‫اﻟﺠـﻤﻬـﻮرﻳـــــﺔ اﻟﺠـﺰاﺋـﺮﻳـــــﺔ اﻟﺪﻳﻤـﻘـﺮاﻃـﻴــــﺔ اﻟﺸﻌـﺒـﻴــــﺔ‬

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

‫وزارة اﻟـﺘﻌـﻠﻴــﻢ اﻟﻌﺎﻟﻲ واﻟـﺒﺤــﺚ اﻟﻌـﻠﻤــﻲ‬
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE BADJI MOKHTAR-ANNABA ‫ ﻋـﻨـﺎﺑــﺔ‬-‫ﺟـﺎﻣﻌـﺔ ﺑﺎﺟـﻲ ﻣﺨـﺘـﺎر‬

FACULTE DES SCIENCES DE L’INGENIEUR ‫آـــﻠـﻴــﺔ ﻋـﻠــﻮم اﻟــﻬــﻨــﺪﺳـــــﺔ‬
DEPARTEMENT D’ELECTRONIQUE ‫ﻗـــﺴـﻢ اﻹﻟـﻜــﺘـــﺮوﻧـــﻴــــﻚ‬

Année 2006

THÈSE
Présentée en vue de l’obtention du diplôme de

DOCTORAT D’ETAT

Thème

Modélisation et commande d’un robot par

méthodes intelligentes

Option
AUTOMATIQUE INDUSTRIELLE

Par

Salah KERMICHE

Directeur de thèse : H. A. ABBASSI Professeur U. ANNABA

DEVANT LE JURY

Président : DEBBACHE N.E Professeur U. ANNABA

Examinateurs : BEDDA M. Professeur U. ANNABA
BOUKROUCHE A. Maître de conférence U. GUELMA
 Cette thèse porte sur les travaux de recherche effectués au
Laboratoire d’Automatique et Signaux de Annaba LASA. Je remercie le
docteur Bedda Mouldi, son directeur, de m’avoir accueilli au sein du
laboratoire, et d’avoir mis à notre disposition tous les moyens du
laboratoire.

Je tiens à remercier Le docteur Hadj Ahmed Abbassi, Professeur

à l’université Badji Mokhtar de Annaba, et lui exprimer toute ma
reconnaissance et ma profonde gratitude pour avoir encadré et dirigé ce
travail. Je le remercie vivement, de ses conseils, ses orientations et le
soutien que j’ai trouvé auprès de lui, et qu’il n’a jamais cessé de me
témoigner durant de longues années, ont permis d’achever ce travail.

J’exprime ma gratitude envers le docteur Naser-Eddine

DEBBACHE, Professeur et doyen de la faculté des sciences de
l’ingénieur à l’université Badji Mokhtar de Annaba, de m’avoir fait
l’honneur d’accepter de présider le jury.

L’adresse également mes vifs remerciements aux : docteur Mouldi

BEDDA, Professeur à l’universite d’Annaba, Directeur du laboratoire
LASA, et le Docteur Abdelhani BOUKROUCE, maître de conférence à
l’université de Guelma, d’avoir accepté de juger ce travail et de faire
partie du jury. Qu’ils trouvent ici, l’expression de toute ma gratitude.

Je profite de cette occasion qui m’est offerte pour remercier tous

mes amis et collègues du département d’électronique qui m’ont
beaucoup aidé durant cette période.

Enfin, les derniers mots sont pour remercier toute ma famille pour
leur aide et leurs encouragements constants.
 In robotics the navigation is defined as a task which consists of reaching a goal

position in the environment. This is requiring the necessary tools to implement the

algorithms of robot navigation. The robot should be able to move surely through the

free space of the environment taking into account the eventual presence of obstacles.

The problem treated is to develop an algorithm of an automatic generation in free

space of a path between an initial and a final position. This is should take

consideration of imposed constraints, such as, the most sure path which avoid the

obstacles as far as possible with the shortest distance of trajectory.

In the presented work, the geometric method of path planning is used, it is also called

the method of forces field. It is based on a fuzzy logic controller, this for an automatic

generation of trajectories without collisions.

In this method, the mobile robot is considered as it is placed in:

• An attractive field force which the source is the target,

• A repulsive field force which the source is the obstacle.

Two methods have been proposed for the parameters adjustment of the fuzzy

controller, namely:

• Gradient method,

• Genetic algorithms.
 En robotique, la navigation est définie comme une tâche qui consiste, pour le
robot, à atteindre un point but dans l’environnement. Le contexte de réalisation de la
tâche va conditionner les moyens nécessaires à mettre en œuvre pour permettre au
robot de naviguer. Le robot doit être capable de se déplacer de façon sûre à travers
l’espace libre de l’environnement, en tenant compte de la présence d’éventuels
obstacles.

Le problème posé est donc la recherche d’algorithmes de génération

automatique dans l’espace libre d’un chemin entre la posture initiale et finale, qui
répondent à certaines contraintes imposées telles que le chemin le plus sûr, qui permet
au robot de traverser les obstacles en étant toujours le plus éloigné possible des
obstacles et le chemin le plus court, etc.

Dans ce travail on emploi une méthode non géométrique de planification dite

méthode du champ de forces faisant appel à la technique de logique floue, qui conduit
à la génération automatique de trajectoires sans collisions.

Dans cette méthode, le mobile va être considéré comme étant placé dans :

• Un champ de force attractive dont la source est la cible,

• Un champ de force répulsive dont la source est l’obstacle.

Deux méthodes ont été proposées pour l’ajustement des paramètres du contrôleur
flou utilisé, dans la première on a employé la méthode du gradient, dans la deuxième
les algorithmes génétiques.
L1 Longueur du premier lien
L2 Longueur du deuxième lien
q1 L’angle du premier lieu avec l’axe des abscisses (x)
q2 L’angle du deuxième lien
•
Vitesse de l’effecteur par rapport au repère de base
x
•
Vitesse des coordonnées généralisées
q
J La matrice Jacobienne
n Degré de liberté du robot
m Degré de mobilité du robot
Ec L’énergie cinétique
Ep L’énergie potentielle
Γi La force généralisée sur l’articulation pour tout le système mécanique
A Matrice symétrique
w Vitesse angulaire
D(q) Matrice inertie
⎛ •⎞ Les forces d’inertie et de Coriolis
C ⎜ q, q ⎟
⎝ ⎠
G(q) Vecteur des couples moteurs aux articulations
E ci L’énergie cinétique du iième corps du robot
m1 La masse du premier lien
m2 La masse du deuxième lien
VL Vitesse de la roue arrière gauche
VR Vitesse de la roue arrière droite
ω Vitesse angulaire
L La distance entre les deux roues arrière
I Le moment d’inertie
r La rayon de la roue
R(θ) La matrice de rotation orthogonale
W La grandeur de consigne
Ucm Le signal de commande fournit par RLF
RLF Régulateur par logique floue
OCM Organe de commande
S Système à régler
U La grandeur de commande fournie par l’OCM
V perturbation
Y La grandeur à régler
YM Le vecteur qui contient les grandeurs mesurées
Fatt Force attractive
Frép Force répulsive
θ obs L’angle d’obstacle
d obs Distance entre robot-obstacle
µ Degré d’appartenance
θ rép L’angle répulsif
a nm Les centres des fonctions d’appartenance de formes Gaussiennes
bnm Les largeurs des fonctions d’appartenance
E L’espérance mathématique
N Le nombre d’itérations
r
e (t ) Le vecteur d’erreur d’apprentissage
y d (t ) La sortie désirée à l’instant t
− ∇ zV La notion du gradient de V
c nk Les valeurs des conséquences
MSE L’erreur moyenne quadratique
F xl( ) La sortie obtenue à partir du système flou considéré pour l’exemple l
yl La sortie désirée
Figure I.1 Architecture traditionnelle de décomposition du 11
programme de contrôle du robot en différents
modules de fonctionnement
Figure I.2 Décomposition basée sur le comportement 13
d’accomplissement de tâches
Figure I.3 Un module d’architecture forçage/inhibition 14
Figure II.1 Représentation d’un bras manipulateur 34
Figure II.2 Les coordonnées de la chaise par rapport au 46
référentiel
Figure II.3 La roue fixe 48
Figure II.4 La roue folle 49
Figure III.1 Structure d’un réglage multivariable par logique
floue 53
Figure III.2 Configuration interne d’un régulateur par LF 53
Figure III.3 L’espace de commande du bras manipulateur 61
Figure III.4 Entrées/sortie du contrôleur flou 61
Figure III.5 Fuzzification de l’angle d’obstacle 62
Figure III.6 Fuzzification de la distance d’obstacle 63
Figure III.7 Fuzzification de l’angle répulsif 64
Figure III.8 Schéma d’apprentissage 67
Figure III.9 Navigation du bras avant l’apprentissage 71
Figure III.10 Navigation du bras avant l’apprentissage 71
Figure III.11 Navigation du bras durant l’opération d’apprentissage 71
Figure III.12 Navigation du bras durant l’opération d’apprentissage 71
Figure III.13 Navigation du bras après l’opération d’apprentissage 72
Figure III.14 Navigation du bras après l’opération d’apprentissage 72
Figure III.15 Navigation du bras après l’opération d’apprentissage 72
Figure III.16 Navigation du bras après l’opération d’apprentissage 72
Figure III.17 Partition des fonctions d’appartenances de la première 74
entrée
Figure III.18 Partition des fonctions d’appartenances de la deuxième 74
entrée
Figure III.19 Partition des fonctions d’appartenances de la sortie du 74
contrôleur
Figure III.20 Sortie et sortie désirée + l’erreur d’apprentissage 74
Figure IV.1 Principe de croisement à un site 80
Figure IV.2 Principe de croisement à n sites 81
Figure IV.3 Principe de croisement uniforme 81
Figure IV.4 Principe de mutation 82
Figure IV.5 La forme d’une base de règles floues 87
Figure IV.6 Représentation surface et représentation profonde 92
Figure IV.7 Améliorations de l’interprétation et la précision dans la 94
Modélisation floue
Figure IV.8 Effets des haies linguistiques « very » et « more or less » 96
Figure IV.9 Deux genres d’ajustements de la forme de MF 97
FigureIV.10 Codage du chromosome 87
FigureIV.11 Processus d’ajustement génétique pour 3 règles floues 100
FigureIV.12 Intervalles de variation pour chaque paramètre 103
FigureIV.13 Processus d’ajustement + apprentissage 105
FigureIV.14 Entrées / sortie du contrôleur 106
FigureIV.15 Entrées / sortie du contrôleur obtenu par la méthode 108
De Wang-Mendel
FigureIV.16 Ajustement des paramètres par une méthode basée 108
sur le changement des paramètres de base des MF
FigureIV.17 Ajustement des paramètres après 30 et 50 générations 109
FigureIV.18 Ajustement des paramètres par une méthode basée 110
sur l’application des facteurs de graduation NL
FigureIV.19 Ajustement des paramètres par une méthode basée 110
sur l’application des facteurs de graduation NL
FigureIV.20 Navigation du robot en présence d’obstacle après 111
Ajustement des paramètres du contrôleur
FigureIV.23 Navigation du robot en présence d’obstacle après 111
Ajustement des paramètres du contrôleur
FigureIV.24 L’erreur entre la sortie du système avant et après 112
apprentissage
I Introduction générale……………………………. 1
I.1 Introduction……………………………………………… 5
I.2 La robotique mobile…………………………………….. 5
I.3 Perception et modélisation de l’environnement ……. 8
I.3.1 Localisation……………………………………………… 8
I.3.2 Planification et exécution de mouvements…………... 8
I.4 Les architectures de contrôle…………………………. 10
I.4.1 Les architectures hiérarchiques de contrôle………… 10
I.4.2 Contrôleurs réactifs…………………………………….. 12
I.4.3 Architecture de forçage / inhibition…………………… 13
I.5 Contrôleurs hybrides…………………………………… 14
I.6 Complexité de planification de mouvement…………. 14
I.6.1 Notion de complexité ………………………………….. 15
I.6.2 Complexité du problème de planification de
mouvement……………………………………………… 15
I.7 Navigation……………………………………………….. 15
I.7.1 Navigation en milieu intérieur…………………………. 18
I.7.2 Navigation en milieu extérieur………………………… 20
I.8 Méthodes de suivi……………………………………… 20
I.9 Les champs de potentiels……………………………… 21
I.9.1 Génération de commandes par potentiels…………… 22
I.9.2 Génération de chemins par potentiels……………….. 25
I.10 Motivation et problématique…………………………… 29

II Modélisation………………………………………. 33
II.1 Introduction……………………………………………… 33
II.2 Modélisation géométrique……………………………... 33
II.2.1 Modélisation géométrique directe…………………….. 33
II.2.2 Modélisation géométrique inverse……………………. 34
II.3 Modèle cinématique……………………………………. 35
II.3.1 Introduction……………………………………………… 35
II.3.2 Modèle cinématique direct…………………………….. 35
II.3.3 Modèle cinématique inverse………………………….. 36
II.4 Modélisation dynamique………………………………. 37
II.4.1 Introduction……………………………………………… 37
II.4.2 Formalisme de Lagrange-Euler………………………. 37
II.5 Application du modèle dynamique pour un bras……. 38
II.6 Présentation de la chaise roulante…………………… 41
II.6.1 Modèle de la chaise roulante…………………………. 41
II.6.2 Non holonomie de la chaise…………………………… 41
II.6.3 Contrôlabilité de la chaise……………………………... 42
 II.7 Modèle de la roue……………………………………… 43
II.7.1 La roue fixe……………………………………………… 43
II.7.2 La roue directrice……………………………………….. 43
II.7.3 La roue folle…………………………………………….. 44
Conclusion………………………………………………. 45

III Logique floue……………………………………….. 46

III.1 Construction d’un contrôleur flou……………………... 46
III.2 Introduction à la logique floue………………………… 47
III.3 Structure d’un contrôleur flou…………………………. 47
III.3.1 Opération de fuzzification……………………………… 49
III.3.2 Règles d’inférence……………………………………… 49
III.3.3 Opération de défuzzification…………………………... 50
III.4 L’apprentissage en logique floue……………………... 52
III.4.1 L’apprentissage des paramètres……………………… 53
III.4.2 L’apprentissage structurel……………………………... 54
III.5 Méthode proposée……………………………………… 55
III.5.1 Procédure de commande……………………………… 55
III.5.2 Méthode d’évitement…………………………………… 55
III.5.3 Contrôleur flou pour l’évitement d’obstacle………….. 56
III.6 Contrôleur flou auto ajustable………………………… 60
III.6.1 Contrôleur de type Takagi-Sugeno…………………… 60
III.6.2 Fonction d’appartenance……………………………… 61
III.6.3 Inférence………………………………………………… 61
III.7 Méthode d’apprentissage……………………………… 62
III.8 Algorithme général……………………………………... 62
III.9 Adaptation des paramètres……………………………. 63
III.10 Résultats de simulation………………………………… 66
Conclusion………………………………………………. 76

IV Algorithme génétique……………………………… 71
IV.1 Introduction …………………………………………….. 71
IV.2 Principe de fonctionnement des AG………………….. 71
IV.3 Principe des algorithmes génétiques………………… 72
IV.4 Structure de l’algorithme génétique………………….. 73
IV.5 Le croisement…………………………………………… 75
IV.5.1 Le croisement à un site………………………………… 75
IV.5.2 Le croisement à n sites………………………………… 75
IV.5.3 Le croisement uniforme………………………………... 76
IV.6 La mutation……………………………………………… 76
IV.7 Le principe de construction d’un contrôleur…………. 77
IV.8 Apprentissage d’une base de règles floues…………. 78
IV.8.1 Génération de règles floues ………………………….. 79
IV.5.2 Système flou et approximation universelle………….. 83
IV.9 La modélisation floue…………………………………... 86
 IV.9.1 Processus d’ajustement……………………………….. 88
IV.9.2 Ajustements des structures surfaces et profondes…. 89
IV.10 Processus d’ajustements génétiques………………… 92
IV.10.1 Processus génétique…………………………………… 92
IV.10.2 Composantes génétiques……………………………… 95
IV.10.3 L’interprétation de la méthode d’ajustement………… 98
IV.11 Etude et simulation du processus d’ajustement…….. 100
IV.12 Résultats de simulation………………………………… 103
Conclusion………………………………………………. 108
Conclusion générale et perspective………………….. 109
Bibliographie……………………………………………. 114
Chapitre I Introduction 1

INTRODUCTION GENERALE
L’implantation de robots dans des ateliers, a mis en évidence différents
problèmes liés à l’utilisation et à la gestion des sites robotisés, dont le manipulateur est
l’un des composants. Afin de contribuer à la résolution et à la maîtrise de ces derniers,
différents outils ont été développés dont l’objectif est d’apporter une aide à l’utilisateur
ou au concepteur pour résoudre les problèmes qui se posent lors des différentes phases
du travail, et qui concernent par exemple, le choix du robot en fonction des tâches
visées, l’implantation de celui-ci dans un site et les méthodes de programmation. Ces
différentes tâches peuvent être résolues ou potentiellement traitées par l’utilisation de
systèmes Conception assistée par ordinateur (CAO) Robotique, qui offrent de
puissants outils graphiques permettant de traiter facilement certains des problèmes
cités. Ils permettent en outre, au moyen de simulateurs graphiques, de programmer et
de simuler hors ligne les tâches. Ainsi, les problèmes d’accessibilité de la tâche et
d’évitement de collisions peuvent être vérifiés lors de la simulation ce qui permet de
réduire la phase de vérification sur le site réel.
On considère dans cette thèse le problème de la planification de chemins en
présence d’obstacle. Historiquement, la planification de chemins correspond aux
premiers travaux de recherche effectués dans le domaine de la planification de
mouvement et se limite à l’aspect géométrique du problème.
L’objectif est de déterminer à chaque instant quelle commande doit être
envoyée aux effecteurs, connaissant d’une part le but à accomplir et d’autre part les
valeurs retournées par les différents capteurs. Il s’agit de déterminer les liens existants
entre la perception et l’action connaissant les buts à atteindre.

Le succès des applications de la logique floue dépend principalement de leur

qualité, comme c’est le cas pour les autres techniques. Une bonne qualité est obtenue
par une répartition correcte des valeurs d’entrée et de sortie, associée à des règles
adéquates pour déterminer la relation juste entre les états d’entrée et les états de sortie.
Lors de la répartition des valeurs mesurées en ensembles flous, le chevauchement de
deux groupes consécutifs est très important pour le fonctionnement du processus. Plus
le recouvrement est important, plus le fonctionnement est progressif. Il est donc
Chapitre I Introduction 2

conseillé de travailler avec un chevauchement raisonnable. Trois méthodes

traditionnelles sont disponibles : l’interrogation des experts, l’exécution d’une analyse
logique du processus à administrer et les essais jusqu’à ce que cela fonctionne. La
description de la logique floue met souvent l’accent sur l’interrogation des experts, qui
dans ce cas sont les gens ayant administré le processus jusqu’à présent. Cette activité
présente de grandes similitudes avec l’analyse exécutée avant la rédaction d’un
programme d’ordinateur. Elle repose sur le contact avec les hommes et demande un
certain discernement psychologique. En effet il est toujours difficile d’exprimer ce
qu’on veut dire, mais il semble encore plus difficile de comprendre ce que dit
quelqu’un d’autre. Des remarques annexes qui ne semblaient pas pertinentes pendant
l’entretien se révèlent parfois riches d’informations importantes. Pour perdre aussi peu
d’informations que possible, il vaut mieux reporter l’interprétation à plus tard et ne pas
transposer immédiatement l’information en ensembles flous.
On ne dispose pas dans tous les cas, d’experts qui ont une expérience suffisante
du processus à commander. Il faudra toujours une analyse logique des connaissances
disponibles. La méthode est encore loin d’être définie, elle fait toujours l’objet de
recherches.
On peut avancer deux directives sûres pour la définition d’une commande en
logique floue: travailler avec aussi peu de règles que possible et diviser le domaine des
variables en aussi peu d’ensembles flous que possible. Cela permet de maintenir à un
minimum la puissance de calcul et le temps nécessaires.
Rédiger la description du pilotage d’un processus suppose que nous sachions
d’abord de quelles informations nous disposons: (Quelles variables d’entrée sont
disponibles ? Quelles variables de sorties sont présentes ? Quelles observations sont
faites (la valeur mesurée, sa variation dans le temps, l’écart par rapport à une valeur
de consigne, la valeur de commande actuelle ?) Quelle est la relation globale entre
les entrées et les sorties ?). Il est important de bien connaître les états dans lesquels
peut se trouver le processus, et d’entreprendre alors l’action adéquate.
La description sera constituée de règles et de répartitions de valeurs, qui
suppose une étude et une certaine expérience du processus
Chapitre I Introduction 3

La commande par logique floue est un avantage pour bon nombre de raisons,
elle ne doit pas être négligée.
Les méthodes de commande floue ont d’abord été développées selon une
approche basée sur l’expertise, initialement proposée par Mamdani. Dans cette
démarche, l’expertise sur le système à commander est strictement exploitée pour
écrire/modéliser le contrôleur flou sous la forme d’une base de règles. Nous pouvons
souligner la limitation de cette approche pour les problèmes de commande complexes
telles l’explosion du nombre de règles dans une base de données complète, la
difficulté d’exprimer l’expertise, notamment à cause de la complexité introduite par
le couplage dans les problèmes multivariables. D’où la nécessité de développer des
méthodes systématiques de modélisation floue à partir de données. Des modèles
permettant de développer des méthodes de synthèse « basée/modèle » rejoignant ainsi
les démarches classiques de l’automatique.

Après cette introduction, le travail est organisé comme suit :

• Dans le chapitre 1 : Nous présentons des généralités sur la robotique, les différentes
architectures de contrôle, quelques méthodes de navigation des robots en présence
d’obstacle.

• Le chapitre 2 : Présente globalement la modélisation géométrique directe et

inverse, cinématique et dynamique du bras manipulateur 2R-plan. La modélisation
d’un robot de type chaise roulante à roues arrières motrices et roues avant folles, et
d’un robot à roue directrice.

• Le chapitre 3 : Introduit l’état de l’art de la logique floue et expose à la fin une

méthode de planification de mouvement d’un robot en présence d’obstacle. Cette
approche est basée sur l’ajustement des paramètres des fonctions d’appartenances
des entrées/sorite du contrôleur de type Takagi-Sugeno par l’emploi de la méthode
du gradient.
• Dans le chapitre 4, on aborde les notions de base des algorithmes génétiques, où
on emploi la méthode de Wang-Mendel pour générer une base de règles floues à
partir des paires de données entrées/sortie et déterminer une commande adéquate
Chapitre I Introduction 4

pour le contrôle d’un robot mobile à roue directrice en présence d’obstacle. Nous
avons souligné la limitation de cette approche d’où la nécessité d’ajuster les
paramètres du contrôleur utilisé, on s’est retourné vers une approche d’optimisation
génétique.
• La conclusion donne un aperçu sur les travaux réalisés, discutions sur les résultats
et les perspectives.
Chapitre I Introduction 5

I.1 Introduction

Dans les entreprises manufacturières, des tâches pénibles, répétitives réalisées

par des opérateurs humains peuvent être avantageusement confiées à des systèmes
mécaniques articulés dont la dextérité est, sans égaler celle de l’homme, suffisamment
proche de celui-ci pour exécuter des mouvements complexes à l’image de ceux d’un
bras humain. Certaines opérations reposent sur l’utilisation des bras articulés. Ces
derniers sont des exemples typiques des systèmes soumis uniquement à des contraintes
géométriques, les contraintes sur les mouvements viennent de l’évitement des
obstacles et des butées articulaires qui limitent les mouvements des bras. Il s’agit de
contraintes purement géométriques puisqu’elles ne portent que sur les configurations
des systèmes, et non sur leurs dérivées. Des bras articulés sont utilisés pour des tâches
répétitives ou pénibles pour un opérateur humain. C’est le cas dans l’industrie
automobile par exemple. La planification de chemins des robots y est un problème
réel. Ces bras robotisés sont programmés une fois pour toutes, ils répètent la même
opération des milliers de fois. L’emploi de ces dispositifs s’avère d’ailleurs nécessaire.
La situation est différente dans le cas de milieux hostiles à l’homme par exemple sous-
marin, nucléaire ou spatial, l’intervention en milieux contaminés, ceux-ci peuvent
servir à déplacer des éléments et à fixer des pièces à l’aide d’outillages. Ils peuvent
aussi servir à effectuer des opérations d’usinage, de soudage ou de contrôle non
destructif, etc. Ils sont alors dotés d’un dispositif de locomotion et peuvent être
autonomes ou contrôlés à distance par un opérateur humain.

I.2 La robotique mobile autonome

Les travaux en robotique ont pour but de concevoir et de construire des

machines capables d’évoluer et d’interagir avec un environnement physique de
manière à accomplir les différentes tâches pour lesquelles elles ont été crées.
Chapitre I Introduction 6

Un robot évoluant dans un environnement réel est confronté à de multiples

problèmes. Citons :

1. Le monde est vaste et dynamique. Un robot est susceptible d’évoluer dans un

environnement vaste non contrôlé (présence d’obstacles). Cela signifie que les
objets peuvent se déplacer, apparaître ou disparaître. L’ensemble des situations ne
peut pas être prévu par avance. Le robot devra être muni de capteurs lui permettant
d’acquérir des informations sur son environnement proche (caméras vidéo,
télémètres ultrasonique ou infrarouge, etc.)
2. Le robot a une connaissance imparfaite de son propre fonctionnement. Un système
automatique est un système complexe pour lequel il n’existe en général pas de
modèle fiable. Le comportement du robot est décrit la plupart du temps par un
système d’équations différentielles non linéaires (contrainte non holonome), dont
les paramètres varient en fonction par exemple, du type de sol sur lequel le robot se
déplace, de même, les capteurs ultrasons réagissent différemment en fonction des
paramètres tels que l’humidité de l’air, la température, la forme des objets
rencontrés et surtout leur constitution est susceptible de se modifier avec le temps
(décalibration des capteurs due à des variations).

Un robot est donc un système mécanique, électronique et informatique

comportant entre autre :

1. Des effecteurs (moteurs),

2. Des capteurs (télémètres, etc.).

L’adjonction de la faculté de vision aux robots, permet d’améliorer de manière

significative leurs performances et permet le développement d’applications nouvelles.
En effet, les tâches que doivent réaliser les robots peuvent toujours se ramener à des
interactions précises avec leur environnement. Par exemple, lorsqu’il s’agit d’un bras
manipulateur, le robot interagit avec une pièce et doit réaliser des mouvements précis
par rapport à celle-ci. S’il s’agit d’un robot mobile, ce dernier doit se déplacer selon
une trajectoire précise par rapport à son environnement. En l’absence de capteur
donnant une mesure directe de la position par rapport aux objets environnants, le robot
Chapitre I Introduction 7

est aveugle. Dans une telle situation, qui concerne d’ailleurs la majorité des robots,
seule une tâche apprise au préalable et répétée dans un environnement connu et
invariant peut être envisagée. La position relative par rapport à l’environnement est
alors estimée de manière indirecte en fonction d’une mesure des mouvements du
robot. Ainsi, une légère modification de la configuration des objets sur le déroulement
de la tâche à accomplir. Par exemple, s’il s’agit de réaliser un travail de soudure au
dixième de millimètre près et que l’objet à souder est décalé de un millimètre par
rapport à la référence, tous les points de soudure seront décalés de cette même
distance.

Divers capteurs peuvent être utilisés afin de permettre aux systèmes robotiques
de pouvoir appréhender l’environnement. Les plus couramment utilisés sont les
capteurs à ultrasons, les télémètres laser, les capteurs d’effort et les caméras. Le
capteur à ultrasons a l’avantage de pouvoir être utilisé dans un environnement où la
visibilité est faible mais il fournit une information relativement imprécise. Il est
souvent utilisé dans des applications de robotique mobile en association avec d’autres
capteurs. Le télémètre laser donne quant à lui une image très précise de
l’environnement, mais il nécessite un balayage de l’espace, ce qui est très coûteux en
temps. Il est souvent utilisé en extérieur dans des environnements totalement inconnus
et difficilement modélisables où il permet de reconstruire la géométrie du terrain
même si ce dernier est très peu marqué. Le capteur d’effort fournit également au robot
un moyen d’appréhender un peu mieux son environnement. Il est souvent utilisé pour
des applications de montage, et plus particulièrement pour des tâches d’insertion. Il
permet d’avoir une information sur les forces et les couples d’interaction entre le robot
(ou une pièce qui est dans la pence) et son environnement. Ces trois capteurs ont la
particularité de réaliser une mesure active sur l’environnement, c'est-à-dire qu’ils
fournissent eux-mêmes l’énergie pour la grandeur à mesurer. Une caméra exerce quant
à elle une mesure passive, sans interaction avec l’environnement. C’est le capteur
visuel dont les caractéristiques se rapprochent le plus de l’œil humain. Elle permet
d’obtenir, en une seule acquisition, une image de l’environnement situé dans son
champ de vision. Sur ce point, elle est donc plus rapide que le télémètre laser. Mais,
tout comme ce dernier, la caméra est également un capteur précis. La caméra est
Chapitre I Introduction 8

souvent montée sur l’organe terminal du robot. Mais il arrive qu’elle soit utilisée pour
visualiser le robot et son environnement.

L’un des buts majeurs de la robotique réside en la création de robots autonomes.

Un robot est une machine agissant physiquement sur son environnement en vue
d’atteindre un objectif qui lui a été assigné. Cette machine est polyvalente et capable
de s’adapter à certaines variations de ses conditions de fonctionnement. Un robot est
doté de fonctions de perception, de décision et d’action. Le robot réalise donc de façon
continue la boucle (Perception Décision Action), il possède des capacités de
mouvement propres et peut entrer en interaction avec des objets de son environnement.
Il a, en outre, la faculté de coopérer à divers degrés avec l’homme.

En robotique, la navigation est définie comme une tâche qui consiste, pour le robot, à
atteindre un point but dans l’environnement. Le contexte de réalisation de la tâche va
conditionner les moyens nécessaires à mettre en œuvre pour permettre au robot de
naviguer.

Parmi toutes les fonctions requises par un système robotique pour atteindre cet

objectif, certaines sont primordiales [Cha.95] :

I.3 Perception et modélisation de l’environnement

Le robot doit être muni d’un système de perception capable de fournir des
informations précises sur l’état de l’environnement qui l’entoure, afin de pouvoir
identifier et regrouper des éléments utiles pour une représentation fiable et consistante
de cet environnement.

I.3.1 Localisation : Le succès dans l’exécution d’une tâche associée à un

déplacement est directement lié à la capacité des robots de se positionner par rapport à
son environnement. Cette localisation doit être la plus précise possible, et dépend de la
fiabilité de la représentation de l’environnement construite par le système de
perception du robot.

I.3.2 Planification et exécution de mouvements : Le robot doit être

capable de se déplacer de façon sûre à travers l’espace libre de l’environnement, en
Chapitre I Introduction 9

tenant compte de la présence d’éventuels obstacles statiques et dynamiques. Le

problème de déplacement du robot dans l’environnement rencontre les mêmes
difficultés que la localisation et la modélisation liées à la présence d’incertitudes qui
font que le déplacement commandé ne sera pas de manière générale exécuté
parfaitement.

Ces fonctions ne sont pas indépendantes. On note, bien évidemment, que la

perception de l’environnement intervient dans toutes. La planification de mouvement
s’intéresse au calcul automatique de chemins sans collision pour un robot quelconque
(robot mobile, bras manipulateur, etc.) évoluant dans un environnement encombrés
d’obstacles.

Parmi l’ensemble des robots existants, nous nous intéressons au cours de cette étude à
une famille appelée robots autonomes.

Un robot est dit autonome si, moyennant une spécification externe de haut
niveau de la tâche à accomplir, il est capable de la mener à bien sans intervention
humaine. Le développement d’un robot autonome pose de nombreux problèmes
fondamentaux dans des domaines variés et bien distincts.

Le problème posé est de déterminer à chaque instant quelle commande doit être
envoyée aux effecteurs, connaissant d’une part le but à accomplir et d’autre part les
valeurs retournées par les différents capteurs. Il s’agit de déterminer les liens existants
entre la perception et l’action connaissant les buts à atteindre.

Nous nous intéressons plus particulièrement au cours de cette étude au choix

des actions permettant au robot d’atteindre un point de l’environnement spécifié par
ses coordonnées, tout en évitant les différents obstacles présents.

Historiquement les premières études ont été basées sur le cycle classique en
intelligence artificielle : perçoit, pense, agit.

La décomposition du problème a été à l’origine de nombreux travaux. La

présence de multiples modules attachés chacun à la résolution d’un sous problème
nécessite la mise en place d’une organisation permettant la construction d’un système
Chapitre I Introduction 10

complexe à partir de ces briques élémentaires. Cette organisation est appelée

architecture de contrôle.

I.4 Les architectures de contrôle

Un robot est un système complexe qui doit satisfaire à des exigences variées et
parfois contradictoires. Un exemple typique pour un robot mobile est l’arbitrage qui
doit être fait entre l’exécution la plus précise possible d’un plan préétabli pour
atteindre un but et la prise en compte d’éléments imprévus, tels que les obstacles
mobiles. Ces arbitrages, que ce soit au niveau de l’utilisation des capteurs, des
effecteurs ou des ressources de calcul, sont réglés par un ensemble logiciel appelé
architecture de contrôle du robot. Cette architecture permet donc d’organiser les
relations entre les trois grandes fonctions qui sont la perception, la décision et l’action.

Chaque robot a une architecture bien précise, ces architectures peuvent

néanmoins être classées en trois grandes catégories que nous détaillerons par la suite :
les contrôleurs hiérarchiques, les contrôleurs réactifs et les contrôleurs hybrides. Par
contre, toutes ces architectures ne diffèrent pas forcement par les méthodes
élémentaires employées mais plutôt par leur agencement et leurs relations.

De nombreuses architectures de contrôle proposées ont fait l’objet de plusieurs

classifications. Il faut noter que dans le cadre de problèmes complexes, le mécanisme
de contrôle d’un robot est défini par son architecture qui spécifie comment la
génération d’actions est organisée à partir des perceptions sensorielles. De plus, bien
que les informations sensorielles soient volumineuses et bruitées, le robot doit réagir
rapidement dans certaines situations. Il est donc indispensable de mettre au point une
architecture performante qui permette de remplir la tâche dévolue au robot en utilisant
le matériel à disposition. Les architectures utilisées sont hiérarchiques dont nous
allons exposer les principales caractéristiques.

I.4.1 Architectures hiérarchiques de contrôle

Ces architectures ayant pour but de contrôler un système évoluant dans un
environnement réel et dynamique, les contraintes de temps de réponse apparaissent
clairement dans la perception de la plupart. Ces architectures fonctionnent selon un
Chapitre I Introduction 11

cycle rigide de modélisation de l’environnement, planifications des actions au sein de

cette représentation, puis exécution du plan. Cette classification reprend celle proposée
par [Sch.92]. L’essentiel des problèmes de ces architectures provient de l’utilisation
d’un modèle interne central qui est le seul pris en compte pour guider le robot. Il faut
noter que les systèmes réels ne sont bien souvent pas basés sur une seule catégorie de
hiérarchique mais font appel à plusieurs d’entre elles de manière à exploiter les
avantages respectifs.

De plus, ces architectures permettent peu de contrôle sur l’exécution des

actions. En effet, une fois l’action choisie, elle est exécutée en supposant le modèle du
monde correct et il n’y a pas de retour direct de la perception sur l’exécution de
l’action. Les écarts modèles/environnement ne peuvent être pris en compte que via un
nouveau cycle perception/modélisation/planification, ce qui, par définition, est très peu
réactif et conduit rapidement à de graves problèmes.

La fréquence d’exécution des modules décroît au fur est à mesure que l’on
monte dans la hiérarchie. Traditionnellement, le niveau le plus bas (et donc le plus
rapide) est chargé du contrôle des moteurs. Le niveau le plus haut (le plus lent) est
chargé de la planification. Afin d’éviter tout problème d’instabilité, la différence de
fréquence entre chaque niveau doit être importante.

Figure I.1 : Architecture traditionnelle de décomposition du programme de contrôle

du robot en différents modules de fonctionnement
Chapitre I Introduction 12

I.4.2 Contrôleurs réactifs

Rodney Brooks a proposé une solution radicale à tous ces problèmes sous la
forme d’une architecture réactive. Dans cette architecture, un ensemble de
comportements réactifs, fonctionnant en parallèle, contrôle le robot sans utiliser de
modèle du monde. Cette architecture supprime évidemment les problèmes dus aux
différences entre la réalité, d’une part, et le modèle de l’environnement du robot,
d’autre part, mais limite clairement les tâches que peut effectuer le robot. En effet,
sans représentation interne de l’état de l’environnement, il est très difficile de planifier
une suite d’actions en fonction d’un but à atteindre. Les robots utilisant cette
architecture sont donc en général efficaces pour la tâche précise pour laquelle ils ont
été conçus, dans l’environnement pour lequel ils ont été prévus, mais sont souvent
difficiles à adapter à une tâche différente.

Les réussites de ces architectures sont liées au couplage direct entre la

perception et l’action qui permet une prise en compte très rapide des phénomènes
dynamiques de l’environnement. Et donc une bonne robustesse dans des
environnements complexes.

Ces architectures sont en général basées sur plusieurs comportements :

évitement d’obstacles, déplacement aléatoire, déplacement vers un but, fuite d’un
point. Pour guider le robot, il faut donc choisir à chaque instant lequel de ces
comportements activer. Ce problème est connu dans la littérature scientifique sous le
nom de sélection de l’action. La solution proposée par Brooks, l’architecture de
subsomption est devenue classique et utilise une hiérarchie des comportements qui se
déclenchent donc selon un ordre de priorité en fonction des perceptions du robot.

En 1986, Rodney A. Brooks propose une approche différente. Cette architecture,

appelée subsomption, consiste à paralléliser les tâches. La figure (I.2) décrit les
différentes couches comportementales d’un agent.
Chapitre I Introduction 13

Figure I.2 : Décomposition basée sur le comportement d’accomplissement de tâches

Chacune de ces couches relie les capteurs aux actionneurs et permet un

comportement particulier ou une compétence spécifique, comme la locomotion,
l’évitement d’obstacles ou la saisie d’objets. Ce type d’architecture permet notamment
la décomposition d’une tâche complexe en plusieurs comportements réactifs. Ce type
d’approche vise aussi à accroître la fiabilité du système.

Dans l’architecture traditionnelle, si une panne survient sur l’un des modules,
alors la panne se généralise à l’ensemble du système, chaque module étant essentiel au
fonctionnement de l’ensemble.

Dans l’architecture proposée par Rodney A. Brooks, même après la perte d’un
module, le système peut continuer à fonctionner en mode dégradé, en inhibant ce
module par exemple.

I.4.3 Architecture de forçage / inhibition

La figure (I.3) représente un module d’une telle architecture. Ses entrées

peuvent être forcées pendant une certaine durée, de même les sorties peuvent être
inhibées pendant un laps de temps. Des comportements plus complexes peuvent ainsi
être construits en imbriquant les modules de base. La structure globale permettra
d’inhiber les comportements non prioritaires et de forcer les fonctions vitales. Par
exemple le signal d’entrée du module dédié à la locomotion peut être forcé pour le
remplacer par un signal d’évitement d’obstacle afin d’empêcher une collision.
Chapitre I Introduction 14

Figure I.3 : Un module d’architecture forçage / inhibition

I.5 Contrôleurs hybrides

La plupart des contrôleurs actuellement utilisés choisissent une solution

intermédiaire entre ces deux approches sous la forme d’une architecture hybride. Cette
architecture se compose de deux niveaux. Le premier est chargé des tâches de
navigation de haut niveau, telles que la localisation, la cartographie et la planification.
Pour cela, il s’appuie sur un second niveau réactif qui est chargé d’exécuter les
commandes avec le plus de précision possible et de gérer les éléments non modélisés
de l’environnement tels que les obstacles inconnus ou dynamiques. L’action conjointe
de ces deux niveaux permet de réagir rapidement face aux variations imprévues de
l’environnement, tout en permettant la réalisation d’actions planifiées à plus long
terme. Le bas niveau de ces architectures peut être réalisé sous forme de
comportements, tels que ceux utilisés dans les architectures réactives. Ces
comportements sont des boucles sensorimotrices qui relient les actions aux perceptions
avec une phase de décision très courte, qui assurent la réactivité. Dans le même temps,
les informations sensorielles sont utilisées par le haut niveau dans une boucle
sensorimotrice à une échelle de temps beaucoup plus longue. C’est la mise en
parallèles de ces deux échelles de temps qui fait la force de ces architectures.

I.6 Complexité de la planification de mouvement

Dans cette partie nous abordons le problème de la complexité de la planification
de mouvement.
Chapitre I Introduction 15

Premièrement nous donnons les notions de base de la complexité algorithmique,

puis nous analysons la complexité du problème de planification de mouvement.

I.6.1 Notion de complexité

Un problème est dit décidable s’il existe une méthode algorithmique qui lui
donne une solution en un temps fini. Une telle méthode est alors dite complète pour ce
problème. Pour évaluer la complexité d’un algorithme on étudie son comportement en
termes de temps d’exécution et d’espace mémoire nécessaires, en fonction de la taille
du problème. Cette taille est un nombre M qui caractérise la quantité et la complexité
des données d’entrée du problème.

I.6.2 Complexité du problème de planification de mouvement

La complexité algorithmique de la planification de mouvement a surtout été

étudiée pour le problème du déménageur de piano. Il a été prouvé par Schwartz et
Sharir que le problème général de la planification de mouvements en présence de
contraintes géométriques est décidable pour un système mobile quelconque et qu’il est
résolvable pour un système donné en temps polynomial en le nombre d’inégalités
algébriques définissant l’espace libre. Malheureusement le degré du polynôme montre
une dépendance doublement exponentielle en la dimension de l’espace de
configuration (Cs).

I.7 Navigation
Les premières études en robotique se sont appuyées sur une approche du
problème fondée sur les acquis de l’intelligence artificielle. Le cycle classique peut se
résumer par (percevoir, penser, agir). Un premier système, généralement de type
symbolique, gère les objectifs du robot et détermine un ensemble de buts géométriques
devant être atteints (partie pense du cycle). Les données provenant des différents
capteurs sont filtrées, fusionnées et intégrées dans un modèle de l’environnement
(partie perçoit). Un chemin est ensuite extrait de ce modèle grâce à un planificateur
géométrique (partie pense de nouveau). Ce chemin est finalement traduit en actions de
déplacement (partie agit). Le robot est contrôlé par une série de planificateurs.
Chapitre I Introduction 16

Nous considérerons dans cette partie le problème de la planification de chemins

(différent de la planification de trajectoires). Historiquement, la planification de
chemins correspond aux premiers travaux de recherche effectués dans le domaine de la
planification de mouvement et se limite à l’aspect géométrique du problème. La
planification de trajectoire, quant à elle, introduit la dimension temporelle et permet de
prendre en compte des obstacles mobiles ainsi que des contraintes de nature
dynamique auxquelles peut être soumis le robot (force, vitesse, accélération).

Avant de poursuivre, nous revenons sur l’espace des configurations. Le principe

de l’espace des configurations est de formuler le problème de planification des
chemins dans un nouvel espace où le robot est représenté sous forme d’un point. Cet
espace est crée en associant à chacun des axes un des paramètres permettant
d’identifier de manière unique la situation du robot (par exemple, position (x, y) et
orientation (θ) dans le cas d’un robot mobile).

Le choix d’une méthode de planification de chemins est guidé par deux questions :

1. Quel type d’espace utilisé : l’espace de travail ou l’espace de configuration ?

2. Quel type de méthodes : Des méthodes exactes ou des méthodes approchées ?
Les méthodes exactes sont basées sur une exploitation complète de la
description de l’environnement. Par opposition, les méthodes approchées réalisent tout
d’abord une discrétisation de l’environnement sous forme de grilles régulières ou
irrégulières (quadtrees). L’espace libre ainsi représenté est un sous ensemble de
l’espace libre réel. Alors que les méthodes exactes sont susceptibles d’être complètes
(si un chemin existe, alors la méthode le trouve), les méthodes approchées ne le sont
jamais.

Les principales approches existantes peuvent être classées en trois grandes

catégories :

• Les méthodes de type squelette. Le principe consiste à représenter la connectivité

de l’espace libre dans un réseau unidimensionnel de courbes appelées squelettes.
Les différentes méthodes se distinguent par le type de squelettes utilisés (graphe de
visibilité, diagramme de Voronoï, …).
Chapitre I Introduction 17

• La décomposition en cellules. Cette approche est parmi celles les plus étudiées. Il
s’agit de décomposer l’environnement du robot en régions élémentaires (appelées
cellules) de telle sorte qu’un chemin entre deux configuration d’une même région
soit trivial à générer (en imposant par exemple la propriété de connexité). Le
chemin est alors une simple ligne droite joignant les deux points. On construit et
on parcourt ensuite le graphe représentant la relation d’adjacence entre les cellules.
• Les méthodes de potentiels. Le robot, représenté par un point dans l’espace des
configurations, est considéré comme une particule se déplaçant sous l’influence
d’un champ de potentiels artificiels crée par la configuration du but et des
obstacles. Ces méthodes furent développées à l’origine pour l’évitement en ligne
d’obstacles par un bras de robot découvrant son environnement au fur et à mesure
[Kat.93]. L’avantage principal des méthodes de type potentiel est leur rapidité de
calcul permettant de les utiliser en ligne. L’inconvénient principal est que le champ
est susceptible de contenir des minima locaux. C’est pour essayer de palier ce
problème que les méthodes de potentiels ont évolué vers des méthodes globales
grâce à l’utilisation de la connaissance à priori de la totalité de l’environnement.
On peut citer dans ce domaine les travaux de [Bar.89], de [Kod.87].
• Le problème de la navigation peut donc être décomposé en plusieurs tâches,
comme par exemple : la planification de trajectoires, l’évitement d’obstacles, etc.
La richesse de l’information visuelle rend possible une interprétation
contextuelle; par exemple, dans des environnements humains, la plupart des
informations exploitées par l’homme lors de ces déplacements est visuelle; une
interprétation contextuelle du contenu des images, fondée sur des modèles d’entités
susceptibles d’être reconnues, est indispensable à l’heure de naviguer dans ces
environnements.

Il existe deux grandes classes d’applications:

1. la navigation en milieu intérieur,

2. la navigation en milieu extérieur.

Chapitre I Introduction 18

I.7.1 Navigation en milieu intérieur

La navigation en milieu intérieur concerne principalement des environnements

humains hautement structurés, tel que des bâtiments publics ou des ateliers.

Afin de naviguer dans ces environnements, le robot doit, soit construire son
propre modèle du monde, soit l’acquérir par une autre méthode. En plus, il existe
plusieurs possibilités pour les représentations utilisées dans ce modèle du monde,
parmi lesquelles on peut citer :

• Une représentation purement géométrique, généralement éparse (par exemple, un

ensemble de segments laser),
• Une représentation discrète de type carte d’occupation, pour décrire l’espace libre
dans chaque pièce et,
• Une représentation topologique qui décrit les connexions entre couloirs et pièces.

a) Navigation métrique

La navigation métrique exploite une représentation géométrique du monde, qui

peut être donné par un utilisateur, ou construite par le robot lui-même, par différentes
méthodes traitant du problème du SLAM Simultaneous Localization and Mapping.

Ce modèle géométrique est complété par une représentation de l’espace libre,

sous la forme d’un ensemble de polygones ou d’une carte discrète (bitmap). Avec un
tel modèle, il est relativement facile d’appliquer des algorithmes pour générer une
trajectoire qui conduise le robot dans l’espace de ses configurations, de (X1, θ1) qui
est sa situation courante, à (X2, θ2) qui est le but.

b) Navigation avec une carte topologique

Un des problèmes avec l’approche métrique est la grande quantité de données
nécessaires pour mémoriser le modèle du monde, et la complexité de la procédure
permettant de comparer et corriger les informations acquises depuis tous les capteurs
montés sur le robot.
Chapitre I Introduction 19

Une manière plus qualitative de représenter le monde dans lequel notre robot va
évoluer, semble être une bonne alternative. La représentation qualitative la plus
communément utilisée, est appelée carte topologique; c’est un graphe, dans lequel
chaque noeud correspond à un endroit caractéristique (carrefour entre couloirs, entrées
dans les espaces ouverts …). Chaque lieu devra être décrit par un ensemble de
caractéristiques propres, qui permettront au robot de le reconnaître. Une arête liant
deux noeuds signifie qu’il existe une commande référencée capteur que le robot peut
exécuter afin de se déplacer entre les deux lieux correspondants. Cette représentation
est particulièrement adaptée pour décrire des réseaux de couloirs : les lieux
correspondent aux carrefours, les arêtes aux couloirs qui les lient.

Pour la génération d’une trajectoire entre deux lieux définis dans une carte
topologique, il suffit de rechercher un chemin dans le graphe. Les consignes pour
naviguer seront des commandes référencées capteur, par exemple Suivre le couloir,
Tourner à gauche, Franchir la porte … Pour chaque consigne, il existe des
caractéristiques précises de l’environnement à suivre (plinthes, arête d’un mur, bords
de la porte…); un module de suivi de primitives visuelles, sera donc requis. Dans le
cas de la navigation topologique, le robot n’a nul besoin de connaître sa position
précise par rapport à un repère du monde. Il doit seulement déterminer une localisation
qualitative et, au mieux, une estimation de sa position relative par rapport à un repère
lié au lieu dans lequel il se trouve.

Essentiellement, c’est à partir de correspondance entre images que les lieux sont
identifiés, par des méthodes d’indexation. Plusieurs approches qui utilisent les images
directement pour calculer la position du robot, utilisent des caméras.

Afin de gérer plusieurs hypothèses sur la possible position du robot, une

approche classique, la localisation markovienne, consiste en l’accumulation
d’évidence afin d’avoir une probabilité d’être en chaque lieu. Cette approche permet
aussi d’intégrer aisément les caractéristiques trouvées par d’autres capteurs que la
vision, et donc il est possible de comparer et/ou corriger la position du robot en
exploitant toutes les caractéristiques acquises depuis un système multi sensoriel.
Chapitre I Introduction 20

I.7.2 Navigation en extérieur

La différence principale entre la navigation en extérieur et celle en intérieur, est
que les conditions d’illumination sont non contrôlables ; quelques fois elles ne sont pas
même prédictibles. Généralement les environnements d’extérieur sont plus riches en
informations (couleur, textures), mais aussi plus complexes. La simplification qui
consiste à exprimer le modèle du monde et la situation du robot en 2D, n’est plus
possible ; le modèle doit être 3D, même si le plan du sol qui porte le véhicule (dans le
cas de voitures, ou de robots mobiles à 4 roues) aura un rôle spécifique. Pour faire face
à cette plus grande complexité de l’environnement, il faut adopter des capteurs qui en
donnent une description la plus riche possible : la vision s’impose généralement dans
ce contexte. Dans les travaux sur les véhicules intelligents, elle est généralement
associée à un capteur télémétrique (radar, laser) pour la détection des obstacles
lointains : se pose alors le problème de la fusion multi sensorielle.

Il existe plusieurs travaux pour la navigation en environnement extérieur,

travaux assez différents les uns des autres du fait de la variabilité de ces
environnements. Cela va de la navigation de voitures sur route ou en milieu urbain,
jusqu’à la navigation d’un robot d’exploration planétaire. Dans le premier cas, il s’agit
essentiellement de garantir que le véhicule reste sur une route, ou sur une voie de
circulation, qu’il reste à distance réglementaire du véhicule précédent et qu’il détecte
tout autre objet sur la route. Les scènes à traiter sont dynamiques (trafic routier) et
l’environnement semi structuré (marquages sur la chaussée). Dans ce contexte, le suivi
visuel concerne :

• Soit le bord de la chaussée, pour un contrôle automatique du véhicule.

• Soit les autres objets présents sur la route (autre véhicule, piétons…), pour évaluer
trajectoires (ou pistes) de ces objets et estimer leur dynamique.

I.8 Méthodes de suivi

Plusieurs classifications des méthodes de suivi visuel d’objets ont été proposées
dans la littérature ; elles dépendent autant des auteurs, que du but pour lequel ces
Chapitre I Introduction 21

méthodes ont été conçues. Les méthodes de suivi visuel peuvent être divisées en quatre
classes:

• Méthodes de suivi fondées sur des modèles. Ces méthodes repèrent des
caractéristiques connues dans la scène et les utilisent pour mettre à jour la position
de l’objet. Parmi ces méthodes, citons celles qui exploitent les modèles
géométriques fixes, et les modèles déformables.

• Méthodes de suivi de régions ou blobs. Cette sorte de méthodes se caractérise par

la définition des objets d’intérêt comme ceux qui sont extraits de la scène en
utilisant des méthodes de segmentation. Citons les nombreuses méthodes qui
détectent une cible à partir de son mouvement sur un fond statique ou quasiment
statique.

• Méthodes de suivi à partir de mesures de vitesse. Ces méthodes peuvent suivre

les objets en exploitant les mesures de leur vitesse dans l’image, avec des
mesures telles que le flux optique ou des équivalents.

• Méthodes de suivi de caractéristiques. Ces méthodes suivent certaines

caractéristiques de l’objet, comme des points, des lignes, des contours …,
caractéristiques ou primitives image auxquelles il est possible aussi d’imposer
de restrictions globales. Ces caractéristiques peuvent être aussi définies par la
texture ou la couleur.

Cette classification n’est pas exhaustive, et à ce jour, il existe de nombreux

recouvrements entre les classes, c’est-à-dire, des méthodes qui peuvent être classifiées
dans deux classes ou plus, ces méthodes sont des combinaisons des approches
existantes.

I.9 Les champs de potentiels

Les premières grandes approches de la navigation réactive sont classiquement
regroupées sous l’appellation approches à base de potentiels. Le principe général est
de réaliser l’association action perception à l’aide d’une fonction générant des
Chapitre I Introduction 22

commandes cherchant à minimiser un critère donné (la fonction potentielle). Nous

nous intéressons dans un premier temps à l’approche originale proposée par Khatib
dans le cadre du contrôle réactif d’un bras manipulateur. Elle a donnée lieu par la suite
à d’autres approches ne visant plus cette fois à générer des commandes mais un
chemin au milieu des obstacles. Bien que ces méthodes soient plus reliées à la
planification qu’au contrôle d’exécution, nous les décrirons brièvement de part
l’importance qu’elles ont eue et qu’elles ont encore dans le domaine de la robotique.

I.9.1 Génération de commandes par potentiels

Le principe général de la commande par potentiels a été formulé à l’origine par

[Khatib] pour le contrôle d’un bras manipulateur. Plusieurs méthodes ont ensuite vu le
jour afin d’essayer d’apporter une solution aux différents problème apparus.

a) Evitement en ligne d’obstacles imprévus

Le contrôle du robot est effectué par une force appliquée sur l’outil terminal
qu’il s’agit de déterminer en fonction des contraintes mécaniques des systèmes et de
l’environnement. Le lieu entre la force F et les différents couples moteurs à appliquer
sur chacune des articulations de manière à produire F. Le problème est formulé dans
l’espace opérationnel. Cet espace correspond à l’ensemble x des paramètres
indépendants permettant de décrire la position et l’orientation de l’outil terminal du
robot.
Le formalisme de Lagrange permet au travers de cette énergie de mettre en
relation la force F avec le déplacement de l’outil :

Λ( x )&x& + µ ( x, x& ) + P( x ) = F (I-1)

Où Λ est la matrice d’inertie, µ (x, x& ) correspond à la force de Coriolis et P(x) la force
de gravité.
La relation (I.1) permet de calculer la commande F assurant au robot une
trajectoire particulière. Aucune référence n’est faite aux obstacles ou à la position du
but. Le principe de l’évitement en ligne d’obstacles est le suivant : une particule
Chapitre I Introduction 23

soumise à un champ attractif de la part d’un point G et à un ensemble de forces

répulsives générées par des régions O de l’espace se déplacera vers G sans pénétrer
dans O. Il s’agit donc de calculer la force F à appliquer à l’outil terminal de telle sorte
qu’il se comporte de manière similaire à cette particule. Cette force F est obtenue
grâce à l’équation I.1 en intégrant dans le calcul de l’énergie celle résultant des
nouvelles forces virtuelles. L’énergie potentielle ne dépend plus que de la gravité mais
également du potentiel Uatt de la force attractive et de la somme des potentiels Uirep des
forces répulsives associées à chaque obstacle i . Enfin, de manière à stabiliser son
système autour du but, l’auteur propose également d’ajouter une force Fv de
dissipation (équivalente à un frottement) fonction de la vitesse.
Le problème principal d’une telle approche réside dans l’existence de minima
locaux. La résolution de ce problème peut être abordée de deux manières différentes :
• En construisant une fonction de potentiel dont le seul minimum soit le but à
atteindre.
• En utilisant une fonction potentielle possédante des minima locaux mais en mettant
en place un ensemble de mécanismes permettant au robot de les éviter ou de
repartir s’il en est prisonnier.

b) Les fonctions de navigation

Une fonction de potentiel possédant comme seul minimum le but à atteindre est
appelée une fonction de navigation globale. [Kod.87] a montré qu’une telle fonction
n’existe pas en général. En particulier, si l’espace des configurations est de dimensions
2 et qu’il existe q obstacles disjoints homéomorphes au disque unité, une fonction de
potentiel U possède au moins q points singuliers en forme de cols . La présence de tels
points n’est en revanche pas un problème car ils représentent un point d’équilibre
instable. Une petite perturbation suffit à faire basculer la particule d’un côté ou de
l’autre. Une telle fonction de potentiel, que l’on peut expliciter dans ce monde
sphérique particulier, est appelée fonction de navigation. Le problème maintenant est
de pouvoir calculer cette fonction dans un environnement quelconque. [Kod.87] a
montré que s’il existe un difféomorphisme permettant de transformer le monde
sphérique en un environnement A, ce difféomorphisme peut également transformer la
Chapitre I Introduction 24

fonction de navigation du monde sphérique en une fonction de navigation de A. [Rim.

et Kod.87] ont explicité un tel difféomorphisme dans le cas d’obstacles dans la forme
est un convexe étoilé. L’utilisation d’une telle approche dans un cas général semble
néanmoins délicate.

c) Les potentiels généralisés

L’approche proposée par [Kro. et Tho.97] ne nécessite pas l’utilisation d’une

fonction de navigation, difficile à fournir dans un cas général. Elle se base surtout sur
la constatation qu’un environnement simple est moins susceptible de produire des
minima locaux qu’un environnement complexe. Le principe consiste à faciliter le
travail du système réactif en lui décomposant le chemin total en un ensemble de sous
buts proches à rejoindre. Ces sous buts sont calculés grâce à un planificateur global à
partir d’un modèle de l’environnement. Ce modèle peut être incomplet, le rôle du
système réactif étant bien entendu de gérer ces imperfections. L’originalité de
l’approche de Krogh réside dans la fonction de potentiel choisie, appelée potentiel
généralisé. Cette fonction, afin de prendre en compte la dynamique du système,
dépend non seulement de la configuration du robot mais également de sa vitesse :

P(q, v ) = Pq (q& , v ) + P0 (q, v )

u =α (I-2)

u représente l’accélération commandée au robot et (α) l’accélération maximale

pouvant être appliquée. Pq (q& , v ) est le potentiel associé au but. Il correspond au temps

minimum que le robot mettrait pour atteindre le but à partir de la configuration et de la

vitesse courante si aucun obstacle n’était présent et si l’accélération utilisée était
l’accélération limite. P0 (q, v) est le potentiel associé aux obstacles. Seuls ceux situés
dans la direction prise par le robot sont utilisés pour le calcul. Cela signifie que le
robot ne sera pas perturbé par un obstacle proche parallèle à lui. P0 (q, v) est défini
comme l’inverse du temps de réserve avant collision t M → t m où tm est le temps
minimum dont le robot à besoin pour s’arrêter en utilisant la décélération maximum et
tM est le temps maximum dont il dispose en commençant à freiner maintenant de
Chapitre I Introduction 25

manière à s’arrêter juste avant l’obstacle. Plus la différence entre ces deux temps est
faible, plus le freinage devient urgent et plus le potentiel devient élevé.

d) La méthode des schémas

La méthode des schémas a été proposée par [Ark.87-90] afin de permettre à un

robot mobile d’effectuer des tâches complexes dans un environnement complexe. Le
principe est de créer un ensemble de comportements qui sont autant de manières très
spécialisés de percevoir une situation particulière et de réagir en conséquence. Cette
réaction peut prendre la forme d’une commande envoyée aux effecteurs. Le point
important est que la perception d’un schéma n’est pas générale mais est guidée par le
rôle qu’il doit tenir. Les schémas de type perception action sont réalisés sous forme
de fonctions de potentiels. Lorsque plusieurs schémas sont actifs simultanément, la
commande finale est la somme des différentes commandes. Lorsque plusieurs schémas
sont en conflit, la somme des commandes peut s’annuler provoquant ainsi une
situation de minimum local. La solution proposée consiste alors en un échange de
messages entre les différents protagonistes de manière à résoudre le problème.

Considérons par exemple que le robot suit une trajectoire prédéfinie. Un

obstacle est présent sur le chemin. Le schéma d’évitement d’obstacles va s’activer et
va s’arrêter en conflit avec le schéma de suivi de chemin toujours actif. Le robot va
alors se bloquer dans un minimum local de la fonction potentiel totale, somme des
deux autres. Après envoi d’un message, le chemin de suivi de chemin va
temporairement se désactiver, modifiant ainsi la carte de potentiel total et permettant
au robot de repartir.

Au lieu d’avoir une seule fonction de potentiel résolvant tous les problèmes
simultanément. Arkin propose d’avoir recours à plusieurs fonctions spécialisées qu’il
peut combiner créant ainsi un vaste ensemble de fonctions différentes. Cela lui donne
un recours en cas de problèmes où il peut transformer sa fonction en influant sur les
différentes composantes.
Chapitre I Introduction 26

I.9.2 Génération de chemins par potentiels

Les approches à base de potentiels telles qu’elles ont été introduites à l’origine
et telles que nous les avons présentées au cours de la section précédente, considèrent
que le robot est une particule élémentaire se déplaçant dans l’espace des
configurations sous l’action de forces provenant des obstacles et du but à atteindre.
Pour chaque configuration q, la particule est soumise à une force F(q) déterminant
son accélération. Connaissant les équations dynamiques du robot, il est alors possible
de déterminer le couple à appliquer à chacune de ces articulations pour que le
comportement du point contrôlé soit effectivement identique à celui de la particule
considérée.
Si l’on dispose par avance d’un modèle de l’environnement et des différents
obstacles, il est possible de simuler le comportement de la particule afin de planifier un
chemin libre permettant de rejoindre le but. On obtient ainsi une méthode de
planification de chemin basée sur les potentiels. Il est très important de remarquer que
la philosophie utilisée par ces planificateurs est identique à celle utilisée par les
approches d’évitement en ligne d’obstacles. La différence fondamentale est que dans
un cas, le résultat est un chemin qu’il convient ensuite de soumettre à un système de
contrôle afin que le robot puisse le parcourir. Les méthodes de planification par
potentiel sont des méthodes de haut niveau. Elles connaissent, de part leur facilité de
mise en œuvre, un très grand succès en robotique.

a) Planification en profondeur

Dans l’approche planification en profondeur, un chemin est représenté sous

forme d’un ensemble de segments de droite partant de la configuration initiale qinit.
Soit qi la configuration atteinte par le segment i↔1. Le segment qi+1 du segment i est
alors choisi de manière à ce que le segment qiqi+1 soit dans le sens de l’opposé du
gradient de la fonction potentiel en qi :
Chapitre I Introduction 27

∂U
x(qi +1 ) = x(qi ) ⇔ δ i ( x, y , θ )
∂x
∂U
y (qi +1 ) = y (qi ) ⇔ δ i ( x, y , θ )
∂y (I-3)
∂U
θ (qi +1 ) = θ (qi ) ⇔ δ i (x, y,θ )[2π ]
∂θ

Le chemin ainsi généré suit la pente la plus forte afin de diminuer la fonction
potentiel de la configuration initiale jusqu’au but à atteindre. Dans le cas d’évitements
simples, cette méthode permet de générer un chemin très rapidement. Dans le cadre
d’évitements plus complexes, elle est susceptible d’être mise en échec par la présence
de minima locaux.

b) Planification par le meilleur d’abord

La planification par le meilleur d’abord consiste à construire itérativement un

arbre T des configurations visitées. Le chemin est ensuite extrait de cet arbre. A
l’initialisation, l’arbre T contient la configuration initiale qinit. A chaque itération,
l’algorithme examine les voisins de la feuille de T ayant la valeur de potentiel
minimum. Ceux non visités sont ajoutés à l’arbre comme successeur de cette feuille.
La construction se termine lorsque le but est atteint. Le chemin est alors extrait en
remontant du but vers la racine.

c) Planification par fonction de navigation numérique

Cette approche a été proposée par [Bar et Lat.91]. Elle consiste tout d’abord à
construire les différentes valeurs de la fonction de navigation sur l’espace des
configurations puis exploiter cette fonction avec un algorithme de type planification
par le meilleur d’abord par exemple. Afin de déterminer les différentes valeurs prisent
par la fonction, l’espace des configurations est tout d’abord discrétisé sous forme de
grille. A l’initialisation, la cellule contenant le but reçoit la valeur 0. Ces voisines
directes faisant partie de l’espace libre et non encore affectées reçoivent la valeur 1.
Les voisines de ces nouvelles cellules reçoivent ensuite la valeur 2 et ainsi de suite
jusqu’à atteindre la position initiale du robot. La propagation de ces valeurs
Chapitre I Introduction 28

(correspondant pour chaque cellule à la distance la séparant du but) est réalisée par un
algorithme de type wavefront expansion.

d) Utilisation de fonctions harmoniques

Connolly et Grupen [Con. Gru. 93-94] se sont intéressés à l’utilisation d’une

nouvelle famille de fonctions de potentiel Ф vérifiant l’équation de Laplace :
n
∂ 2Φ
∇ 2Φ = ∑ =0 (I-4)
i =1 ∂xi2

Le principe du planificateur est le suivant : l’espace des configurations est tout

d’abord discrétisé par l’utilisation d’une grille. La valeur du potentiel Ф est ensuite
fixée à une valeur faible pour le but à atteindre. Le potentiel en tout point vérifiant
l’équation (I.4) est alors calculé grâce à la méthode itérative de Jacobi, remplaçant
simultanément à chaque pas la valeur de toutes les cellules autres que le but et les
obstacles par la moyenne de ses voisines directes.

e) Planification variationnelle

Cette approche de la planification n’est pas basée sur le suivi d’une particule
cherchant à minimiser la valeur d’une fonction. Cette méthode nécessite la définition
d’une fonctionnelle J associant un nombre à un chemin. Le principe de la planification
est de déterminer le chemin τ minimisant J.

[ r
]
1
J (τ ) = ∫ U (τ (s )) + dτ / dp ds (I-5)
0

Le premier terme a pour but de fournir un chemin évitant les forts potentiels et
donc les obstacles. Le second permet de produire des chemins courts. La fonctionnelle
J étant également minimisée par une approche de type descente de gradient,
l’optimisation peut être bloquée par un minimum local ne correspondant pas à un
chemin libre. L’avantage d’une telle approche réside néanmoins dans la possibilité de
coder facilement grâce à J un ensemble de critères que l’on souhaite retrouver dans le
chemin généré.
Chapitre I Introduction 29

f) Planification par déformation d’un chemin

La dernière possibilité que nous indiquons dans cette section afin de contourner
le problème du minimum local est la déformation de chemins existants telle qu’elle a
été proposée par [War.98]. Le principe consiste à approcher le chemin que l’on
cherche par un ensemble de segments de droite. A l’initialisation, le chemin relie le but
à l’origine en traversant éventuellement un certain nombre d’obstacles. Le principe des
potentiels ici est de chasser les points de l’intérieur vers l’extérieur des obstacles et de
déformer en conséquence le chemin.
Toutes les méthodes précédemment décrites font appel à une modélisation de
l’environnement et plus particulièrement des différents obstacles (sous formes de
primitives géométriques telles que les ellipsoïdes dans le cas de [Kat.86]).

I.10 Motivation et problématique

Le travail présenté dans cette thèse fait partie du domaine de la planification de
mouvement en robotique. Les recherches en la matière sont très actives depuis les
années 80.

On note W l’espace de configuration dans lequel évolue le robot considéré. En

général on peut déterminer la position de tous les points du robot dans cet espace par
un nombre restreint de paramètres (q1, q2, … ,qn ). Le choix de ces paramètres définit
un espace appelé espace de configurations noté CS. Issu de la mécanique, ce concept a
été introduit dans le domaine de la planification de mouvement par Lozano-Pérez
[Loz.83]

L’idée de base consiste à transformer la recherche d’un chemin pour un robot

dans l’espace physique en la recherche d’un chemin pour un point dans cet espace
particulier. En général, des contraintes d’ordre mécanique ou physique empêchent le
robot de se trouver dans certaines régions de W. Ces régions définissent des régions
interdites de CS, et dont l’ensemble les CS-obstacles. Le complémentaire des
CS-obstacles définit un sous-espace de CS où le robot se trouve libre de collision. Cet
espace est appelé l’espace libre, que l’on note CSlibre.

Un chemin γ pour un robot est une fonction continue :

Chapitre I Introduction 30

γ : [0, 1] → CS : t → q = γ(t) (I-6)

Ainsi, un chemin (γ) associe une configuration à chaque moment (t), décrivant
le mouvement du robot. Si qi et qf correspondent respectivement aux configurations
initiales et finales telles que :

qi = γ(0) et qf = γ(1), (I-7)

On dit que γ connecte qi et qf .

Si γ reste à l’intérieur de CSlibre, i.e. ∀t ∈ [0, 1] : τ (t ) ∈ CS libre , alors γ est appelé un

chemin libre (ou sans collision).

Lorsqu’un chemin (γ) décrit un mouvement sans collision exécutable par un

robot, on le qualifie de chemin faisable.

Le problème de planification de mouvement peut être alors formulé comme

suit :

Etant donné un robot R se déplaçant dans un espace de travail W

contenant des obstacles, une configuration initiale qi et finale qf, trouver
un chemin reliant qi à qf qui évite le contact avec les obstacles, ou
rapporter l’échec si aucun chemin n’existe.

Les robots concernés par ces travaux de recherche sont des robots de type bras
manipulateur, robot mobile, et le problème traité est celui de la détermination
automatique de mouvements. La planification automatique des mouvements constitue
un problème réel et critique, qui nécessite des développements et éventuellement des
recherches en ce domaine.

Pour résoudre ce problème on propose une méthode heuristique basée sur la

logique floue. Dans un premier temps on suppose que le robot est soumis à une force
attractive vers la cible et une force répulsive de l’obstacle. La première force elle est
calculée directement à partir des positions du robot et de la cible, quant à la deuxième
un raisonnement flou est appliqué pour la déterminer. Donc le robot est contrôlé par
son orientation qui est égale à la résultante des deux forces. Mais le problème posé
était comment choisir un contrôleur flou pour commander ce robot. Dans une
commande basée sur des règles de connaissance comme la logique floue, on suppose
Chapitre I Introduction 31

qu’il existe, associée à la connaissance, une technique qui permet à l’homme de

dominer le processus à commander. Les valeurs de mesure et de commande sont
réparties en ensembles, les relations entre les valeurs sont contenues dans des règles de
connaissance. Des conclusions sont tirées sur la base de raisonnements logiques
valides. Il est temps maintenant de voir comment tout cela peut être utilisé sur le plan
pratique. Appliquer une règle unique n’avance pas à grand-chose ; il nous faut donc
voir comment tirer des conclusions logiques qui nous permettent de prendre
logiquement des décisions concrètes et complexes. Il s’agira toujours d’un certain
nombre de règles qui définiront des conclusions, lesquelles seront encore traitées pour
conduire à une ou plusieurs conclusions évidentes. Chaque règle donne son propre
résultat, que nous pouvons appeler le degré de vérité de cette règle. Les règles dont le
résultat n’est utilisé que comme condition de règles suivantes. Chaque règle produit un
résultat. Nous pouvons considérer que chaque règle donne un avis sur la valeur à
attribuer au signal de commande. Le poids de chaque avis dépend du degré de vérité
de la conclusion. Si toutes les conditions sont vraies à 0%, l’avis n’aura aucun poids.
Si toutes les conditions sont vraies à 100%, l’avis aura le poids maximal. Il nous faut
donc trouver un moyen d’évaluer le poids de tous ces avis. Nous sommes à nouveau
face à une situation qui ressemble beaucoup à la pensée humaine. En effet, nous
sommes souvent confrontés, pour la prise de décisions importantes, à des sources
d’information différentes et à un certain nombre d’avis plus au moins contradictoires.
La façon dont les valeurs de commande sont fixées en fonction des résultats de
l’application des règles est importante. Les premiers essais pratiques de commande en
logique floue réalisés par Mamdani appliquaient la méthode de calcul du centre de
gravité min-max.

Il existe plusieurs manières d’arriver à des conclusions. Parmi elles, nous distinguons
trois groupes principaux :

• La déduction. Une conclusion particulière est tirée d’une connaissance

générale.

• L’induction. Un principe général est tiré d’un certain nombre d’affirmations.

Chapitre I Introduction 32

• L’analogie. L’analogie consiste à déduire de faits ou de cas reconnus la vérité

d’une proposition.

La commande floue a été une des grandes applications de la logique floue dans
les années (1985-1995) et on a pu constater dans ce domaine, ce qu l’on avait connu
dans le champ de l’intelligence artificielle (IA) dans les années (1975-1985) alors que
la plupart de ses applications étaient des systèmes experts. Ces applications de
commande floue étaient développées selon une démarche « basée connaissance »
reposait sur l’expertise d’un opérateur sur un problème de commande donné, de
complexité limitée (contrôleurs dits de type Mamdani).

Lorsqu’on a voulu passer à des problèmes plus complexes, il était difficile

d’écrire ou de demander à un expert d’écrire des bases de règles volumineuses et
l’approche basée connaissance n’avait plus de sens !

En fait, face à un problème de commande complexe, on doit tirer profit de différents

types de connaissance :

• de l’expertise sur certain points limités,

• de modèles locaux à validité restreinte,

• de nombreuses données entrées-sorties sur le procédé.

Pour mêler toutes ces connaissances, l’approche basée connaissance/expertise,

qui consistait à écrire directement un contrôleur, n’était plus adapté et l’on s’est tourné
vers une approche plus générale, rejoignant une démarche classique de l’automatique
dans une approche « basée modèle » grâce aux idées de modélisation floue.

Inconvénient principal dans la conception d’un contrôleur flou est le manque de

directives précises pour la conception.
Dans cette thèse on propose deux approches, la première est basée sur la
méthode du gradient et la deuxième sur les algorithmes génétiques, pour concevoir un
contrôleur flou ajustable, pour la commande d’un robot en présence d’obstacle fixe.
Chapitre II Modélisation 33

II.1 Introduction
Ce chapitre consiste à représenter le comportement du robot par des équations
algébriques, nous faisons appel à des notions mathématiques de point de vue position
(Modèle géométrique) ou de point de vue vitesse (modèle cinématique) ou de point de
vue des efforts misent en jeu (modèle dynamique). Les coordonnées articulaires et
opérationnelles sont les paramètres qui caractérisent le modèle du robot. Les premières
permettent au mécanisme de modifier sa géométrie et les secondes déterminent la
position et l’orientation de l’organe terminal.

II.2 Modélisation géométrique

sous des formes variées h (X, q) =0, X=F (q), q = g(x). Il s’agit d’un problème
trivial dans certains cas, fort complexe dans d’autre cas, voire impossible quand
interviennent des liaisons dites non holonomes.

II.2.1 Modélisation géométrique directe (MGD)

Le modèle géométrique direct d’un robot permet de calculer les coordonnées
opérationnelles donnant la situation de l’organe terminal en fonction des coordonnées
articulaires sous la forme :
X = F (q ) (II.1)
Avec la matrice (F) qui comporte deux termes non linéaires.
X = (X 1 , X 2 , ..............., X m )
T

(II.2)
Q = (q1 , q 2 , ...................., q n )
T

Le modèle géométrique direct qui décrit le bras manipulateur est :

Chapitre II Modélisation 34

X = L1 cos(q1 ) + L2 cos(q1 + q 2 )
(II.3)
Y = L1 sin (q1 ) + L2 sin (q1 + q 2 )

Les relations (II.3) expriment le modèle géométrique direct qui est bien de la forme
générale (II.1).

II.2.2 Modélisation géométrique inverse (MGI)

Le modèle géométrique inverse consiste à trouver le système d’équations qui
exprime les coordonnées généralisées en fonction des coordonnées opérationnelles.

L2 q2
q1 + q2

L1

q1 x

X1 X2

Figure II.1 Représentation d’un bras manipulateur

qi = F −1 ( xi ) (II.4)
Il s’agit d’inverser le système (II.3). q 2 = ±α
Où α = Arccos{[x 2 + y 2 − (L12 + L22 )]/ 2 L1 L2 } (II.5)
0 〈 α 〈 Π

Reprenant le système (II.3) :

Cos (q1+q2) et sin (q1+q2) :
Chapitre II Modélisation 35

X = (L1 + L2 cos q 2 ) − L2 sin q1 sin q 2

(II.6)
Y = (L1 + L2 cos q 2 )sin q1 + L2 cos q1 sin q 2
D’ou :
q1 = a tan 2{[Y (L1 + L2 cos q 2 ) − X * L2 sin q 2 ] /[X (L1 + L2 cos q 2 ) + Y * L2 sin q 2 ]} (II.7)

Les équations (II.5), (II.7) constituent le MGI on observe qu’il y a deux solutions,
représenté figure (II.1), on deux postures différentes du bras l’une dite "coude haut",
l’autre dite "coude bas".

L’inversion d’un modèle géométrique direct n’est pas toujours possible, et lorsque
la solution existe elle n’est pas toujours unique.

Alors dans le modèle géométrique inverse le problème se pose dans la

détermination des valeurs que doivent prendre les variables articulaires; si cette solution
existe et est unique, elle représentera donc une commande en position.

II.3 Modèle cinématique

II.3.1 Introduction
La cinématique complète la modélisation géométrique en établissant les relations
•
entre les vitesses des paramètres articulaire ( q ) et le couple vitesse de rotation, vitesse
• •
d’un point de l’effecteur que l’on désignera pour l’instant par la notation ( x = J q ).

La propriété évidente du modèle cinématique est sa linéarité par rapport aux vitesses.

II.3.2 Modèle cinématique direct (MCD)

Le modèle cinématique direct permet de déterminer la vitesse d’un point de

•
l’effecteur et la vitesse de rotation en fonction des vitesses articulaire ( q i ), i = 1 à n.

(M C D) est de la forme [J.P. Lallemand 94], [K. Krzysztof. 98]:

• •
x = J (q ) q (II.8)
•
x : Vitesse de l’effecteur par rapport au repère de base.
Chapitre II Modélisation 36

•
q : Vitesse des coordonnées généralisées.

J : La matrice Jacobienne définie par :

⎡∂F1 / ∂q1 ∂F1 / ∂q 2 . . . . . . . . . .∂F1 / ∂q n ⎤

⎢∂F / ∂q ∂F / ∂q . . . . . . . . .∂F2 / ∂q n ⎥⎥
⎢ 2 1 2 2

⎢. . . . . . . . . . . . . . . . . . . ⎥
J =⎢ ⎥ (II.9)
⎢.K K K K K K K K K K K K ⎥
⎢K K K K K K K K K K K K ⎥
⎢ ⎥
⎢⎣∂Fm / ∂q 1 ∂Fm / ∂q 2 . . . . . . . . . ∂Fm / ∂q n ⎥⎦

avec :

n : D.D.liberté du robot.

m : D.D. mobilité du robot.

Pour le bras manipulateur le M G D s’écrit :

MGD ⇒ X = F (q ) ⇒ X = L1 cos q1 + L2 cos(q1 + q 2 ) = F1 (q1 , q 2 )
(II.10)
Y = L1 sin q1 + L2 sin (q1 + q 2 ) = F2 (q1 , q 2 )
Le Jacobien J est :

⎡− L1 sin q1 − L2 sin (q1 + q 2 ) − L2 sin (q1 + q 2 )⎤

J = ∂F / ∂q ⇒ J =⎢ (II.11)
⎣ L1 cos q1 + L2 cos(q1 + q 2 ) L2 cos(q1 + q 2 )⎥⎦

II.3.3 Modèle cinématique inverse (MCI)

Le but de ce modèle consiste à trouver les vitesses articulaires qui génèrent la

vitesse désirée du point terminal. Sa détermination consiste à inverser la matrice
Jacobienne, qui n’est pas toujours possible.

Le modèle cinématique inverse est de la forme :

• •
q = J −1 (q ) x (II.12)

Deux cas peuvent se présenter :

Chapitre II Modélisation 37

• det J ≠ 0
• det J = 0
Considérons donc le nombre de degré de liberté (n) et le nombre de degré de mobilité
(m)

1- Si m = n, alors (J) est une matrice carrée, dans ce cas :

• •
• det J ≠ 0 ; alors (J¯ˈ) existe et la solution de q = J −1 (q ) x est unique

• det J = 0 ; la configuration pour laquelle det J = 0 est dite singulière; cela signifie que
le rang de la matrice (J) est inférieur à (m) c'est-à-dire qu’il y a des combinaisons
linéaires entre les coordonnées opérationnelles Xi.
2- Si m > n ; pour toutes les configurations, le robot est redondant, il existe une infinité
de solutions du problème du modèle cinématique inverse.

II.4 Modélisation dynamique

II.4.1 Introduction

On s’intéresse ici aux efforts actionneurs produits par les mouvements du S. M. A.

il s’agit d’établir les équations différentielles non linéaires qui relient les efforts
•
actionneurs Γi (t ) aux variables articulaires qi (t ) , aux vitesses articulaires q i (t ) et aux
••
accélérations articulaires q i (t ) .

L’ensemble de ces équations constitue ce qu’il est d’usage d’appeler le modèle

dynamique du manipulateur.

Pour cela il existe plusieurs formalisme de modélisation telle que, le formalisme de

Newton-Euler, le formalisme de Lagrange-Euler, le principe d’Alembert, etc.…

Pour notre étude on s’intéresse au formalisme de Lagrange-Euler.

II.4.2 Formalisme de Lagrange-Euler

Les équations dites de Lagrange permettent d’obtenir directement les relations

entre les couples aux articulions et les mouvements des variables articulaires.
Chapitre II Modélisation 38

Il s’agit donc, pour un robot a (i) articulations de (i) équations différentielles du

second ordre obtenues à partir des expressions.

⎛ •
⎞
d / dt ⎜ ∂L / ∂ qi ⎟ − (∂L / ∂qi ) = Γi (II.13)
⎝ ⎠
Avec L = E c − E p est la fonction de Lagrange, égale à la différence entre l’énergie

cinétique totale Ec et l’énergie potentielle Ep du mécanisme.

Γi : la force généralisé sur l’articulation pour tout le système mécaniques, l’énergie

cinétique Ec est une forme quadratique des vitesses.

E c = 1 / 2 * w + A(q ) * w

A : est une matrice symétrique définie positive, dépendant des masses et des inerties de
chaque corps,

ω : la vitesse angulaire de chaque corps qui constitue le robot.

• Les équations de Lagrange conduisent à la forme matricielle suivante :

••
⎛ •⎞
D(q ) q + C ⎜ q, q ⎟θ + G (q ) = Γ (II.14)
⎝ ⎠
Où :
D(q ) : matrice inertie.

⎛ •⎞
C ⎜ q, q ⎟ : les forces d’inertie et de coriolis.
⎝ ⎠
G (q ) : vecteur des couples moteurs aux articulations.

II.5 Application du modèle dynamique par le formalisme de

Lagrange- Euler pour un bras manipulateur à 2ddl
Pour appliquer les équations de Lagrange-Euler il faut en premier lieu déterminé
l’énergie cinétique de chaque corps du bras manipulateur.

E c1 = 1 / 2 * w1 + A1 * w1
(II.15)
E c 2 = 1 / 2 * w2 + A2 * w2

Une fois que nous aurons calculé l’énergie cinétique pour chaque corps, calculons
l’énergie cinétique totale du robot « bras manipulateur » par la formule suivante.
Chapitre II Modélisation 39

n
E ct = ∑ E ci (II.16)
i =1

Eci : l’énergie cinétique du iéme corps du robot.

Puis nous pouvons appliquer les équations différentielles de Lagrange pour obtenir les
équations différentielles qui décrivent la dynamique de ce manipulateur.

⎛ •
⎞
d / dt ⎜ ∂E c / ∂ q i ⎟ − (∂E c / ∂qi ) = Γi (II.17)
⎝ ⎠
i = 1,….., n
Pour notre cas i = 2
⎡Γ1 ⎤
Γ=⎢ ⎥ (II.18)
⎣Γ2 ⎦
⎛ •
⎞
d / dt ⎜ ∂E c / ∂ q 1 ⎟ − (∂E c / ∂q1 ) = Γ1
⎝ ⎠
(II.19)
⎛ •
⎞
d / dt ⎜ ∂E c / ∂ q 2 ⎟ − (∂E c / ∂q 2 ) = Γ2
⎝ ⎠

Γ1 , Γ2 : Les moments généralisés qui actionnent chaque corps dans la direction du

mouvement du corps.

Ces deux expressions différentielles peuvent être écrites sous la forme matricielle
suivante :
••
⎛ •
⎞•
D(q ) q + C ⎜ q, q ⎟ q + G (q ) = Γ (II.20)
⎝ ⎠

Où D(q ) est la matrice des coefficients inertiels.

C (q, q& ) le vecteur des termes centrifiguals et de Coriolis.

G (q ) le vecteur gravitationnel.
Chapitre II Modélisation 40

⎡ 1 ⎤
⎢a1 + a 2 cos q 2 a3 +
2
a 2 cos q 2 ⎥
D(q ) = ⎢ ⎥ (II.21)
⎢a + 1 a cos q a3 ⎥
⎢⎣ 3 2 2 2
⎥⎦

⎡ ⎧ (ω1 +ω 2 )⎫ ⎤
⎢− a 2 sin q 2 ⎨ ⎬ω 2 ⎥
⎩ 2 ⎭ ⎥
C (q, q& ) = ⎢ (II.22)
⎢1 ⎥
⎢ a 2 sin q 2 (ω1 )
2
⎥
⎣2 ⎦

⎡a 4 cos q1 + a5 cos(q1 + q 2 )⎤
G (q ) = ⎢ ⎥
⎣ a5 cos(q1 + q 2 ) ⎦ (II.23)

1 1
Où : a1 = m1l12 + m2 l12
2 2
a 2 = m2 l1l 2 ,
1
a3 = m2 l 22 ,
3
1
a4 = m1 gl1 + m2 gl1 ,
2
1
a5 = m2 gl 2 ,
2
ω1 = q&1 et ω 2 = q& 2
Chapitre II Modélisation 41

II.6 Présentation de la chaise roulante

II.6.1 Modèle de la chaise roulante
Le robot que nous allons étudier est un robot mobile de type chaise roulante dont
la forme est assimilée à un rectangle (voir Figure II.2). La chaise évolue dans un espace

de travail W plan et connu par ses frontières; tel que: W=R2.

L’espace des configurations de la chaise est de dimension 3 dont une
configuration est définie par (x, y, θ), tel que (x, y) est la position de la chaise par
rapport à un référentiel et θ son orientation par rapport à l’axe des X.
La chaise est dotée de deux roues arrière motrices, et d’une roue avant directrice.

II.6.2 Non holonomie de la chaise roulante

Les paramètres de configuration de la chaise sont donnés par les coordonnées du
point M(x, y, θ) représentant sa position par rapport à un référentiel et son orientation par
rapport à l’axe des X. (voir figure II.2)

Figure II.2- Les coordonnées de la chaise par rapport au référentiel.

• V g + Vd • V g + Vd • V g − Vd
x= cos θ , y= sin θ , θ=
2 2 d

Avec :
Vg : la vitesse de la roue arrière gauche.
Vd : la vitesse de la roue arrière droite.
d : la distance entre les deux roues arrière de la chaise.
Chapitre II Modélisation 42

II.6.3 Contrôlabilité de la chaise

Avant et pendant le processus de conception d'un dispositif d’aide (chaise roulante)
il est important pour être sûr qu'il sera "contrôlable". En effet, la contrôlabilité d’un robot
mobile de type voiture a été démontrée par Laumond [LAU.] à l’aide d’outils de la
théorie du contrôle des systèmes non linéaires. Ce résultat formel confirme l’intuition
expérimentale qu’a tout conducteur, à savoir que, moyennant un certain nombre de
manoeuvres il est toujours possible d’emmener une voiture d’une configuration à une
autre.

II.7 Modèle de la roue

Le mouvement du robot mobile à roues est décrit complètement par le vecteur de
position ζ = (x, y, θ )T
• (x, y) est le couple des coordonnées d’un point M de la plate forme exprimées
dans le repère inertiel orthonormé, et
• θ est l’orientation.
On définit la matrice de rotation orthogonale qui permet le passage du repère R1 au
repère R :

⎡cos(θ ) − sin (θ ) 0⎤
R(θ ) = ⎢⎢sin (θ ) cos(θ ) 0 ⎥⎥ (II.25)
⎢⎣ 0 0 0 ⎥⎦

Le robot mobile à roues constitue une classe de système mécanique caractérisé par
des contraintes non intégrables. L’étude de la manoeuvrabilité d’un robot mobile se
fait à partir de la traduction en termes mathématiques des contraintes de roulement
pur sans glissement vérifiées pour chacune des roues, les contraintes imposées aux
différents mouvements, suivant le type de la roue.
Description de la roue : On suppose que durant le mouvement, le plan de chaque
roue reste en permanence perpendiculaire au sol. On distingue deux classes de roues :
les roues conventionnelles et les roues suédoises. Dans chaque cas on suppose que le
contact entre la roue et le sol est réduit à un seul point.
Chapitre II Modélisation 43

Les roues conventionnelles : pour lesquelles la contrainte de roulement pur sans

glissement se traduit par une vitesse nulle au point de contact suivant deux directions :
l’une parallèle et l’autre perpendiculaire au plan de la roue. Parmi ces roues on
distingue :
II.7.1 La roue fixe : le centre de la roue, noté A, est un point fixe de la plate forme
et sa position est caractérisé par quatre constantes (α , β , l, r ) et l’angle de
rotation ϕ (t ) , figure ( II.3)

Ym β

r φ
L A

α
M Xm

Figure II.3 La roue fixe

La position A est déterminée par les coordonnées polaires, par la distance [MA=L]
et l’angle (α). L’orientation du plan de la roue par rapport à MA est représenté par l’angle
constant (β). L’angle de rotation de la roue autour de son axe horizontal est noté (φ) et le
rayon de la roue est noté (r). Après cette description on en déduit les contraintes
suivantes :
• Le long du plan de la roue :

[− sin (α + β ) cos(α + β ) l cos β ] R(θ )ζ& + rϕ& = 0 (II.26)

• Orthogonale au plan de la roue :

[cos (α + β ) sin (α + β ) l sin β ] R(θ )ζ& = 0 (II.27)

II.7.2 La roue directrice : caractérisée par un axe d’orientation vertical passant par
le centre de la roue. La description de cette roue est identique à celle de la roue fixe, sauf
que l’angle (β) n’est pas constant. La position de la roue est caractérisée par trois
constantes (l , α , r ) et le mouvement par rapport à la plate forme par deux
Chapitre II Modélisation 44

variables [β (t ) et ϕ (t )] . Les contraintes possèdent les mêmes formes que

précédemment :

[− sin (α + β ) cos(α + β ) l cos β ]R(θ )ζ& + rϕ& = 0

(II.28)
[cos(α + β ) sin (α + β ) l sin β ]R(θ )ζ& = 0

II.7.3 La roue folle : caractérisée par un axe d’orientation vertical appartenant au plan
de la roue, mais ne passe pas par le centre de la roue figure (II.4).

A
Ym
d B
β φ

A
L B
α
M Xm
d

Figure II.4 Roue folle

Dans ce cas, la description de la roue nécessite plus de paramètres. Le centre de la
roue est noté maintenant B, il est connecté à la plate forme par un dispositif rigide AB
d’une longueur constante d, ce dernier peut tourner autour d’un axe vertical fixe en A
fixé à la plate forme, sa position est spécifiée par deux coordonnées polaires [l et α ] .
Le plan de la roue est aligné le long de AB. La position de la roue est décrite par quatre
constantes [l , α , r , d ]] et son mouvement par les deux angles β (t ) et ϕ (t ) . Selon ces
notations, les contraintes prennent les formes suivantes :

[− sin (α + β ) cos(α + β ) l cos β ]R(θ )ζ& + rϕ& = 0

(II.29)
[cos(α + β ) sin (α + β ) d + l sin β ]R(θ )ζ& + dβ& = 0
Chapitre II Modélisation 45

Conclusion :
La première compréhension des mouvements complexes dans l’espace, de
l’outil porté par un bras manipulateur est essentiellement une affaire de géométrie des
déplacements. Ce chapitre traite de la modélisation géométrique avec les outils simples
du calcul vectoriel et du calcul matriciel. Après avoir rappelé ces outils, l’accent est mis
sur des procédures générales d’obtention des relations entre la situation de l’organe
terminal et les variables actionneurs, dans le problème direct et le problème inverse.

Si la géométrie apporte déjà beaucoup à la compréhension des robots, elle est

cependant insuffisante et doit être complétée par la cinématique afin de décrire
complètement les mouvements.

Un robot manipulateur est soumis à des efforts qui sont dus au poids propre de ses
éléments, à la charge transportée, aux efforts d’inertie quand il effectue des mouvements
rapide, ce qui permet d’avoir des éléments pour guider le choix des motorisations et des
commandes associées.

Nous avons présenté aussi le modèle cinématique pour un robot mobile non
holonome de type chaise roulante à trois roues dont les deux arrières sont motrices et la
roue avant directrice.
Chapitre III Logique floue 46

III.1 Construction d’un correcteur flou

L’idée d’appliquer les techniques floues au domaine du contrôle des processus a
été proposée la première fois par Chang et Zadeh en 1972 [Cha.72]. Leur démarche
reposait sur une approche à base de modèle en utilisant le concept de fonction floue.
Toutefois, il est intéressant de noter que les premières applications en contrôle flou ont
été effectuées par Mamdani et son équipe [Mam.74], [Mam.75a], [Mam.75b], [Mam.
77] en utilisant une approche de type heuristique qui a ses racines dans le champ de
l’intelligence artificielle. L’idée développée a été d’utiliser les techniques floues pour
leur capacité à exprimer, de manière simple et sous une forme linguistique, des règles
de comportement comme cela été mis en évidence par Zadeh dans [Zad.73]. Cette
approche a conduit à de nombreux développements dans la communauté du contrôle
flou. Le domaine des contrôleurs flous de type proportionel-intégral-dérivé, ou plus
généralement de type linéaire, reste encore très actif aujourd’hui [Bou.92a], [Buc.89],
[Buc.90], [Fou. 98], [Gal.95], [Hu.99], [Mat.92], [Mud.99], [Tao.00].

Une autre approche, qui a donné des développements très riches, a été proposée
par Takagi et Sugeno en 1985 [Tak.85, Sug.83]. Elle repose aussi sur une représentation
à base de règle. Toutefois, à la différence des contrôleurs de type Mamdani, la partie
conclusion des règles s’exprime de manière numérique sous la forme d’une constante,
d’un polynôme ou, de manière plus générale, par une fonction ou une équation
différentielle dépendant des variables associées aux prémisses des règles. Ce type de
représentation peut être utilisé pour modéliser un processus ou pour synthétiser un
contrôleur flou. Cette approche, orientée modèle, a fourni la plupart des résultats
théoriques en contrôle flou. En l’absence de modèle analytique, la loi de commande
peut être synthétisée à partir d’une relation entrée-sortie sous forme d’un système flou
de type Takagi-Sugeno. Les erreurs de modélisation peuvent être prises en compte par
différentes techniques : contrôleurs flous adaptatifs, contrôleurs flous robustes utilisant
une synthèse H∞ [Che.96], [Kan.98], [Ma. 00], [Su.94], [Wan.93], [Won.98], [Yin.95].
Chapitre III Logique floue 47

III.2 Introduction à la logique floue

Si les processus commandés sont linéaires, (c’est-à-dire lorsque les grandeurs de

sortie sont reliées aux grandeurs d’entrée par des équations différentielles linéaires) ils
peuvent être alors modélisés par un modèle mathématique (fonction de transfert en « p »
pour les systèmes à temps continu ou en « z » pour les systèmes à temps
échantillonnés). Le concepteur devra alors calculer les valeurs des paramètres de
réglage du régulateur (gain, durées d’intégration et de dérivation) pour satisfaire aux
exigences d’un cahier des charges (temps de montée, dépassement). Le système régulé
sera correct s’il est peu sensible aux perturbations (on dira alors qu’il est robuste).

Certains processus sont par nature difficilement modélisables (thermique,

chimique), variables dans le temps ou encore ne peuvent être correctement représentés
par un modèle linéaire. Dans ce cas, les paramètres de réglage du régulateur ne seront
pas optimaux et le système pourra ne pas être correctement contrôlé.

Dans une approche « logique floue », on ne se préoccupe pas d’une modélisation

mathématique du processus mais, par contre, on suppose le processus non régulé bien
connu par un opérateur humain, l’objectif est toutefois de l’automatiser. On parle alors
de connaissance par un « expert » qui sait ce qu’il faut faire pour que ça marche dans
tous les cas de figure.

III.3 Structure d’un contrôleur flou

1) Structure du régulateur

La figure (III.1) présente un système qui contient un régulateur flou. Il a une

structure identique à un système à réglage par feedback classique (ou réglage par contre
réaction d'état). Il est constitué de :

- S : le système à régler
- OCM : l'organe de commande
- RLF : le régulateur par logique floue
Chapitre III Logique floue 48

- W : la grandeur de consigne
- Ucm : le signale de commande fournit par le RLF
- U : la grandeur de commande fournie par l'OCM
- V : une perturbation
- Y : la grandeur à régler (ou sortie)
- YM : le vecteur qui contient les grandeurs mesurées
Ce dernier contient en général la grandeur à régler y et, le cas échéant, d'autres
grandeurs mesurées qui sont déterminantes pour saisir l'évolution dynamique du
système à régler.

W U Y
RLF OCM S
YM YM

Figure III.1 Structure d’un réglage multivariable par logique floue

2) Configuration interne

Pour rappel, par opposition à un régulateur standard, le régulateur par logique

floue ne traite pas une relation mathématique bien définie, mais utilise des inférences
avec plusieurs règles se basant sur des variables linguistiques. Ces inférences sont alors
traitées par des opérateurs de la logique floue.

W
RLF
YM Ucm

W Fuzzification Inférence Défuzzification

YM Ucm
X XR

Figure III.2 Configuration interne d’un régulateur par logique floue

Chapitre III Logique floue 49

Les trois parties de la structure générale du contrôleur

Dans la configuration interne d'un régulateur par logique floue, on distingue trois
parties :

1. La fuzzification : conversion des valeurs d'entrées (grandeurs physiques) en

grandeurs floues réunies dans le vecteur x.

2. L'inférence (avec la base de règles) : prise des décisions (chaque règle activée
donne un sous-ensemble flou de sortie).

3. La défuzzification : conversion des sous-ensembles flous de sortie en valeurs

déterminées.

III.3.1 Opération de fuzzification

La grandeur d’entrée du contrôleur doit d’abord être fuzzifiée, c’est-à-dire que l’on
va fixer les valeurs linguistiques ainsi que la forme des fonctions d’appartenance. Cette
opération doit être faite également sur la variable de sortie. Bien sûr cette sortie
fuzzifiée n’est pas exploitable pour attaquer l’interface de puissance. Il faudra donc avoir
en tête de faire une opération de « défuzzification » pour résoudre ce problème.

III.3.2 Règles « d’inférence »

• Méthode MAX-MIN
- Au niveau de la condition : ET est représenté par la fonction Min, OU est représenté
par la fonction Max
- Au niveau de la conclusion : OU est représenté par la fonction Max, ALORS est
représenté par la fonction Min (d’où la désignation)

• Méthode MAX-PROD
- Au niveau de la condition : ET est représenté par la fonction Min, OU est représenté par
la fonction Max
Chapitre III Logique floue 50

- Au niveau de la conclusion : OU est représenté par la fonction Max, ALORS est

représenté par la fonction Prod (d’où la désignation)

• Méthode SOMME-PROD
Il s'agit de la Somme Pondérée (ou Moyenne) :
- Au niveau de la condition : ET est représenté par la fonction Prod, OU est représenté
par la fonction Somme.
- Au niveau de la conclusion : OU est représenté par la fonction Somme, ALORS est
représenté par la fonction Prod (d’où la désignation)

• Base de règles « d’inférence »

Le rôle de l’expert est ici présent car c’est lui qui va fixer les règles de la
commande qui vont porter uniquement sur les valeurs linguistiques des variables.
La liste des règles est appelée base d’inférence (inférence : opération logique par
laquelle on admet une proposition en vertu de sa liaison avec d’autres propositions
tenues pour vraies : Nouveau Petit Robert). On parle aussi de moteur d’inférence. Il
n’est pas nécessaire que toutes les cases du tableau soient remplies.
On peut trouver les règles énoncées critiquables, elles ne sont données qu’à titre
d’exemples et doivent être adaptées en fonction de chaque processus.

A ce stade, on a donc la sortie définie sous forme linguistique avec des degrés
d’appartenance précis. Il faut maintenant passer à une grandeur qui, elle, sera
interprétable par l’interface de commande

III.3.3 Opération de Défuzzification

Les méthodes d’inférence fournissent une fonction d’appartenance résultante pour
la variable de sortie. Il s’agit donc d’une information floue qu’il faut transformer en
grandeur physique.
On distingue 4 méthodes de défuzzification :
Chapitre III Logique floue 51

1) Méthode du maximum :
La sortie correspond à l’abscisse du maximum de la fonction d’appartenance
résultante.
Trois cas peuvent se produire :
Dans le premier cas, il n'y a pas de problèmes. Dans les deux autres cas, une ambiguïté
apparaît. Il n'y a pas de règle générale sur la décision à prendre. Certains opérateurs
préféreront prendre la plus petite sortie, d'autres la plus grande et d'autres une valeur
moyenne.
Remarque: méthode simple, rapide et facile mais elle introduit des ambiguïtés et une
discontinuité de la sortie.

2) Méthode de la moyenne des maxima :

Dans le cas où plusieurs sous-ensembles auraient la même hauteur maximale, on
réalise leur moyenne. Un des inconvénients (l'ambiguïté) de la méthode du maximum
est enlevé.

3) Méthode du centroïde :
La sortie correspond à l’abscisse du centre de gravité de la surface de la fonction
d’appartenance résultante.

Il existe deux méthodes :

- On prend l’union des sous-ensembles flous de sortie et on en tire le centroïde global
(calculs très lourds).

- On prend chaque sous-ensemble séparément et on calcul son centroïde, puis on réalise

la moyenne de tous les centroïdes.

Remarque: on n’a plus de discontinuités et d’ambiguïtés, mais cette méthode est plus
complexe et demande des calculs plus importants.
Chapitre III Logique floue 52

4) Méthode de la somme pondérée :

Il s'agit d'un compromis entre les deux méthodes précédentes. On calcule

individuellement les sorties relatives à chaque règle selon le principe de la moyenne des
maxima, puis on réalise leur moyenne pondérée.

Après ces notions de base de la logique floue et ses applications, nous constatons
que cette technique convient à notre cas. Malgré les inconvénients qu’elle possède, cela
ne nuit pas à son efficacité et sa souplesse dans la commande des systèmes complexes ce
qui justifie notre choix.

III.4 L’apprentissage en logique floue

Les premiers travaux dans le domaine de l’apprentissage pour systèmes flous on été
réalisés par Procky et Mamdani [Pro. 79] dans le cadre des contrôleurs flous auto
organisés (Self Organizing Controller). Le principe général utilisé est celui de
l’apprentissage renforcé. Le but est d’apprendre à un contrôleur flou à suivre une
trajectoire de référence (ou atteindre un point). Le résultat de ses commandes est jugé
grâce à une table de performance permettant d’indiquer les corrections nécessaires. Ces
corrections sont alors répercutées sur les différentes règles en tenant compte de leur rôle
pour le calcul de la commande finale. [Glo. 68] a proposé une adaptation de l’algorithme
(Q-Learning) à un contrôleur flou. Le contrôleur est formé d’un ensemble d’agents
acceptant tous les mêmes entrées. Pour chaque situation, La sélection de l’agent actif est
réalisée grâce à la fonction d’utilité Q. Le renforcement reçu est alors distribué sur les
différentes règles en fonction de leur degré d’activation. Après apprentissage, il est
possible de former un nouvel agent constitué des règles de chaque agent ayant reçu le
plus de renforcement. Cet algorithme ne propose pas la modification ou la création de
nouvelles règles mais de réaliser une sélection des règles les plus appropriées parmi une
base existante.
Les deux approches précédentes ont pour principe commun d’essayer de construire
une base de règles par apprentissage renforcé. Il existe deux types d’apprentissage pour
un système flou :
Chapitre III Logique floue 53

1. L’apprentissage des paramètres. Il permet de régler la valeur des différents

paramètres attachés aux fonctions d’appartenance et (ou) aux opérateurs de
combinaison.
2. L’apprentissage structurel. Son but est de déterminer le nombre de règles
ainsi que les variables mises en jeu.

III.4.1 L’apprentissage des paramètres

Le but de l’apprentissage est de déterminer la valeur des différents paramètres
utilisés de manière à minimiser l’erreur commise par rapport aux ensembles. Ces
paramètres peuvent être attachés aux opérateurs de combinaison [Glo.93] ou aux
fonctions d’appartenance des différentes données linguistiques. L’approche la plus
simple consiste à positionner les différentes parties condition des règles manuellement
ou grâce à un algorithme de catégorisation et d’ajuster uniquement la partie conclusion
[Jou 93]. Rappelons que dans le cadre d’un contrôleur de type Sugeno avec une partie
conclusion constante, la valeur de sortie est donnée par :
∑w a i i
f = i

∑w i
i

La valeur de sortie est donc une combinaison linéaire des termes recherchés. La
minimisation de l’erreur peut être obtenue directement par une méthode de type simplexe
[Gar. 94] ou descente de gradient [Ish. 93] par exemple.
La modification exclusive de la partie droite peut être insuffisante. Il faut alors
avoir recours à une adaptation de l’ensemble de paramètres du système flou. Cela peut
être réalisé grâce à différentes techniques d’optimisation telles que le recuit simulé [La r.
93] ou à nouveau la descente de gradient.
Le calcul de gradient de chaque paramètre intervenant dans la partie gauche d’une
règle est un problème à priori non trivial. On peut constater néanmoins que les opérateurs
réalisées dans les différentes étapes de l’évaluation d’une base de règles sont similaires
aux opérateurs réalisés par certains neurones formels. Un système flou peut être
transformé en un réseau à propagation unilatérale et être modifié par rétro propagation
du gradient. Le rapprochement de la logique floue et des réseaux de neurones afin de
Chapitre III Logique floue 54

combiner leurs avantages respectifs est une grande préoccupation des chercheurs des
deux axes. Ces formalismes sont tous les deux utilisés pour résoudre des problèmes
semblables caractérisés par une absence de modèle. Le contrôle flou permet la prise en
compte de connaissances initiales mais reste figé. Les réseaux de neurones ne peuvent
incorporer cette connaissance initiale mais sont capable d’adaptation [Nau. 93], [Glo. 91],
[Glo. 93], [Jan. 92], [Nau. 93].

III.4.2 L’apprentissage structurel

Le but de cet apprentissage est de déterminer la structure d’un contrôleur décrivant
une base d’exemples fournie. Les méthodes développées peuvent être séparées en deux
catégories :
1. celles basées sur l’analyse de la distribution des points d’exemples,
2. celles basées sur la recherche du meilleur contrôleur parmi l’ensemble
des contrôleurs possibles.

Sélection du contrôleur parmi un ensemble

Le principe général de ces méthodes est de réaliser une recherche au sein de
l’espace formé par l’ensemble des contrôleurs possibles. A notre connaissance, la
première approche dans ce domaine est celle de [Tak. 85]. Le but est de déterminer les
variables intervenant dans le contrôleur, les parties conditions et les parties conclusion
des règles. Le principe est le suivant :
1. Un sous ensemble de l’ensemble total des variables du problème est choisi grâce à
une heuristique. A partir de cet ensemble, la partie condition et conclusion optimales
sont calculées. Le contrôleur obtenu est évalué par rapport à l’ensemble des exemples
(par un critère quadratique d’erreur). Le choix initial des sous ensemble de variables
est alors remis en cause de manière à réduire cette erreur.
2. étant donné un choix de variables, les parties conditions optimales peuvent être
déterminées (en tenant compte des parties conclusions calculées).
3. étant donné un choix de variables et de parties conditions, les différentes conclusions
sont générées afin de réduire l’erreur quadratique par rapport aux exemples.
Chapitre III Logique floue 55

La détermination d’un contrôleur nécessite donc de nombreuses itérations entre les

trois étapes rendant l’algorithme peu adapté à un calcul en ligne. Il est de plus nécessaire
de connaître initialement la totalité des exemples.
Le problème de recherche d’un élément parmi un ensemble vaste d’éléments
possibles est un problème type des algorithmes génétiques [Lee 93], [Coo. 93], [Coo.94],
[Got. 87], [Her. 93], [Her. 93], [Cas. 93]. Herrera par exemple code une règle floue au
sein d’un chromosome destiné à évaluer. La quantité de chaque chromosome, permettant
de sélectionner les candidats au croisement, est jugée selon 4 critères :
1. le nombre d’exemples positifs. Ce sont les exemples de la base initiale en accord
avec la règle.
2. le degré d’activation moyen de la règle sur l’ensemble des exemples positifs.
3. le nombre d’exemples négatifs. Ce sont les exemples en contradiction avec la
règle.
4. le degré de participation de la règle sur la totalité des exemples

III.5 Méthode proposée

III.5.1 Procédure de commande

Le bras, l’obstacle et la cible peuvent prendre n’importe quelle position à
condition qu’ils doivent rester dans la zone de travail (l’obstacle et la cible ne doivent pas
être très proche de l’origine et ne doivent pas être très éloignés de la distance L1 + L2.
• Le bras ne peut rencontrer qu’un seul obstacle.
• Le bras est contrôlé uniquement par son orientation.

III.5.2 Méthode d’évitement

Pour que le bras se déplace sans collision avec l’obstacle, le bras évolue dans un
champ de forces qui sont :
• Une force attractive Fatt.
• Une force répulsive Frep.
Chapitre III Logique floue 56

A partir de ces forces on détermine l’orientation du bras.

Y Vrep effecteur

Vor Vatt Obstacle

Cible

Figure III. 3 l’espace de commande du bras manipulateur

Vatt : vecteur attractif à la cible.

Vrép : vecteur répulsif de l’obstacle.
Vor : vecteur orientation du bras.

La force attractive est calculée directement à partir de la position de la cible et

pour la force répulsive on utilise un raisonnement par logique floue.

III.5.3 Le contrôleur flou pour l’évitement d’obstacle

L’objectif est la conception d’un contrôleur flou capable d’évaluer le vecteur
répulsif Vrep correspondant à la position relative actuelle de l’obstacle.

Vatt
θobs +
Contrôleur Vrep + Vor Bras Yb
flou Xb
dobs θb

Figure III. 4 Entrées / sorties du contrôleur

Chapitre III Logique floue 57

Le contrôleur possède deux entrées et une sortie. Les entrées sont l’angle et la
distance par rapport à l’obstacle, la sortie est le vecteur répulsif. Pour le bras, l’entrée est
l’angle d’orientation β et les sorties sont les deux coordonnées absolues (Xb, Yb) et la
direction (θb).
Le contrôleur choisi est de type Takagi-Sugeno avec les fonctions d’appartenance
gaussiennes.

La fuzzification :

• La fuzzification de l’angle d’obstacle θobs :

On suppose que le bras peut percevoir un obstacle dans une direction qui
appartienne à l’intervalle [-90, +90]. La première entrée est partitionnée en sept
sous ensemble flous de formes Gaussienne (figure III.5):
LG : Large à gauche, MG : Moyenne à gauche
PG : Petite à gauche, EZ : Environnement de zéro
PD : Petite à droite, MD : Moyenne à droite
LD : Large à droite

Partition de la première entrée du contrôleur

1.5

LL ML SL EZ SR MR LR
Degré d'appartenance µ

0.5

-0.5
-80 -60 -40 -20 0 20 40 60 80
θobs (deg.)
Figure III. 5 Fuzzification de l’angle d’obstacle θobs
Chapitre III Logique floue 58

• La fuzzification de la distance d’obstacle dobs

On suppose que le bras peut détecter un obstacle jusqu’à une distance de 30 unités.
La fonction d’appartenance est partitionnée en trois sous ensembles flous de
formes Gaussienne (figure III.6):
S : petite, M : Moyenne, L : grande
Partition de la deuxième entrée du contrôleur
1.5

S M L
µ

1
Degré d'appartenance

0.5

-0.5
-5 0 5 10 15 20 25 30 35
odobs (cm)

Figure III. 6 Fuzzification de la distance d’obstacle dobs

• La fuzzification de l’angle répulsif θrep

La fonction d’appartenance de l’angle répulsif θrep est donnée sous forme de

constantes appartenant à l’intervalle [-135, +135] (figure III.7).
TGN : Très grand négatif AGN : Assez grand négatif
GN : Grand négatif MN : Moyen négatif
PN : Petit négatif APN : Assez petit négatif
TPN : Très petit négatif EZ : Environ de zéro
TPP : Très petit positif APP : Assez petit positif
MP : Moyen positif AGP : Assez grand positif
Tableau III.1 Les termes linguistiques de la variable de sortie (θrep)
Chapitre III Logique floue 59

Partition de la variable de sortie

1.5
µ

AGP
TGN
AGN

APN

TPN

APP
MN

TPP
PN
GN

MP
EZ
Degré d'appartenance

0.5

0
-200 -150 -100 -50 0 50 100 150 200
L'orientation (deg.)
Figure III.7 Fuzzification de l’angle répulsif

L’inférence

L’angle répulsif θrep est décidé comme suit :

R1 : SI dobs est GN ET θobs est P ALORS θrep est APP, OU
R2 : SI dobs est GN ET θobs est M ALORS θrep est TPP, OU
……………………………………………………………………
R21 : SI dobs est GP ET θobs est G ALORS θrep est EZ.
Les règles sont résumées dans le tableau suivant [Fou.95] :

θrép θobs
LL ML SL EZ SR MR LR
S APP MP AGP TGN AGN MN APN
dobs M TPP APP MP GN MN APN TPN
L EZ TPP APP PN APN TPN EZ

Tableau III.2 La base des règles de l’angle répulsif θrep

Chapitre III Logique floue 60

III.6 Contrôleur flou auto ajustable

Introduction :
Les règles linguistiques, variables linguistiques, fonctions d’appartenance
etc., sont des paramètres à déterminer pour les utiliser dans la conception d’un contrôleur
flou. On propose une méthode d’apprentissage par gradient descendant, qui permet
l’ajustement automatique de ces paramètres sous la supervision d’un expert [God.97],
[Tao.05].

III.6.1 Contrôleur de type Takagi - Sugeno

Règles linguistiques : On suppose que le contrôleur possède M+K variables
linguistiques :
M entrées : x1, x2, ………, xm.
K sorties : y1, y2, ……,yk.

Et N règles linguistiques :
R1 : SI x1 est A11 ET x2 est A12 ET ….xM est A1M
Alors y1 est C11 ET y2 est C12 ET … yk est C1k ;

OU

Rn : SI x1 est An1 ET x2 est An2 ET ….xM est AnM

Alors y1 est Cn1 ET y2 est Cn2 ET … yk est Cnk ;

OU

RN : SI x1 est AN1 ET x2 est AN2 ET ….xM est ANM

Alors y1 est CN1 ET y2 est CN2 ET … yk est CNk ;

Avec : Anm est une valeur linguistique pour la nième règle et la mième variable linguistique.
CnK est une valeur constante représente la Kième sortie de la nième règle.
Chapitre III Logique floue 61

III.6.2 Fonction d’appartenance

On définit pour chaque entrée, un ensemble de fonctions d’appartenance

Gaussienne ou triangulaire comme suit :
La fonction Gaussienne est définie par :

⎛ (xm − a nm )2 ⎞⎟
µ nm ( x m ) = exp⎜⎜ − 2 ⎟ (III.1)
⎝ 2bnm ⎠

n= 1,……….., N
m=1,……….., M
anm sont les centres et bnm sont les largeurs des fonctions d’appartenance.

La fonction triangulaire est définie par :

⎧ 2 x m − a nm bnm b
⎪1 − pour a nm − ≤ x m ≤ a nm + nm
µ nm ( x m ) = ⎨ bnm 2 2 ( III.2)
⎪
⎩ 0 ailleurs

III.6.3 Inférence
On utilise l’opérateur PROD au lieu de l’opérateur MIN pour calculer
l’implication des règles linguistiques, permettant de trouver la dérivée de l’erreur
l’apprentissage [Buh.97].
Supposons que le vecteur d’entrée du contrôleur est :

r
(
x ∗ = x1∗ , x 2∗ , KKKK , x M∗ )T

Donc les résultats des règles d’inférence sont :

µ1 = µ11 (x1∗ )µ12 (x 2∗ )KKK µ1M (x M∗ ),

µ 2 = µ 21 (x1∗ )µ 22 (x 2∗ )KKK µ 2 M (x M∗ ), (III.3)

KKKKKKKKKKKKKKKK
µ N = µ N 1 (x1∗ )µ N 2 (x 2∗ )KK µ NM (x M∗ ).

L’application de la défuzzification nous donne :

Chapitre III Logique floue 62

∑µ nk C nk
µ1 µ2 µN N
yk = n =1
N
= N
C1k + N
C2k + K + N
C Nk = ∑ µ n C nk
(III.4)
∑ µn
n =1
∑ µn
n =1
∑ µn
n =1
∑µ
n =1
n
n =1

Où k = 1,……..,K.

III.7 Méthode d’apprentissage

La méthode d’apprentissage consiste à ajuster les paramètres du contrôleur
afin d’obtenir les sorties désirées pour des entrées données (figure III.8).

Sortie désirée

Entrée Contrôleur Sortie + Erreur

+
flou

Adaptation

Figure III.8 Schéma d’apprentissage

III.8 L’algorithme général

Le problème d’estimation des paramètres consiste à minimiser le critère V.

{ } ⎧1 ⎫
N
r 2 r
V = E (e (t )) ∑ (e (t )) 2
ou V = E⎨ ⎬ (III.5)
⎩N t =1 ⎭

E : l’espérance mathématique.
N : Le nombre d’itérations.
r
e (t ) : Le vecteur d’erreur d’apprentissage.

L’estimation de V est :
Chapitre III Logique floue 63

r 2 1 r r T r r 1 K
V (t ) = (e (t )) = [ y (t ) − y d (t )] [ y (t ) − y d (t )] = ∑ ( y k (t ) − y dk (t ))
2
(III.6)
2 2 k =1

Où yd(t) est la sortie désirée à l’instant t.

La minimisation du critère V peut être obtenue par la résolution de :

⎡ ∂∇ ∂∇ ⎤
− ∇ zV = ⎢ − ,KKKK,− ⎥=0 (III.7)
⎢⎣ ∂z1 ∂z p ⎥⎦

Où − ∇ zV est la notion du gradient de V.

P le nombre de paramètres à adapter.
Robin et Monoro ont proposé la formule générale pour résoudre cette dernière équation.

[ ]
z p (t + 1) = z p (t ) − Γ p ∇ zV z p (t ) (III.8)

Où Γ est le taux d’apprentissage.

III.9 Adaptation des paramètres

Le contrôleur de Takagi-Sugeno a trois types de paramètres à adapter :
• Les centres a = (a11 ,K , a nm , K , a NM )T

• Les largeurs b = (b11 ,K , bnm ,K, bNM )T

• Les valeurs des conséquences c = (c11 ,K, c nk , K, c NK )T

r
Alors : Z = (a11 ,K , a nm , K, a NM , b11 ,K, bnm ,K , bNM , c11 ,K, c nk , K, c NK )T

Le nombre de paramètres à adapter est P = 2 N * M + K * N

Le vecteur qui minimise le critère est donné par :

− ∂V − ∂V − ∂V − ∂V − ∂V − ∂V
,., , ,., , ,., =0
∂a11 ∂aNM ∂b11 ∂bNM ∂c11 ∂cNK

L’ajustement récursif des paramètres est donné par:

Chapitre III Logique floue 64

∂V ( z )
a nm (t + 1) = a nm (t ) − Γa (III.9)
∂a nm
∂V ( z )
bnm (t + 1) = bnm (t ) − Γb (III.10)
∂bnm
∂V ( z )
c nk (t + 1) = c nk (t ) − Γc (III.11)
∂c nk

Si les fonctions d’appartenance du contrôleur sont Gaussiennes, alors les dérivées

partielles du critère V sont :

∂V K
u x −a
= ∑ ( yk − ydk ) N n (cnk − yk ) m 2 nm (III.12)
∂anm k =1 bnm
∑ un n =1

∂V K
u (x − a )
= ∑ ( yk − ydk ) N n (cnk − yk ) m 3 nm
2
(III.13)
∂bnm k =1 bnm
∑ un n =1
∂V u
= ( yk − ydk ) N n (III.14)
∂c nk
∑ un n =1

Substituons les équations (III.12)-(III.14) dans les équations (III.9)-(III.11), l’adaptation

des paramètres des fonctions d’appartenance Gaussiennes est donnée par :

µn x m (t ) − a nm (t ) K
a nm (t + 1) = a nm (t ) − Γa ∑ ( y (t ) − y (t ))(c (t ) − y (t )) (III.15)
bnm (t )
N 2 k dk nk k

∑µ
n =1
n
k =1

(x m (t ) − a nm (t ))2 K
µn
bnm (t + 1) = bnm (t ) − Γb N ∑ ( y k (t ) − y dk (t ))(c nk (t ) − y dk (t )) (III.16)
b (t )3

∑ µn
n =1
nm k =1

un
c nk (t + 1) = c nk (t ) − Γc N
( y k (t ) − y dk (t )) (III.17)
∑un =1
n

Procédure itérative

La procédure itérative pour l’adaptation des paramètres et la minimisation du

critère peuvent être résumé comme suit :
Chapitre III Logique floue 65

Etape 1 : Initialisation des paramètres.

ƒ Les valeurs des conséquences c nk sont des nombres aléatoires.
ƒ Choix des paramètres antécédent a nm et bnm .
r
Etape 2 : Entrer le vecteur : x = (x1 , x 2 , KK, x n )T .
r
Etape 3 : Entrer le vecteur de sortie désirée : y d (t ) = ( y d 1 , y d 2 , KK , y dk )T .
r
Etape 4 : Calculer les sorties du contrôleur : y (t ) = ( y1 , y 2 , KK, y k )T .
Etape 5 : Adaptation des paramètres des conséquences : C nk .
Etape 6 : Adaptation des paramètres antécédents : a nm et bnm .
Etape 7 : Evaluation du critère V.
Etape 8 : Répéter les étapes de 2 à 8 jusqu'à une valeur V préalablement définie.
Chapitre III Logique floue 66

III.10 Résultats de simulation

Figure III.9 Navigation du bras avant Figure III.10 Navigation du bras avant
l’apprentissage l’apprentissage

Figure III.11 Navigation du bras durant Figure III.12 Navigation du bras durant
l’opération d’apprentissage l’opération d’apprentissage
Chapitre III Logique floue 67

Figure III.13 Navigation du bras après Figure III.14 Navigation du bras après
l’apprentissage l’apprentissage

Figure III.15 Navigation du bras après Figure III.16 Navigation du bras après
l’apprentissage l’apprentissage
Chapitre III Logique floue 68

1.5

0.5

0
-200 -150 -100 -50 0 50 100 150 200

Figure III.17 partition des fonctions Figure III.19 partition des fonctions
d’appartenances de la première entrée d’appartenances de la sortie du
du contrôleur après ajustement. contrôleur après ajustement
Partition de la deuxième entrée du contrôleur après
1.5

S M L
1
Degré d'appartenance µ

0.5

-0.5
-5 0 5 10 15 20 25 30 35
dobs (cm)

Figure III.18 partition des fonctions

d’appartenances de la deuxième entrée
du contrôleur après ajustement

Figure III.20 sortie et sortie désirée+

erreur d’apprentissage
 Chapitre III Logique floue 69

Conclusion
Dans la plupart des tâches de navigation des robots, le robot devrait éviter les
obstacles, il peut suivre une trajectoire, transporter des objets ou atteindre un but. Il doit
faire toutes ces actions sans collision avec les obstacles n’est endommagé son
environnement.
Le but de l’expérience présentée dans ce chapitre et de concevoir un contrôleur
flou simple avec un nombre réduit de règles, permettant au robot d’éviter les obstacles
rencontrés.
Supposons que nous avons toutes les informations disponibles. On suppose que le robot est
soumis à une force attractive vers la cible et une force répulsive de l’obstacle. La force
attractive est calculée directement à partir des positions du robot et de la cible, par contre
pour la force répulsive un raisonnement flou est appliqué. Le contrôleur flou proposé a
deux entrées et une sortie. Les entrées sont la distance et l’angle entre le robot et l’obstacle,
la sortie est l’angle répulsif. Pour la première entrée du contrôleur elle est partitionnée en 7
sous ensembles flous de forme Gaussiennes (figure. III. 5), tandis que la deuxième elle est
partitionnée en 3 sous ensembles flous de forme Gaussiennes (figure III. 6), par contre la
sortie elle est représentée par 12 fonctions de formes constantes (Singleton) (Figure III. 7).
Le vecteur orientation est la somme de deux forces (attractive et répulsive). Donc le type
de régulateur utilisé est un contrôleur de type Takagi- Sugeno d’ordre zéro. Ce type de
contrôleur a des performances comparables au contrôleur flou avec l’inférence Min - Max
et la défuzzification par centre de gravité [God.97].
Les résultats de simulation de ce type de régulateur pour l’évitement d’obstacle
d’un bras manipulateur sont représentés par les figures (III.9-III.16).
Augmenter le nombre de règles consomme beaucoup de temps de calcul et risque
de créer une base de règles contradictoire et peut même aboutir à un conflit entre les règles.
L’approche présentée rend possible la réalisation de manœuvres très intéressantes pour le
comportement du robot, en changeant simplement la base de règles, le robot peut par
exemple éviter un obstacle et atteindre un but.
 Chapitre III Logique floue 70

Le problème majeur est le choix approprié des fonctions d’appartenances et des

règles linguistiques. Une méthode automatique pour le choix des règles et des paramètres
des fonctions d’appartenances est nécessaire.
Pour ce travail, nous avons proposé une méthode pour la conception d’un
contrôleur flou.
La première étape est d’établir un ensemble de règles et de paramètres initiaux
pour le contrôleur, déplacement du robot avant apprentissage (figures III.9-III.10). Dans la
deuxième étape un superviseur contrôle le robot (l’étape d’apprentissage) (figures III.11-
III.12), durant cette étape, les paramètres du contrôleur sont ajustés par l’algorithme décrit.
La méthode d’adaptation des paramètres du contrôleur est une méthode d’apprentissage
supervisée. Cela signifie que pendant la phase d’apprentissage, le robot se déplace sous la
commande d’un superviseur et le contrôleur adapte ses paramètres simultanément (figures
III.17-III.19).
L’application de cet algorithme, consiste premièrement à commander
manuellement le robot de sa position initiale à la position finale (cible) tout en évitant
l’obstacle rencontré. Certes pour apprendre au robot de suivre tel ou tel chemin, cela
nécessite un grand nombre d’essais pour apprendre le comportement désiré. En outre, le
superviseur a besoin d’une main habile, car il est souhaitable de donner les mêmes
instructions au robot dans les mêmes situations comportementales.
Avec seulement 21 règles le robot a appris avec succès à effectuer le
comportement désiré (figures III.13-III.16). L’erreur moyenne diminue de manière
significative (figure III.20). On peut noter que les fonctions d’appartenances sont modifiées
et on constate une concentration des fonctions d’appartenances de la sortie à gauche de (0°)
(figure III.19) car l’évitement se fait à gauche de l’obstacle.
Chapitre IV Algorithme génétique 71

IV.1 Introduction
La recherche d’une solution dans un espace complexe implique souvent un
compromis entre deux objectifs apparemment contradictoire :
• L’exploitation des meilleures solutions disponibles à un moment donné ;
• Une exploitation robuste de l’espace des solutions possibles.
Les méthodes de type grimpeur représentent une extrémité possible du compromis, en
se basant uniquement sur l’exploitation et en souffrant, par conséquent, de la non
globalité de l’optimum trouvé, sauf dans des cas bien particulier où le grimpeur
procède itérativement en tenant à chaque pas de trouver localement une solution
intermédiaire meilleure que la solution courante.
Les algorithmes génétiques AG sont une classe de stratégies de recherche
réalisant un compromis équilibré et raisonnable entre l’exploration et l’exploitation ;
en effet, des analyses théoriques ont montrée que les AG géraient ce compromis de
façon presque optimale. Leur fonctionnement repose sur une heuristique très simple;
les meilleures solutions seront trouvées dans des régions de l’espace de recherche
contenant des propositions relativement élevées de bonnes solutions.

IV.2 Principe et fonctionnement des AG

Population : les algorithmes génétiques ne travaillent pas sur un individu, une

donnée, mais au contraire, sur une population de chaînes afin d’effectuer des
opérations, des recherches sur un domaine de possibilité plus important. C’est une des
grandes forces des AG. Une population se compose de chaînes ou chromosomes. En
général, la taille de la population est constante, c'est-à-dire que le nombre d’individus
composant la population est constant.
Chapitre IV Algorithme génétique 72

Chromosome ou individu : Les chaînes de systèmes génétiques artificielles

sont analogues aux chromosomes du système biologique. Il porte des informations
génétiques d’un individu. Ainsi, un individu se composera de gênes.

Gène : Les chromosomes se composent de gènes qui peuvent prendre des

valeurs différentes (Allèle). La position d’un gène dans un chromosome est identifiée
par son locus. Un gène est une caractéristique génétique d’un individu. On parle, en
génétique, d’un gène de la couleur des yeux par exemple, et on en dénombre entre
50000 et 80000 dans le corps humain. Dans les AG les gènes ont des valeurs
appartenant à un alphabet qui dépend du codage adopté pour le problème à résoudre.

Génération : Une génération est une population à un instant (t), les AG faisant
évaluer les populations, cette évolution est effectuée par des opérateurs de sélection, de
croisement et de mutation.

Fonction d’adaptation : C’est une fonction qui mesure l’adaptation d’un

individu donné d’une population donnée. Elle est la clé de voûte des AG. Il est donc
très important de définir une bonne fonction d’adaptation pour le problème traité.

IV.3 Principe des algorithmes génétiques

Pour appliquer adéquatement un AG, il est impératif d’identifier clairement les
différentes étapes préalables à la programmation :
1. Un principe de codage de l’élément de population (individu), Cette étape
associe à chacun les points de l’espace considéré par le problème, une structure
de donnée. Elle se place après la phase de modélisation mathématique du
problème traité.

2. Un mécanisme capable de générer une population initiale qui servira de base

pour la génération suivante. Ce choix conditionne la rapidité de la convergence
vers l’optimum. Dans le cas où l’on ne connaît rien du problème à résoudre, il
est essentiel que la population initiale soit répartie sur tout l’espace de
Chapitre IV Algorithme génétique 73

recherche. En pratique, on a souvent recours à la génération aléatoire de la

population initiale.

3. Une fonction d’adaptation afin de mesurer les performances de chaque

individu, on introduit une fonction d’adaptation, celle-ci correspond à l’utilité
de la solution par rapport au problème. Elle constitue donc le critère à base
duquel l’individu serait ou pas sélectionné pour être reproduit dans la
génération suivante. La qualité de cette fonction conditionne, pour une grande
part, l’efficacité d’un AG. Il est, par conséquent, important de tenir compte de
sa complexité. En effet, dans le cas où la fonction d’adaptation apparaît
excessivement complexe, consommant une importante puissance de calcul, il
est souhaitable de lui rechercher une approximation plus simple.

4. Un mécanisme de sélection des individus candidats à l’évolution.

5. Des opérateurs permettant de diversifier la population au cours des générations

et d’explorer l’espace d’états. L’opérateur de croisement recompose les gènes
d’individus existants, l’opérateur de mutation diversifie les individus dans la
population.

6. Des paramètres de dimensionnement: taille de la population, critère d’arrêt,

probabilités d’application des opérateurs génétiques. Le problème de
quantification considéré par ce dernier point ne dispose pas de paramétrage
universel, Cependant, certaines valeurs largement utilisées pour résoudre
concrètement des problèmes méritent d’être retenus :
• Taille de la population : entre 30 et 50 individus
• Taux de croisement : entre 70% et 90%.
• Taux de mutation : entre 0.5% et 1%.

IV.4 Structure de l’algorithme génétique

A l’inverse d’autres techniques d’optimisation, les AG ne requièrent pas
d’hypothèse particulière sur la régularité de la fonction objective. L’algorithme
Chapitre IV Algorithme génétique 74

génétique n’utilise pas ses dérivées successives, ce qui rend très vaste son domaine
d’application. Aucune hypothèse sur la continuité n’est non plus requise. Néanmoins,
dans la pratique, les AG sont sensibles à la régularité des fonctions qu’ils optimisent.
Le peu d’hypothèses requises permet de traiter des problèmes très complexes. La
fonction à optimiser peut aussi être le résultat d’une simulation.
La sélection permet d’identifier statistiquement les meilleurs individus d’une
population et d’éliminer les mauvais. On trouve dans la littérature un nombre
important de méthodes de sélection plus au moins adaptées aux problèmes qu’elles
traitent.
• La sélection proportionnelle : Ce mode de sélection des parents consiste à
dupliquer chaque individu de la population proportionnellement à son adaptation
dans son milieu.
• La sélection stochastique universelle : Contrairement à la méthode
précédente où il faut réaliser N tirages aléatoire pour sélectionner N individus, la
sélection stochastique universelle ne nécessite qu’un seul tirage pour choisir tous
les parents d’une génération.
• La sélection linéaire par rapport au rang : Un individu est choisi
aléatoirement avec une probabilité de sélection proportionnelle à son rang.
• La sélection uniforme par rapport au rang : Les individus de rang inférieur
sont sélectionnés aléatoirement avec une probabilité uniforme. Les autres individus
sont exclus de la population et ne peuvent pas participer à la reproduction.
• La sélection par tournoi : k individus de la population seront choisis
aléatoirement ; celui dont la performance est la plus élevée est retenu pour
participer à la reproduction. L’opération est répétée autant de fois qu’il y a
d’individus à sélectionner.

IV.5 Le croisement
L’opérateur de croisement agit sur deux chaînes reproductrices représentant les
chromosomes parents. Il échange une partie de leurs gènes créant deux nouveaux
individus. Les enfants ainsi obtenus possèdent certaines caractéristiques génétiques
de leurs parents respectifs.
Chapitre IV Algorithme génétique 75

Le croisement est un processus aléatoire de probabilité Pc appliqué à un couple de

parents arbitrairement choisis dans la population. Les parents après croisement
peuvent être retirés de la population (croisement sans replacement) ou bien être
gardés pour une nouvelle reproduction (croisement avec replacement).

IV.5.1 Le croisement à un site

Considérons deux chaînes binaires de longueur l qui représentent les

chromosomes de deux parents reproducteurs. Si la probabilité Pc est vérifiée, un site de
croisement est choisi entre les points 1 et l-1 du chromosome. Le mécanisme de
croisement consiste alors à échanger les gènes de chaque parent entre le site
sélectionné et la position finale l des deux chaînes. Le principe est représenté par la
figure (IV.1).

Site de croisement Parents Site de croisement

1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1
Enfants

Figure IV.1 Le principe de croisement à un site

IV.5.2 Le croisement à n sites

Le croisement peut être généralisé à n sites, la permutation des gènes étant

effectuée entre chaque site. Si le nombre de sites est impair, on fixe un emplacement
supplémentaire correspondant à la dernière position dans la chaîne comme pour le
croisement à un site.
Le mécanisme de croisement généralisé est illustré par la figure (IV.2)
Chapitre IV Algorithme génétique 76

Site 1 Site 2 Site n-1 Site n Site 1 Site 2 Site n-1 Site n
Parents

1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0

1 0 0 1 1 0 0 0 0 0 1 1 0 0 1 1 1 0
Enfants

Figure IV.2 Principe de croisement à n sites

IV.5.3 Le croisement uniforme

Le croisement uniforme est obtenu à partir d’un masque binaire initialisé

aléatoirement et possédant un nombre de bits égal au nombre de gènes des individus
de la population. Le premier enfant est crée en prenant des gènes du premier parent
lorsque les bits correspondant dans le masque valent (1) et les gènes du deuxième
parent si ces derniers valent (0). Le deuxième enfant s’obtient de la même manière en
complémentant le masque. La figure IV.3 illustre le processus de croisement uniforme.

Masque de croisement
0 0 1 1 0 1 0 0 1 0

1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0
Parent 1 Parent 2

Enfant 1 Enfant 2

1 1 0 0 1 0 1 1 0 1 0 0 1 1 0 1 0 0 1 0

Figure IV.3 Principe du croisement uniforme

IV.6 La mutation
Principe : La mutation est une altération d’un gène d’un individu. L’opérateur de
mutation consiste à compléter la valeur d’un bit du chromosome avec une probabilité
Pm exécuté bit par bit (voir figure IV.4)
Chapitre IV Algorithme génétique 77

Enfant
0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 0 0 0 0 0
Enfant muté

Figure IV.4 Principe de la mutation

La combinaison de la sélection et du croisement est normalement nécessaire

pour assurer l’évolution de la population et la convergence de l’algorithme vers
l’optimum. Mais, il est possible que des informations essentielles contenues dans les
gènes des individus disparaissent au cours des générations. Le rôle principal de la
mutation est de protéger les individus contre cette perte irrémédiable. La mutation
constitue un opérateur de recherche secondaire qui favorise l’application de génotypes
nouveaux.

IV.7 Le principe de construction d’un contrôleur

1. Un ensemble de chromosomes initiaux sont fournis.
2. L’algorithme génétique est appliqué à partir de ces chromosomes et de la base de
points exemples (cette base est nécessaire pour le calcul de la fonction
d’activation).
3. Le meilleur chromosome est sélectionné et la règle correspondante est ajoutée au
contrôleur en construction.
4. Si la base d’exemple est vide, l’algorithme est terminé. Sinon on retourne au pas 2.
La plupart des algorithmes proposés dans le cadre de l’apprentissage structurel ou
de l’apprentissage de paramètres sont basées sur le principe suivant :
• Le système flou est converti en un réseau de neurones équivalent au travers une
phase de compilation,
• Le réseau est entraîné à partir des exemples,
• Après l’apprentissage, il est reconverti en règles floues par une phase de
décompilation.
Chapitre IV Algorithme génétique 78

IV.8 Apprentissage d’une base de règles floues

La plupart des approches intelligentes courantes sont heuristiques en nature. Des
simulations sont alors faites pour prouver le bon fonctionnement de ces approches
pour un problème spécifique. Ce genre d’approche a deux inconvénients:
• elle dépend uniquement du problème pris en charge, c'est-à-dire une méthode
peut fonctionner bien pour un problème mais pas pour un autre.
• Il n’y a aucun cadre pour modéliser et représenter différents aspects de
stratégies de commande, ce qui rend des analyses théoriques pour ces
approches très difficiles.
Wang et Mendel proposent une méthode générale pour combiner l’information
numérique et linguistique pour obtenir une base de règles floues.
Supposons que nous avons le problème suivant : soit un système de commande
complexe dont lequel un contrôleur humain est une partie essentielle, l’environnement
faisant face à ce contrôleur humain est compliqué qu’aucun modèle mathématique ne
peut être déterminer, ou le modèle mathématique est fortement non linéaire de sorte
qu’aucune méthode de conception n’existe. La tâche est de concevoir un système de
commande adéquat pour remplacer le contrôleur humain. Pour concevoir un tel
système, nous devons d’abord voir quelle information est disponible. Puisqu’il y a
déjà un contrôleur humain qui commande avec succès le système, deux genres
d’information sont disponibles :
1. l’expérience du contrôleur humain,
2. les échantillons prélevés entrée/sortie.
L’expérience du contrôleur humain est habituellement exprimée par certaines règles
linguistiques [IF … THEN].
Les échantillons prélevés entrée/sortie sont des données numériques qui donnent des
valeurs spécifiques des entrées/sorties réussies.
Chacun des deux types d’information pris seul est incomplet.
L’idée principale de l’approche proposée est de combiner les deux types
d’informations pour concevoir un contrôleur adéquat.
Chapitre IV Algorithme génétique 79

IV.8.1 Génération de règles floues par des données numériques

Supposons que nous avons un ensemble de paires désirées de données d'entrée-

sortie :
(x( ) , x( ) , y ( ) ), (x( ) , x( ) , y ( ) ),K
1
1
2
1 1
1
2
2
2 2
(IV.1)
Où x1 et x2 sont les entrées et y est la sortie. Ce cas simple d'une sortie et deux entrées
est choisi afin de souligner et clarifier les idées fondamentales de l’approche.
La tâche principale est de produire un ensemble de règles floues à partir de paires
désirées d'entrée-sortie de (IV.1), et l’emploie de ces règles pour déterminer la
fonction f : (x1 , x 2 ) → y . L'approche comprend les cinq étapes suivantes :

Étape 1 : Diviser les espaces d'entrée et de sortie en régions floues

• Supposons que les intervalles du domaine de x1, de x2 et de y sont
[x−
1 ][ ] [ ]
, x1+ , x 2− , x 2+ et y − , y + respectivement, où « l'intervalle du domaine » d'une

variable signifie que cette variable se situera le plus probablement dans cet
intervalle.
• Diviser chaque intervalle du domaine en N+1 régions (N peut être différent
pour différentes variables, et les longueurs de ces régions peuvent être égales
ou inégales).
• Attribuer à chaque région une fonction d'appartenance floue.
La forme de chaque fonction d'appartenance est triangulaire :
♦ un sommet se trouve au centre de la région et a un degré
d’appartenance égale à 1.
♦ les deux autres sommets se trouvent aux centres des deux régions
voisines, respectivement, et ont des degrés d’appartenances égales à
zéro.
Naturellement, d'autres divisions des régions de domaine et d'autres formes des
fonctions d'appartenance sont possibles.
Chapitre IV Algorithme génétique 80

Étape 2 : Générer des règles floues à partir des paires de données

D'abord, déterminer les degrés d’appartenances de x1(i ) , x 2(i ) , et y (i )

dans différentes régions.

En second lieu, attribuer à x1(i ) , x 2(i ) et y ( i ) la région avec le degré

d’appartenance maximum.
En conclusion, obtenir une règle d'une paire de données désirées
d'entrée/sortie, par exemple,
(x ( ) , x ( ) ; y ( ) )⇒ [x ( ) (0.8 in B1, max ), x ( ) (0.7 in S1, max ); y ( ) (0.9 in CE , max )] ⇒ Rule1
1
1
2
1 1 1
1 2
1 1

IF x1 is B1 and x 2 is S1, THEN y is CE

Les règles produites de cette façon sont des règles en (AND), c’est à dire, les
règles dans lesquelles les conditions de la partie (IF) doivent être rencontrées
simultanément afin que le résultat de la partie (ALORS) (THEN) se produit.
Pour le problème de génération des règles floues par des données numériques,
seulement des règles en (AND) sont exigées.

Étape 3 : Attribuer un degré d’appartenance à chaque règle

Puisqu'il y a habituellement un nombre important de paires de données, et
chaque paire de données produit une règle, il est fortement probable qu'il y aura
quelques règles contradictoires, c’est à dire, les règles qui ont les mêmes antécédents
IF mais de différentes conséquences THEN.
Pour résoudre ce conflit on doit attribuer un degré d’appartenance à chaque
règle produite des paires de données, et accepter seulement la règle d'un groupe de
conflit qui a le degré d’appartenance max.
De cette façon non seulement le problème de conflit est résolu, mais également le
nombre de règles est considérablement réduit.
Nous employons la stratégie suivante pour attribuer un degré à chaque règle :
Pour la règle suivante:
"IF x1 is A and x2 is B, THEN y is C"
Le degré de cette règle, dénoté par D (rule), est défini comme :
Chapitre IV Algorithme génétique 81

D(rule ) = µ A ( x1 ) µ B ( x 2 ) µ C ( y ) (IV.2)

Comme exemple, la règle 1 a le degré d’appartenance:

D(rule1) = µ B1 ( x1 ) µ S 1 (x 2 ) µ CE ( y ) = 0.8 ∗ 0.7 ∗ 0.9 = 0.504 (IV.3)
Dans la pratique, nous avons souvent quelques informations à priori sur les
échantillons de données. Par exemple, si nous laissons au contrôleur expert de donner
des paires de données, l'expert se permet de suggérer que certaines sont très utiles et
cruciales, mais d'autres sont très peu acceptables et puissent être provoquées par des
erreurs de mesure.
Nous pouvons donc attribuer un degré d’appartenance à chaque paire de
données qui représente notre croyance de son utilité. Dans ce sens, les paires de
données constituent un ensemble flou, une paire de données appartienne à cet
ensemble a un degré d’appartenance assigné par un expert humain.
Supposons que la paire de données (x ( ) , x ( ) ; y ( ) )
1
1
2
1 1
a le degré µ (1) , puis nous
redéfinissons le degré d’appartenance de la règle 1 :
D(rule1) = µ B1 ( x1 ) µ S 1 ( x 2 ) µ CE ( y )µ (1) (IV.4)

Cette tâche est importante dans les applications pratiques, puisque les données
numériques réels ont de différentes fiabilités, par exemple, quelques données réelles
peuvent être très mauvaises, pour de bonnes données, nous assignons des degrés
d’appartenances plus élevés, et pour de mauvaises données, nous assignons des degrés
d’appartenances inférieurs. De cette façon, l’expérience humaine au sujet des données
est employée dans une base commune en tant qu'autre source d’information.
Si on ne veut pas qu’un humain juge les données numériques, la stratégie
fonctionne toujours en plaçant tous les degrés d’appartenances des paires de données
égales à l'unité.

Étape 4 : créer une base de règle floue combinée

Une base de règles floues combinée est composée de règles des produits des
données numériques et des règles linguistiques (nous supposons qu'une règle
linguistique a également un degré d’appartenance qui est assigné par l'expert humain et
Chapitre IV Algorithme génétique 82

reflète la croyance de l'expert sur l’importance de la règle). S'il y a plus d'une règle
activée en même temps, celle qui a le degré d’appartenance maximum sera
sélectionnée. De cette façon les informations numérique et linguistique, sont codifiées
dans une base de règles floue combinée. Si une règle linguistique est en "AND" (ET),
elle remplit seulement une case de la base de règles floues. Cependant, si une règle
linguistique est en "OR" (OU) (c’est à dire, une règle pour laquelle la partie THEN
est active si n'importe quel état de la partie IF est satisfait), elle remplit toutes les cases
dans les colonnes correspondant aux régions de la partie IF.

Prenant par exemple la règle linguistique :

"IF x1is S1 OR x2 is CE, THEN y is B2"
Pour la base des règles floues (matrice d’inférence) représentée par la figure
(IV.5) ; alors nous remplissons sept cases dans la colonne de S1 et cinq cases dans la
ligne de CE par B2. Le degré de B2 dans cette case est égal au degré de ce "OR" règle.

B3 x
B2 x
B1 x
X2 CE x
S1 x x x x x
S2 x
S3 x
S2 S1 CE B1 B2
X1
Y

Figure IV.5 : La forme d'une base de règles floues.

Étape 5 : détermination de la fonction de commande

La stratégie de déffuzification suivante est employée pour déterminer la sortie
(c’est-à-dire la commande y) pour les entrées données (x1 , x 2 ) :
D’abord, pour les entrées données (x1 , x 2 ) , nous combinons les antécédents de la iième
règle floue en utilisant l'opération du produit pour déterminer le degré d’appartenance
µ Oii de la sortie c'est-à-dire la commande correspondante à ( x1 , x 2 ) ,
Chapitre IV Algorithme génétique 83

µ Oii = µ I ( x1 ) µ I ( x 2 )
i i (IV.5)
1 2

Où Oi dénote la région (sous-ensemble flou) de sortie de la règle i, et I i j la région

d'entrée de la règle i pour le jième composant, par exemple, la règle1 donne :
µ CE
1
= µ B1 ( x1 )µ S1 ( x 2 ) (IV.6)

Puis, nous employons la formule suivante de défuzzification pour déterminer la

sortie (la commande) :

∑µ i
Oi yi
y= i =1
K
(IV.7)
∑µ
i =1
i
Oi

Où y i dénote la valeur centrale de la région Oi (le centre de gravité du sous-ensemble

flou de la variable de sortie associée à la règle i), et K est le nombre de règles floues.

IV.8.2 Système flou et approximation universelle

Le procédé de cinq étapes présenté produit un système flou, c’est à dire, un
générateur d’espace de sortie à partir des d’entrées.
Pour le cas d'une seule sortie et deux entrées.
En utilisant les notations simplifiées, nous réécrivons (IV.6) et (IV.7), pour le cas
général pour une sortie et n entrées, en tant que :
µ i = ∏1≤ j ≤ n [µ ij (x j )] (IV.8)

[µ (x )]
K K

∑ yiµi ∑y ∏ i
1≤ j ≤ n
i
j j
f (x ) = i =1
= i =1
(IV.9)
[µ (x )]
K K

∑µ
i =1
i
∑∏ i =1
1≤ j ≤ n
i
j j

Où µ ij est la fonction d'appartenance de la iième règle pour le jième composant du

vecteur d'entrée, et y i est la valeur centrale de la région de sortie de la iième règle.

Chapitre IV Algorithme génétique 84

Le système flou produit, c’est à dire, (IV.9), peut garantir une approximation
universelle d'un ensemble compact Q ⊂ R n à R, c’est à dire, il peut rapprocher
n'importe quelle fonction réelle continue définie en Q avec n'importe quelle précision,
où l'ensemble compact Q est défini par :
Q = [a1 , b1 ]× [a 2 , b2 ]× K × [a n , bn ] (IV.10)
Pour une rationnelle convenance d'écriture, nous représentons la règle i (i = 1,2,K, K )
dans la base de règles floues comme :
“IF x1 is RG1i , x 2 is RG2i , K , x n is RGni , THEN y is RG0i ”

Où RG ij ( j = 1,2,K , n ) dénote la région pour le jième antécédent de l’entrée de la règle i

et RG0i dénote la région de sortie de la règle i.

Soit F la famille des fonctions de la forme de (IV.9) dans l'ensemble compact Q.
Il y a trois facteurs qui déterminent un membre de F :
1. la définition des régions floues, c’est à dire, comment définir et diviser les
intervalles du domaine.
2. la forme spécifique de fonctions d'appartenance µ ij .

3. les rapports des états spécifiques des règles dans la base des règles floues.
En fixant les régions floues, des fonctions d'appartenance, et les règles floues,
nous obtenons un élément de F. Si f1 et f2 sont des éléments différents de F, au moins
un des trois facteurs pour f1 et f2 doit être différent.
Pour analyser la famille F, les hypothèses suivantes sont considérées pour ces trois
facteurs :
Hypothèse 1 :
Les régions floues pour les espaces d'entrée et de sortie peuvent être arbitrairement
définies.
Hypothèse 2 :
Les fonctions d'appartenances µ ij doivent satisfaire la contrainte suivante :
Chapitre IV Algorithme génétique 85

⎧ x j ∈ RG ij
⎪
µ ij (x j ) ≠ 0 pour ⎨i = 1, 2, K , K (IV.11)
⎪ j = 0, 1, K , n
⎩

Hypothèse 3 :
N'importe quelle règle peut être assignée dans n'importe quelle case de la base de
règles floues.
Pour analyser les propriétés de la famille de la fonction F, nous devons d'abord
établir l’approximation définie par (IV.9), c’est à dire, pour n'importe quelle entrée
x ∈ Q , (IV.9) produit un résultat f ( x ) ∈ R .

Les deux lemmes suivants donnent des conditions suffisantes pour que (IV.9) soit bien
défini.
Lemme 1 : Si toutes les fonctions d'appartenance µ ij sont différentes de

zéro, et il y a au moins une règle dans la base de règles floues, alors la

commande de Q à R est bien défini.
Lemme 2 : Si chaque case dans la base de règles floues a une règle liée à
elle, c’est à dire, il n'y a aucune case vide dans la base de règles floues, la
commande de Q à R est bien définie sous l’hypothèse2.
Dans la pratique, l'espace d'entrée est de dimension très élevé, tandis que les
règles pertinente déduites de paire de données ou celle de l’expert sont souvent tout à
fait limitées; en conséquence, beaucoup de cases de la base de règles floues peuvent
être vides.
Cependant, il est possible de remplir ces cases vides basées sur les règles
limitées en utilisant la méthode de Wang et Mendel, spécifiquement les étapes 1-4 sont
d'abord employées pour produire une base de règles floues basée sur les paires limitées
de données et les règles linguistiques; puis, la sortie (la commande) pour une certaine
entrée typique pour laquelle la case dans la base de règles floues est vide peut être
déterminée sur la base limitée de règles floues. En conclusion, la gamme dans laquelle
la sortie a le degré maximum est assignée dans la case vide comme nouvelle règle.
Ceci peut être un procédé itératif, c’est à dire, quand une nouvelle règle est produite,
cette dernière et les règles existantes sont combinées. Nous pouvons commencer le
Chapitre IV Algorithme génétique 86

procédé des cases vides qui sont les voisins les plus proches des cases occupées; de
cette façon, la base de règles floues augmente jusqu'à ce que toutes les cases soient
remplies.
Ce procédé fonctionne toujours si nous choisissons les régions différentes de zéro des
fonctions d'appartenance.

IV.9 La modélisation floue

La modélisation floue (MF), signifie modéliser un processus en représentant
son comportement dynamique à l’aide d’un système basé sur les règles floues, en se
servant d’un langage descriptif qui est la logique floue.
Un des domaines les plus importants est la MF linguistique, où l'interprétation
du modèle obtenu est l’objectif principal. Cette tâche est développée au moyen de
systèmes flous linguistiques, utilisant des règles floues composées de variables
linguistiques [Zad.76]. Ainsi, le modèle linguistique flou se compose d'un ensemble de
descriptions linguistiques concernant le comportement du système modélisé [Sug.93].
Les règles floues obtenues par apprentissage peuvent être affinée par ajustement en
utilisant les algorithmes génétiques. En effet un ajustement pour une situation donnée
peut apparaître médiocre pour une autre. La méthode d’apprentissage utilisée pour
générer les règles permet de présenter un grand nombre d’échantillons issus de
différent cas de figure, et la prise en compte de ces derniers donne la possibilité de
commander facilement notre système.
Chacune de ces règles floues linguistiques peut être représentée par deux niveaux de
description différents en définissant deux structures [Zad.94].

Structure surface : C'est une description moins spécifique et implique de définir la

règle sous sa forme symbolique comme une relation entre les variables linguistiques
d'entrées et de sorties.
Chapitre IV Algorithme génétique 87

(a) Structure Surface

R = IF X is Medium THEN Y is small

(b) structure profonde

R = IF X is Medium THEN Y is small

Medium Small

X Y

Figure IV.6 : Deux manières différentes de définir une règle floue linguistique.
(a) Structure surface = représentation symbolique
(b) Structure profonde = représentation symboliques+formes des fonctions
d’appartenances

Structure profonde : C'est une description plus spécifique qui comprend la

structure surface ainsi que les définitions des fonctions d'appartenances associées aux
termes linguistiques des variables.
Un des problèmes les plus importants dans les applications de la logique floue
est l’obtention automatique de ces structures à partir d’informations numériques (les
données d'entrée-sortie) représentant le comportement du système réel.
Des méthodes automatiques nombreuses, basées sur différentes techniques
telles que les réseaux neuro-floue [Nau.97], [Ful.00] et les algorithmes génétiques
[Cor.01], ont été développées pour accomplir cette tâche. Un des buts cruciaux qui
émerge pendant la conception d’un modèle flou, est d’obtenir un modèle précis et
compréhensible. En effet, la modélisation floue vient habituellement avec deux
conditions contradictoires au modèle obtenu :

L’interprétation : possibilités d’exprimer le comportement du système réel d’une

manière compréhensible.

La précision : possibilités de représenter exactement le système réel.

Chapitre IV Algorithme génétique 88

Actuellement, une des matières les plus prometteuses de recherches dans la

modélisation floue se relie avec la recherche d'un bon compromis entre l'interprétation
et la précision [Cas.03], [Cas.03a].
Pour cela, différents mécanismes sont employés pour améliorer la précision et
l'interprétation, et ils sont correctement rassemblés pour atteindre le but désiré. L’idée
proposée par [Cas.05], permet d’obtenir automatiquement des modèles flous
satisfaisants.
La structure surface est ajustée avec des modificateurs linguistiques tandis que
le reste de la structure profonde est réglée en changeant les fonctions d'appartenance.
L’emploi des modificateurs linguistiques garantis l’évitement d’une perte excessive
d'interprétation puisque les changements qu'elles effectuent ont une signification
claire.
D'autre part, les fonctions d'appartenance sont ajustées avec une contrainte
d’optimisation (qui évite l'obtention des déformations excessives des partitions floues)
combinée avec les facteurs d’échelle non linéaires qui préservent les supports des
ensembles flous.

IV.9.1 Processus d'ajustement

Il y a deux approches de modélisation floue selon l'objectif principal à considérer.

• Modélisation floue linguistique, principalement développé par les systèmes
flous linguistiques (Mamdani), est concentrés sur l'interprétation.

• Modélisation floue précise, principalement développé par Takagi-Sugeno,

est concentrée sur la précision.
Un arrangement commun est suivi pour atteindre l'équilibre désiré entre
l'interprétation et la précision. La figure (IV.7) montre graphiquement ce mode
d'opération.
Chapitre IV Algorithme génétique 89

Modélisation floue linguistique

(Interprétation est l’objectif principal)

Précision
améliorée
Equilibre
désiré

Interprétation
améliorée

Modélisation floue précise

(La précision est l’objectif principal)

Figure IV.7 : Améliorations de l'interprétation et de la précision dans la modélisation

floue

Premièrement, l'objectif principal (interprétation ou précision) est abordé en

définissant une structure spécifique du modèle à employer, en utilisant la modélisation
floue pour l’obtenir.
Puis, les composantes du modèle (la structure et/ou le processus de
modélisation) sont améliorées aux moyens de différents mécanismes pour compenser
la différence initiale entre les deux conditions suivantes:

• L’optimisation des fonctions d'appartenances sera restreinte et des facteurs

d’échelle non linéaires contraints seront employés.

• La structure des règles sera flexibilisée en ajoutant des modificateurs

linguistiques.

IV.9.2 Ajustements des structures surfaces et profondes

On distingue deux approches différentes pour obtenir automatiquement un

modèle flou :

processus d’apprentissage : la tâche principale est d'obtenir directement la

surface des règles floues [Wan.92], [Thr.91] ou les structures profondes [Set.00] à
partir des données disponibles.

Processus d'ajustement : Il assume l’existence d'une définition précédente

pour les deux structures, soit par un apprentissage ou par des experts, et les
Chapitre IV Algorithme génétique 90

ajustent avec des modifications légères pour augmenter les performances du

système.

Une contribution vise à présenter une méthode génétique qui ajuste entièrement
les structures profondes en utilisant différentes manières pour changer les
significations des termes linguistiques, ainsi que l'intégration des modificateurs
linguistiques dans les règles floues proposée par [Cas.05].

a) Ajustement de la structure surface en employant les haies

linguistiques

Il est possible d’exécuter des opérations logiques (une haie linguistique ou

modificateur linguistique) sur les limites d’un ensemble flou. On parle de frontières
linguistiques, la signification de l’ensemble s’en trouve modifiée. Nous en citons
quelques-unes :
La compression : cette opération rend plus raides les limites de l’ensemble flou en
prenant le carré du degré d’appartenance. Elle est associée au terme linguistique très.
µ con ( A) (x ) = µ A (x )2 (IV.12a)

La dilution : cette opération adoucit la pente des limites, elle les rend plus floues.
Elle est liée aux termes linguistiques plus ou moins (more-or-less). Elle consiste à
prendre la racine carrée du degré d’appartenance.
µ dil ( A) ( x ) = (µ A ( x ))1 / 2 = µ A ( x ) (IV.12b)

Les effets de ces opérations sur une fonction d’appartenance triangulaire sont
représentés par la figure (IV.8).
La structure surface peut être ajustée en ajoutant les haies linguistiques
mentionnées aux règles floues linguistiques, ce qui change leur forme symbolique.
Par exemple, de la règle :
“IF X1 is high and X2 is good, THEN Y is small”

La règle ajustée peut être :

“IF X1 is very high and X2 is good, THEN Y is more-or-less small”

Chapitre IV Algorithme génétique 91

T Very T More-or-less T

Figure IV.8 : Effets des haies linguistiques "very" et "More-or-less"

b) L'ajustement de la structure profonde

L'ajustement de la structure profonde, implique en plus d'ajuster la structure

surface, et adapter la caractérisation des fonctions d'appartenances associées aux
termes linguistiques primaires considérées dans le système.
Pour changer les formes des fonctions d'appartenance (c’est à dire, la
signification des termes linguistiques), on doit changer les paramètres qui les
déterminent.
Nous pouvons principalement distinguer deux approches différentes d'ajustement :

1. Changement des paramètres de base [Kar.91], [Cor.97], [Jin.99], [Nau.99] :

l'ajustement des fonctions d'appartenance s’effectue en changeant leurs paramètres
de base, [voir la figure (IV.9, a)].

2. En utilisant les facteurs de graduation non linéaires [Cor. 98], [Liu 01] : des
expressions alternatives plus flexibles sont considérées pour les fonctions
d'appartenances servant à changer le degré de compatibilité des ensembles flous.
Par exemple, une nouvelle fonction d'appartenance peut être obtenue en soulevant
le degré d'appartenance à la puissance α , qui est un paramètre positif définissant
une fonction de graduation non linéaires, c’est à dire :

µT′ (x) =(µT (x))α , α∈R+ (IV.13)

Chapitre IV Algorithme génétique 92

Dans ce cas, le processus d'ajustement implique l’adaptation des paramètres pour

améliorer les performances du système. Figure (IV.9, b) montre l'effet de cette
approche

Figure IV.9 : Deux genres d'ajustement de la forme de la fonction d'appartenance.

(a) Ajustement en changeant les paramètres de base de la fonction d'appartenance.

(b) Ajustement en employant des facteurs de graduation non linéaires

IV.10 Processus d'ajustement génétique des structures

surfaces et profondes
Un processus d'ajustement basé sur les algorithmes génétiques a été suggérés
par [Cas.05] pour adapter conjointement les fonctions d'appartenances en changeant
leurs paramètres de base et additionnels, et l’adaptation de précision de la structure
surface des règles en utilisant les modificateurs linguistiques.

L'ajustement commence à partir d'une base de connaissance prédéfinie (base de

données + base de règles) obtenue par une méthode d'apprentissage ou fourni par des
experts.

IV.10.1 Processus Génétique

La proposition d’ajustement génétique est caractérisée comme suit :

• L'objectif (fonction d’évaluation « fitness ») sera de réduire au minimum
l'erreur moyenne quadratique (MSE) :
Chapitre IV Algorithme génétique 93

∑ (F (x ) − y )
N
1 l 2
MSE = l
(IV.14)
2.N l =1
Avec N est la taille des données, F (x l ) est la sortie obtenue à partir du système flou
considéré pour l’exemple l , y l est la sortie désirée.

• Un triple code (CS P + CS A + CS L ) est employé. CS P Codera les paramètres de

base de la fonction d'appartenance, CS A les paramètres de fonction d'appartenance
(c’est-à-dire, les facteurs de graduation non linéaires), et CS L les haies
linguistiques introduites dans les différentes règles. Par conséquent, CS P et CS A
sont employés pour ajuster la sémantique des structures profondes et CS L pour
ajuster la structure surface. La figure (IV.10) montre graphiquement cet
arrangement.

X1 Xn Y X1 Xn Y
T11 T1t1 Tn1 Tntn Tn+1,1 Tn+1, tn+1 T11 T1t1 Tn1 Tntn Tn+1,1 Tn+1, tn+1
a b c …a b c …a b c …a b c a b c …a b c α … α … α … α α … α

CSp CSA
R1 Rm
X1 Xn Y X1 Xn Y
{0, 1, 2} …{0, 1, 2} {0, 1, 2} …{0, 1, 2} …{0, 1, 2} {0, 1, 2}

CSL
Figure IV.10 : Codage du chromosome

Avec n est le nombre de variables d'entrée, Tij étant le j ième terme linguistique de la i ième

variable (avec n + 1 variable de sortie). t i Le nombre de termes linguistiques de la i ième

variable, et m le nombre de règles floues linguistiques.

Pour la section CS P , un triplet de valeurs réelles pour chaque fonction

d’appartenance de forme triangulaire est employé, donc la base de données est codée
dans un chromosome construit par des valeurs réelles en liant les fonctions
Chapitre IV Algorithme génétique 94

d'appartenance impliquées dans chaque partition floue. Un intervalle de variation est

défini pour chaque paramètre de base.

Pour la section CS A , un chromosome des valeurs réelles qui code la valeur du

paramètre additionnel α pour chaque fonction d'appartenance est employé. Chaque
gène peut prendre n'importe quelle valeur dans l'intervalle [-1, 1] avec la relation
suivante entre les allèles et la valeur réelle :

c ijA ∈ [− 1, 0 ]←⎯ → α ∈ [min, 1 ]

(IV.15)
c ijA ∈ [0 ,1 ]←⎯ → α ∈ [1, max ]

log(0.5) log(0.5)
Avec min = max =
log(sα ) log(1 − sα )
C ijA est le gène associé à la fonction d'appartenance pour le j ième terme linguistique de

la i ième variable, et S α ∈ [0,0.5] est un paramètre qui définit le degré de flexibilité a

accordé à l’ajustements des fonctions d'appartenances ( S α = 0 pour une flexibilité
maximum et S α = 0.5 pour une flexibilité minimum, c’est à dire aucun ajustement).
Dans ce travail, nous fixons cette valeur à S α = 0.1 (les formes extrêmes de fonction
d'appartenance permises avec cette valeur sont présentées sur la figure (IV.9, b)).

Pour la section CS L , le codage générer est construit de m ⋅ (n + 1) nombre entier avec

m est le nombre de règles et n est le nombre de variables d'entrées. Chaque gène peut
prendre n'importe quelle valeur dans l'ensemble {0. 1. 2} avec la correspondance
suivante à la haie linguistique utilisée :
cijL = 0 ←
⎯→ La haie linguistique very est employée
cijL = 1 ←
⎯→ Aucune haie linguistique n'est employée
cijL = 2 ←
⎯→ More-or-less haie linguistique est employé
cijL est le gène associé au terme linguistique utilisé dans la j ième variable de la i ième

règle. Figure (IV.11) illustre le processus d'ajustement génétique :

Chapitre IV Algorithme génétique 95

Base de données initiales Base de règles initiales

S1 M1 L1 S2 M2 L2 R1 = IF X is L1 THEN Y is S2
X Y R2 = IF X is S1 THEN Y is M2
R3 = IF X is M1 THEN Y is L2
0 2 0 2
Ajustement S1 M1 L1 S2 M2 L2 S1 M1 L1S2 M2L2 R1 R2 R3
Génétique 0 0 0.65 0.35 1 1.65 1.35 2 2 0 0 0.65 0.35 1 1.65 1.35 2 2 0 0 0 0 0 0 1 1 1 1 1 1
CSp CSA CSL

Les valeurs correspondantes de α

1 0.7 3.4 4.8 1 0.3

S1 M1 L1 S2 M2 L2 S1 M1 L1 S2 M2 L2 R1 R2 R3
-0.2 0.15 0.55 0. 5 0.8 1.6 1.1 1.75 2.2 0 0 0.65 0.6 1 1.4 1 1.9 2.2 0 -0.3 0.6 0.95 0 -0.7 0 0 2 0 1 2
CSp CSA CSL

Base de données ajustées Base de règles ajustées

S1 M1 L1 S2 M2 R1 = IF X is very L1 THEN Y is very S2
X Y R2 = IF X is m-or-L S1 THEN Y is very M2
R3 = IF X is M1 THEN Y is m-or-L L2
0 2 0 2

Figure IV. 11 : Exemple du processus d'ajustement génétique pour trois règles floues

L’algorithme génétique employé dans différentes structures selon les branches

du chromosome considéré, les plus intéressant sont ceux qui ajustent la totalité de la
structure profonde et combinent la graduation non linéaire avec le changement des
paramètres de fonctions d'appartenances, c’est à dire, les branches CS P + CS L (PL -
ajustement) ou les branche (CS P + CS A + CS L ) (Pal - ajustement).

IV.10.2 Composantes Génétiques

La méthode d'ajustement génétique a les composantes suivantes :

a) Population

Dans la population initiale, une partie d'information originale dans la base de

connaissance initiale sera mélangée avec des valeurs aléatoires.

Dans la section CS P les valeurs réelles (originale) seront directement introduites.

Chapitre IV Algorithme génétique 96

Pour la section CS A , les valeurs originales dépendront de l’utilisation de ces paramètres

dans la base de connaissance initiale ou non. Si oui, les paramètres α seront codés;
sinon, l'allèle 0 (qui signifie que α = 1 ) sera employé.

Pour la partie CS L , les modificateurs utilisés dans la base de connaissance initiale sont
codés. Si aucune haie linguistique n'était précédemment considérée, les allèles 1
seront employés.

Les quatre étapes suivantes sont considérées pour l’initialisation de la population.

1. un chromosome où les gènes dans CS P , CS A et CS L coderont directement les

valeurs correspondantes à la base de connaissance originale.

2. un tiers de la population est produit avec la branche CS P codée aléatoirement dans

l'intervalle de variation pour chaque gène, tandis que CS A et CS L coderont les
valeurs initiales.

3. un autre tiers de la population est produit avec des valeurs originales dans CS P , des
allèles aléatoires (dans l’intervalle [-1, 1]) pour CS A , et des valeurs originales dans
la branche CS L

4. les chromosomes restants sont produits avec les valeurs originales de la base de
données dans les parties CS P et CS A , et des allèles aléatoires (dans l'ensemble {0. 1.
2}) dans la partie CS L .

b) Opérateur de croisement

L'opérateur de croisement dépendra de la partie du chromosome où il est

appliqué.
Dans les parties CS P et CS A , le croisement max-min arithmétique [Her. 97] est
considéré. Si (c1 , K, c k , K, c H ) et (c ,K, c ,K, c ) vont être croisé, les quatre fils
'
1
'
k
'
H

suivants sont produits :

C1t +1 = aC wt + (1 − a )C vt
C 2t +1 = aC vt + (1 − a )C wt
C 3t +1 avec c 3t +,k1 = min {c k , c k′ } (IV.16)

C 4t +1 avec c 4t +,k1 = max {c k , c k′ }

Chapitre IV Algorithme génétique 97

Le paramètre a ∈ [0, 0.5] est défini. Notant que l'intervalle de variation de chaque
gène ne sera jamais excédé en raison de
min{ck , ck′ } ≤ cit,+k1 ≤ max{ck , ck′ } , ∀ i ∈ {1,2,3,4}

c) Opération de mutation

L'opérateur de mutation dépendra également de la branche du chromosome où il

est appliqué.
Dans les parties CS P et CS A , un opérateur de mutation uniforme est considéré.
Il implique de changer la valeur du gène choisi par une autre aléatoirement produit
dans l'intervalle correspondant.
Dans la partie CS L , l'opérateur de mutation change le gène en allèle 1 quand un gène
avec les allèles 0 ou 2 doit être muté, et aléatoirement en 0 ou 2 quand un gène avec
l'allèle 1 doit être muté.
Une fois qu'un chromosome a été choisi pour être muté, un gène aléatoirement choisi
de chaque partie est changé par son opérateur correspondant.

d) Opération de sélection
Un algorithme génétique avec le procédé de prélèvement universel stochastique
de Baker [Bak.87] ainsi que l'élitisme (qui assure le choix du meilleur individu de la
génération précédente) est considéré.

IV.10.3 l’Interprétation de la méthode d'ajustement

Le processus d'ajustement est conçu pour rendre la définition des modèles flous
linguistiques rigide et plus flexible dans le but d'augmenter la précision.
Néanmoins, quelques aspects sur l'interprétation doivent être considérés dans le but de
préserver une lisibilité appropriée des modèles linguistiques ajustés.
Chapitre IV Algorithme génétique 98

a) Compréhensibilité des fonctions d'appartenance

Une fonction d'appartenance est compréhensible tant que la signification du

terme linguistique associée est facile à comprendre, cette mesure est fortement
subjective. Nous pourrions dire que l'utilisation de la fonction d’appartenance avec une
forme correcte "vérifiant la contrainte a ≤ b ≤ c " et une similitude raisonnable avec la
définition initiale (avant l'ajustement).
La méthode d'ajustement aborde cette question de contrainte sur l'optimisation de
chaque gène dans les branches CS P et CS A . Les paramètres de base de la fonction
d'appartenance (partie CS P ) sont contraints par des intervalles de courtes variations. La
figure (IV.13) montre un exemple de l'intervalle considéré pour chaque paramètre.

T1 T2 T3 T4

Figure IV.13 : Intervalles de variation pour chaque paramètre de la fonction

d'appartenance pour préserver les ensembles flous significatifs.

D'autre part, les facteurs de graduation non linéaires (partie CS A ) sont contraints
pour éviter la forme carré excessive (quand α → 0 ) ou la forme singleton (quand
α → ∞ ) des fonctions d’appartenance. La figure (IV.9, b) montre le maximum et le
minimum de graduation non linéaire permis par la méthode.

b) Perfection des structures profondes

Un système serait complet quand un degré supérieur à zéro est obtenu pour
n'importe quelle valeur multidimensionnelle d'entrée.
La méthode d'ajustement ne change pas la complétude des structures surface
initiales (définies avant d'appliquer le processus d'ajustement). Par conséquent, la
perfection sera déterminée à priori par la méthode d'apprentissage employée pour
produire le modèle initial ou par les connaissances fournies par des experts.
Chapitre IV Algorithme génétique 99

Cependant, les changements des paramètres de base de la fonction

d'appartenance dans les structures profondes impliquent la chance de perdre la
perfection.

c) La compacité de la structure surface

Cet aspect important affecte l'interprétation du modèle flou linguistique. Il

comporte l'utilisation d'un nombre réduit de règles afin de rendre le modèle facilement
lisible.
Il est clair que le processus d'ajustement ne change pas le nombre de règles
floues linguistiques du modèle initial. Généralement, l'utilisation d'un nombre excessif
de règles est provoquée par le besoin d'atteindre une précision acceptable.
Pour le faire, les approches d'apprentissage classiques augmentent le nombre de termes
linguistiques pour améliorer l'approximation des ensembles de données, par
conséquent le nombre de règles augmente aussi.
Cependant, la méthode d'ajustement change correctement les formes des fonctions
d’appartenances et donc améliore la précision. Le cas de l’utilisation d'un premier
modèle avec un nombre réduit de règles est recommandé puisqu’il implique d'avoir un
bas degré de précision au commencement.

d) La consistance de la structure surface

Ce concept est lié avec le manque de cohérence dans la définition des structures
surface lorsque des prémisses semblables avec de différentes conséquences sont
employées.
Cette matière n'est pas significative dans la méthode d'ajustement puisque les
termes primaires assignées à chaque règle floue linguistique ne changent pas, donc, si
le modèle initial est consistent, le modèle ajusté demeurera ainsi.
Naturellement, ceci est fait à condition que les fonctions d'appartenances ne
deviennent pas fortement semblables pendant le processus d'ajustement. Encore,
l'utilisation des intervalles de variation rencontre cette condition quand un modèle
initial cohérent est employé.
Chapitre IV Algorithme génétique 100

IV.11 Étude et simulation du processus d’ajustement

L'étude sera concentrée sur l’application de deux processus d'ajustement à un
modèle flou pour la commande d’un robot en présence d’obstacle. La méthode bien
connue de Wang et de Mendel (WM) [Wan.92] est employée pour dériver les bases
initiales des règles, cette dernière agira en tant que module d’apprentissage.
Les deux modes d'ajustement considéré dans cette étude sont montrés graphiquement
(figure IV.14).
Cette méthode d'apprentissage était choisie grâce à quelques avantages
intéressants dans la conception des deux étages.
D'une part, la méthode de WM obtient le modèle flou linguistique rapidement mais ce
modèle n’est plus performant, la phase d'ajustement joue le rôle d'amélioration de la
précision.
D'autre part, la méthode de WM produit des règles floues linguistiques à partir
des exemples (avec un choix ultérieur pour résoudre les contradictions) au lieu de
sous-espaces flous d'entrée, ce qui permet d’obtenir une base compacte de règles avec
un nombre réduit de règles [Cas.02].

Ensemble de
données

E1 = (x1,y1)
.
En = (xn,yn) Base de données ajustées
S1 M1 L1 S2 M2 L2
Apprentissage X Y
Base de données initiales
0 2 0 2
S1 M1 L1 S2 M2 L2 Ajustement
X Y
Base de règles ajustées
0 2 0 2
Base de règles initiales
R1 = IF X is very L1 THEN Y is very S2
R1 = IF X is L1 THEN Y is S2 R2 = IF X is m-or-L S1 THEN Y is very M2
R3 = IF X is M1 THEN Y is m-or-L L2
R2 = IF X is S1 THEN Y is M2
R3 = IF X is M1 THEN Y is L2

Figure IV.14 : Le processus d'ajustement est effectué dans deux étapes.

Premièrement, une méthode d'apprentissage est employée pour obtenir une base de
règles à partir d’une base de données. Deuxièmement une méthode d'ajustement est
appliquée.
Chapitre IV Algorithme génétique 101

Dans le but d'exécuter une analyse rigoureuse, on utilise deux structures

d’ajustement, la première basée sur le changement des paramètres de base et la
seconde basée sur l’application des facteurs de graduation non linéaires.
L’objectif est la conception d’un contrôleur flou capable d’évaluer le vecteur
répulsif Vrep correspondant à la position relative actuelle de l’obstacle.
Le contrôleur possède deux entrées et une sortie. Les entrées sont l’angle et la
distance par rapport à l’obstacle, la sortie est le vecteur répulsif. Pour le robot, l’entrée
est l’angle d’orientation β et les sorties sont les deux coordonnées absolues (Xb, Yb) et
la direction (θb).

Vatt
θobs + Yr
Contrôleur Vrep + Vor Robot
flou mobile Xr
dobs θr

Figure IV.14 Entrées / sorties du contrôleur

La méthode de Wang et Mendel est employée pour générer les bases initiales
des règles. Par conséquent, la méthode de WM agira en tant que module
d’apprentissage. D’abord, lorsque l’on modélise ou lorsque l’on contrôle un système,
on utilise souvent un signal d’erreur pour adapter les paramètres du système flou
utilisé jusqu’à ce qu’un critère prédéfini soit satisfait. Il y a cependant un à priori
capital à cette démarche. Avant d’ajuster les paramètres du système flou, il faut donc
être certain que l’on pourra en définir un suffisamment bon ou suffisamment précis. En
d’autres termes, il nous faut surtout pas que, pour une raison ou pour une autre, les
systèmes flous considérés soient incapables de représenter certaines fonctions. Sinon,
les méthodes d’ajustement seraient, dès l’origine, vouées à l’échec.
Une thématique qui découle de cette question concerne plus particulièrement les
démarches de modélisation et d’ajustement des systèmes flous. En effet la
méthodologie floue est très riche, elle autorise énormément de choix à chaque étape,
comme par exemple, les types de fonction d’appartenance ou encore les opérateurs
Chapitre IV Algorithme génétique 102

d’inférence. Si, dans les résultats concernant l’approximation, on peut montrer que
certaines classes de systèmes flous sont meilleures dans certain cas, alors l’utilisateur
aura déjà des indices pour simplifier la conception du système flou. En commande, les
équations de contrôle sont parfois très complexes, notamment en commande optimale.
Elles peuvent se révéler inapplicables pratiquement. Il peut donc être très intéressant
de chercher à approximer ces solutions par des commandes floues beaucoup plus
simples et rapides à calculer. Toutes ces raisons font que la question de
l’approximation des fonctions par des systèmes flous est encore d’actualité.
Vu que le système d’apprentissage nécessite une base de données très grande
pour couvrir tous les cas qui peuvent être envisager. La solution maintenue pour
remédier à ce problème est l’ajustement des paramètres du contrôleur flou.
Le but de l’ajustement est de déterminer la valeur des différents paramètres
utilisés de manière à minimiser l’erreur commise par rapport aux ensembles. Ces
paramètres peuvent être attachés aux opérateurs de combinaison [Glo.93] ou aux
fonctions d’appartenance des différentes données linguistiques.
L’apprentissage des paramètres permet de régler les valeurs des différents
paramètres attachés aux fonctions d’appartenance.
Les figures suivantes résument les deux structures du processus d'ajustement :
Chapitre IV Algorithme génétique 103

IV.12 Résultats de simulation

Fonction d’appartenance de la première entrée d_obstacle (cm)
1

0.5

0
0 10 20 30 40 50 60 70
Fonction d'appartenance de la deuxième entrée θ_obstacle (deg.)
1

0.5

0
-90 -60 -30 0 30 60 90
Fonction d'appartenance de la sortie θ_répulsif (deg.)
1

0.5

0
-60 -45 -30 -15 0 15 30 45 60

Figure IV.15 des entrées/sortie du contrôleur obtenu par la méthode de WM

Fonction d'appartenance de la première entrée après ajustement d_obstacle
1

0.

0
10 20 30 40 50 60 70
Fonction d'appartenance de la deuxième entrée après ajustement θ_obstacle (deg.)
1

0.

0
-90 -60 -30 0 30 60 90
Fonction d'appartenance de la sortie après ajustement θ_répulsif (deg.)
1

0.

0
-45 -30 -15 0 15 30 45 60

Figure IV.16 Ajustement des paramètres du contrôleur par une méthode basée sur le
changement des paramètres de base des fonctions d’appartenance
Chapitre IV Algorithme génétique 104

Fonction d'appartenance de la première entrée après ajustement d obstacle (cm)

1

0.5

0
10 20 30 40 50 60 70
Fonction d'appartenance de la deuxième entrée après ajustement θ_obstacle (deg.)
1

0.5

0
-90 -60 -30 0 30 60 70
Fonction d'appartenance de la sortie après ajustement θ_répulsif (deg.)
1

0.5

0
-45 -30 -15 0 15 30 45 60

Fonction d'appartenance de la première entrée après ajustement d obstacle (cm)

1

0.5

0
10 20 30 40 50 60
Fonction d'appartenance de la deuxième entrée après ajustement θ_obstacle (deg.)
1

0.5

0
-90 -60 -30 0 30 60 90
Fonction d'appartenance de la sortie après ajustement θ_répulsif (deg.)
1

0.5

0
-45 -30 -15 0 15 30 45 60

Les figures ci dessus représentent l’ajustement des paramètres du contrôleur après 30

et 50 générations respectivement par une méthode basée sur le changement des
paramètres de base des fonctions d’appartenance figure IV.17
Chapitre IV Algorithme génétique 105

Fonction d'appartenance de la première entrée du controleur après ajustement d_obstacle

1

0.5

0
0 10 20 30 40 50 60 70
Fonction d'appartenance de la deuxième entrée du controleur après ajustement θ_obstacle
1

0.5

0
-90 -60 -30 0 30 60 90
Fonction d'appartenance de la sortie du controleur après ajustement θ_répulsif
1

0.5

0
-60 -45 -30 -15 0 15 30 45 60

Figure IV.18
Fonction d'appartenance de la première entrée du controleur après ajustement d_obstacle
1

0.

0
0 1 2 3 4 5 6 7
Fonction d'appartenance de la deuxième entrée du controleur après ajustement θ_obstacle (deg.)
1

0.

0
-90 -60 -30 0 30 60 90
Fonction d'appartenance de la sortie du controleur après ajustement θ_répulsif (deg)
1

0.

0
-60 -45 -30 -15 0 15 30 45 60

Figure IV.19
Les figures (IV.18 et IV.19) représentent l’ajustement des paramètres du contrôleur
par une méthode basée sur l’application des facteurs de graduation non linéaires.
Chapitre IV Algorithme génétique 106

Figure IV.20 Navigation du robot en Figure IV.22 Navigation du robot en

présence d’obstacle après ajustement présence d’obstacle après ajustement

Figure IV.21 Navigation du robot en Figure IV.23 Navigation du robot en

présence d’obstacle après ajustement présence d’obstacle après ajustement

Les figures (IV.20-23) représentent la navigation du robot mobile en présence

d’obstacle par l’utilisation du contrôleur flou ajusté (ajustement des structures
profondes).
Chapitre IV Algorithme génétique 107

Phase de test: sortie mesurée (rouge), sortie modèle flou

0.2

0.1
Orientation θ

-0.1

-0.2
0 20 40 60 80 100 120 140 160 180 200
Temps (itérations)
L’erreur de la phase test entre la sortie mesurée et la sortie modèle flou
0.01

0.0
Erreu

0.00

0
0 20 40 60 80 100 120 140 160 180 200
Temps (itérations)

Figure IV.24

Phase d'apprentissage : sortie mesurée (rouge), sortie modèle flou

0.

0.
Orientation θ

-0.1

-0.2
0 20 40 60 80 100 120 140 160 180 200
Temps (itérations)
x 10 -3 L'erreur entre sortie mesurée et sortie modèle
1.5

1
Erreu

0.5

0
0 20 40 60 80 100 120 140 160 180 200
Temps (itérations)

Figure IV.25
Les figures (IV.24 et IV.25) représentent l’erreur entre la sortie du système avant et
après apprentissage.
Chapitre IV Algorithme génétique 108

Conclusion :
L’idée principale de l’approche (WM) présentée est de produire des règles
floues à partir des échantillons numériques des données, rassembler ces règles floues
numériques et les règles floues linguistiques dans une base commune, et en conclusion
concevoir un système de commande basé sur cette base combinée de règles floues.
Cette méthode d’apprentissage était choisie grâce à quelques avantages intéressants
qui deviennent une importance significative dans la conception des deux étages. D’une
part la méthode de WM obtient le modèle flou rapidement, mais ce modèle n’est plus
performant, la phase d’ajustement joue le rôle pour améliorer sa précision. L’approche
de Wang et Mendel est une approche heuristiques, elle dépend uniquement du
problème pris en charge et il n’y a aucun cadre pour modéliser et représenter différents
aspects des stratégies de commande. D’autre part, la méthode produit des règles floues
à partir d’exemples au lieu de sous espaces flous d’entrées, ce qui permet d’obtenir
une base compacte avec un nombre réduit de règles. Cette insuffisance apparue
clairement dans la conception du contrôleur, les résultats de simulation ne donnent pas
toujours des résultats acceptables vu la diversité de l’espace d’entrée-sortie du
contrôleur. En effet des réglages fins pour une situation donnée peuvent apparaître
médiocres pour une autre. Par conséquent la méthode d’ajustement des paramètres du
contrôleur flou par l’application des algorithmes génétiques issue de différents cas de
figure, et la prise en compte de ces derniers permet de commander aisément notre
robot. Les résultats de simulations obtenus par l’utilisation de l’ajustement des
paramètres de bases des fonctions d’appartenances sont très satisfaisants.
Conclusion générale 109

L’objectif de notre travail est d’accroître l’autonomie de mouvement d’un

robot. Cette autonomie a pour but de lui permettre de rejoindre un point quelconque de
son environnement de travail tout en évitant les obstacles sur son chemin. L’évitement
d’obstacles est un comportement de base présent dans quasiment tous les robots. Il lui
est indispensable pour un fonctionnement dynamique. Ce problème peut être
décomposé en deux niveaux distincts :
1. Le niveau cartographique chargé de prendre en compte la topologie de
l’environnement et de sélectionner un ensemble de chemins appropriés,
2. Le niveau géométrique dont le rôle est de gérer les contraintes imposées par
le robot et la présence d’obstacle afin de rejoindre le but.
Nous nous sommes plus particulièrement intéressés à ce second aspect du problème.

Rejoindre un point P de l’espace d’évolution signifie que le robot est en mesure de:
• Connaître avec suffisamment de précision sa position courante,
• Détecter la présence d’obstacles éventuels le séparant du but (C’est-à-dire
avoir la capacité de se déplacer dans un environnement dynamique),
• Trouver le chemin optimal.

Le système robotique auquel nous nous sommes intéressés est constitué d’une
plate forme munie de deux roues motrices indépendantes et une roue directrice. Le
mouvement de rotation de l’ensemble est obtenu en appliquant une commande à la
roue directrice.
Un bras robotique nécessite un contrôleur (de bras) pour coordonner les
différents mouvements des moteurs afin d’obtenir la trajectoire souhaitée.
Les commandes ont pour but de lire où de fournir une position estimée du robot
exprimée dans un repère absolu attaché au site, et permettant de contrôler les
Conclusion générale 110

déplacements linéaires et angulaires en terme de distance. L’objectif du robot est

d’atteindre un point de l’espace en évitant les obstacles.
Le problème que l’on doit résoudre est de déterminer en fonction des données capteurs
quelles commandes doivent être envoyées à chaque instant au robot pour atteindre cet
objectif.
La plupart des recherches dans ce domaine s’intéressent à la construction de
comportements complexes à partir de comportements élémentaires. Pour notre part,
nous nous sommes tout d’abord intéressés aux méthodes à base de potentiels comme
approche possible.
La direction du robot est déterminée en appliquant aux mesures capteurs une fonction
classique d’attraction vers le but et de répulsion par l’obstacle. Nous avons cherché à
réaliser la transformation perception action non plus à l’aide d’une famille fixe de
fonctions mais en utilisant un approximateur universel, capable d’approcher n’importe
quelle fonction continue. L’approximateur que nous avons choisi, est la logique floue
pour sa capacité à traduire des connaissances symboliques du problème en une
fonction numérique.

Travaux réalisés
La première approche que nous avons considérée est basée sur le principe des
champs de forces virtuelles, le robot est attiré par son objectif et repoussé par
l’obstacle qu’il perçoit. La force d’attraction est calculée directement à partir des
positions du robot et de la cible, par contre pour déterminer la force répulsive, on
applique un raisonnement flou.
On a utilisé un contrôleur flou de type Takagi Sugeno, qui dans sa catégorie repose
sur une représentation à base de règles. Toutefois, à la différence des contrôleurs de
type Mamdani, la partie conclusion des règles s’exprime de manière numérique sous la
forme d’une constante.
Les entrées du contrôleur sont la distance dobs et θobs tandis que la sortie est θrép. La
première entrée est partitionnée en trois (3) sous ensembles flous de formes
Gaussiennes. La deuxième entrée est partitionnée en sept (7) sous ensembles flous de
mêmes formes, la sortie quant à elle est représentée par douze (12) constantes
Conclusion générale 111

(singleton). Le rôle de l’expert est ici présent car c’est lui qui va fixer les règles de la
commande qui vont porter uniquement sur les variables linguistiques. En effet il est
toujours difficile d’exprimer ce qu’on veut dire, mais il semble encore plus difficile de
comprendre ce que dit quelqu’un d’autre.
A ce stade, on a donc la sortie définie sous forme linguistique avec des degrés
d’appartenance précis. Les méthodes d’inférence fournissent une fonction
d’appartenance résultante pour la variable de sortie. Il s’agit donc d’une information
floue qu’il faut transformer en grandeur physique.
Le principe général est de déterminer la prochaine direction de navigation en résolvant
un ensemble de conflits. Des éléments, que l’on pourrait appelé experts, sont chargés
d’analyser chacun une particularité de l’environnement et d’apporter une réponse pour
la traiter. Dans le cas du but à atteindre, l’expert fournit la direction à suivre pour le
rejoindre directement si aucun obstacle n’est présent. Dans le cas d’obstacle, chaque
expert fournit la direction à suivre pour ne pas entrer en collision avec l’obstacle dont
il a la charge. Chaque expert ayant indiqué sa réponse, il s’agit ensuite de synthétiser
l’information afin de fournir une seule direction permettant de guider le robot. Chaque
proposition formulée correspond à un chemin et représente ainsi une direction valide.
La plupart des approches intelligentes courantes sont heuristiques en nature. Ce genre
d’approches a deux inconvénients :
• Dépendre uniquement du problème pris en charge, c'est-à-dire une méthode
peut bien fonctionner pour un problème mais pas pour un autre,
• Absence de cadre pour modéliser et représenter différents aspects de stratégies.
Dans le présent travail on s’est intéressé au chemin le plus court. Pour que le
régulateur ne reste pas figé, on a proposé une méthode d’apprentissage par gradient
descendant, qui permet l’ajustement automatique des paramètres du contrôleur afin
d’obtenir des sorties désirées pour des entrées données.
Dans l’approche que nous avons réalisée, les données sont tout d’abords prétraitées de
manière à réduire la complexité du problème et le nombre de règles nécessaires. Le
formalisme flou, de part ses propriétés d’approximateur universel, a la possibilité de
décrire la transformation recherchée mais l’expression sous forme de règles de notre
compréhension du mécanisme de navigation ne permet pas de générer une solution
Conclusion générale 112

acceptable. Nous nous sommes donc tournés vers l’apprentissage automatique en

contrôle (apprentissage supervisé) ; son principe est de permettre au contrôleur
d’apprendre un comportement à partir d’une base d’exemples représentatifs de la
forme (situation perçue, action correspondante).
L’apprentissage se réalise généralement en trois étapes :
1. Le robot réalise tout d’abord la tâche pour laquelle on souhaite le programmer.
2. Les couples d’exemples sont stockés et ensuite présentés à l’algorithme
d’apprentissage.
3. Le système résultant remplace finalement l’opérateur humain pour le contrôle
du robot.
Le temps d’apprentissage d’une telle approche est reconnu comme long par de
nombreux travaux. En vue de le réduire, nous avons proposé d’utiliser la logique floue
afin de coder des connaissances initiales, fournies aussi bien pour le contrôleur que
pour la fonction de renforcement, ne laissant ainsi pas le système a prendre de zéro.

Le système est composé de deux parties : (l’apprentissage du contrôleur et

l’ajustement des paramètres des fonctions d’appartenances). Nous nous sommes plus
particulièrement intéressés à la deuxième partie où on propose la méthode du gradient.
Les résultats obtenus sont très satisfaisants malgré le nombre réduit de règles (avec
seulement 21 règles).

Dans la deuxième approche, l’idée principale est de produire des règles floues à partir
des données entrées/sorties, combiner ces règles floues linguistiques dans une base
commune, et en conclusion concevoir un système de commande.
On a commencé premièrement par la génération des règles floues par l’emploi de la
méthode de Wang et Mendel qui consiste à:
1. La division des espaces d’entrée/sortie en régions flous,
2. La génération des règles floues à partir des paires de données,
3. L’attribution d’un degré d’appartenance à chaque règle,
4. La création d’une base de règles floues combinées,
5. La détermination de la fonction de commande.
Conclusion générale 113

Malgré l’obtention d’une base de règles finale réduite pour le contrôleur utilisé, les
résultats obtenus sont peu satisfaisants. Pour remédier à ce problème, nous nous
sommes intéressés aux algorithmes génétiques pour ajuster les paramètres du
contrôleur flou. Deux méthodes sont utilisées :
• Ajustement des structures surfaces : Il est possible d’exécuter des opérations
logiques sur les limites d’un ensemble flou. On parle de frontières linguistiques, la
signification de l’ensemble s’en trouve modifiée. Nous en citons les plus connus (la
compression et la dilution).
• Ajustement des structures profondes : pour changer les formes des fonctions
d’appartenance, on doit changer les paramètres qui les déterminent.
L’objectif de l’application des algorithmes génétiques sera de réduire au minimum
l’erreur moyenne quadratique.
La méthode d’ajustement génétique a les composantes suivantes :
1. Pour la population initiale on a choisi 50 individus.
2. Pour l’opérateur de croisement, le croisement standard à 2 points est appliqué,
3. Pour l’opérateur de mutation, la mutation uniforme est considérée,
4. Enfin un algorithme génétique avec le procédé de prélèvement universel
stochastique de Beker est appliqué.
Après 50 générations on a obtenu un contrôleur flou très performant qui permet
d’éviter l’obstacle quelque soit sa position dans l’espace de travail.

Les travaux en perspectives englobent :

• L’intégration dans le système flou de pilotage de capteurs robustes pour
la collecte des données.
• La navigation dans un environnement contraint en présence d’obstacles
en mouvement (la prise en compte de la vitesse de déplacement des
obstacles) et la quantification du degré de danger des différents
obstacles détectés.
• La coopération inter-robots dans les différents scénarios de navigation.
Bibliographie 114

Bibliographie
[And.88] Anderson (T.L) et Donath (M). – Animal Behavior as a Paradigm for
Developing Robot Autonomy. International Journal on Robotics and Autonomous
Systems, vol.6,n° 1-2, juin 1990, pp.145-168.-ISSN 0921-8830.

[Aou.2006] Aouaouda S.- Opitimisation du contrôleur flou par algorithmes

génétiques- Application à un robot mobile. Mémoire de magisteur, 2006.

[ Arc.93] Arciniegas (J.I.), Cios (K.J.] et Eltimashi (A.H). Fuzzy Inference, Radial
Basis Functions and Control of Flexible Robotic Manipulators. In: Proc. Of
International Conference on Artificial Neural Networks, 2d. par Gielen (S.) et
Kappen (B.). pp.301-304.-Amesterdam, The Netherlands, septembre 1993.

[Bak.87] Baker (J. E.).- Reducing bias and inefficiency in the selection algorithm. In:
Proc. 2nd Int. Conf. Genetic Algoriths,Hillsdale, NJ, pp. 14-21, 1987.

[Bee.90] Beer (R.D.), Chiel (H.J.) et Sterling (L.S.).- A Biological Perspective on

Autonomous Agent Design. International Journal on Robotics and Autonomous
system, vol. 6, n) 1-2, juin 1990, pp. 169-186.-ISSN 0921-8830.

[Bou.92a] Bouslama F., Ichikawa A., Fuzzy control rules and their natural control
laws, Fuzzy Sets and systems, 48, pp.65-86,1992.

[Buc.89] Bucky J., Ying H., Fuzzy Controller Theory: Limit Theorems for Linear
Control Rules, Automatica, 25, pp. 469-472, 1989.

[Buc.90] Buckly J., Fuzzy Controller: Further Limit for Linear Fuzzy Control Rules,
Fuzzy Sets and Systems, 36, pp.225-233, 1990.

[Buh.94] Buhler H. – Réglage par logique floue, Presses polytechnique et

universitaires Romandes. 1994

[Cas.93] Castro (A.), Delgado (M.) et Herrera (F.).- A learning Method of Fuzzy
Reasoning by Genetic Algorithms. In: Proc. Of the First European Congress on
Fuzzy and Intelligent Technologies (EUFIF’93), pp. 804-809.- Aachen, Germany,
septembre 1993.

[Cas.03] Casillas (O.), Cordon (F.), Herrera (F.) et Magdalina (L.).-Eds.,

Interpretability Issues in Fuzzy Modeling. In: Heidelberg Germany: Springer –Verlag,
2003.

[Cas.03] Casillas (O.), Cordon (F.), Herrera (F.) et Magdalina (L.).- Eds., Accuracy
Improvements in Linguistic Fuzzy Modeling.In: Heidelberg Germany: Springer –
Verlag, 2003.
Bibliographie 115

[Cas.02] Casillas (J.), Cordon (O.) et Herrera (F.).- COR : A methodology to improve
ad hoc data-driven linguistic rule learning methods by inducing cooperation among
rules. In: IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 32, n° 4, pp. 526-537,
2002.

[Cas.05] Casillas (J.), Cordon (O.), Del Jesus (M. J.) et Herrera (F.).- Genetic tuning
of fuzzy rule deep structures preserving interpretability an dits interaction with fuzzy
rule set reduction. In: IEEE Trans. on fuzzy Syst. vol. 13, n) 1, 2005.

[Cha.72] Chang S., Zadeh L.,- On Fuzzy Mapping and Control, IEEE Trans. On
Systems, Man and Cybernetics, SMC 2, pp.30-34, 1972.

[Che.91] Chen (S.), Cowan (C.F.N.) et Grant (P.M.).- Orthogonal Least Squares
Learning Algorithm for Radial Basis Function Networks. IEEE Transactions on
Neural Networks, vol.2, n)2, mars 1991, pp.302-309.- ISSN: 1045-9227.

[Con.93] Connolly (C.I.) et Grupen (R.A.).- On the applications of Harmonic

Functions to Robotics. Journal of Robotics Systems, vol. 10, n)7, octobre 1993, pp.
931-946.

[Coo.94] Cooper (M.G.) et Vidal (J.J.).- Genetic Design of Fuzzy Controllres :The
Cart and Jointed-Pole Problrm. In: Proc. Of the IEEE International Conference on
Fuzzy Systems. –Orlando, Florida, USA, juin 1994.

[Coo.93] Cooper (M.G.) et Vidal (J.J.).- Genetic Design of Fuzzy Controllres. In:
Proc. Of the Second International Conference on Fuzzy Theory and Technology.-
Durham, North Carolina, USA, octobre 1993.

[Cor.97] Cordon (O.) et Herrera (F.).- A three-stage evolutionary process for learning
descriptive and approximate fuzzy logic controller knowledge bases from examples,
In: Int. J. Approx. reason., vol. 17, n°. 4, pp. 369-407, 1997.

[Cor.98] Cordon (O.), Del Jesus (M. J.) et Herrera (F.).- Genetic learning of fuzzy rule
based classification systems cooperating with fuzzy reasoning methods. In:
International Journal Intell. Sys., vol. 13, pp. 1025-1053, 1998.

[Cor.01] Cordon (O.), Herrera (F.), Hoffmann (F.) et Magdalena (L.).- Genetic Fuzzy
Systems. In : Evolutionary Tuning and learning of Fuzzy Knowledge Bases.
Singapore: World Scientific, 2001.

[Fou.98] Foulloy L. Galichet S.,- Fuzzy and Linear Controllers, dans H.T Nguyen et
M.Sugeno (dir), The Handbooks of Fuzzy Set Series- Fuzzy Systems Modeling and
Control, Kluwer Academic Publishers, pp.197-225, 1998.

[Ful.00] Fullér (R.).- Introduction to Neuro-Fuzzy Systems.In. Heidelberg, Germany:

Springer-Verlag, 2000.
Bibliographie 116

[Gal.95] Galichet S., Foulloy L., Fuzzy Controllers: Synthesis and Equivalences, IEEE
Transactions on Fuzzy Systems, vol. 3, n° 2, pp. 140-148, 1995.

[Gar.94] Garnier (Ph.).- Apprentissage d’un base de règles floues par la méthode
du simplexe. In : Les Applications des Ensembles Flous – Quatrièmes journées
Nationales.- Lille, décembre 1994.

[Glo.91] Glorennec (P.Y.).- Un réseau Neuro-flou évolutif. In : Proc. Of the

Fourth International Conference on Neural Networks and Applications, pp. 301-
314.- Nîmes, novembre 1991.

[Glo.93] Glorennec (P.Y.).-Fuzzy Q-learning and dynamical Fuzzy Q-Learning,

1993.

[Glo.93] Glorennec (P.Y.).- Logique Neuro-Floue. In : Actes des Troisièmes

journées Nationales : Les applications des ensembles flous, pp.219-229. Nîmes,
France, octobre 1993.

[God.01] Ghodbane H.- Navigation d’un robot mobile en presence d’obstacle.

Mémoire de magister, 2001.

[Got.87] Goto (Y.) et Stentz (A.).- Mobile Robot Navigation: The CMU System.
IEEE Expert, vol. 2, n°4, 1987, pp 44-54.

[Gué.93] Guély (F.) et Siarry (P.).- Gradient Descent Method for Optimizing
Various Fuzzy Rule Bases. In: Proc. Of the IEEE International Conference on
Fyzzy Systems, pp. 1241-1246.- San Francisco, CA, USA, mars 1993.

[Had.01] Haddar L. et Semahi M. – Navigation d’un robot mobile.- Mémoire

d’ingénieur. 2001.

[Hel.97] Hellendoorn H. et Driankov D.-Fuzzy Model Identification, Selected

approaches, Springer. 1997.

[Her.93] Herrera (F.), Lozano (M.) et Verdegay (J.L.).- Generating Fuzzy Rules
from Examples using Genetic Algorithms.- Rapport technique, Departement of
Computer Science and Artificial Intelligence, Universidad de Granade, octobre
1993.

[Her.93] Herrera (F.), Lozano (M.) et Verdegay (J.L.).- Genetic Algorithms

Applications to Fuzzy Logic Based Systems.- Rapport technique, Departement of
Computer Science and Artificial Intelligence, Universidad de Granade, octobre
1993.
Bibliographie 117

[Her.93] Herrera (F.), Lozano (M.) et Verdegay (J.L.).- Tuning Fuzzy Logic
Controllers by Genetic Algorithms.- Rapport technique, Departement of Computer
Science and Artificial Intelligence, Universidad de Granade, octobre 1993.

[Her.95] Herrera (F.), Lozano (M.) et Verdegay (J. L).-Tuning fuzzy logic controllers
by genetic algorithms, In:Int. J. Approx. Reason., vol. 12, pp. 299-315, 1995.

[Her.97] Herrera (F.), Lozano (M.) et Verdegay (J. L.).- Fuzzy connectives based
crossover operators to model genetic algoritms population diversity. In: Fuzzy Sets
Systems, ol. 92, n° 1, pp. 21-30, 1997.

[Hu.99] Hu B., Mann G. , Gosiner R., - A new Methodology for Analytical and
Optimal Design of Fuzzy PID Controllers, IEEE Transactions on Fuzzy Systems, vol.
7, n°5, pp. 521-539, 1999.

[Ish.93] Ishibuchi (H.), Nozaki (K.) et Tanaka (H.).- Empirical Study on Learning
in Fuzzy Systems. In: Proc. Of the IEEE International Conference on
FuzzySystems, pp. 606-6111.- San Francisco, CA, USA, mars 1993.

[Jan.92] Jang (J.R.).- Self-learning Fuzzy Controllers Based on Temporal Back

Propagation. IEEE Transactions on Neural Networks, vol. 3, n°5, septembre 1992,
pp. 714-723.

[Jin.99] Jin (Y.) Von seelen (W.) et Sendhoff (B.).- On generating FC3 fuzzy rule
systems from data using evolution strategies. In: IEEE transaction Syst. Man, Cybern.
B, Cybern., vol. 29, n° 4, pp 829-845, 1999.

[Jou.93] Jou (C.C.).- Supervised Learning in Fuzzy Systems : Algorithms and

Computational Capabilites. In: Proc. Of The IEEE International Conference on
Fuzzy Systems, pp. 1-6.- San Francisco, CA, USA, mars 1993.

[Kat.93] Katayama (R.), Kajitani (Y.), Kuwata (K.) et Nishida (Y.).- Self
Generating Radial Basis Function as Neuro-fuzzy Model and its Application to
Nonlinear Prediction of Chaotic Time series. In: Proc. Of the IEEE International
Conference on Fuzzy Systems, pp. 407-414.- San Francisco, Ca, USA, mars 1993.

[Kat.86] Khatib [O.).- Real-Time Obstacles Avoidance for Manipulators and

Mobile Robots. The International Journal of Robotics Research, vol. 5, n°1,
Spring 1986, pp. 90-98.

[Kar.91] Karr (C. L.).- Genetic Algorithms for Fuzzy Controllers. In: Al Axpert, vol.
6, n°. 2, pp. 26-33, 1991.

[Kos.92] Kosko (B.).- Neural Networks and Fuzzy Systems: A Dynamical Systems
Appoach to Machine Intelligence.- London, Prentice-Hall International Editions,
1992. ISBN 0-13-612334-1.
Bibliographie 118

[Krz.98] Krzysztof K.- Modelling and identification in robotics :Advances in

Industrial Control. Springer.1998.

[la.93] La (R.), Guély (F.) et Siarry (P.).- Apprentissage d’une base de règles
floues par la méthode du recuit simulé. In : Actes des troisèmes Journées
Nationales : Les applications des Ensembles Flous, pp. 221-240.- Nîmes, France,
octobre 1993.

[Lal.94] Lallemend J.P. et Zeghloul S.- Robotique Aspects fondamentaux,

Modélisation mécanique CAO robotique-Commande.Masson, 1994.

[Lee.90] Lee (C.C.).- Fuzzy Logic in Control Systems : Fuzzy Controller, Part II.
IEEE Transactions on Systems, Man, and Cybernetics, vol. 20, n°2, mars 1990,
pp. 491-435.-ISSN 0018-9472.
[Lee.93] Lee (M.A.) Takagi [H.).- Interacting Design Stages of Fuzzy Systems
using Genetic Algorithms. In: Proc. Of the IEEE International Conference on
Fuzzy Systems, pp. 612-617.- San Francisco, CA, USA, mars 1993.

[Liu.01] liu (B. D.), Chen (C. Y.) et Tsao (J. Y.).- Design of adaptive fuzzy logic
controller based on linguistic-hedge concepts and genetic algorithms.-In: IEEE Trans.
Syst., Man, Cybern. B, Cybern., vol. 31, n° 1, pp. 32-53, 2001.

[Mac.76] MacVicar-Whelan P.J,-Fuzzy Sets for Man-Machine Interaction,

Internationl Journal of Man-Machine Studies, 8, pp.687-697, 1976.

[Mam.74] Mamdani E., Application of fuzzy algorithms for control of simple

dynamics plant, proceedings of the institution of Electrical Engineers, Control and
Science, vol. 121, n°12, pp. 1585-1588, 1974.

[Mam.75a] Mamdani E., Assilian S.- An Experiment in Linguistic synthesis of fuzzy

controllers, International Journal of Man-Machines Studies, n°8, pp.1-13, 1975.

[Mam.75b] Mamdani E.-Advances in the linguistic synthesis with a fuzzy Logic

Controller, International Journal of Man.Machines Studies, n°8, pp. 669-678, 1975.

[Mam.77] Mamdani E.,- Application of fuzzy Logic to Approximate Reasoning using

Linguistic Synthesis, IEEE Transactions on computers , vol . C26, n°12, pp.1182-
1191,1977.

[Mar.89] Mark W. Spong et Vidyasagar M.- Robot Dynamics and Control, John Willy
& Sons. 1989.

[Mat.92] Matia F., Jimeneza A., Galan R., Sanz R.,- Fuzzy Controllers : Lifting the
linear-Nonlinear Frontier, Fuzzy Sets and Systems, 52, pp.113-128, 1992.
Bibliographie 119

[Mud.99] Mudi R.K., Pal N.R.,-A Robust Self Tuning Scheme for Pi- and PD- type
Fuzzy Control, IEEE Trans. On Fuzzy Systems, vol 7, n°1, pp.2-16, 1999.

[Nau.93] Nauck (D.), Klawonn (F.) et Kruse (R.).- Combining Neural Networks
and Fuzzy Controllers. In: Proc. of the International Conference on Fuzzy Logic
and Artificial Intelligence.- Linz, Austria, juin 1993.

[Nau.93] Nauck (D.) et Kruse (R.).- A Fuzzy Neural Network Learning Fuzzy
Control Rules and Membership Functions by Fuzzy Error Backpropagation. In:
Proc. Of the IEEE International Conference on Neural Networks, pp. 1022-1027.-
San Francisco, USA, mars 1993.

Nau.97] Nauck (D.), Klawonn (F.) et Kruse (R.).- Fundations of Neuro-Fuzzy

[Systems. New York: Wiley, 1997.

[Nau.99] Nauck (D.) et Kruse (R.).- Neuro-fuzzy systems for function approximation.
In: Fuzzy Sets Systems.vol. 101, n° 2, pp. 261-271, 1999.

[Nie.93] Nie (J.) et linkens [D.A.).- Learning Control Using Fuzzified Self-
Organizing Radial Basis Function Network. IEEE Transactions on Fuzzy Systems,
vol. 1, n°4, novembre 1993, pp. 280-287.- ISSN 0162-8828.

[Pro.79] Procyk (T.J.) et Mamdani (E.H.).- A linguistic Self-Organizing Process

Controller. Automatica, vol. 15, n°1, janvier 1979, pp. 15-30,-ISSN 0005-1098.

[Set.00] Setnes (M.) et Roubos (J. A.).- Ga-fuzzy modeling and classification :
Complexity and performance. In: IEEE trans. Fuzzy Syst., vol. 9, n° 5, pp. 509-522,
2000.

[Sug.93] Sugeno (M.) et Yasukawa (T.).- A fuzzy logic based approach to qualitative
modeling, In : IEEE transaction Fuzzy Syst.,vol. 1, pp. 7-31, 1993.

[Tak.85] Takagi (T.) et Sugeno (M.).- Fuzzy Identification of Systems and Its
Applications to Modeling and Control. IEEE Transactions on Systems, Man, and
Cybernitics, vol. 15, n° 1, janvier 1985, pp. 116-132.-ISSN 0018-9472.

[Tan.87] Tang K., Mulholland R.,-Comparing Fuzzy Logic with Classical Controllers
Designs, IEEE Trans. On Systems, Man and Cybernetics,17, pp. 1085-1087, 1987.

[Tao.00] Tao C.W., Taur J.S.,- Flexible Complexity Reduced PID-Like Fuzzy
Controllers, IEEE Trans. On Systems, Man and Cybernetics- Part B: Cybernetics,
vol.30, n°4,pp.510-516, 2000.

[Tao.05] Tao, C.W. and J.S Taur,- Robust fuzzy control for a plant with fuzzy linear
model, IEEE Transactions on Fuzzy systems,13, pp.30-41, 2005.
Bibliographie 120

[Thr.91] Thrift (P.).- Fuzzy logic sybthesis with genetic algorithms. In: Proc. 4th Int.
Conf. Genetic algorithms. R. K. Belew and L. B. Booker, Eds., San Mateo, CA, pp.
509-513, 1991.

[Wal.93] Wallace (R.), Matsuzaki (K.), Goto (Y.), Crisman (J.), Webb (J.) et
Kanade (T.).- Progress in Road-following. In: proc. Of the IEEE International
Conference on Robotics and Automation, pp. 1615-1621, - San Francisco, USA,
avril 1986.
[Wan.93] Wang (L.X.).- Training of Fuzzy Logic Systems using Nearest
neighbourhood Clustering. In : Proc. Of the IEEE International Conference on
Fuzzy Systems, pp. 13-17.- San Francisco, Ca, USA, mars 1993.

[Wan.92] Wang (L.X.) et Mendel (J.M.).- Generating fuzzy rules bu learning from
examples. In: IEEE Transactions Syst., Man, Cybern.,vol. 22, n°. 6, pp. 1414-1427,
1992.

[Wang.92] L. X. Wang and J.M. Mendel, Generating fuzzyrules by learning from

examples, IEEE trans. Syst., Man, Cybern, vol. 22, n°. 6, pp. 1414-1427, Dec. 1992

[Yan.00] Yan shi and Masaharu M. – Some considerations on conventional

neuro_fuzzy learning algorithms by gradient descent method. ELSEVIER, fuzzy sets
systems. pp.112, 2000

[Zad.75.76] Zadeh (L.A.).- Concept of linguistic variable an dits application to

approximate reasoning. In: 1, 2, et 3, Inform. Sci., Vol. 8, 9, n° 3, 4, 1, pp. 199-249,
301-357, 43-80, 1975 / 1976.

[Zad.94] Zadeh (L.A.).- sSoft computing and fuzzy logic. In: IEEE Software, vol. 11,
n°6, pp. 48-56, 1994.

[Zad.73] Zadeh L.,-Outline of a New Approach to the Analysis of Complex Systems

and Decision Processes-I, Information Sciences, 8, pp.199-249, 1975.