Mises en oeuvre de commandes neuronales par retropropagation indirecte : applications a la robotique mobile

Implementation of neural control with indirect backpropagation: applications in mobile robotics

• Auteur / Autrice : Patrick Hénaff
• Direction : Maurice Milgram
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 1994
• Etablissement(s) : Paris 6

Résumé

Le but de cette these est d'utiliser les perceptrons multicouches et l'algorithme de retropropagation du gradient afin de mettre en uvre experimentalement des commandes neuronales pour la robotique mobile a roues et a pattes. Apres une introduction aux perceptrons multicouches et a la retropropagation, puis un survol de quelques applications issues d'une etude bibliographique, nous montrons que l'inconvenient principal de l'apprentissage d'une commande par retropropagation est l'utilisation d'une sortie desiree (retropropagation directe). Nous proposons une solution qui retropropage un critere qui exprime mathematiquement l'objectif robotique et ses contraintes (retropropagation indirecte). Cette solution evite d'utiliser un modele inverse du robot ou un modele comportemental de reference, ce qui permet d'appliquer en ligne la retropropagation, donc de faire de la commande neuronale adaptative. La validation experimentale de cette technique est realisee par la commande en position et en orientation d'un robot mobile non holonome a deux roues motrices independantes. Nous montrons la faisabilite de la methode notamment la capacite d'adaptation du reseau aux contraintes cinematiques du robot. Dans un but d'etude preliminaire a la commande neuronale des robots a pattes, nous appliquons la meme methode au controle de l'equilibre dynamique d'un bipede plan en simulation. Nous montrons que la retropropagation hors-ligne d'un critere permet de maintenir l'equilibre dynamique du systeme sans aucune connaissance a priori sur la trajectoire des pattes. Utilise en-ligne, l'apprentissage ameliore nettement le controle de l'equilibre