Human-Aware Robot Navigation : from Comprehensive and Realistic Benchmarks to Versatile and Efficient Solutions

Un défi majeur pour la robotique mobile est la navigation robotique consciente de l'humain (HAN) ; nécessitant que les robots naviguent en toute sécurité et efficacement dans des environnements partagés avec des humains tout en respectant les normes sociales et en s'adaptant aux contextes dynamiques. Malgré des recherches approfondies, des défis majeurs subsistent en raison de la complexité inhérente du sujet. D'une part, les protocoles d'évaluation utilisent fréquemment des ensembles limités de scénarios, se concentrant généralement soit sur des foules denses, soit sur des environnements clairsemés, couvrant rarement les deux, et ignorant les scénarios mixtes ou intermédiaires. Les approches de pointe ont encore du mal à présenter des solutions robustes dans une large gamme d'environnements, socialement acceptables, efficaces en navigation et en temps réel. Trois contributions complémentaires sont apportées dans cette thèse pour aborder ces problèmes. Tout d'abord, nous présentons la Plateforme d'Évaluation de la Navigation Sociale des Robots (RobotSNAP), une plateforme de référence qui permet une comparaison systématique des approches actuelles en offrant une simulation réaliste, une variété de scénarios et des métriques sociales et de performance étendues. Deuxièmement, nous présentons des techniques de navigation sociale basées sur des modèles : Navigation sociale basée sur les MDP (MBSN), qui est un processus de décision de Markov (MDP) sur un graphe de navigation, et sa variante computationnellement efficace Navigation Sociale Basée sur l'Heuristique (HBSN), qui utilise une heuristique pour fournir une navigation conforme aux normes sociales en temps réel. Troisièmement, pour gérer les humains et l'environnement, nous créons une méthode robuste d'apprentissage par renforcement profond multi-branches pour le contrôle conscient des humains (MDHC). Il exploite une nouvelle stratégie d'apprentissage par programme (CL) et une architecture multi-branches intégrant un nouveau modèle d'interaction homme-robot (HRI) pour permettre un apprentissage stable dans une variété d'environnements et de scénarios. Une simulation extensive utilisant RobotSNAP et des expériences réelles ont confirmé que chacune de ces solutions présente des compromis distincts : MBSN offre une interprétabilité et des résultats solides, mais souffre d'un coût de calcul élevé. Pendant ce temps, MDHC offre une exécution en temps réel et une adaptabilité, mais nécessite une formation approfondie, est moins interprétable et a des difficultés avec la robustesse. Bien qu'il soit simple, HBSN trouve le meilleur équilibre en combinant performance en temps réel, robustesse et interprétabilité. Dans l'ensemble, cette thèse prépare le terrain pour des recherches futures sur la mise en oeuvre de telles solutions dans des environnements de plus en plus complexes et réalistes, tout en jetant les bases d'une navigation consciente de l'humain évolutive, interprétable et fiable.