Mise en oeuvre d’un système d’apprentissage par renforcement pour la gestion automatique des voiles sur un bateau à propulsion hybride voile moteur

Institut de la Francophonie pour l’Informatique
Institut National des Sciences Appliquées de Rennes
Société Avel Vor Technologies

MÉMOIRE DE FIN D’ÉTUDES
MASTER D’INFORMATIQUE

Mise en œuvre d’un système d’apprentissage par renforcement pour la
gestion automatique des voiles sur un bateau à propulsion hybride
voile-moteur

NGUYEN Le-Vinh
Responsables de stage : Pierre-Yves GLORENNEC
Ce stage a été réalisé au sein du Département informatique de l’Institut National des Sciences Appliquées
de Rennes
INSA de Rennes

Hanoï, septembre 2007


Remerciements
Je tiens à remercier tout particulièrement Pierre-Yves GLORENNEC pour m’avoir encadré pendant ces cinq
mois. Je le remercie de son contact chaleureux, ses conseils et encouragements, son soutien permanent et la
liberté de recherche qu’il à bien voulu me laisser.
Mes plus sincères remerciements vont également à tous les professeurs et les personnels de l’Institut de la
Francophonie pour l’Informatique (IFI) pour m’avoir donne des cours de très bonne qualité et pour leur soutien
tout au long de mes études à l’IFI.
Un grand merci aux autres stagiaires au Département informatique de l’INSA de Rennes pour une ambiance
de travail particulièrement favorable.
Je remercie chaleureusement mes camarades de la promotion XI pour leur amitié sans faille et je leur souhaite
bonne chance pour la soutenance.

Merci enfin à mes parents, ma femme et mes amis pour leur soutien et leur encouragement à tout l’instant.

i


Résumé
Le travail du stage est réalisé dans le cadre du projet Grand Largue et sous la direction de la société Avel-Vor
Technologie. Grand Largue, c’est un vaste projet proposant par Pôle Mer Bretagne avec Avel-Vor Technologie, le
porteur du projet, travaille sur les problèmes d’optimisation dans le monde maritime qui fournit des applications
utilisant la logique floue et l’apprentissage automatique pour le projet.
Dans le cadre du projet, nous étudions et proposons des solutions utilisant des algorithmes d’apprentissage par
renforcement pour piloter automatiquement un voilier afin d’améliorer les performances. La première étape du
projet, nous faisons des études des connaissances maritimes, de la logique floue, de l’algorithme d’apprentissage
par renforcement et nous concevons un Système de Pilote Automatique Intelligent.
La partie principale de notre travail concerne un Système de Pilote Automatique Intelligent (SPAI). C’est
un système intelligent qui peut donner des décisions pour piloter automatiquement le bateau. Il peut contrôler
la gîte du bateau, utiliser systématiquement la polaire de vitesse pour profiter l’énergie du vent. Pour construire
ce système, nous utilisons une méthode d’optimisation utilisant les Système d’Inférence Floue (SIF). Les SIF
sont composés d’une collection de règles qui ont la forme générale : Si telle situation alors telle conclusion. La
table de règles est établie par des " experts ". Nous avons utilisé le QFUZZ [3] pour construire un algorithme
d’optimisation d’une SIF dans ce contexte du projet. La méthode utilise des algorithmes d’apprentissage par
renforcement qui sont présentés dans le chapitre 10 du livre [3].
Afin d’estimer l’efficacité de la solution, nous l’avons testé sur un système de simulation et les résultats
obtenus sont optimistes. Actuellement, dans la condition réelle, il y a beaucoup de variables de milieu. Notre
simulateur tient en compte seulement des variables principales comme : le vent réel, l’accélération du bateau,
la polaire de vitesse du bateau, l’oscillation du bateau, et le changement aléatoire du vent réel. Il est nécessaire
d’avoir plus de temps pour tester le système sur un bateau en conditions réelles.
A partir des résultats obtenus, nous trouvons que le SIF est une bonne direction. La méthode QFUZZ a obtenu
des résultats acceptables.
Mots-clés : logique floue, système d’inférence floue, pilote automatique, apprentissage automatique, apprentissage par renforcement.

ii


Abstract
This work of the internship is carried out within the scope of the Grand Largue project and under the direction
of the company Avel-VOR Technology. Grand Largue is a vast project proposing by Pôle Mer Bretagne with
Avel-VOR Technology, the carrier of the project, works on the problems of optimization in the maritime world
which provides applications using fuzzy logic and machine learning for the project.
Within the scope of the project, we study and propose solutions using the reinforcement learning algorithms
to sail automatically a ship and to improve its performances. The first stage of the project, we study the maritime
knowledge, fuzzy logic, reinforcement learning algorithms and we design a Intelligent Autopilot System.
The main part of our work relates to an Intelligent Autopilot System. It is an intelligent system which can give
decisions to control the boat automatically. It can control systematically the list of boat to use the polar speed for
benefit energy of the wind. To build this system, we use an optimization method using the fuzzy inference system
(SIF). The SIF are composed of a collection of rules which have the general form : If such situation then such
conclusion. The rules table is drawn up by "experts". We used the QFUZZ [3] to build an optimization algorithm
of a SIF in this context of the project. The method uses reinforcement learning algorithms which are presented
in the chapter 10 of the book [3].
To estimate the effect of the solution, we tested it on a simulation system and the results obtained are optimistic. Under the real condition, there are many variables of environment. Our simulator considers only basic
variables like : real wind, the acceleration of the boat, the speed polar of the boat, the oscillation of the boat, and
random change of the real wind. It is necessary to have more time to test the system on a boat in real conditions.
From the results obtained, we found that the SIF is a good direction. Method QFUZZ obtained acceptable
results.
Keywords : fuzzy logic, fuzzy inference system, autopilot, machine learning, reinforcement learning.

iii


Table des matières

Résumé

ii

Abstract

iii

1 Introduction

1

1.1

Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

1.2

Motivation et objectifs du stage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

1.3

Environnement de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

1.4

Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

1.5

Plan du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3

2 Etat de l’art
2.1

2.2
2.3

2.4

2.5

4

Travaux Relatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.2

X-Pilot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.1.3

Le pilote intelligent et le simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7

Produits existants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

2.2.1

Gyropilot 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

Introduction de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

2.3.1

Parties d’un voilier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

2.3.2

Théorie d’un voilier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

2.3.3

Vent réel, vent de vitesse et vent apparent . . . . . . . . . . . . . . . . . . . . . . . . .

11

2.3.4

Polaire de vitesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

2.3.5

VMG (Velocity Made Good) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

Pilote automatique et pilote automatique intelligent . . . . . . . . . . . . . . . . . . . . . . . .

14

2.4.1

Modes du pilote classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

2.4.2

Limites d’un pilote classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2.4.3

Améliorations du pilote intelligent . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.4.4

Stratégies de barre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

Systèmes d’inférence floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.5.1

23

Variable linguistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iv


2.6

2.7

2.5.2

Sous-ensemble flou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.5.3

Partition floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.5.4

Valeur de vérité d’une règle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.5.5

Calcul de la sortie d’un SIF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.5.6

Un exemple - Le lave-ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

Apprentissage par renforcement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

2.6.1

Q-Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.6.2

Q-FUZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.6.3

Q-Learning flou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

3 Solution proposée
3.1

29

Schéma global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

3.1.1

Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

3.1.2

Composants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

3.2

Le pilote automatique intelligent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

3.3

Modes du pilote automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

3.3.1

Mode VENT REEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

3.3.2

Mode CAP FIXE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

3.3.3

Mode VMG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

4 Programme de Pilote Automatique Intelligent

37

4.1

Conception du SPAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

4.2

Conception architecturale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

4.2.1

Diagramme de collaboration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

4.2.2

Diagramme de cas d’utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

4.2.3

Diagramme de déploiement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

4.2.4

Diagramme de pacquages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

4.2.5

Architecture des interfaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

Conception détaillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

4.3.1

Module d’interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

4.3.2

Diagramme de classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

4.3.3

Diagramme d’état-transitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

Module de PAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

4.4.1

Diagramme de classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

4.4.2

Diagramme d’activité général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

4.4.3

Algorithme de choix de la consigne . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

Module de décodage et d’encodage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

4.5.1

Diagramme de classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

4.5.2

Diagramme d’activité du module de décodage et d’encodage . . . . . . . . . . . . . . .

50

4.3

4.4

4.5

v


4.5.3
4.6

Diagramme d’activité d’envoi d’une consigne . . . . . . . . . . . . . . . . . . . . . . .

51

Module de stockage des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

5 Résultat

53

6 Conclusions et perspectives

55

Bibliographie

56

vi


Table des figures
1.1

Hiérarchie de commande et architecture de l’agence de pilote . . . . . . . . . . . . . . . . . . .

1

2.1

Hiérarchie de commande et architecture de l’agence de pilote de X-Pilot . . . . . . . . . . . . .

5

2.2

Architecture de réseau basé le CAN de X-Pilot . . . . . . . . . . . . . . . . . . . . . . . . . .

6

2.3

Architecture d’implementation de X-Pilot . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7

2.4

Fonction d’appartenance pour l’accélération . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

2.5

Fonction d’appartenance pour la vitesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8

2.6

Fonction d’appartenance pour le TWA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

2.7

Les majeures parties d’un voilier : A - le cap, B - la voile, C - gouvernail . . . . . . . . . . . . .

10

2.8

Les trois comportements de navigation différents . . . . . . . . . . . . . . . . . . . . . . . . .

11

2.9

Relation des trois types de vent réel, de vent de vitesse et de vent apparent . . . . . . . . . . . .

12

2.10 Calcul deu vent réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

2.11 Polaire de vitesse du bateau génois, et du bateau spi de 13 kilo nœuds . . . . . . . . . . . . . .

14

2.12 Un exemple de VMG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2.13 Exploitation de la polaire de vitesse pour le prés . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.14 Exploitation de la polaire de vitesse pour le portant . . . . . . . . . . . . . . . . . . . . . . . .

20

2.15 Les différentes actions en fonction du TWA de la route à suivre . . . . . . . . . . . . . . . . . .

22

2.16 Fonctions d’appartenance pour le poids et la quantité d’eau . . . . . . . . . . . . . . . . . . . .

24

2.17 Modèle standard représentant l’apprentissage par renforcement . . . . . . . . . . . . . . . . . .

26

2.18 Architecture de Q-FUZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

3.1

Schéma global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

3.2

Composition interne du PAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

3.3

Module de décodage et d’encodage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

3.4

Module de dialogue humain-machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

3.5

Utilisation du SIF pour donner la décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

3.6

Diagramme de fonctionnement du mode vent réel . . . . . . . . . . . . . . . . . . . . . . . . .

33

3.7

Diagramme de fonctionnement du mode cap fixe . . . . . . . . . . . . . . . . . . . . . . . . .

35

3.8

Diagramme de fonctionnement du mode VMG . . . . . . . . . . . . . . . . . . . . . . . . . .

36

4.1

Diagramme de collaboration entre les modules . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

4.2

Diagramme de cas d’utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

vii


4.3

Diagramme de déploiement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

4.4

Diagramme de pacquages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

4.5

Architecture des interfaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

4.6

Diagramme de classes d’interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

4.7

Diagramme d’état-transitions du module d’interface . . . . . . . . . . . . . . . . . . . . . . . .

45

4.8

Diagramme de classes du module de PAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

46

4.9

Diagramme d’activité général du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

4.10 Algorithme de choix de la consigne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

4.11 Diagramme de classes de des modules de décodage et d’encodage . . . . . . . . . . . . . . . .

49

4.12 Diagramme d’activité du module de décodage et d’encodage . . . . . . . . . . . . . . . . . . .

50

4.13 Activité d’envoi d’une consigne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

4.14 Diagramme de classes du module de stockages des données . . . . . . . . . . . . . . . . . . . .

51

5.1

Comparaison entre les trois algorithmes de pilote : (a) position/temps des pilotes, (b) vitesses
moyennes des pilotes. La vitesse moyenne du pilote 2 = 105% celle du pilote 1. La vitesse

5.2

moyenne du pilote 3 = 105 % celle du pilote 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .

53

Les 3 étapes d’amélioration du pilot automatique intelligent . . . . . . . . . . . . . . . . . . . .

54

viii


Liste des tableaux
2.1

Tableau de règles du système d’inférence floue . . . . . . . . . . . . . . . . . . . . . . . . . .

9

2.2

Tableau de règles du lave-ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

2.3

Calcul la quantité d’eau avec Poids = 3,4 et Propreté = 0,22 . . . . . . . . . . . . . . . . . . . .

25

3.1

Tableau de règles du SIF pour la stratégie au près . . . . . . . . . . . . . . . . . . . . . . . . .

32

5.1

Tableau de règles initiales du SIF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

5.2

Tableau de règles améliorées du SIF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

ix


Chapitre 1

Introduction
1.1 Problématique
Réduction de la consommation du carburant est un impératif de suivre pour nombre d’entreprises de pêche
afin d’économiser l’énergie, de lutter contre la pollution et la l’effet de serre. Dans ce contexte, le projet Grand
Largue propose la solution utilisant la voile en complément du moteur.

Sensors

Capitaine

Navigateur
Agence
de Pilote
Gardien

Barreur

Actionneur

F. 1.1 – Hiérarchie de commande et architecture de l’agence de pilote
Le problème posé est alors de concevoir des systèmes de propulsion hybride bi-énergie performances. Il fait
la gestion des voiles et du couplage voile-moteur totalement automatique et optimisée. En fonction des vents
et du courant, un routage optimal sera proposé au capitaine du bateau. Des systèmes d’intelligence artificielle
permettront aux logiciels d’apprentissage automatiquement des variables et des paramètres du bateau.
Dans [1], [2], les auteurs ont proposé l’hiérarchie de commande et architecture de l’agence de pilote dans

1


1.2 Motivation et objectifs du stage

2

leurs recherches (Figure 1.1). L’idée générale est de réaliser un pilote automatique qui est capable d’agir en
fonction des accélérations de décélérations du bateau, dues aux variations du milieu (mer, vent,...).
Dans le cadre du projet, Avel-Vor Technologie, le porteur du projet, travaille sur les problèmes d’optimisation
dans le monde maritime qui fournit des applications utilisant la logique floue et l’apprentissage automatique pour
le projet. Le travail du stage est mise en ouvre d’un système d’apprentissage par renforcement pour la gestion
automatique des voiles un bateau à propulsion hybride voile-moteur.
Mon travail, avec le rôle d’un informaticien, est de réaliser la partie informatique du système. Le travail à
réaliser consiste à :
– définir un protocole d’apprentissage par renforcement pour adapter les règles de conduite à tout type de
bateau,
– mettre en ouvre une Interface Home-Machine simple et ergonomique,
– intégrer toutes ces fonctionnalités sur un bateau de 16 mètres, en conditions réelles.
En fait, le travail du projet était en retard. Selon le sujet du stage, la partie informatique que je réalise est intégrée
sur un bateau réel. Cependant, je n’ai pas eu l’occasion de travailler dessus une condition réelle. Les algorithmes
d’apprentissage sont testés seulement sur un simulateur.

1.2 Motivation et objectifs du stage
Aujourd’hui, la logique floue est bien appliquée dans les applications industrielles. Dans ce domaine, Systèmes d’Inférence Floue (SIF) sont utilisés comme une méthode d’optimisation. Les règles d’inférence floue
représentent une connaissance humaine, exprimée en langage naturel, à l’aide de mots vagues, mal définis,
« floue »[3]. Le programme produit peut piloter automatiquement un voilier selon un routage optimal. Le point
intéressant du sujet est l’environnement de travail industriel et l’application pratique du projet. L’application d’un
algorithme d’intelligence artificielle dans un projet industriel m’intéresse beaucoup. C’est la raison pour laquelle
ce sujet est choisi pour mon stage de fin d’étude. L’objectif du travail est de construire une solution informatique

intégrant dans un voilier pour le piloter automatiquement afin d’améliorer les performances qui peut adapter pour
tout type de bateau.

1.3 Environnement de travail
Ce stage est réalisé au sein du département informatique de l’INSA de Rennes, dans le cadre du projet
Grand Largue et sous la direction du professeur Pierre-Yves GLORENNEC, le directeur de la société Avel-Vor
Technologie. Le projet a été labellisé par le Pôle Mer Bretagne en février 2007.

1.4 Contribution
La principale contribution de ce travail consiste d’ :
– une solution d’un Système de Pilote Automatique Intelligent.
– une application de Pilote Automatique Intelligent


1.5 Plan du document

3

1.5 Plan du document
Dans la suite de ce rapport, après l’étude bibliographique sur le pilote automatique, les systèmes d’inférence
floue et l’apprentissage par renforcement dans le chapitre 2. Le chapitre 3 présente notre solution du système
de pilote automatique intelligent (SPAI). Le chapitre suivant s’agit de montrer notre programme de SPAI, nous
comparons aussi les résultats de ce stage et ceux de Cédric [4]. En fin, le chapitre 5 donne la conclusion et les
perspectives du travail.


Chapitre 2

Etat de l’art
2.1 Travaux Relatifs

2.1.1 Introduction
L’idée de la conception d’un système de pilote automatique a été proposée au début du siècle et a été incitée par l’introduction du compas gyroscopique [5]. Jusqu’au 70s plus tôt presque tous les pilotes automatiques
pour un bateau ont été basés sur le contrôleur PID (proportinal-derivative-integral) et la majorité des applications a impliqué les bateaux commerciaux tels que Ro-Ro, les bateaux de container et les bateaux-citernes. Les
raisons pour lesquelles la majorité d’applications des systèmes de pilote automatique impliquant les bateaux
commerciaux sont principalement le coût élevé de la technologie et du besoin de trouver assez d’espace pour
l’équipement de matériel comme le compas gyroscopique, la vitesse de direction, etc.
Avec le développement de la technologie et du équipement des pilotes automatiques a changé des équipements mécaniques aux les systèmes électroniques. Le développement rapide des micro-ordinateurs a rendu
l’implémentation des pilotes automatiques classiques réalisable pour une région plus large. Le nombre croissant
récent des voiliers de loisirs en même temps que des avances en informatique et conception de bateau a eu comme
conséquence un nouvel intérêt de recherches pour la conception des systèmes pilotes automatiques.
Cette session nous présente les deux systèmes de pilote automatique : un système utilise la technologie de
datamining (X-Pilot[2],[1],[6]) et l’un autre est un pilote automatique neural[5].

2.1.2 X-Pilot
X-Pilot[2],[1] est un pilot automatique du projet Robosail[6] qui est une nouvelle initiative pour prendre les
derniers développements dans les régions de l’intelligence artificielle aux hautes de mer. Le but final du projet
de RoboSail est de créer un système semi-autonome intelligent qui peut apprendre à barrer bateau à voiles en
collaboration avec le barreur à bord.
Ce système utilise des modèles mathématiques partiels pour prédire le changement de l’environnement et
capturer la pleine dynamique du monde pour apprendre des expériences. C’est actuellement la combinaison
de la mécanique et l’intelligence artificielle appliquée. L’indépendance des aspects mécaniques nous permet de
barrer un bateau sur n’importe quel océan et l’aspect de l’intelligence artificielle nous permet de l’appliquer dans
l’importe quel paradigme de voilier.
4


2.1 Travaux Relatifs

5

D’ailleurs, X-Pilot n’est pas juste un système automatique complet mais aussi une semi-autonome qui coopère activement avec le barreur pour combiner finalement le meilleur de tous les deux : les qualités physiques
de l’humain, combinées avec la prise de décision et les possibilités précises de commande d’un système informatique intelligent.
Architecture
Dans ce projet, les auteurs utilisent une approche combinant des techniques avec le raisonnement basé sur
les règles et une architecture basée sur la technologie d’agent. Une architecture basée sur ces idées a été conçue
dans la figure 2.1.

3 45467
Z[\]^_]`


7

2


9

3

Zabcc[_`

defbgeh^_`
og[\hqr^^n`



3

73 9329


i ehjkl e\`
2@26


2
32613
343A=673
38
253332
ojhpeh^_`
m[nl ]l e\`
A
32 12
3

430
F. 2.1
HiérarchieR


24W1
de commande3
et

architecture
de l’agence de 871
pilote
de
st–uvwx&y

87
24<3260

<
6386
X-Pilot
9 7
5333
8
61Dans

2 cette approche, la connaissance de base de la navigation a été utilisée en forme des ensembles de règles.
735

4 sont de la forme suivent :
Les règles
« Si l’angle du vent apparent est entre x et y puis la voile devrait être placée à z. »

3
673
6
où3x, y et z sont
floues.
initiales
pour x, y 439
et z ont été fournies par la
<2définis
8716par
386des
3règles

0
934

2 Les
6739estimations
3 143
97
96
790332
9
?

3
6
@
connaissance 1
des
experts et
retournées
l’expérience
pris3
la forme
grande base de données
997
52
12puis
>
3 z
24par190
9

34
2qui
a
3

673d’une
909
4438
26



contenant des

épisodes
réels. EF
24 673/
13
871638630 B1
8716386denavigation
30 {

9D
3430
6
7coupezD$|F
[1]
la tâche
en
quatre

agents
principaux,
chacun
qui 26
fonctionne
un d’échelle de temps différent.
8

012345167
3266
3872


1
73