Collective intelligence strategies for efficient autonomous industrial vehicles
Stratégies d’intelligence collective pour des véhicules industriels autonomes efficaces
Résumé
The challenges of Industry 4.0 include optimizing data flows and decentralizing decision-making, where centralised systems often become inadequate. Autonomous Industrial Vehicles (AIVs) need to become smarter and more cooperative by exchanging relevant traffic data among themselves and with the infrastructure. This thesis aims to enhance the autonomy of AIVs through collective intelligence strategies, improving their adaptability, decision-making, and efficiency by facilitating communication and information sharing. Our methodology, based on modeling, simulation, and scenario testing, seeks to propose specific collective strategies to strengthen various key functionalities of AIVs. First, we improved an obstacle avoidance algorithm and developed a global strategy based on shared perception. We adapted and proposed standardized messages for the Industry 4.0 context and introduced a dynamic task (re)allocation system in decentralized environments. Based on the strong assumption of cooperative perception, we then proposed an architecture for generating V2X data. Finally, we developed collective energy management strategies for each AIV using a fuzzy decision model, allowing them to autonomously determine the optimal recharge times and thus reduce their downtime within the fleet.
Les défis de l’industrie 4.0 comprennent l’optimisation des flux de données et la décentralisation de la prise de décision, là où les systèmes centralisés deviennent souvent inadéquats. Les véhicules industriels autonomes (VIAs) doivent devenir plus intelligents et coopératifs, en échangeant des données pertinentes sur le trafic entre eux et avec l’infrastructure. Cette thèse vise à renforcer l’autonomie des VIAs à travers des stratégies d’intelligence collective, améliorant leur adaptabilité, prise de décision et efficacité grâce à une communication et un partage d’informations facilités. Notre méthodologie, basée sur la modélisation, la simulation et des tests scénarisés, vise à proposer des stratégies collectives spécifiques pour renforcer les différentes fonctionnalités clés des VIAs. Tout d’abord, nous avons amélioré un algorithme d’évitement d’obstacles et développé une stratégie globale basée sur la perception partagée. Nous avons adapté et proposé des messages standardisés au contexte de l’industrie4.0 et introduit un système de (ré)allocation dynamique des tâches en environnements décentralisés. Ces contributions se basant sur l’hypothèse forte de la perception coopérative, nous avons ensuite proposé une architecture pour générer des données V2X. Enfin,nous avons développé des stratégies collectives de gestion de l’énergie pour chaque VIA basé sur un modèle de décision flou, afin qu’ils puissent déterminer de manière autonome les moments optimaux de recharge et ainsi réduire leurs temps d’inactivité au sein de la flotte.
Origine | Version validée par le jury (STAR) |
---|