Détail de l'offre

Stage M2 : Navigation autonome d’un robot mobile en plein champ

Offre du 19/12/2020

Titre : Navigation autonome d’un robot mobile en plein champ

Mots clefs : Robotique agricole, véhicule terrestre, contrôle-commande, navigation

Contexte : Du fait des progrès récents en informatique et en robotique et à l’instar de nombreux autres domaines (industrie, médecine, éducation), l’agriculture moderne est, à son tour, en pleine révolution technologique. L’agrandissement des exploitations, le manque de main d’œuvre (encore plus criant en périodes de crise sanitaire), les politiques écologiques imposant une réduction des produits phytosanitaires, produisent une pression inédite sur le monde agricole, le poussant à se repenser. Ainsi, la mécanisation agricole cède la place à la robotisation. Parmi les besoins actuels en robotique agricole, la détection de maladies ou de ravageurs et leur destruction ciblée ont été peu étudiées [1]. Pourtant une détection précoce peut limiter leur impact sur la production, et une destruction ciblée n’a pas d’impact sur l’environnement. Le projet GreenShield vise à réduire l’utilisation de pesticides en développant un module robotisé embarqué sur un véhicule (robot mobile ou tracteur) pour combattre les pestes de cultures. Le robot patrouillera dans les cultures pour scanner les jeunes plants à la recherche d’invertébrés [2] et de symptômes de maladies [3]. Il collectera ainsi des données fiables en terme de nature et taux de contamination, qui serviront à optimiser les campagnes suivantes. Dès détection de nuisibles, il les neutralisera à l’aide d’un faisceau laser directif, solution déjà étudiée pour dans la lutte contre les adventices [4] et industrialisée par la startup Green Shield.

Problématique : à ce jour, les fonctions de détection et neutralisation ont été validées individuellement. Les expérimentations actuelles ont démontré la faisabilité de la détection de la position des pucerons dans l’espace, grâce à une caméra de stéréovision uniquement dans le spectre visible. Un algorithme d’Intelligence Artificielle a été entraîné à cette fin. Concernant la neutralisation, nous avons convergé vers des lasers solides bleus et verts de puissance 10 W ne pesant que quelques kilogrammes. L’orientation du laser est réalisée par des micro-miroirs du commerce. Des tests de visée en laboratoire ont montré une précision submillimétrique en boucle ouverte quand les pucerons sont au centre de l’image. À ce jour, un premier prototype unidirectionnel de robot mobile, roulant au dessus de plants de fèves colonisés manuellement de pucerons, a permis de valider la détection pendant le roulage. Un second prototype est en cours de réalisation : plus maniable, avec moins de vibrations et intégrant le laser de neutralisation, il sera le support des prochaines expérimentations intégrant l’ensemble de la chaîne de commande.

L’objectif de ce stage est de développer le système de navigation du robot au dessus des jeunes plants. Un contrôle bas niveau de la vitesse d’avance et de l’orientation devra maintenir le robot aligné au dessus d’une rangée et adapter la vitesse en fonction des besoins de reconnaissance et destruction (selon la densité de pucerons). Le robot devra être capable de passer d’une rangée à une autre de manière autonome.
Il sera équipé d’un GPS RTK et de capteurs complémentaires à définir.
Des expérimentations seront réalisées indoor et outdoor afin de se placer des les conditions les plus réalistes.

Missions :
• étude bibliographique des algorithmes de navigation autonome de robots mobiles en champs
• proposition d’approches adaptés à cette application
• proposition de capteurs complémentaires
• programmation & simulation (VRep)
• et expérimentation

Profil recherché :
Connaissances générales en robotique, programmation (C++, Python, Matlab)
Une expérience avec ROS/Gazebo et Linux serait un plus.

Références :
[1] Spyros Fountas, Nikos Mylonas, Ioannis Malounas, Efthymios Rodias, Christoph Hellmann Santos, and Erik Pekkeriet, Agricultural Robotics for Field Operations, Sensors 2020, 20(9), 2672, doi:10.3390/s20092672
[2] Cardim Ferreira Lima, M.; Damascena de Almeida Leandro, M.E.; Valero, C.; Pereira Coronel, L.C.; Gonçalves Bazzo, C.O. Automatic Detection and Monitoring of Insect Pests, A Review. Agriculture 2020, 10, 161, doi :10.3390/agriculture10050161.
[3] Diego Inácio Patrício, Rafael Rieder, Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review, Computers and Electronics in Agriculture, Vol 153, 2018, 69-81, doi :10.1016/j.compag.2018.08.001.
[4] V. Osadčuks, A. Kostromins, A. Pecka, V. Koteļeņecs, and J. Jaško, Experimental efficiency evaluation of 445 nm semiconductor laser for robotized weed control applications, Agronomy Research 18 (S2), 1380–1387, 2020, doi:10.15159/AR.20.135

Contacts : arnaud.leleve@insa-lyon.fr, minh-tu.pham@insa-lyon.fr

https://anr-greenshield.insa-lyon.eu/

INSA Lyon

69100 Villeurbanne

arnaud.leleve@insa-lyon.fr

Type de Contrat

  • Stage
  • Fonction

    • Ingénieur.e
    • Diplômes

      • Bac +5 (M2, Ingénieur, etc.)
      • Expérience

        • Débutant
        • Compétences Techniques

          • Intelligence Artificielle
          • Navigation
          • Vision
          • Langages Informatiques

            • C, C++
            • Python
            • Outils et Environnements

              • MATLAB
              • ROS
              • Linux
              • Gazebo