LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
On Thursday 28/09/2017 and Friday 29/09/2017 due to system maintenance you might experience some downtimes to claim, search and validator services that will also affect the portal. We apologize for the inconvenience.
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Planification pour la perception, POMDP, Planification en ligne et en parallèle de l'exécution, Robotique mobile, Apprentissage statistique hors-ligne de modèle d'observation, 621.39, Planning for perception, Online planning in parallel of the execution, Mobile robotics, Off line observation model learning
Les agents robotiques mobiles ou aériens sont confrontés au besoin de planifier des actions avec information incomplète sur l'état du monde. Dans ce contexte, cette thèse propose un cadre de modélisation et de résolution de problèmes de planification de perception et de mission pour un drone hélicoptère qui évolue dans un environnement incertain et partiellement observé afin de détecter et de reconnaître des cibles. Nous avons fondé notre travail sur les Processus Décisionnels Markoviens Partiellement Observables (POMDP), car ils proposent un schéma d'optimisation général pour les tâches de perception et de décision à long terme. Une attention particulière est donnée à la modélisation des sorties incertaines de l'algorithme de traitement d'image en tant que fonction d'observation. Une analyse critique de la mise en oeuvre en pratique du modèle POMDP et du critère d'optimisation associé est proposée. Afin de respecter les contraintes de sécurité et de sûreté de nos robots aériens, nous proposons ensuite une approche pour tenir compte des propriétés de faisabilité d'actions dans des domaines partiellement observables : le modèle AC-POMDP, qui sépare l'information concernant la vérification des propriétés du modèle, de celle qui renseigne sur la nature des cibles. Enfin, nous proposons un cadre d'optimisation et d'exécution en parallèle de politiques POMDP en temps contraint. Ce cadre est basé sur une optimisation anticipée et probabilisée des états d'exécution futurs du système. Nous avons embarqué ce cadre algorithmique sur les hélicoptères autonomes de l'Onera, et l'avons testé en vol et en environnement réel sur une mission de détection et reconnaissance de cibles. Mobile and aerial robots are faced to the need of planning actions with incomplete information about the state of the world. In this context, this thesis proposes a modeling and resolution framework for perception and mission planning problems where an autonomous helicopter must detect and recognize targets in an uncertain and partially observable environment. We founded our work on Partially Observable Markov Decision Processes (POMDPs), because it proposes a general optimization framework for perception and decision tasks under long-term horizon. A special attention is given to the outputs of the image processing algorithm in order to model its uncertain behavior as a probabilistic observation function. A critical study on the POMDP model and its optimization criterion is also conducted. In order to respect safety constraints of aerial robots, we then propose an approach to properly handle action feasibility constraints in partially observable domains: the AC-POMDP model, which distinguishes between the verification of environmental properties and the information about targets' nature. Furthermore, we propose a framework to optimize and execute POMDP policies in parallel under time constraints. This framework is based on anticipated and probabilistic optimization of future execution states of the system. Finally, we embedded this algorithmic framework on-board Onera's autonomous helicopters, and performed real flight experiments for multi-target detection and recognition missions.

Share - Bookmark

Cite this article