Commande collaborative d'un fauteuil roulant dans un environnement partiellement connu

Depuis des années, des chercheurs et des étudiants aux cycles supérieurs de trois universités au Québec ont travaillé au projet de réalisation d'un prototype d'un Fauteuil Roulant Motorisé Intelligent (FRMI). C'est un robot mobile équipé de capteurs, de caméras et de modules de contrôle permettant à la chaise roulante d'accomplir de nombreuses tâches autonomes avec assistance aux utilisateurs. Malgré le bon état d'avancement de ces travaux de recherche, il nous reste plusieurs aspects à améliorer et perfectionner. En effet, le fauteuil possède des modules de cartographie et localisation simultanées (Simultaneous Localization And Mapping (SLAM)), de navigation complètement autonome, et de contrôle collaboratif qui assiste les usagers en combinant les commandes de téléopération et autonomes. Pour utiliser le contrôle collaboratif, il faut déterminer une ou plusieurs destinations potentielles dans la carte de l'environnement. Avec les commandes données par l'utilisateur, le système estime son intention et l'aide à atteindre la destination. Pour les personnes âgées, les utilisateurs principaux des fauteuils roulants, il n'est pas concevable de naviguer pour créer la carte de l'environnement, de la lire et d'y placer des destinations potentielles. Pour simplifier la tâche de l'utilisateur, nous devons localiser le véhicule dans une carte connue a priori et utiliser cette carte dans un algorithme de SLAM et inférer automatiquement l'intention de l'utilisateur au cours de la navigation. Le but de ce projet est alors de compléter l'environnement de travail autour du module de contrôle collaboratif en améliorant le module de cartographie et de créer un module qui détermine des destinations potentielles dans la carte afin de les placer automatiquement dans l'environnement de navigation de la chaise. La réalisation de ces objectifs est accomplie par une étude du module de contrôle collaboratif, l'insertion de la carte connue a priori dans un algorithme de SLAM et la détection automatique de points d'intérêt dans cette carte. La première partie consiste à comparer des algorithmes de SLAM existants pour choisir le plus approprié à notre application. D'un autre côté, une technique de construction des données de SLAM à partir d'une carte de l'environnement est implémentée et testée grâce à un algorithme qui crée une carte de type SLAM à partir d'une génération de trajectoires virtuelles.