Apprentissage par démonstration pour la planification de prises : application à la préhension robotique pluri-digitale et sous-actionnée

Learning by Demonstration for Grasp Planning : application to Pluri-digital and Underactuated Robotic Grasping

• Auteur / Autrice : Clément Rolinat
• Direction : Christelle Godin
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, paroles, télécoms
• Date : Soutenance le 15/06/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'intégration des systèmes et des technologies (Gif-sur-Yvette, Essonne ; 2001-....)
• Jury : Président / Présidente : Philippe Bidaud
• Jury : Examinateurs / Examinatrices : Pedro Rodriguez Ayerbe, Sylvie Charbonnier
• Jury : Rapporteurs / Rapporteuses : Jean-Pierre Gazeau, Youcef Mezouar

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Préhenseurs (ingénierie)

Robotique

Apprentissage automatique

Mots clés libres

Préhension

Sous-Actionnement

Apprentissage automatique

Grasping

Under-Actuation

Machine learning

Résumé

La préhension est une capacité clé en robotique : le préhenseur est à l’interface entre le robot et son environnement. La problématique de la polyvalence, c’est-à-dire la capacité à s’adapter à de nombreuse tâche de préhension, est un sujet actif de recherche. Concernant les préhenseurs, des architectures pluri-digitales et sous-actionnées ont été conçues dans cet objectif. Concernant la polyvalence de la planification de prises, l’algorithme doit être en mesure de s’adapter à plusieurs objets et de déterminer, parmi un ensemble de prises possibles pour un objet donné, la prise à exécuter en fonction du contexte. Pour cela, cet ensemble de prises possibles doit être déterminé et caractérisé préalablement dans une phase d’exploration de l’espace des prises. Dans le cas d’un préhenseur pluri-digital et sous-actionné, cette exploration est rendue complexe par la taille de l’espace de configurations d’un tel préhenseur, et par la présence d’articulations passives. La principale contribution de cette thèse est de proposer une méthode permettant d’explorer efficacement l’espace des prises d’un préhenseur pluri-digital et sous-actionné à l’aide d’autoencodeurs variationnels. Cette méthode repose sur des prises spécifiées par un opérateur, autour desquelles l’exploration est concentrée, et caractérise les prises ainsi explorées à l’aide d’une métrique de qualité analytique. Le rôle des auto-encodeurs variationnels est de modéliser la structure de l’espace des prises afin de générer efficacement des configurations de prise réalistes, et de prédire la valeur de qualité de prise associée. Cette méthode a été validée en simulation ainsi qu’en condition réelles.

Grasping is a key capability in robotics: the gripper is at the interface between the robot and its environment. The problem of versatility, i.e. the ability to adapt to many grasping tasks, is an active subject of research. For grippers, multi-digital and under-actuated architectures have been designed with this objective. Concerning the versatility of the grasp planning, the algorithm must be able to adapt to several objects and to determine, among a set of possible grasps for a given object, the grasp to execute according to the context. To do this, this set of possible grasps must be determined and characterised beforehand in a grasp space exploration phase. In the case of a multi-digital and underactuated gripper, this exploration is made complex by the size of the configuration space of such a gripper, and by the presence of passive joints. The main contribution of this thesis is to propose a method to efficiently explore the grasp space of a multi-digital, underactuated gripper using variational autoencoders. This method relies on operator-specified grasps, around which the exploration is focused, and characterises the explored grasps using an analytical quality metric. The role of the variational autoencoders is to model the structure of the grasp space in order to efficiently generate realistic grasp configurations, and to predict the associated grasp quality value. This method has been validated in simulation as well as in real-life conditions.