Cet article présente une nouvelle application exploitant la validation de modèle pour réaliser une planification multi-étapes en temps réel et éviter les obstacles dans un robot autonome réel. Nous développons un algorithme de validation de modèle compact et personnalisé qui génère des plans sur le terrain à partir des connaissances fondamentales et de l'attention des agents biologiques. Cette opération est réalisée en temps réel, sur des dispositifs à faible consommation d'énergie, sans données précalculées. Elle repose sur une méthode de liaison de systèmes de contrôle ad hoc générés pour contrer les perturbations environnementales locales qui empêchent l'agent autonome d'adopter son comportement préféré (ou état de repos). Nous utilisons une nouvelle technique de discrétisation des données LiDAR 2D, sensible aux variations limitées de l'environnement local. Nous appliquons la planification multi-étapes aux scénarios d'impasse et de terrain de jeu en utilisant la validation de modèle via une recherche en profondeur avant. Les résultats empiriques et les démonstrations informelles de deux propriétés fondamentales de l'approche démontrent que la validation de modèle peut être utilisée pour générer des plans multi-étapes efficaces, améliorant ainsi les performances des agents réactifs capables de planifier une seule étape. Cette approche constitue une étude de cas pédagogique pour l'élaboration de plans sûrs, fiables et explicables dans le contexte des véhicules autonomes.
