Commande d'un robot mobile par instructions sémantiques

When somebody is lost and asking for directions, we usually, on the one hand, provide an approximate geometric description of the itinerary towards his destination and, on the other hand, describe identifiable elements in the environment that can be used as landmarks. Then, on his way, this lost person is facing a dilemma : should he progress slowly and try and identify
with certainty all the specified landmarks? Or should he move faster, hence taking the risk of taking a wrong turn?
In this master's thesis, we present an algorithm allowing a mobile robot to behave in a similar fashion to such a lost person. We define a simplified version of this problem. As identifiable elements, a sequence of objects are placed in the environment, which the robot can then detect and identify with the help of a camera and a detection algorithm. The geometric description of the itinerary is given as a sequence of instructions, which specify approximately the distance and direction of each object from the previous one. The goal of the robot is to
reach the last object. We formulate this simplified problem as a Markov Decision Process, based on stochastic
models of the detection algorithm and instructions. The Monte Carlo Tree Search method is eventually used to solve this problem.

Résumé

Lorsqu'une personne égarée nous demande son chemin, on lui indique généralement, d'une
part, une description géométrique approximative du trajet jusqu'à destination et, d'autre
part, des éléments de l'environnement identifiables pouvant lui servir de repères. Les futures
actions de cette personne sont alors l'objet d'un dilemme : progresser lentement et identifier
avec certitude tous les repères ? Ou progresser plus rapidement vers la destination au risque
de se tromper de chemin ?
Le travail réalisé dans le cadre de cette maîtrise a pour objectif de développer un algorithme
permettant à un robot mobile de présenter un comportement similaire à celui d'une telle
personne égarée. Nous définissons une version simplifiée du problème. Comme éléments identifiables,
nous plaçons dans l'environnement une série d'objets que le robot est capable de
détecter et d'identifier à l'aide d'une caméra et d'un algorithme de détection. Par analogie
à la description géométrique du trajet, une série d'instructions donnent approximativement
la distance et la direction de chaque objet par rapport au précédent. L'objectif du robot est
alors d'atteindre le dernier objet.
Nous formulons ce problème simplifié sous forme d'un processus décisionnel de Markov, en
nous basant sur des modèles stochastiques de l'algorithme de détection et des instructions.
Nous appliquons finalement la méthode de Monte Carlo Tree Search à la résolution de ce
problème.