Abstract (FR)

Cette thèse étudie l'apport que peut présenter l'apprentissage automatique pour des tâches de planification dans le cadre de véhicules autonomes en situation off-road. Nous nous intéressons plus particulièrement à des problèmes de planification d'itinéraire sous contraintes, ainsi que de calcul de stratégies d'exécution de manœuvres synchronisées avec d'autres véhicules. Nous présentons une série d'heuristiques basées sur de l'apprentissage ayant pour but d'aider des planificateurs d'itinéraire. Nous montrons que ces heuristiques permettent un gain significatif de performance pour des planificateurs optimaux. Nous montrons également dans le cas de la planification approximative un gain qui ne se limite pas à la performance uniquement mais s'étend également à la qualité de l'itinéraire trouvé, ce dernier étant presque toujours meilleur. Enfin, afin de calculer des stratégies d'exécution de manœuvres synchronisées, nous proposons une nouvelle forme de contrôlabilité dynamique de planification ainsi qu'un algorithme assisté par apprentissage. La technique proposée permet une nette amélioration sur des benchmarks connus dans cette forme de contrôlabilité vis à vis des travaux de l'état de l'art qui portent sur une forme de contrôlabilité analogue. Elle permet aussi de trouver des stratégies pour des problèmes de planification difficiles que les travaux précédents ne peuvent résoudre.