{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/23171"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/23171","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"Mécanismes de résilience au niveau décisionnel pour architecture hybride et comportementale de robot autonome","abstract":"La pénurie de main d’oeuvre, occasionnée entre autres par le vieillissement de la population, est un problème qui affecte les industries canadiennes. Celles-ci peinent à fournir à la demande et leur compétitivité est mise à risque. Pour combler ce besoin, des robots autonomes pourraient être utilisés pour effectuer des tâches de plus en plus complexes afin d’assister l’humain en milieu de vie. Une façon de rendre les robots plus autonomes serait de leur procurer des mécanismes assurant la résilience au niveau décisionnel. La résilience au niveau décisionnel consisterait à permettre au robot de détecter lorsque ses comportements actuels ne lui permettent pas de progresser dans l’atteinte de ses objectifs et d’utiliser des mécanismes pour s’y adapter. À cette fin, une architecture décisionnelle permettant une intégration adéquate des modules de perception, de raisonnement et de contrôle du robot est requise. Celle utilisée dans le projet est l’architecture Hybrid Behavior-Based Architecture. La résilience au niveau décisionnel est réalisée par l’implémentation d’un module d’observation et de mécanismes de résilience. Le module d’observation surveille l’exploitation des modules comportementaux et l’atteinte de leurs objectifs de bas niveau, et signale aux modules décisionnels et de coordination lorsque les comportements actifs ne permettent pas d’atteindre l’objectif et qu’il est nécessaire de s’adapter. Les différents mécanismes de résilience servent à cette adaptation en modifiant des paramètres du système tels que l’objectif courant, l’activation de comportements et leur priorité. L’application est validée en simulation à l’aide de l’environnement de développement Unity et un modèle du robot TIAGo dans un scénario dynamique visant à mettre le robot dans des situations où il doit s’adapter pour continuer à réaliser ses tâches. Le robot effectue des tâches de navigation et de détection dans l’environnement où celui-ci peut éprouver des difficultés à atteindre les destinations en rencontrant des chemins bloqués, des chemins étroits et de la concurrence vis-à-vis ses objectifs de navigation. L’objet à trouver se situe aléatoirement parmi plusieurs positions inconnues par le robot. Les résultats obtenus en utilisant le module d’observation et les mécanismes de résilience suggèrent que l’approche permet au robot d’atteindre davantage ses objectifs et de réduire les situations où il n’effectue pas d’actions au détriment de son environnement, même lorsque le robot ne peut pas compléter l’entièreté de ses objectifs.","abstract_html":"La pénurie de main d’oeuvre, occasionnée entre autres par le vieillissement de la population, est un problème qui affecte les industries canadiennes. Celles-ci peinent à fournir à la demande et leur compétitivité est mise à risque. Pour combler ce besoin, des robots autonomes pourraient être utilisés pour effectuer des tâches de plus en plus complexes afin d’assister l’humain en milieu de vie. Une façon de rendre les robots plus autonomes serait de leur procurer des mécanismes assurant la résilience au niveau décisionnel. La résilience au niveau décisionnel consisterait à permettre au robot de détecter lorsque ses comportements actuels ne lui permettent pas de progresser dans l’atteinte de ses objectifs et d’utiliser des mécanismes pour s’y adapter. À cette fin, une architecture décisionnelle permettant une intégration adéquate des modules de perception, de raisonnement et de contrôle du robot est requise. Celle utilisée dans le projet est l’architecture Hybrid Behavior-Based Architecture. La résilience au niveau décisionnel est réalisée par l’implémentation d’un module d’observation et de mécanismes de résilience. Le module d’observation surveille l’exploitation des modules comportementaux et l’atteinte de leurs objectifs de bas niveau, et signale aux modules décisionnels et de coordination lorsque les comportements actifs ne permettent pas d’atteindre l’objectif et qu’il est nécessaire de s’adapter. Les différents mécanismes de résilience servent à cette adaptation en modifiant des paramètres du système tels que l’objectif courant, l’activation de comportements et leur priorité. L’application est validée en simulation à l’aide de l’environnement de développement Unity et un modèle du robot TIAGo dans un scénario dynamique visant à mettre le robot dans des situations où il doit s’adapter pour continuer à réaliser ses tâches. Le robot effectue des tâches de navigation et de détection dans l’environnement où celui-ci peut éprouver des difficultés à atteindre les destinations en rencontrant des chemins bloqués, des chemins étroits et de la concurrence vis-à-vis ses objectifs de navigation. L’objet à trouver se situe aléatoirement parmi plusieurs positions inconnues par le robot. Les résultats obtenus en utilisant le module d’observation et les mécanismes de résilience suggèrent que l’approche permet au robot d’atteindre davantage ses objectifs et de réduire les situations où il n’effectue pas d’actions au détriment de son environnement, même lorsque le robot ne peut pas compléter l’entièreté de ses objectifs.","abstract_has_math":false,"creators":["Chorel-Campanozzi, Alex"],"institution":"Université de Sherbrooke","degree_name":"M. Sc. A.","degree_level":"Maîtrise","degree_discipline":"Génie électrique","degree_department":null,"school":null,"contributors":[],"advisors":["Michaud, François","Ferland, François"],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-07-27T21:07:32Z","subjects":["Architecture décisionnelle","Auto-surveillance","Autonomie","Résilience","Robotique"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.71892/11143/990"],"render_values":[{"text":"https://doi.org/10.71892/11143/990","href":"https://doi.org/10.71892/11143/990","code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/11143/23171","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Michaud, François","Ferland, François"]},{"key":"dc:creator","label":"Author","values":["Chorel-Campanozzi, Alex"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-08-26T19:18:23Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-08-26T19:18:23Z"]},{"key":"dc:date.issued","label":"Date","values":["2025"]},{"key":"dc:publisher","label":"Institution","values":["Université de Sherbrooke"]},{"key":"dc:type","label":"Dc Type","values":["Mémoire de maîtrise"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Génie électrique"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Maîtrise"]},{"key":"thesis:degree_name","label":"Degree Name","values":["M. Sc. A."]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Sherbrooke"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Architecture décisionnelle","Auto-surveillance","Autonomie","Résilience","Robotique"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.71892/11143/990"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/11143/23171"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La pénurie de main d’oeuvre, occasionnée entre autres par le vieillissement de la population, est un problème qui affecte les industries canadiennes. Celles-ci peinent à fournir à la demande et leur compétitivité est mise à risque. Pour combler ce besoin, des robots autonomes pourraient être utilisés pour effectuer des tâches de plus en plus complexes afin d’assister l’humain en milieu de vie. Une façon de rendre les robots plus autonomes serait de leur procurer des mécanismes assurant la résilience au niveau décisionnel. La résilience au niveau décisionnel consisterait à permettre au robot de détecter lorsque ses comportements actuels ne lui permettent pas de progresser dans l’atteinte de ses objectifs et d’utiliser des mécanismes pour s’y adapter. À cette fin, une architecture décisionnelle permettant une intégration adéquate des modules de perception, de raisonnement et de contrôle du robot est requise. Celle utilisée dans le projet est l’architecture Hybrid Behavior-Based Architecture. La résilience au niveau décisionnel est réalisée par l’implémentation d’un module d’observation et de mécanismes de résilience. Le module d’observation surveille l’exploitation des modules comportementaux et l’atteinte de leurs objectifs de bas niveau, et signale aux modules décisionnels et de coordination lorsque les comportements actifs ne permettent pas d’atteindre l’objectif et qu’il est nécessaire de s’adapter. Les différents mécanismes de résilience servent à cette adaptation en modifiant des paramètres du système tels que l’objectif courant, l’activation de comportements et leur priorité. L’application est validée en simulation à l’aide de l’environnement de développement Unity et un modèle du robot TIAGo dans un scénario dynamique visant à mettre le robot dans des situations où il doit s’adapter pour continuer à réaliser ses tâches. Le robot effectue des tâches de navigation et de détection dans l’environnement où celui-ci peut éprouver des difficultés à atteindre les destinations en rencontrant des chemins bloqués, des chemins étroits et de la concurrence vis-à-vis ses objectifs de navigation. L’objet à trouver se situe aléatoirement parmi plusieurs positions inconnues par le robot. Les résultats obtenus en utilisant le module d’observation et les mécanismes de résilience suggèrent que l’approche permet au robot d’atteindre davantage ses objectifs et de réduire les situations où il n’effectue pas d’actions au détriment de son environnement, même lorsque le robot ne peut pas compléter l’entièreté de ses objectifs."]},{"key":"dc:title","label":"Title","values":["Mécanismes de résilience au niveau décisionnel pour architecture hybride et comportementale de robot autonome"]}]}],"canonical_facts":{"dc:contributor.advisor":["Michaud, François","Ferland, François"],"dc:creator":["Chorel-Campanozzi, Alex"],"dc:date.accessioned":["2025-08-26T19:18:23Z"],"dc:date.available":["2025-08-26T19:18:23Z"],"dc:date.issued":["2025"],"dc:description.abstract":["La pénurie de main d’oeuvre, occasionnée entre autres par le vieillissement de la population, est un problème qui affecte les industries canadiennes. Celles-ci peinent à fournir à la demande et leur compétitivité est mise à risque. Pour combler ce besoin, des robots autonomes pourraient être utilisés pour effectuer des tâches de plus en plus complexes afin d’assister l’humain en milieu de vie. Une façon de rendre les robots plus autonomes serait de leur procurer des mécanismes assurant la résilience au niveau décisionnel. La résilience au niveau décisionnel consisterait à permettre au robot de détecter lorsque ses comportements actuels ne lui permettent pas de progresser dans l’atteinte de ses objectifs et d’utiliser des mécanismes pour s’y adapter. À cette fin, une architecture décisionnelle permettant une intégration adéquate des modules de perception, de raisonnement et de contrôle du robot est requise. Celle utilisée dans le projet est l’architecture Hybrid Behavior-Based Architecture. La résilience au niveau décisionnel est réalisée par l’implémentation d’un module d’observation et de mécanismes de résilience. Le module d’observation surveille l’exploitation des modules comportementaux et l’atteinte de leurs objectifs de bas niveau, et signale aux modules décisionnels et de coordination lorsque les comportements actifs ne permettent pas d’atteindre l’objectif et qu’il est nécessaire de s’adapter. Les différents mécanismes de résilience servent à cette adaptation en modifiant des paramètres du système tels que l’objectif courant, l’activation de comportements et leur priorité. L’application est validée en simulation à l’aide de l’environnement de développement Unity et un modèle du robot TIAGo dans un scénario dynamique visant à mettre le robot dans des situations où il doit s’adapter pour continuer à réaliser ses tâches. Le robot effectue des tâches de navigation et de détection dans l’environnement où celui-ci peut éprouver des difficultés à atteindre les destinations en rencontrant des chemins bloqués, des chemins étroits et de la concurrence vis-à-vis ses objectifs de navigation. L’objet à trouver se situe aléatoirement parmi plusieurs positions inconnues par le robot. Les résultats obtenus en utilisant le module d’observation et les mécanismes de résilience suggèrent que l’approche permet au robot d’atteindre davantage ses objectifs et de réduire les situations où il n’effectue pas d’actions au détriment de son environnement, même lorsque le robot ne peut pas compléter l’entièreté de ses objectifs."],"dc:identifier.doi":["https://doi.org/10.71892/11143/990"],"dc:identifier.uri":["https://hdl.handle.net/11143/23171"],"dc:language.iso":["fr"],"dc:publisher":["Université de Sherbrooke"],"dc:subject":["Architecture décisionnelle","Auto-surveillance","Autonomie","Résilience","Robotique"],"dc:title":["Mécanismes de résilience au niveau décisionnel pour architecture hybride et comportementale de robot autonome"],"dc:type":["Mémoire de maîtrise"],"thesis:degree_discipline":["Génie électrique"],"thesis:degree_level":["Maîtrise"],"thesis:degree_name":["M. Sc. A."],"thesis:institution_name":["Université de Sherbrooke"]},"updated_at":"2026-07-27T21:07:32Z"}