In many industrial fields, mobile robots are widely used these days. Research on the mobile robot’s path planning is one of the most important aspects of improvements on the mobile robot field. A mobile robot’s path planning involves finding a collision-free trajectory, through the robot’s environment with obstacles, from a specified starting location to a desired destination while meeting certain optimization criteria. Despite much progress in the development of path planning methods in the field of mobile robots, the lack of a versatile path planner being able to handle the uncertainties or changes in the environment remains a significant problem:​ path planners still trap in local minima or are not able to satisfy optimization criteria when there are unmapped or moving objects in the environment. In this work, we used the YouBot from KUKA as a test platform. YouBot, an omnidirectional mobile robot from KUKA is intended for research and education.

This research is begun by few modifications, including a dynamic mutation operator, to the cuckoo optimization algorithm (COA) as MCOA in order to improve the performance of this algorithm aiming at deploying this method for the mobile robot application.

A comparative study of the problem of path planning using evolutionary algorithms is presented for a holonomic mobile robot compared to classical methods such as the A∗ algorithm. Gridbased mapping is used effectively to score paths so that collision-free trajectories can be determined from the initial position to the target position. This research takes into account the MCOA and genetic algorithm (GA) evolutionary algorithms as a global planner to discover the shortest safe path. Also, A new non-uniform motion coefficient is introduced for MCOA in order to increase the performance of this algorithm as EMCOA. This new motion coefficient try to make a trade-off between exploitation and exploration search capabilities of the algorithm pursuing for reaching an optimal solution without trapping in the local minimums. To validate the performance of the EMCOA algorithm, some experiments are conducted involving different scenarios of the environment configuration.

The present work also demonstrates the application of an approach to detect corrupted information in observed data as outliers or noise. This method is based on the information theory using a statistical ratio to find a threshold for a critical region which states whether outliers are detected or not. Then, a probability-based approach is adopted to eliminate outliers from observed data. To validate the performance of the proposed method, one experiment and a simulation are conducted. The experiment considers a path planning problem in a noisy environment which includes an static obstacle. This test demonstrated that the outlier-removal preprocessing step has effectively removed the outliers from observed data without detecting the obstacle as outliers.

To sum up, this thesis modifies, develops and contributes an algorithm and a method to improve the performance of both global and local planners in the robotic applications.

Dans de nombreux domaines industriels, les robots mobiles sont largement utilisés de nos jours. La recherche sur la planification de la trajectoire du robot mobile est l’un des aspects les plus importants des améliorations dans le domaine des robots mobiles. La planification de la trajectoire d’un robot mobile consiste à trouver une trajectoire sans collision, à travers l’environnement du robot avec des obstacles, d’un emplacement de départ spécifié à une destination souhaitée tout en répondant à certains critères d’optimisation. Malgré de nombreux progrès dans le développement des méthodes de planification de trajectoire dans le domaine des robots mobiles, le manque d’un planificateur de chemin polyvalent capable de gérer les incertitudes ou les changements dans l’environnement reste un problème important:​ les planificateurs de chemin restent piégés dans les minima locaux capable de satisfaire les critères d’optimisation lorsqu’il y a des objets non-mappés ou en mouvement dans l’environnement. Dans ce travail, nous avons utilisé le YouBot de KUKA comme plate-forme de test. YouBot, un robot mobile omnidirectionnel de KUKA est destiné à la recherche et à l’enseignement.

Cette recherche est initiée par quelques modifications, dont un opérateur de mutation dynamique, de l’algorithme d’optimisation du coucou (COA) comme MCOA afin d’améliorer les performances de cet algorithme visant à déployer cette méthode pour l’application robot mobile.

Une étude comparative du problème de la planification de chemin à l’aide d’algorithmes évolutifs est présentée pour un robot mobile holonomique par rapport aux méthodes classiques telles que l’algorithme de A∗ . La cartographie basée sur la grille est utilisée efficacement pour marquer les chemins afin que des trajectoires sans collision puissent être déterminées de la position initiale à la position cible. Cette recherche prend en compte les algorithmes évolutifs MCOA et algorithme génétique (GA) en tant que planificateur global pour découvrir le chemin sûr le plus court. De plus, un nouveau coefficient de mouvement non uniforme est introduit pour MCOA afin d’augmenter les performances de cet algorithme comme EMCOA. Ce nouveau coefficient de mouvement tente de faire un compromis entre les capacités de recherche d’exploitation et d’exploration de l’algorithme recherchant une solution optimale sans piéger dans les minimums locaux. Pour valider les performances de l’algorithme EMCOA, certaines expériences sont menées impliquant différents scénarios de configuration de l’environnement.

Le présent travail démontre également l’application d’une approche pour détecter les informations corrompues dans les données observées comme des valeurs aberrantes ou du bruit. Cette méthode est basée sur la théorie de l’information utilisant un rapport statistique pour trouver un seuil pour la région critique qui indique si des valeurs aberrantes sont détectées ou non. Ensuite, une approche basée sur les probabilités est adoptée pour éliminer les valeurs aberrantes des données observées. Pour valider les performances de la méthode proposée, une expérience et une simulation sont menées. L’expérience considère un problème de planification de chemin dans un environnement bruyant qui comprend un obstacle statique. Ce test a démontré que l’étape de prétraitement de suppression des valeurs aberrantes a effectivement éliminé les valeurs aberrantes des données observées sans Considérer l’obstacle comme des valeurs aberrantes.

Pour résumer, cette thèse modifie, développe et apporte un algorithme et une méthode pour améliorer les performances des planificateurs mondiaux et locaux dans les applications robotiques.