduino et le Raspberry Pi doivent être connectés et communiquer ensemble. Il
faudra également développer un algorithme de contrôle pour le robot, qui utilise les
données de perception pour se déplacer en toute sécurité dans son environnement
pour la mesure de la vitesse de rotation des moteurs et la distance parcourue par le
robot. La figure suivante présente l’architecture globale du module perception la
navigation
Figure 5 : Architecture global du module perception la navigation
 III. CONCEPTION DU MODULE DE VISION PAR ORDINATEUR

1. Collecte des données

Pour réaliser un modèle de VO, la première étape est la collecte de données.

L'efficacité et la crédibilité́ de notre modèle seront basées sur ces données. Pour ce
projet, nous avons utilisé les données provenant de ce lien [.. l1]. Sur cette page Web
l’on retrouve un fichier zip contenant les images objets qu’on retrouve fréquemment
dans une maison. Ce fichier zip contient quatre catégories d’images qui sont : des
images réelles, de produits, artistiques et des cliparts. Ces quatre d’images
permettront à notre modèle de s'entraîner sur une distribution variée et de mieux
cerner certaines caractéristiques de différenciations des objets de la maison au sein
des images.

2. Traitement des données

Les données recueillies sur ce site web ne sont pas en mesure d’être interprétées par
notre modèle de VO. C’est dans le but de les rendre interprétables que l’on effectue
leurs traitements. Le traitement a consisté à :
 

●  Télécharger les données de la page web ;

o   supprimer les images inexploitable ;
o   étiqueter les objets au sein de nos images à l’aide de l’outils roboflow, vous
pouvez un exemple d’étiquetage via la figure 35 à l’annexe 1 ;
o   augmenter nos données en appliquant des filtres (luminosité, contraste,
rotation, zoom, netteté etc. ) pour passer de 2694 images à 6510 Ces filtres 
permettent à nos  modèles de mieux fonctionner sur tous types de flux
d’images qu’il reçoit (flux d’images floue, sombre et autre) ;
o   diviser le jeux de données en ensemble d'entraînement (train), de validation
(val) et de test (test). Cette division permet de déterminer nos images sont
utilisées pour entraîner, valider et évaluer nos algorithmes de traitement
d'images. A la suite de cette division nous avons obtenu 5700 pour le train
soit 87%, 537 pour le val soit 8% et 273 pour le test soit 4%. Voir la figure 36
à l’annexe 1  Pour plus de détails [4].
Une fois toutes ces étapes terminées, nous avons téléchargé nos données pour les
fournir à nos algorithmes de VO.
Une fois toutes ces étapes terminées, nous avons téléchargé nos données pour les
fournir à nos algorithmes de VO.

3. Visualisation des données

La figure 6 ci-dessous nous présente l'aperçu de nos données obtenues répartir en …

classes d’objets.

Figure 6: Jeux de données

4. Réalisation du modèle de vision par ordinateur

Pour la réalisation de nos modèles de VO permettant à notre caméra de profondeur

installée sur le rover de détecter et suivre les objets nous sommes parties sur la
l'implémentation des algorithmes de détection, de suivi d’objets se basant sur la
bibliothèque YOLO et la mesure de la profondeur de la scène.

4.1. Choix de YOLO

YOLO est un algorithme de détection d'objets rapide et efficace qui a été développé
pour la reconnaissance d'objets en temps réel. Il a été introduit pour la première fois
en 2015 par Joseph Redmon et Ali Farhadi [7].  YOLO utilise un réseau de neurones
convolutionnel (CNN) pour effectuer la reconnaissance d'objets en une seule passe.
Contrairement à d'autres approches de détection d'objets qui nécessitent plusieurs
passes pour détecter les objets, YOLO utilise une architecture de réseau de neurones
en une seule passe pour localiser et classer les objets dans une image. L'algorithme
YOLO utilise également une approche de la boîte englobante pour localiser les objets
dans une image.
Comparativement à son voisin Opencv (OpenCV est une bibliothèque logicielle
open-source populaire de vision par ordinateur et d'apprentissage automatique
utilisée pour développer des applications de vision par ordinateur en temps réel [8]),
YOLO est le plus adapté pour la solution que nous essayons de mettre en place car il
nous permet de :
o   détecter et suivre plus rapidement nos objets  en temps réel au sein de la
maison

o   compatible avec la caméra de profondeur  Intel® RealSense que nous utilisons

customiser notre modèle assez aisément sur notre propre données.

4.2. Algorithmes de détection d’objet

Le fonctionnement de l'algorithme de détection d'objets YOLO se déroule

généralement en plusieurs étapes :
o Prétraitement de l’image : L'image d'entrée est redimensionnée pour s'adapter à
la taille d'entrée du modèle YOLO ;

o Diviser l'image en grille : L'image est divisée en une grille de n x n cellules, où

chaque cellule est responsable de détecter un objet potentiel.
 Figure 7:Grille de détection d’objets [12]

o Prédiction de la probabilité et des boxes: Pour chaque cellule, YOLO utilise un

réseau neuronal pour prédire la probabilité d'existence d'un objet dans cette
cellule, ainsi que les coordonnées de la Bbox correspondante voir la figure 8.

Figure 8: Architecture de Yolo pour la détection des objets [12]

L'architecture du modèle se compose de 24 couches convolutives pour extraire les

features suivies de 2 couches denses entièrement connectées pour réaliser la
détection d'objets.
 o Fusion des prédictions : Les prédictions de chaque cellule sont ensuite
fusionnées pour produire une image annotée qui montre les objets détectés
avec leurs boxes respectives.

Figure 9:Boxes de détection d’un objet [12]

o Suppression des doublons et des fausses détections : Enfin, YOLO utilise des
techniques de post-traitement pour éliminer les doublons et les fausses
détections, en se basant sur des critères tels que la confiance de la détection et
la superficie de la Bbox.

o Classification des objets : Enfin, les objets détectés sont classés en utilisant des
étiquettes prédéfinies, telles que les noms d'objets de la maison (véhicules,
animaux, bâtiments, etc.).

4.3. Les Algorithmes de suivi d’objet

Le suivi d'objets est un processus qui consiste à suivre la position et la forme d'un
objet au fil du temps dans un flux vidéo. L'algorithme de suivi d'objets YOLO utilise
le modèle de détection d'objets YOLO pour détecter les objets dans chaque frame de
la vidéo, puis utilise des techniques de suivi pour suivre l'emplacement et la forme de
ces objets d’un frame à l'autre. L'algorithme de suivi d'objets YOLO peut être
implémenté en utilisant diverses techniques de suivi, telles que le suivi de Kalman, le
suivi par caméra apparente, le suivi par modèle d'objet, etc.

4.3.1 Filtre de Kalman

Dans notre solution avons implémenté l’algorithme du filtre de Kalman, par

exemple, une estimation de l'état de l'objet à la frame précédente est utilisée pour
prédire sa position à la frame actuelle. Cette prédiction est ensuite corrigée à l'aide
des données de détection de l'objet à la frame actuelle pour produire une estimation
plus précise de sa position. Ce processus est répété pour chaque frame de la vidéo.

Figure 10: Filtre de Kalman [9]

4.3.2 Fonctionnement du filtre de Kalman

Les équations fondamentales du filtre de Kalman sont les suivantes :

o État précédent : x(1) est l'estimation de l'état de l'objet à la frame précédente.

o Prédiction de l'état : x(k+1) = A x(k) + B a(k) est la prédiction de l'état de l'objet à

la frame actuelle. A est la matrice de transition, qui modèle la dynamique de
 l'objet, et B a(k) est la commande de contrôle qui modèle les influences
externes sur l'objet.

o Matrice de covariance précédente : P(k) est la matrice de covariance de l'état

précédent, qui décrit l'incertitude sur l'état de l'objet à la frame précédente

o Prédiction de la matrice de covariance : P(k+1) = A P(k) A^T + C(k)(rs) est la

prédiction de la matrice de covariance de l'état à la frame actuelle. Q est la
matrice de covariance du bruit d'observation.

o Correction : La mesure de détection de l'objet à la frame actuelle est utilisée pour

corriger la prédiction. La correction est effectuée en utilisant les équations de
mise à jour de Kalman

o Kalman gain : K(k) = P(k) H^T (H P(k) H^T + C(k)(rm))^(-1) est le gain de Kalman,
qui mesure la confiance dans la mesure. H est la matrice d'observation, qui
modèle la relation entre l'état de l'objet et la mesure, et R est la matrice de
covariance du bruit de mesure.

o Mise à jour de l'état : x(k) = x(k)(p) + K(k) (z(k) - H x(k)(p)) est la mise à jour de
l'état, où z(k) est la mesure de détection de l'objet à la frame actuelle.

o Mise à jour de la matrice de covariance : P(k) = (I - K(k) H) P(k)(p) est la mise à

jour de la matrice de covariance, où I est la matrice identité.

Figure 11:Équation du filtre de Kalman [9]

Le processus décrit ci-dessus est répété pour chaque frame de la vidéo pour suivre la
position et la forme de l'objet au fil du temps comme le montre la figure 11 ci-dessus.
 4.4. Mesure de la distance entre la caméra et l’objet

Pour la mesure de la distance entre un objet et la caméra, on avait le choix entre la

caméra de profondeur et la caméra stéréo voir les figures 13 et 14.

[11]

4.4.1. La caméra stéréo

Une caméra stéréo est un type de caméra qui utilise deux objectifs pour créer des
images stéréoscopiques, qui sont ensuite utilisées pour mesurer la profondeur. Les
deux objectifs sont placés de manière à simuler la vision binoculaire humaine, où
chaque œil voit une image légèrement différente.
● La distance entre les deux objectifs est appelée la base stéréo, et elle est
importante car elle détermine la précision de la mesure de profondeur. Plus la
base stéréo est grande, plus la mesure de profondeur est précise, mais elle
peut également être plus sensible aux erreurs de calibrage.
● Pour mesurer la profondeur à partir des images stéréoscopiques, il existe
plusieurs techniques, telles que la corrélation stéréo et la triangulation. La
corrélation stéréo implique la correspondance de chaque pixel dans les deux
images stéréoscopiques pour calculer la disparité, qui est une mesure de la
différence de position entre les deux images. Puis la triangulation implique la
mesure de la distance à partir des angles et des longueurs connus, qui sont
déterminés à partir des images stéréoscopiques voir la figure 15 ci-dessous.
On a la formule mathématique de triangulation suivante : 

4.4.2. La caméra de profondeur

Une caméra de profondeur est un type de caméra qui peut fournir des mesures de
profondeur pour chaque point d'une image. Elle utilise des techniques telles que la
mesure de temps de vol, la lumière structurée ou la stéréo vision (basée sur le
principe triangulation) pour déterminer la distance entre l'objet et la caméra [11]. 
● La mesure de temps de vol consiste à émettre un faisceau de lumière et à
mesurer le temps qu'il faut pour que la lumière réfléchie revienne à la caméra.
Cette technique est rapide et peut fournir des mesures de profondeur précises
pour chaque point de l'image. Elle est représentée par la formule : 

● La lumière structurée utilise une projection de motifs de lumière sur l'objet,

puis mesure la déformation de ces motifs pour calculer la distance entre
l'objet et la caméra. Cette technique peut également fournir des mesures de
 profondeur précises et une résolution élevée, mais elle peut être sensible aux
conditions d'éclairage.

La caméra de profondeur que nous avons à notre disposition se base sur le principe
de triangulation et la mesure de temps de vol pour évaluer la distance entre objets et
la caméra. Le principe de triangulation de cette caméra est similaire à celui de la
caméra stéréo.

4.4.3. Choix de la caméra

Dans le cas du suivi et détection d'objets par notre rover, nous choisissons la caméra
de profondeur qui est la plus adaptée pour plusieurs raisons :

● Elle nous fournit des mesures de profondeur précises pour chaque point de
l'image, ce qui nous permet de détecter facilement les objets qui sont à une
certaine distance du rover et de les suivre ;
● Nous pouvons utiliser la caméra de profondeur pour mesurer la taille des
objets, ce qui peut aider le rover à planifier son mouvement et à éviter les
collisions ;
● La caméra de profondeur peut nous donner des informations sur la
topographie du terrain et les obstacles, ce qui est particulièrement utile pour
la navigation de notre rover dans des environnements difficiles ;
● Elle peut également nous aider à détecter les changements de hauteur du
terrain, ce qui peut être important pour éviter les chutes ou pour planifier le
déplacement du rover sur des pentes ;
● Nous pouvons utiliser la caméra de profondeur aisément avec des
bibliothèques YOLO.

5. Évaluation des performances du modèle de vision par ordinateur

Une fois que nous avons customisé notre modèle de détection d’objet sur la base des
images recueillies, l’on doit vérifier les performances lorsqu’il effectue cette tâche.
Pour cela, l’on a recouru à une métrique nommée la matrice de confusion. Une
matrice de confusion (Confusion Matrix en anglais) ou tableau de contingence est un
résumé des résultats de prédictions sur un problème de classification. Les prédictions
correctes et incorrectes sont mises en lumière et réparties par classe. Les résultats
sont ainsi comparés avec les valeurs réelles. Ainsi cette matrice permet de
comprendre de quelle façon le modèle de détection est confus lorsqu’il effectue des
prédictions. Ceci permet non seulement de savoir quelles sont les erreurs commises,
mais surtout le type d’erreurs de prédictions commises. Dans notre cas, elle fait une
confrontation des prédictions des objets détectés positivement et négativement. Tous
les paramètres d'estimation de la matrice de confusion sont basés sur 4 entrées à
savoir :

▫ Les vrais positifs (VP) : le nombre ou pourcentage des objets détectés

véritablement positives;

▫ Les vrais négatifs (VN) : le nombre ou pourcentage des objets détectés

véritablement négatives;

▫ les faux positifs (FP) : le nombre ou pourcentage des objets détectés positifs alors
qu’ils sont négative;

▫ Les faux négatifs (FN) : le nombre ou pourcentage des objets détectés classés
négatifs alors qu’ils sont positifs.

Ci-dessous, le tableau suivant présente la matrice de confusion de la détection d’un

sac (Bag).

Figure 15: Matrice de confusion

Prédictions/ Réelles/ (%) Positifs Négatifs

Positifs VP : 82 FP : 18

Négatifs FN : 18 VN : 5,5

À la vue de notre échantillon de données précisément la classe pour la détection des

sacs chaque classe, l’on constate que le nombre de FP et FN est égal à 18%. Puis le
nombre de VP et VN sont respectivement de 82% et 5,5%. Le nombre de FP et FN
nous indique qu’un mauvais étiquetage est fait au niveau d’un nombre de maladies.
Le nombre de VP étant de 137 sur 148 montre que notre modèle classe les maladies
de manières correctes. La figure suivante présente la matrice de confusion de
manière détaillée.

Figure 16: Matrice de confusion

De plus, les différentes courbes présentées ci-dessous permettent de savoir comment

notre modèle se comporte au travers de la réduction du coût des boîtes de détections
et la précision et le rappel. La première ligne présente le comportement du modèle
sur l’ensemble d'entraînement et la seconde sur l’ensemble de validation. L’ensemble
de validation permet d’obtenir les meilleures performances pour notre modèle de
détection d’objet.
 Figure 17: Evaluation des performances

Pour mesurer les métriques du rapport de classification qui sont le rappel, la

précision, la spécificité, le taux de réussite, nous utilisons les différents paramètres de
la matrice de confusion.

5.1. Rappel

Le rappel est défini comme le rapport du nombre total de vraies positives

correctement classées par le nombre total de vraies positives plus le nombre total de
vraies négatives au sein de l’ensemble de données.

5.2. Précision

La précision est définie comme le rapport du nombre total de vraies positives

correctement classées par le nombre total de vraies positives prédites.
 5.3. Spécificité́

La spécificité́ définit le nombre total de fausses prédictions dans l'ensemble de

données totale.

5.4. Taux de réussite

Le taux de réussite définit le nombre total de vraies prédictions dans l'ensemble de

données totale.

5.5. Courbes

Les courbes que nous allons interpréter maintenant permettent d’avoir une aperçue
du comportement des métriques annoncées ci-dessus.

Figure 18: Courbe précision- rappel

Sur la courbe ci-dessous on a le mAP qui est la moyenne des scores AP (Average
Precision) pour chaque classe de l'ensemble de données. AP mesure la capacité du
modèle à détecter les objets d'une classe particulière dans l'image. Ici nous pouvons
constater que le mAP de notre modèle est de 62,4%.

Figure 19:Courbe précision-seuil de confiance

Ici l’on remarque par la ligne en bleu que plus l'intervalle de confiance croît, plus la
précision [Link] un seuil de confiance de 100% nous avons une précision à
98%.
 Figure 20: Courbe rappel-seuil de confiance

Ici c'est le contraire, plus l'intervalle de confiance croît plus le rappel diminue. Pour
un seuil de confiance de 93% nous avons un rappel à 0%.
 Figure 21: Courbe spécificité-seuil de confiance

Dans cette courbe pour un seuil de confiance à 61,5% nous avons la plus haute
spécificité 37,7%.

IV. SÉCURISATION DU SYSTÈME

La sécurité dans le module de perception d'un robot mobile est un élément clé pour
garantir une navigation autonome efficace et sans danger. Voici quelques mesures de
sécurité que nous prenons en compte pour le système :

● Évitement d'obstacles : détecter et éviter les obstacles sur la trajectoire du

robot, pour garantir une navigation sans danger. Les algorithmes utilisés dans
ce projet pour le modèle de vision par ordinateur permettent de gérer cet
aspect de la sécurité.
● Précision de la cartographie : le système doit être capable de créer une carte
précise de l'environnement du robot pour permettre une navigation autonome
en toute sécurité. L'algorithme SLAM appliqué aux capteurs utilisés assure
une cartographie claire de l'environnement en temps réel.
● Surveillance et alertes : Le système doit être en mesure de surveiller les
fonctions de perception en continu et d'alerter les utilisateurs en cas de
problèmes. Un système d'alertes est mis en place avec l‘API Django
RESTful pour informer les utilisateurs des erreurs ou des pannes dans le
système.
● Sécurité des données : Les données collectées par le système doivent être
sécurisées pour éviter toute intrusion ou piratage. Nous devons donc garantir
la confidentialité et l'intégrité des données, par la cryptographie et
l'authentification.

Conclusion partielle

Au stade de notre étude, nous retenons qu’après une analyse approfondie, nous avons
pu concevoir notre système de perception. Dans la suite du travail, il sera question
présenter les résultats obtenus et de les évaluer.
CHAPITRES VIII : ENVIRONNEMENT DE
DÉVELOPPEMENT
Ce chapitre nous présente les résultats obtenus après la mise en place du pare-feu,
les discussions de ces résultats ainsi qu’une évaluation du coût du projet.

I. ENVIRONNEMENT MATÉRIEL

1. Machine utilisés
Le tableau ci-dessous présente les caractéristiques de deux ordinateurs
portables dont nous disposons durant la réalisation du projet.

Figure 22:Caractéristique de Machines

ORDINATEUR CARACTERIQTIQUE
HP
Intel i7 11è Generation,
16GB RAM,
1TB SSD
Ecran: 15.6, Tactile
GPU :2GB
GeForce: MX350
Résolution d'affichage : 1080*1920
Type de disque dur : SSD
Capacité mémoire vidéo : 16 GB
Processeur : 2,53 GHz
Taille de l'écran : 15,6"
RAM: 16 GB
Wi-Fi: Wi-Fi 2,4 GHz/5G

2. Pièce de la structure
Pour la réalisation de la structure, nous avons utilisé diverses pièces et matériaux. Le
tableau 7 présente la liste complète de ce qui a été utilisé. Une description plus détaillée est
donnée en annexe 1.

Figure 23 : Liste complète des éléments de la structure du robot

Nom Description
 Tige filetée Tige filetée acier zingué, longueur 500*10
(longueur*diamètre), pour axe du rocker
Roulement à bille Roulements 6200, 606, et 9300 pour la rotation des axes
du rocker, bogie et du différentiel
Contreplaqué Pour concevoir la plateforme du robot
Vis Permettent d’assembler les découpes en contreplaqué et
les pièces du bras
Boulons et écrous Servent d’axes aux roulements et servent à fixer les
roues
PLA Filament plastique pour imprimer les pièces en 3D
Bombe de peinture Bombe de peinture noir brillant pour peindre la
plateforme du rover
Tube en aluminium Tube en aluminium provenant d’un balai à nettoyer

3. Composants électronique et mécanique

Ce projet est principalement électronique et mécanique. Ainsi nous présentons dans le
tableau 8 l’ensemble des composants électroniques et mécaniques qui ont permis de
concevoir le projet.

Figure 24 : Liste complète des composants électronique et mécanique

Nom du composants Description
Carte Arduino Arduino Uno et Méga pour contrôler qui serve de
processeur aux couches navigation et E/S
d’environnements
Raspberry Pi Raspberry Pi 4 B+ pour le contrôle de tout le système
PCA9685 Permet de contrôler les servo moteur du bras
DRV8825 Contrôle le moteur stepper la base du bras robotique
BTS7960 Contrôleur des moteurs des roues
HC SR04 Capteur à ultrason pour calculer la distance à un objet
CJMCU Capteur de CO2
DHT 11 Capteur d’humidité et de température
LED Permet d’avoir un signal lumineux sur le robot
Buzzer Dispositif piézoélectrique permettant d’obtenir un
signal sonore
Ecran nextion Ecran tactile permettant de configurer le robot et d’avoir
des informations d’état
Camera de Caméra Intel, RealSENSE pour la vision par ordinateur
profondeur
Capteur Lidar MB1RT pour la cartographie de l’environnement
NFR24L01 Module radiofréquence pour la commande à distance
HC-05 Module Bluetooth pour permettent au bras de
communiquer avec la couche intelligence
Shield Ethernet Permet de donner la connexion Ethernet à la carte
Arduino
Motoréducteurs Permettent de faire tourner les roue
Servo moteur Représente les articulations du bras robotique
Moteur pas à pas Sert à faire tourner la base du bras
Plaque perforée Plaque PCB pour réaliser le circuit de distribution
d’énergie

II. ENVIRONNEMENT LOGICIELS

1. Système d’exploitation
2. Langages de programmation
 Conclusion partielle

Nous avons présenté exhaustivement l’environnement de travail, nous allons

maintenant présenter les résultats obtenus.
CHAPITRE IX : PRESENTATION DES RESULTATS
I. PRESENTATION DU MODELE DE VISION PAR ORDINATEUR

1. Détection des objets

Nous avons appliqué des détecteurs d'objets sur notre ensemble de test d’images,
comme résultat l'on observe sur 4 images extraits de de cet exemple de tests que
nôtre modèles à détecter correctement les trois premières images représentent
respectivement une chaise, une souris d’ordinateur et une paire de basket. Une
mauvaise détection a été effectuée sur l'image 4 représentant un téléphone au lieu
d'une souris d'o0rdinateur.
  

2. Suivi des objets 

Ici nous présentons les résultats du suivi d'une bouteille par le biais de notre
algorithme de suivi d'objets. L'id 17 permet de signifier que c'est le même objet qui
est suivants dans les 3 environnements présentés par les figures suivantes. 

Figure 29:Suivi de la bouteille de base

 Figure 30:Suivi de la bouteille mouvement vers la droite

Figure 31:Suivi de la bouteille mouvement vers l'arrière

II. PRÉSENTATION DU ROBOT

1. Présentation mécanique

Le robot mobile est un système mécanique qui mesure 35 cm de hauteur et 48 cm de

diamètre. Il est équipé d'un système de transmission à deux roues, connu sous le nom
de differential drive, qui permet au robot de se déplacer dans différentes directions.
Les roues sont contrôlées par des moteurs, qui sont connectés à un Arduino pour la
gestion de la commande des moteurs et des encodeurs pour la mesure de la vitesse et
de la position des roues.

Ajouter figure

La mécanique est donc principalement constituée de la structure du robot, des roues

et des moteurs, ainsi que des encodeurs pour mesurer la vitesse et la position des
roues.

2. Présentation électronique

Le système électronique est principalement constitué d'un Raspberry Pi, qui est
utilisé comme ordinateur embarqué pour le traitement des données de perception et
pour le contrôle du robot. Le Raspberry Pi est connecté à l'Arduino via une interface
série pour la gestion des moteurs et des encodeurs.
 figure x: Architecture électronique du robot

Le système électronique comprend également des capteurs de perception tels qu'un

lidar et une caméra de profondeur pour percevoir l'environnement du robot. Le lidar
est utilisé pour obtenir une vue à 360 degrés de l'environnement du robot, tandis que
la caméra de profondeur est utilisée pour mesurer les distances et la géométrie de
l'environnement. Les données provenant de ces capteurs sont traitées par le
Raspberry Pi pour la navigation et le contrôle du robot.

III. PRÉSENTATION DE Logiciel

1. Logiciel du robot

La partie logicielle du projet se divise en deux parties distinctes. Tout d'abord, il y a

la partie software du robot, qui se compose de ROS, YOLO et OpenCV. ROS est
utilisé pour la communication entre les différents nœuds du robot, notamment entre
les capteurs et les moteurs. YOLO est utilisé pour la détection d'objets et la
reconnaissance d'images en temps réel, tandis qu'OpenCV est utilisé pour le
traitement d'images et la perception de l'environnement.

2. Application web de commande

Ensuite, il y a la partie de l'interface web, qui utilise Django et React. La page web
hébergée en local sur le Raspberry Pi permet à l'utilisateur de commander le robot à
distance via des boutons de commande, d'afficher la carte de l'environnement et de
visualiser le retour vidéo de la caméra et du Lidar. Pour la transmission en temps réel
de la caméra et du Lidar sur la page web, nous utilisons WebRTC. Le module
ros_webRTC est utilisé pour publier les données du Lidar et de la caméra, tandis que
ros_django permet la communication entre le serveur Web Django et ROS.
L'interface de commande et d'observation de notre robot est représentée sur la figure
suivante. Nous avons des boutons de directions et un retour vidéo de
l’environnement perçu.

Figure 32: Interface web

CHAPITRE X : DISCUSSION ET ESTIMATION FINANCIÈRE
I. DISCUSSION DES RÉSULTATS

1. Modèle de vision par ordinateur

Aux vues des résultats obtenus suite à l'évaluation des performances ( mAP = 62,4% et
autres ) de notre modèle de détection d’objets en utilisant les … images . Nous pouvons
constater que le premier modèle que nous réalisons en customisant Yolo V8 n’a pas encore
atteint les performances souhaitées. Ces résultats auront des répercussions immédiates sur
le suivi des objets et également sur la localisation des objets au sein de l’environnement de
navigation. Pour accroître les performances de notre modèle nous devons:
● augmenter le nombre de nos images;
● varier la distribution des images collecte;
● entraîner notre modèle sur plus d'époque;
● implémenter d’autres algorithmes pour la détection d’objets.

2. Robot

Nous avions conçu un robot mobile capable d’assister les personnes à mobilité
réduite dans certaines tâches. Cependant ce robot n'était doté que de la commande
manuel et manquait d’autonomie dans sa commande. Ainsi nous avons conçu un
système qui lui permet désormais de percevoir l’environnement dans lequel il se
trouve puis de se déplacer dans celui-ci en évitant les obstacles et en reconnaissant
même des objets du quotidien. Ces fonctionnalités ajoutées, rendent beaucoup plus
ludique l'utilisation de notre robot. Cependant le robot n'est pas encore précis dans
l'exécution de ces tâches. En effet la réception tardive des équipements de perception
et de navigation (Caméra de profondeur et Encodeur) ne nous a pas permis d’ajuster
aux mieux les paramètres de notre module afin qu’il soit optimal. De plus, le fait que
le ZBOT soit en construction, nous avons dû construire un robot pour tester le
module de perception. Ainsi, il faudra revoir certains paramètres tels que la taille du
robot, le type d'entraînement, le poids et bien d’autres afin qu’il réagisse bien sur le
robot cible. Enfin pour la visualisation du flux vidéo du robot nous avons opté pour
du webRTC pour la transmission sur le cloud. Puis nous pouvons le récupérer de
partout dans le monde. Cependant, la contrainte avec cette technologie c’est qu’on a
besoin d’avoir accès au flux vidéo du robot.

3. Interface Web

L'application web de commande de robot présentée dans ce document

permet aux utilisateurs de contrôler le robot à distance de manière intuitive et
conviviale grâce à des boutons de commande, une carte de l'environnement
et un retour vidéo. L'utilisation de technologies appropriées, telles que Django
et React, permet de séparer clairement la logique de l'interface utilisateur et
le traitement des données. Cependant, des inconvénients tels que des
problèmes de latence et de sécurité peuvent survenir lors de l'utilisation de
services en ligne. De pus, il est important de noter que l'utilisation de la
connexion Wi-Fi peut être sujette à des problèmes de fiabilité, tels que des
interruptions de signal ou des interférences, ce qui peut affecter la qualité du
retour vidéo et le contrôle du robot à distance.

I. ESTIMATION FINANCIÈRE
Dans le tableau qui suit, nous avons fait une évaluation financière de notre projet.
Pour cette évaluation, nous prenons en compte les composants du robot, les machines
et outils utilisés et la main d’œuvre, ce qui nous fait un total de 6 389 125 FCFA. Les
détails sont consignés dans l’annexe 3.
Tableau 3 : Estimation financière

Figure 33: Estimation financière

DÉSIGNATION PRIX (FCFA)
 COMPOSANTS DU ROBOT (ANNEXE 3) 712 125

MACHINES ET OUTILS UTILISÉS (ANNEXE 2 677 000

4)

MAIN D’ŒUVRE (03 MOIS) 3 000 000

ESTIMATION FINANCIÈRE 6 389 125

Conclusion partielle
Nous avons quelques limites de notre système qui seront prises en compte dans nos
perspectives. Aussi, le bilan financier du projet s’élève à 6 38 125 FCFA.
 CONCLUSION

Au terme de notre projet, nous retenons que, la navigation des robots mobile
est domaine qui à de nombreuses applications pratiques, notamment dans l'assistance
aux personnes à capacité réduite ou aux handicapées. L'objectif de ce projet était
donc de d’améliorer les capacités fonctionnelles du robot ZBOT conçu spécialement
dans le but d’apporter une assistance aux personnes à mobilité limitée en lui
permettant de s’émouvoir de façon autonome et sécurisée. La solution proposée était
donc de concevoir un module de perception sécurisé pour une navigation autonome
du robot ZBOT. Dans le déroulement de ce projet, nous avons d’abord fait une étude
générale sur les différentes technologies existantes pour la navigation autonome des
robots mobiles, suivie de la présentation de quelques robots mobiles dotés de cette
fonctionnalité. Cette première partie s’est achevée par la présentation du cahier de
charge qui met en évidence les objectifs et besoins fonctionnels du projet. Ensuite,
nous avons mené une étude conceptuelle qui nous a imposé une étude du robot
ZBOT pour la détermination des limites. Cette étude a abouti à la conception du
module de vision par ordinateur, à la conception de l’interface web ainsi que le
Hardware. En outre, nous avons défini quelques mesures de sécurité pour la
navigation sécurisée du robot. Notre projet s’est clôturé par les tests, le déploiement
et l’évaluation de la solution. Par ailleurs, nous ne sommes pas restées en marge de
quelques difficultés pendant la réalisation de notre solution.
Le module de perception qui a été mis en place assure effectivement au robot
une navigation autonome en cartographiant avec précision son environnement.
Cependant, Toujours dans le souci de faciliter la vie de l’utilisateur cible, Il serait
plus intéressant d’automatiser le processus de détection et de récupération d’objets
par le bras mécanique. Aussi, il faudra configurer une communication
bidirectionnelle qui permet d’établir une conversation vocale entre le robot et
l’utilisateur.
 ANNEXE 1 : Modèle de VO

Figure 34:Réseaux de neurones profonds [..f9]

Figure 35:Étiquetage des images avec roboflow

Figure 36: Augmentation et répartition des objets avec roboflow

ANNEXE 2 : Robot
Figure 37: Vue Avant du Robot

Figure 38: Vue arrière du robot

ANNEXE 3 : Estimation financière

Tableau 7 : Liste des composants du robot

Désignation Quantit Prix Unitaire Prix total

é (FCFA) (FCFA)
Carte Arduino Uno 3 21 500 64 500

Carte Arduino Méga 1 25 000 25 000

Kit Raspberry Pi 1 100 000 100 000

PCA9685 1 5 000 5 000

DRV8825 1 2 000 2 000

BTS7960 6 4 000 24 000

HC SR04 3 5 000 15 000

CJMCU 1 25 000 25 000

DHT 22 1 3 300 3 300

LED 3 50 150

Buzzer 1 75 75

Ecran nextion tft 7 pouces 1 68 000 68 000

Caméra 1 85 000 85 000

NRF24L01 3 3 000 9 000

HC-05 1 3 500 3 500

Shield Ethernet 1 5 600 5 600

Motoréducteurs 6 23 000 138 000

 Servo moteur 6 5 000 30 000

Moteur pas à pas 1 10 000 10 000

Plaque perforée 2 2 000 4 000

Tige filetée 1 5 000 5 000

Roulement à bille 9 1000 9000

Contreplaqué 1 5 000 3 000

Lot de vices 2 300 600

Lot de boulons et écrous 5 500 2500

PLA 4 25 000 64 000

Bombe de peinture 1 1 500 1 500

Convertisseur de suralimentation 1 1000 1000

cc 9A 300W 150W

Codeur magnétique Double Hall 1 4000 4000

5V 16PPR

Tube en aluminium 2 2 000 4 000

    Total 712 725

 Tableau 8: Tableau des machines et outils utilisés pour la réalisation

 Désignation Quantit Prix unitaire (FCFA) Prix totale (FCFA)
é

Ordinateur 1 1 500 000 1 500 000

Anet Et5 1 1 000 000 1 000 000

Perceuse vicieuse 1 36 000 36 000

Pistolet à colle 1 3 500 3 500

Lot de bâtonnet 1 2 000 2000

Kit de soudure 1 19 000 19 000

Boîte à outils 1 45 000 45 000

Lot d’attaches 1 2 000 2 000

Intel realsensor 1                  700000 700000 

D430

    Total 2 677 000

ANNEXE 4 : Interface web

Figure 39: API FULREST

Figure 40: Récupération des alertes
[1] Hassan Nehme, Perception de l’environnement de navigation pour un robot
autonome en milieu agricole. Sciences de l’information et de la communication
Normandie Université, 2022. Français. NNT : 2022NORMR019 . tel-03773581 

[2] Marwa Chakroun, Perception de scène par un système multi-capteurs,

application à la navigation dans des environnements d’intérieur structuré.
Modélisation et simulation. Ecole nationale supérieure Mines-Télécom Atlantique;
École nationale d’ingénieurs de Sfax (Tunisie), 2021. Français. NNT:
2021IMTA0278 . tel-03519333 

[3] Zadi Jonathan, Conception et réalisation d’un robot d’assistance aux

personnes en situation de mobilité réduite, Licence en Système Réseau
Informatique et Télécommunication. École Supérieure Africaine des Technologies de
l’Information et de la Communication (ESATIC), 2021, 92 p. 

[4] Dabone Souleymane, Mise en œuvre d’un module d’anamnèse médical basé
sur un modèle d’apprentissage automatique (AA) : Cas du service médecine
général de la Grande Clinique de Dokui, Licence en Système Réseau Informatique
et Télécommunication. École Supérieure Africaine des Technologies de
l’Information et de la Communication (ESATIC), 2021, 79 p. 

[5] Fiche technique Intel RealSense D400 Series. Numéro du document:

337209-005, 2019, 119

[6] LENTIN Joseph, Learning Robotics using Python,2018, 273 pages

[7] [Link] : Presentation de YOLO
[8] [Link] : Presentation d’OpenCV
[9] [Link] : Equation du filtre de
Kalman
[10] [Link] : Caméra stéréo 
[11] [Link] : Caméra de profondeur
[12] [Link] : Detection d’objets

[..10][Link]
en_environnement_humain : Thèse sur la perception pour la robotique mobile en
environnement humain.
[13][Link]
%20dot%C3%A9s,se%20localisant%20en%20temps%20r%C3%A9el: Robot de
Meanwhile
[14][Link]
[Link]: Robot de surveillance de Knightscope

[15] GANGLOFF (Jacques), Cours de robotique de manipulation, Télécom Physique

Strasbourg, Strasbourg, 2016, [document électronique],
[Link]
ring&resourcekey=0-IxrY-zt8BIOrCXAeN4rEJQ.

[16] TZAFESTAS (Spyros G.), Introduction to Mobile Robot Control, [document

électronique], School of Electrical and Computer Engineering, National Technical
University of Athens, Athènes, Grèce, [Link]

[17] SIEGWART Roland et al. Introduction to Autonomous Mobile Robots, Seconde

édition, The MIT Press, Cambridge, Massachusetts, [document électronique],
[Link]

[18] BADDOU Mohamed et Ismail AIT, Robot Superviseur : Acquisition et Echange de

Données par un Protocole de Communication Sans Fil, Projet de Développement et
de Prototypage Réel d’un système Relevant du Génie Electrique, [document en
ligne], 15 juin 2016, Université Mohamed V de Rabat,
[Link]
de-supervision-acquisition-et-change-de-donnes-distance-via-une-liaison-sans-fil,

[18] LOVINE (John), ROBOTS ANDROIDS AND ANIMATRONS 12 Incredibles

projects you can build, Seconde édition, McGraw-Hill, [document en ligne],
[Link]
INTRODUCTION 1
PREMIÈRE PARTIE : GÉNÉRALITÉS 3
CHAPITRE I : Etat de l’art 3
I. TECHNIQUE DE PERCEPTION DES ROBOTS MOBILES
3
II. ALGORITHME DE PERCEPTION
5
III. QUELQUES ROBOT DOTE DE LA NAVIGATION AUTONOME ET CRTIQUE
7
CHAPITRE II: CAHIER DES CHARGES 9
I. Présentation générale du projet 9
1. Contexte du projet
9
II. Besoins et contraintes de réalisation et diagramme de projet 10
1. Besoins et contraintes de réalisation
10
2. Calendrier de réalisation du projet
10

DEUXIÈME PARTIE : ÉTUDE TECHNIQUE 23

CHAPTIRE IV : ÉTUDE DE L’EXISTANT 23
I. Présentation de la solution existante
23
1. Description de l’existant
23
II. Limites du fonctionnement du réseau existant
23
CHAPITRE V : PRÉSENTATION DE LA SOLUTION SOPHOS 24
CHAPITRE VII : MISE EN PLACE DE LA SOLUTION 24
TROISIEME PARTIE : RÉSULTATS, DISCUSSIONS ET ÉVALUATION FINANCIÈRE 24
CHAPITRE VIII : RÉSULTATS ET DISCUSSIONS 33
I. Résultats
33
CHAPITRE IX : ÉVALUATION FINANCIÈRE 33
CONCLUSION 34
RÉSUMÉ

L'assistance des personnes à capacité réduite est un enjeu important de notre

société, car il concerne une partie de la population qui peut avoir des difficultés à
effectuer certaines activités de la vie quotidienne en raison d'un handicap, d'une
maladie ou du vieillissement. Pour leur porter assistance, il existe une multitude
d'organisations et de services, mais aussi le développement d’outils technologiques
en particulier la robotique. Ce présent mémoire résulte d’un projet d’assistance aux
personnes à capacité réduite par la robotique mobile. Pour concrétiser l’utilité de
notre robot nous avons accentué notre travail sur la conception d’un module de
perception afin de permettre une navigation autonome sécurisée du robot. Dans le
souci d’effectuer un travail rigoureux et conforme au cahier des charges, nous nous
sommes familiarisés avec les différents travaux déjà réalisés sur le sujet. De plus, une
étude technique a été menée pour déterminer les méthodes et outils adéquats pour la
conception du module de perception . Nous avons terminé la réalisation de notre
solution avec quelques tests de fonctionnement avant le déploiement.

ABSTRACT
Assisting people with reduced capacity is an important issue in our society, as
it concerns a part of the population that may have difficulties in carrying out certain
activities of daily life due to a disability, an illness or aging. To assist them, there are
a multitude of organizations and services, but also the development of technological
tools, in particular robotics. This thesis is the result of a project to assist people with
reduced capacity using mobile robotics. To concretise the usefulness of our robot, we
have focused our work on the design of a perception module to allow safe
autonomous navigation of the robot. In order to carry out rigorous work and in
conformity with the specifications, we familiarized ourselves with the various works
already carried out on the subject. In addition, a technical study was conducted to
determine the methods and tools suitable for the design of the perception module. We
finished the realization of our solution with some functional tests before the
deployment.

Ecole Supérieur Africaine des Technologies de l’Information et de la communication

Zone 3, km4 Bd Marseille-18Bp 1501 Abidjan 18 –[Link]
Mail : esatic@[Link]