AUTONOMOUS TRACK TENSIONING MECHANISM AND OPERATION METHOD FOR UNMANNED GROUND VEHICLES

The invention relates to an autonomous track tensioning mechanism that enables the unmanned ground vehicle to have optimum driving performance in different terrain (stony, sandy, muddy, grassy, wet ground, etc.) and environmental conditions in the missions performed by UGVs, and to an operation method for the autonomous track tensioning mechanism. The track tensioning mechanism is a frequently used subsystem in UGVs. In order to successfully complete different missions such as logistics deployments, search and rescue, autonomous patrolling, reconnaissance and surveillance; the tension of the rubber track in the vehicle is adjusted autonomously by using of camera (2), sensors, artificial intelligence algorithms, machine learning-based classification algorithms and deep learning-based object detection algorithms according to the terrain conditions during its deployment to the mission area, thereby ensuring that the UGV has optimum driving performance on different terrians and environmental conditions. L'invention concerne un mécanisme autonome de tension de chenille qui permet à un véhicule terrestre sans pilote (UGV) d'avoir une performance de conduite optimale sur différents terrains (rocailleux, sablonneux, boueux, herbeux, mouillé, etc.) et dans différentes conditions environnementales lors des missions réalisées par les UGV, et un procédé de fonctionnement pour le mécanisme autonome de tension de chenille. Le mécanisme de tension de chenille est un sous-système fréquemment utilisé dans les UGV. Afin de réaliser avec succès différentes missions telles que des déploiements logistiques, une recherche et un sauvetage, une patrouille autonome, une reconnaissance et une surveillance ; la tension de la chenille en caoutchouc du véhicule est ajustée de manière autonome à l'aide d'une caméra (2), de capteurs, d'algorithmes d'intelligence artificielle, d'algorithmes de classification basés sur de l'apprentissage automatique et d'algorithmes de détection d'objet basés sur un apprentissage profond en fonction des conditions de terrain pendant son déploiement vers la zone de mission, garantissant ainsi que l'UGV a des performances de conduite optimales sur différents terrains et dans différentes conditions environnementales.