Please enable JavaScript.
Coggle requires JavaScript to display documents.
Robot éviteur d’obstacles - Coggle Diagram
Robot éviteur d’obstacles
Actions à suivre
décision 1 :
action : Définir la structure du robot et le capteur d’obstacle (ultrason HC-SR04)
responsable : Manel Arif, Chaima Trabelsi
délai : 1 semaine
ressources à trouver : capteurs, Arduino, moteur, alimentation
décision 2 :
action : Implémenter l’algorithme Q-Learning pour la navigation
responsable : Manel Arif, Chaima Trabelsi
livrable : code Python (simulation) puis version C++ embarquée
validation : tests sur simulateur puis sur robot réel
délai : 2 semaines
liste de diffusion du CR : équipe + encadrant
prochaine réunion : présentation de la simulation Q-Learning
Cours de gestion de projet
Cycle de vie du projet
Initiation : définition du sujet (robot autonome avec Q-Learning)
Planification : choix des composants, répartition des rôles, plan de travail (4 semaines)
Exécution : conception du robot, simulation Python, implémentation embarquée
Suivi : réunions, tests, ajustements selon les résultats
Clôture : validation finale, rapport technique, démonstration du robot
Outils de gestion
Diagramme de Gantt (planification hebdomadaire)
GitHub (suivi du code et des versions)
Livrables attendus
Schéma électronique complet du robot
Code source (Arduino + Python)
Rapport technique et compte rendu de tests
Carte mentale de suivi du projet
Communication
Compte rendu envoyé après chaque séance
Feedback pour améliorer la simulation et le comportement du robot
Gestion du temps
Méthode SMART :
Temporellement défini : échéances fixées à chaque réunion
Atteignable : composants disponibles au département
Mesurable : atteindre une navigation stable en simulation et réelle
Amélioration continue
Après chaque test :
Évaluer les performances du modèle Q-Learning
Corriger les erreurs de capteur et la lenteur d’apprentissage
Documenter les résultats dans le rapport et la carte mentale
Informations
point 1 : Algorithme utilisé : Q-Learning avec table de récompenses
point 2 : Simulation sous Python (Matplotlib + environnement de type Gym)
documents additionnels :
schéma du robot
code source
compte rendu des essais
problème : calibrage du capteur ultrason et lenteur d’apprentissage initiale
Comment optimiser la vitesse d’apprentissage ?
Peut-on remplacer Q-Learning par Deep Q-Learning ?
Ajouter un mode “suivi de ligne” en plus de la détection d’obstacles ?
Logistique
organisation
heure de début : 9h00
salle : Laboratoire systèmes embarqués
durée : 3h par séance
présents
membres de l’équipe : Chaima Trabelsi, Manel Arif
présents : tous
absents : aucun
excusés : /
encadrement : M. Cherif Abderaouf
partenaire : Département électronique & IOT
rôles
animation : Chaima Trabelsi, Manel Arif
secrétaire
fait le compte rendu et l’envoie avec les documents (simulation, code, schéma)
scribe
établit la carte Coggle et met à jour le suivi du projet
gestion du temps : 1 séance par semaine sur 4 semaines
Ordre du jour
point 1 : Avancement du développement matériel
point 2 : Simulation du Q-Learning dans un environnement 2D
suivi des actions des réunions précédentes
Suivi de la Gestion des risques
à surveiller : erreurs de capteur, surconsommation du robot
point de blocage : lenteur d’apprentissage ou dérive du modèle
suivi du budget
ressources : capteurs, moteur, batterie, microcontrôleur
dépenses : estimation 120 DT
argent : pris en charge par le département
heures : 12h totales de travail pratique