Multi-layer distributed robotics platform for autonomous mobile robots

Melançon, Cédric (2026). Multi-layer distributed robotics platform for autonomous mobile robots. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

Autonomous mobile robots increasingly rely on deep learning models and distributed computing infrastructures spanning edge, fog, and cloud layers. In healthcare environments, these systems must meet strict constraints regarding latency, power consumption, and operational management, while remaining safe and robust. This thesis investigates the implementation of Artificial Intelligence (AI)-based autonomous mobile robots on heterogeneous multi-layer platforms by jointly addressing the on-board execution of deep learning models, real-time data distribution, and the dynamic orchestration of distributed robotic services. The work relies on a realistic testbed, combining a modernized mobile robot and three Kubernetes clusters representing the different distributed layers. A deep learning-based visual odometry model is first optimized for real-time execution, demonstrating that such performance can be achieved without degrading localization accuracy, while quantifying the trade-offs in terms of resources, energy, and temperature. A multi-layer communication middleware, BlazeFlow, is then introduced to unify data flows between heterogeneous publish-subscribe protocols and ensure low-latency communication for high-throughput sensor streams between the edge, the fog, and the cloud. Building on this, BlazeAIoT is proposed as a modular, multi-layer platform integrating communication, configuration, monitoring, and deployment of robotic services, and validated through navigation and emergency stop scenarios, where services are distributed across fog and cloud edge clusters while maintaining real-time performance. Finally, BlazeMaestro is presented as a digital twin that combines a simulator with a multi-cluster deployment to evaluate orchestration strategies that account for resource, latency, and energy constraints, and to compare metaheuristic, deep reinforcement learning, greedy, and autoencoder-based orchestrators. Overall, this research provides tools and experimental evidence to guide the deployment of autonomous mobile robots on heterogeneous multi-layer infrastructures and clarifies how to balance latency, energy, and operational complexity in smart healthcare environments.

Titre traduit

Robotique distribuée multicouche pour les robots mobiles autonomes dans les environnements de santé intelligents

Résumé traduit

Les robots mobiles autonomes s’appuient de plus en plus sur des modèles d’apprentissage profond et sur des infrastructures informatiques distribuées couvrant les couches périphériques, de brouillard et infonuagiques. Dans des environnements tels que le secteur de la santé, ces systèmes doivent respecter des contraintes strictes de latence, de consommation d’énergie et de gestion opérationnelle, tout en demeurant sûrs et robustes. Cette thèse étudie la mise en oeuvre de robots mobiles autonomes basés sur l’IA sur des plateformes hétérogènes multicouches en abordant conjointement l’exécution embarquée de modèles d’apprentissage profond, la distribution de données en temps réel et l’orchestration dynamique de services robotiques distribués. Le travail s’appuie sur un banc d’essai réaliste, combinant un robot mobile modernisé et trois clusters Kubernetes représentant les différentes couches distribuées. Un modèle d’odométrie visuelle par apprentissage profond est d’abord optimisé pour une exécution en temps réel, montrant que ces performances peuvent être atteintes sans dégrader la précision de localisation, tout en quantifiant les compromis en termes de ressources, d’énergie et de température. Un middleware de communication multicouche, BlazeFlow, est ensuite introduit pour unifier les flux de données entre des protocoles de publication-abonnement hétérogènes et assurer une communication à faible latence pour des flux de capteurs à haut débit entre la périphérie, le brouillard et le nuage. Sur cette base, BlazeAIoT est proposé comme plateforme modulaire multicouche intégrant la communication, la configuration, la surveillance et le déploiement de services robotiques, et validé au moyen de scénarios de navigation et d’arrêt d’urgence, où les services sont répartis entre des clusters périphériques de type fog et cloud, tout en maintenant des performances en temps réel. Enfin, BlazeMaestro est présenté comme un jumeau numérique qui associe un simulateur à un déploiement multi-clusters pour évaluer des stratégies d’orchestration tenant compte de contraintes de ressources, de latence et d’énergie, et pour comparer des orchestrateurs métaheuristiques, d’apprentissage par renforcement profond, gloutons et basés sur des autoencodeurs. Dans l’ensemble, cette recherche fournit des outils et des preuves expérimentales pour guider le déploiement de robots mobiles autonomes sur des infrastructures multicouches hétérogènes et clarifie comment équilibrer la latence, l’énergie et la complexité opérationnelle dans les environnements de santé intelligents.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor in electrical engineering". Comprend des références bibliographiques (pages 189-216).
Mots-clés français:	distribution de données, informatique en périphérie, informatique en brouillard, infonuagique, intelligence artificielle, Internet des Objets, jumeau numérique, optimisation multi-objectifs, orchestration dynamique, robotique distribuée, robotique mobile autonome
Directeur de mémoire/thèse:	Directeur(-trice) Saad, Maarouf
Codirecteur:	Codirecteur(-trice) de mémoire/thèse Kaur, Kuljeet Gascon-Samson, Julien
Programme:	Doctorat en génie > Génie
Date de dépôt:	10 sept. 2026 17:34
Dernière modification:	10 sept. 2026 17:34
URI:	https://espace.etsmtl.ca/id/eprint/4072

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt