| Summary: | Dans cette thèse, une planification énergétique pour les véhicules routiers sans conducteur (URV) suractionnés avec une configuration de direction redondante est proposée. En effet, des indicateurs sur la géométrie de la route, la redondance des actionnements, le profil de vitesse optimal et le mode de conduite sont identifiés pour chaque segment de la trajectoire de l'URV. Ainsi, un modèle d'estimation de la consommation d'énergie d'un véhicule à conduite autonome suractivé est développé. Deux méthodes de modélisation de la consommation d'énergie sont considérées. La première méthode est basée sur un modèle analytique de consommation d’énergie prenant en compte le degré de steerabilité, le degré de mobilité et le degré de redondance de l’actionnement. La deuxième méthode utilisée pour la modélisation de la consommation d’énergie repose sur la méthode qualitative d’apprentissage des données, à savoir: le système d’inférence neuro-floue adaptatif (ANFIS). Cette dernière a été prise en compte en cas de présence de paramètres dynamiques inconnus de l'URV et d'incertitudes sur son interaction avec l'environnement. La validation de l'estimation de la consommation d'énergie a été appliquée à un véhicule autonome réel appelé RobuCar. La stratégie de planification énergétique a été élaborée selon deux approches: discrète et continue. L’approche discrète repose sur la construction d’un digraphe d’énergie avec toutes les configurations possibles tenant compte des contraintes cinématiques et dynamiques basées sur une configuration de grille 3D, selon: la vitesse, la longueur de l’arc, le mode de conduite. Dans ce graphe orienté pondéré, les arêtes décrivent l’énergie consommée par l’UAV le long d’un segment de la trajectoire. Un algorithme d'optimisation est appliqué sur le digraphe pour obtenir une solution globale optimale combinant le mode de conduite, la consommation électrique et le profil de vitesse de l'URV. L'approche continue repose sur une stratégie d'optimisation multicritères utilisant des algorithmes génétiques (NSGA-II). Ensuite, un chemin réel est considéré et modélisé en utilisant deux combinaisons géométriques lisses: la première est {lignes, clothoïdes et arcs}, et la seconde est {lignes et courbes de Hodograph de Pythagore}. La stratégie de planification énergétique est ensuite appliquée aux chemins générés. En outre, un graphique dirigé est construit pour synthétiser le profil de vitesse optimal qui minimise la consommation d'énergie globale tout en prenant en compte tous les modes de conduite. Les résultats sont comparés à ceux donnés par la méthode de programmation dynamique pour une optimisation globale hors ligne. === In this thesis, an energy planning for over-actuated unmanned road vehicles (URVs) with redundant steering configuration is proposed. In fact, indicators on the road geometry, the redundancy of actuation, the optimal velocity profile and the driving mode are identified for each segment of the URV's trajectory. Thus, a power consumption estimation model of an over-actuated autonomous driving vehicle is developed. Two methods for power consumption modeling are considered. The first method is based on an analytic model of power consumption, taking into account the degree of steerability, degree of mobility and degree of actuation redundancy. The second method used for power consumption modeling based on data-learning qualitative method namely: Adaptive Neuro Fuzzy Inference System (ANFIS). The latter has been considered in case of the presence of unknown dynamic parameters of the URV and uncertainties about its interaction with the environment. Validation of the estimation of the power consumption has been applied of real autonomous vehicle called RobuCar. Energy planning strategy has been built using two approaches, discrete and continuous. The discrete approach depends on a construction of an energy digraph with all feasible configurations taking into account kinematic and dynamic constraints based on a 3D grid map setup, according to: velocity, arc-length, driving mode. In this weighted directed graph, the edges describe the consumed energy by the UAV along a segment of a trajectory. An optimization algorithm is applied on the digraph to get a global optimal solution combining driving mode, power consumption and velocity profile of the URV. The continuous approach is based on a multi-criteria optimization strategy using genetic algorithms (NSGA-II). Then a real road path is considered and modeled by using two smooth geometrical combinations: the first one is {lines, clothoids and arcs}, and the second one is {lines and Pythagorean Hodograph (PH) curves}. The energy planning strategy is then applied to the generated paths. Also, a directed graph is built to synthesis the optimal velocity profile that minimizes the overall energy consumption while accounting for all driving modes. Results are compared with those given by the dynamic programming method for global offline optimization.
|
|---|
