Thèse soutenue

Contrôleurs neuronaux dynamiques et apprentissage : du perfectionnement des algorithmes à leur application temps réel sur des systèmes robotiques
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Vincent Scesa
Direction : Fethi Ben Ouezdou
Type : Thèse de doctorat
Discipline(s) : Robotique
Date : Soutenance en 2006
Etablissement(s) : Versailles-St Quentin en Yvelines

Résumé

FR  |  
EN

Comment contrôler un système dont la connaissance est incomplète ou délicate à synthétiser ?Lorsque la modélisation théorique atteint ses limites, l'alliance de l'observation, de l'apprentissage et de l'expérience peut répondre à cette question et combler ainsi les lacunes des techniques conventionnelles. Cette thèse donne un aperçu complet de la réalisation de ce type de contrôle pour des systèmes dynamiques complexes. A travers la proposition d'une classification des techniques existantes, le choix des algorithmes du contrôleur est tout d'abord exposé (réseaux CTRNN - Continuous Time Recurrent Neural Networks - et apprentissage BPTT - BackPropagation Through Time). Pour permettre de stabiliser et d'améliorer leurs comportements, des adaptations et des perfectionnements du modèle de neurones et de l'algorithme d'apprentissage sont ensuite proposés et validés expérimentalement. Puis les différents principes algorithmiques mis en œuvre pour respecter les contraintes temps réel de nos applications exposent une façon d'implémenter ce contrôleur neuronal dans des cartes de contrôle industrielle. Enfin, les expérimentations menées sur deux systèmes dynamiques polyarticulés : le simulateur de route de l'entreprise BIA et le robot bipède ROBIAN du laboratoire LISV, confrontent la méthodologie développée à des applications réelles et leurs contraintes. Une discussion sur l'emploi possible du contrôleur proposé pour la commande de ce type de système est finalement donnée.