Integrated neuro-robotic approaches for autonomous vehicle localisation and navigation.

Approches neuro-robotique intégrées pour la localisation et la navigation d'un véhicule autonome. Contrairement aux systèmes artificiels, les systèmes biologiques sont capables d’effectuer des tâches de navigation sur de grandes distances et de longues durées. Cette capacité reposerait en partie sur la robustesse des mécanismes d’apprentissage impliqués dans leur cognition, sur leur faculté à exploiter les couplages entre différents capteurs et à s’adapter en permanence aux changements survenant dans l’environnement. La modélisation de leur cognition pourrait ainsi être un vecteur important d’innovation en robotique, apportant aux modèles existants de nouveaux mécanismes efficace et originaux. Dans le but de proposer de nouvelles architectures de robotique, cette thèse explore le développement de modèles inspirés de la cognition des mammifères pour le véhicule autonome. Ces travaux sont basés sur le modèle de navigation "PerAc", un modèle de neurocybernétique conçu pour reproduire les observations faites en neurobiologie chez le rongeur naviguant dans de petits environnements. Le modèle a ainsi démontré de bonnes capacités de navigation sur de petits robots mobiles, liées notamment à sa façon spécifique de représenter l’environnement. Il n’est cependant pas adapté pour fonctionner sur de grandes échelles de fonctionnement à cause de ses coûts computationnel et mémoire trop élevés. Des travaux ont démontré le besoin d’améliorer les performances de son système de localisation visuelle, principal goulot d’étranglement du modèle. En vue de surmonter ce problème, la première partie de la thèse a été consacrée à l’intégration de mécanismes de codage en population dans le système de localisation visuelle du modèle. Plusieurs modèles d’encodage des informations visuelles ont ainsi été proposés, s’appuyant sur une nouvelle méthode de codage parcimonieux inspirée du fonctionnement du cortex visuel. Un effort a notamment été réalisé pour adopter une méthode conventionnelle d’évaluation des modèles, afin d’obtenir une mesure forte de ses performances comparable avec l’état de l’art. Les résultats obtenus ont ainsi démontré l’efficacité des méthodes proposées, avec des gains importants en coûts computationnel et mémoire sur le modèle d’origine. La deuxième partie de la thèse, dans la continuité des travaux entrepris, a été consacrée au développement d’un modèle complet de navigation neurorobotique pour un véhicule autonome. Le modèle d’origine a ainsi été repris dans son intégralité et a été fortement modifié pour convenir aux particularités, en termes de contrôle, d’un véhicule autonome. Ces travaux ont abouti à la construction du modèle MpNav, un nouveau modèle de navigation visuelle, qui, bien que proche du type "end-to-end" n’est pas basé sur un apprentissage profond et permet d’apprendre une trajectoire de navigation en peu d’itérations. Son utilisation sur un véhicule expérimental de VEDECOM a ainsi permis d’effectuer en totale autonomie plusieurs t