Approche métaheuristique hybride pour la planification de chemin de robot dans un environnement dynamique

 /Lien de l'articleLina Basem Amar, Wesam M Jasim

Récemment, les robots ont suscité un grand intérêt en raison de leur capacité à fonctionner dans des environnements dynamiques et complexes avec des obstacles en mouvement. La planification de chemin d'un robot en mouvement dans un environnement dynamique consiste à trouver le chemin le plus court et le plus sûr possible depuis le point de départ vers le point cible souhaité. Un environnement dynamique est l'environnement d'un robot qui se compose de certains obstacles statiques et mobiles. Par conséquent, ce problème peut être considéré comme un problème d'optimisation et est donc résolu via des algorithmes d'optimisation. Dans cet article, trois approches pour déterminer le chemin optimal d'un robot dans un environnement dynamique ont été proposées. Ces approches sont : l'optimisation par essaim de particules (PSO), l'optimisation par colonie de fourmis (ACO) et la PSO hybride et ACO. Celles-ci sont utilisées pour effectuer efficacement les tâches de planification de chemin. Un ensemble de contraintes spécifiques doit être respecté simultanément pour atteindre les objectifs : le chemin le plus court, le moins de temps et sans collisions. Les résultats sont calculés pour les deux algorithmes séparément, puis ceux de l'algorithme hybride sont calculés. L'efficacité et la supériorité de l'algorithme hybride ont été vérifiées par rapport aux algorithmes PSO et ACO.

Mots clés— environnement dynamique ; algorithme ACO ; optimisation de colonie .

RÉFÉRENCES

[1] A. Q. Faridi, S. Sharma, A. Shukla, R. Tiwari, et J. Dhar, “Planification de chemin dynamique multi-robot multi-cible utilisant la colonie d'abeilles artificielles et la programmation évolutive dans un environnement inconnu,” Intelligent Service Robotics, vol. 11, no. 2, pp. 171-186, 2018, doi: 10.1007/s11370-017-0244-7.

[2] T. T. Mac, C. Copot, D. T. Tran, et R. De Keyser, “Approches heuristiques dans la planification de chemin de robot : Un aperçu,” Robotics and Autonomous Systems, vol. 86, pp. 13-28, 2016, doi: 10.1016/j.robot.2016.08.001.

[3] A. A. Baker et Y. Y. Ghadi, “Système autonome pour contrôler un robot mobile,” Bulletin of Electrical Engineering and Informatics, vol. 9, no. 4, pp. 1711-1717, 2020, doi: 10.11591/eei.v9i4.2380.

[4] W. S. Pambudi, E. Alfianto, A. Rachman, et D. P. Hapsari, “Conception de simulation de planification de trajectoire de manipulateur robotique,” Bulletin of Electrical Engineering and Informatics, vol. 8, no. 1, pp. 196-205, 2019, doi: 10.11591/eei.v8i1.1179.

[5] M. Sood et V. K. Panchal, “Techniques méta-heuristiques pour la planification de chemin : Tendances récentes et avancées,” International Journal of Intelligent Systems Technologies and Applications, vol. 19, no. 1, pp. 36-77, 2020, doi: 10.1504/IJISTA.2020.105177.

[6] Klan?ar, G., Zdešar, A., Bla?i?, S., et Škrjanc, I, “planification de chemin. Robotique mobile à roues,” 419–481, 2017, doi:10.1016/b978-0-12-804204-5.00008-

[7] B. B. K. Ayawli, X. Mei, M. Shen, A. Y. Appiah, et F. Kyeremeh, “Planification de chemin de robot mobile dans un environnement dynamique utilisant le diagramme de Voronoi et la technique de géométrie computationnelle,” IEEE Access, vol. 7, pp. 86026-86040, 2019, doi: 10.1109/ACCESS.2019.2925623.

[8] C. O. Yinka-Banjo et U. H. Agwogie, “Techniques d'optimisation par intelligence en essaim dans la planification de chemin mobile - Une revue,” International Journal of Engineering Research in Africa, vol. 37, pp. 62-71, 2018, doi: 10.4028/www.scientific.net/JERA.37.62.

[9] J. Park et U. Huh, “Planification de chemin pour un robot mobile autonome basé sur l'espace sûr,” vol. 11, no. 5, pp. 1441-1448, 2016, doi: 10.5370/JEET.2016.11.5.1441.

[10] A. Koubaa, et al., “Introduction à la planification de chemin de robot mobile,” Stud. Comput. Intell Robot Path Planning and Cooperation, vol. 772, pp. 3-12, 2018, doi: 10.1007/978-3-319-77042-0_1.

[11] D. M. Connell et H. M. La, “Planification de chemin dynamique et replanification pour une équipe de robots mobiles utilisant RRT,” Thèse de doctorat, Université du Nevada, Reno, mai 2017.

[12] G. Li et W. Chou, “Planification de chemin pour un robot mobile utilisant l'optimisation par essaim de particules auto-adaptative,” Science China Information Sciences, vol. 61, no. 5, pp. 1-18, mai 2018, doi: 10.1007/s11432-016-9115-2.

[13] M. Elhoseny, A. Shehab, et X. Yuan, “Optimisation du chemin du robot dans des environnements dynamiques utilisant l'algorithme génétique et la courbe de Bézier,” Journal of Intelligent and Fuzzy Systems, vol. 33, no. 4, pp. 2305-2316, 2017, doi: 10.3233/JIFS-17348.

[14] F. Cherni, C. Rekik, et N. Derbel, “Navigation de robot mobile basée sur l'algorithme de cercle tangent Faten Cherni,” International Journal of Computer Applications in Technology,” vol. 59, no. 1, pp. 31-42, décembre 2018, doi: 10.1504/IJCAT.2019.097114.

[15] S. N. Annual, et al., “Optimisation basée sur GA d'un système de navigation autonome de robot mobile avec retour lidar,” Bulletin of Electrical Engineering and Informatics, vol. 7, no. 3, pp. 433-441, 2018, doi: 10.11591/eei.v7i3.1275.

[16] B. K. Patle, A. Pandey, A. Jagadeesh, et D. R. Parhi, “Planification de chemin dans un environnement incertain en utilisant l'algorithme des lucioles,” Defence technology, vol. 14, no. 6, pp. 691-701, 2018, doi: 10.1016/j.dt.2018.06.004.

[17] A. S. H. H. V. Injarapu et S. K. Gawre, "Une enquête sur les approches de planification de chemin de robot mobile autonome," 2017 Conférence internationale sur les innovations récentes dans le traitement du signal et les systèmes embarqués (RISE), 2017, pp. 624-628, doi: 10.1109/RISE.2017.8378228.

[18] Q. M. Nguyen, L. N. M. Tran, et T. C. Phung, "Une étude sur la construction d'algorithmes de planification de chemin optimaux pour les robots mobiles,” 2018 4ème Conférence internationale sur la technologie verte et le développement durable (GTSD), 2018, pp. 341-346, doi: 10.1109/GTSD.2018.8595558.

[19] L. M. R. Rere, B. A. Wardijono, et Y. I. Chandra, “Une étude comparative de trois optimisations métaheuristiques basées sur une seule solution pour un auto-encodeur empilé,” Journal of Physics: Conference Series, vol. 1192, no. 1, p. 012066, mars 2019, doi: 10.1088/1742-6596/1192/1/012066.

[20] S. Muthuraman et V. P. Venkatesan, "Une étude complète sur les approches méta-heuristiques hybrides utilisées pour résoudre des problèmes d'optimisation combinatoire,” 2017 Congrès mondial sur l'informatique et les technologies de communication (WCCCT), 2017, pp. 185-190, doi: 10.1109/WCCCT.2016.53.

[21] M. Usman, “L'effet de la mise en œuvre d'un algorithme d'intelligence en essaim sur l'efficacité du système d'exploitation géré open source Cosmos,” Thèse de doctorat, Northcentral University, 2018.

[22] P. K. Das, H. S. Behera, S. Das, H. K. Tripathy, B. K. Panigrahi, et S. K. Pradhan, “Un algorithme hybride amélioré PSO-DV pour la planification de chemin multi-robot dans un environnement encombré,” Neurocomputing, vol. 207, pp. 735-753, 2016, doi: 10.1016/j.neucom.2016.05.057.

[23] M. Cao, Y. Yang, et L. Wang, “Application de l'algorithme de colonie de fourmis amélioré dans le problème de planification de chemin du robot mobile,” Actes de la 2019 3ème Conférence sur l'informatique haute performance et les technologies de cluster, pp. 11-15, 2019, doi: 10.1145/3341069.3341073.

[24] X. Dai, S. Long, Z. Zhang, et D. Gong, “Planification de chemin de robot mobile basée sur l'algorithme de colonie de fourmis avec une∗méthode heuristique,” Frontiers in neurorobotics, vol. 13, p. 15, avril 2019, doi: 10.3389/fnbot.2019.00015.

[25] H. Haghighi, S. H. Sadati, S. M. M. Dehghan, et J. Karimi, “Forme hybride d'optimisation par essaim de particules et d'algorithme génétique pour la planification de chemin optimale dans une mission de couverture par des véhicules aériens sans pilote coopératifs,” Journal of Aerospace Technology and Management, vol. 12, no. 1, pp. 1-13, 2020, doi: 10.5028/jatm.v12.1169.