Les technologies autonomes transforment rapidement un large éventail d' applications hors route, de l'agriculture et la sylviculture à la défense, en passant par la construction et l'entretien routier, offrant de nouvelles façons d'améliorer l'efficacité et la sécurité dans des environnements difficiles. Chez T&S, l' équipe Englab mène un projet de R&D axé sur le développement d’un contrôleur prédictif (MPC) qui aide les véhicules tout-terrain autonomes à suivre des trajectoires précises tout en réagissant en toute sécurité aux obstacles sur des terrains complexes et non structurés. 

S'appuyant sur des travaux antérieurs en matière de perception et de modélisation des véhicules, le contrôleur exploite les données en temps réelissues du LiDAR et des caméras, ainsi que l'optimisation prédictive, pour s'adapter à l'évolution du terrain et aux différents types de capteurs. En combinant perception, modélisation et contrôle, le système permet au véhicule d'anticiper les obstacles et d'ajuster son mouvement de manière proactive. 

Ce projet s'inscrit dans le cadre de nos efforts plus larges visant à faire progresser la navigation autonome tout-terrain, jetant ainsi les bases de futures innovations en matière de fusion multisensorielle, de stratégies de contrôle prédictif et de systèmes intelligents dans divers domaines liés au tout-terrain. 

Recherche appliquée pour naviguer en toute sécurité dans un environnement non structuré

De nombreuses approches de contrôle ont été étudiées en robotique, chacune présentant des compromis différents en termes de performances, de coût de calcul et d'interprétabilité. Notre approche repose sur un contrôleur prédictif (MPC), qui prédit en continu le mouvement du véhicule et le comportement des obstacles à proximité sur un horizon de temps court. En optimisant la direction et la vitesse à chaque instant, le contrôleur permet au véhicule de réagir de manière fluide et sûre à son environnement changeant.

Ce projet doit également relever plusieurs défis majeurs propres aux systèmes autonomes tout-terrain : garantir un temps d'exécution très rapide, trouver le juste équilibre entre l'horizon de prédiction et les commandes de contrôle, et choisir des durées d'échantillonnage appropriées pour préserver à la fois la précision et les performances. Il est essentiel de trouver le bon équilibre entre ces facteurs pour obtenir un contrôleur fiable et réactif, capable de fonctionner dans des environnements complexes et non structurés. 

Le contrôleur est implémenté à l'aide de la bibliothèque d'optimisation acados, les paramètres étant définis en Python et l'intégration gérée en C/C++ au sein du ROS . Cette combinaison offre une efficacité de calcul en temps réel tout en préservant la flexibilité du système pour les tests et les réglages fins. 

‍

Ses performances ont été évaluées dans le cadre de simulations couvrant divers scénarios, tels que la présence d'obstacles de grande taille, les déviations dynamiques de trajectoire et les variations des conditions du terrain. Ces simulations permettent de tester de manière systématique la précision du suivi de trajectoire du contrôleur, ses capacités d'évitement d'obstacles et sa stabilité dans des conditions opérationnelles réalistes. 

Le contrôle prédictif en pratique

Pour évaluer les performances de notre contrôleur en dehors d'un environnement de simulation, nous l'avons emmené sur un parking — un terrain d'essai simple mais animé, avec des voitures garées, des véhicules en mouvement et quelques piétons curieux. Ce cadre nous a offert un mélange idéal de prévisibilité et de surprises pour tester la façon dont le MPC réagit en temps réel, en ajustant sa trajectoire en douceur tout en maintenant une distance de sécurité par rapport aux obstacles. 

‍

Démonstration 1 : Évitement d'obstacles statiques 

Nous avons d'abord testé le contrôleur sur notre robot en présence d'obstacles fixes. La ligne verte représente la trajectoire de référence, tandis que les obstacles détectés apparaissent sous forme de rectangles rouges. Le MPC traite la situation comme un problème d'optimisation, en prédisant la trajectoire du robot (indiquée en rouge) plusieurs secondes à l'avance afin de contourner les obstacles en toute sécurité. 

Démonstration 2 : Évitement dynamique d'obstacles 

Nous avons ensuite mis le système à l'épreuve avec des obstacles mobiles. En anticipant les mouvements des objets environnants, le contrôleur ajuste sa trajectoire de manière proactive, évitant ainsi les collisions en douceur tout en maintenant son cap. 

Démonstration n° 3 : Marche arrière dans un parking 

Enfin, nous avons testé des manœuvres plus complexes, notamment la marche arrière pour revenir sur la trajectoire prévue. Même dans ces situations délicates, le MPC guide le robot de manière sûre et efficace, démontrant ainsi sa capacité à gérer des scénarios de stationnement réalistes.

Conclusion et points forts des résultats 

Tant lors des simulations que des essais en conditions réelles, le MPC a systématiquement guidé le robot pour contourner les obstacles statiques et dynamiques, a assuré un suivi précis de la trajectoire et a permis d'effectuer des manœuvres complexes, comme faire marche arrière dans des espaces restreints. 

Dans l'ensemble, le contrôle prédictif permet aux robots de se déplacer dans des environnements complexes de manière sûre et efficace, en combinant une planification prédictive et une réactivité en temps réel face à des conditions changeantes. 

La prochaine étape consiste à intégrer le MPC à des cartes en 2D fournissant un indice de praticabilité pour chaque zone située devant le véhicule, afin d'améliorer encore la planification de trajectoire et l'évitement d'obstacles sur des terrains non structurés. 

‍

Pour plus d'informations, regardez la vidéo explicative :