Techniques d’optimisation pour la surveillance d’une zone industrielle à risques par une équipe de robots mobiles autonomes

Cette thèse explore le développement et la mise en œuvre d’algorithmes d’optimisation pour la surveillance de zones industrielles à l’aide d’une équipe de robots mobiles autonomes. Le travail de recherche se concentre sur l’allocation de tâches multi-robots (MRTA), où un plan de mission quasi-optimal doit être généré. Un nouveau modèle prenant en compte des robots et des tâches hétérogènes est proposé, utilisant des algorithmes génétiques (GA) et une méthode de recherche locale 2-Opt pour résoudre le problème. La thèse intègre également des stratégies d’évitement des collisions, qui deviennent nécessaires lorsqu’il y a beaucoup de robots et de tâches. Une solution locale de bas niveau gère de nombreuses situations de conflit pendant la mission, ce qui peut entraîner des retards. Par conséquent, une solution pour ce cas a été proposée en utilisant le clustering. En outre, nous évaluons les solutions proposées à l’aide d’expériences réelles qui incluent un algorithme basé sur la navigation pour résoudre les problèmes de collision. Les résultats démontrent la valeur de ces algorithmes dans l’optimisation de la répartition des tâches et de la planification des chemins pour les robots mobiles autonomes dans les environnements industriels, ouvrant la voie à une planification de mission plus efficace et à une sécurité accrue dans les environnements industriels.