Navigation Autonome Hiérarchique pour Robots Mobiles à Traction Différentielle Utilisant l'Apprentissage Profond, l'Apprentissage par Renforcement et le Contrôle de Trajectoire Basé sur Lyapunov

La navigation autonome dans les robots mobiles évoluant dans des environnements dynamiques et partiellement connus exige une intégration coordonnée de la perception, de la prise de décision et du contrôle tout en garantissant la stabilité, la sécurité et l'efficacité énergétique. Cet article présente un cadre de navigation intégré pour les robots mobiles à traction différentielle qui combine la perception visuelle basée sur l'apprentissage profond, l'apprentissage par renforcement (RL) pour la prise de décision à un niveau élevé, et un générateur de références de trajectoire basé sur Lyapunov pour l'exécution de mouvements à un niveau inférieur. Un réseau de neurones convolutif traite des images RGB-D pour classer les configurations d'obstacles en temps réel, permettant la navigation sans information cartographique préalable. Basé sur cette couche de perception, une politique RL génère des sous-objectifs de navigation adaptatifs en réponse aux changements environnementaux. Pour garantir l'exécution stable des mouvements, une stratégie de contrôle basée sur Lyapunov est formulée au niveau cinématique pour générer des références de vitesse lisses, qui sont ensuite suivies par des contrôleurs PID embarqués, découpant explicitement la prise de décision basée sur l'apprentissage des tâches de contrôle critiques pour la stabilité. La stabilité locale de l'erreur de suivi de trajectoire est analysée à l'aide d'une fonction candidate de Lyapunov quadratique, garantissant la convergence asymptotique sous des hypothèses cinématiques idéales. Les résultats expérimentaux montrent que, bien que des gains de contrôle plus élevés offrent une convergence plus rapide en simulation, une valeur de gain intermédiaire (K = 0,5I) atteint un compromis favorable entre réactivité et robustesse dans des conditions réelles, atténuant les oscillations causées par la dynamique des actionneurs, les délais et le bruit des capteurs. La validation à travers plusieurs scénarios de navigation montre des erreurs de suivi moyennes inférieures à 1,2 cm, des précisions de détection d'obstacles supérieures à 95 % pour des obstacles humains, et une réduction significative de la consommation d'énergie par rapport aux planificateurs A* classiques, mettant en lumière l'efficacité de l'intégration de la navigation basée sur l'apprentissage avec un contrôle fondé analytiquement.