Apprentissage des préférences humaines pour la préhension robotique

Learning human preferences for robotic grasping

• Auteur / Autrice : Yoann Fleytoux
• Direction : Jean-Baptiste Mouret, Serena Ivaldi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/12/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Bernardetta Addis
• Jury : Examinateurs / Examinatrices : Jean-Baptiste Mouret, Serena Ivaldi, Sylvain Calinon, Youcef Mezouar, Christophe Leroux
• Jury : Rapporteurs / Rapporteuses : Sylvain Calinon, Youcef Mezouar

Mots clés

Mots clés contrôlés

Préhenseurs (ingénierie)

Manipulateurs (mécanismes)

Robotique

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Robotique

Préhension

Machine learning

Robotics

Grasping

Résumé

Cette thèse aborde le défi de la préhension d'objets aux prises difficiles par des robots manipulateurs en combinant l'apprentissage automatique, l'utilisation de capteurs tactiles et l'expertise humaine. Dans certaines applications industrielles telles que la manipulation de déchets, la téléopération de robots est utilisée pour manipuler des objets irréguliers. Cette tâche est complexe à automatiser en raison de l'irrégularité, de la visibilité partielle, de la fragilité et de la susceptibilité des objets à se briser lors de la manipulation ou du transport. Dans ce contexte, l'expertise de l'opérateur est cruciale pour guider les robots, car ses critères de décision ne se traduisent pas facilement en critères mathématiques implémentables dans un algorithme automatique. Apprendre à partir d'exemples est une approche pertinente. Cependant, étant donné que ces démonstrations sont coûteuses à acquérir, les travaux de cette thèse proposent des pistes nécessitant peu de démonstrations de l'expert. L'objectif est d'améliorer les compétences de préhension du robot en utilisant l'apprentissage hors ligne et en ligne, ce qui permet au robot d'apprendre rapidement les préférences de préhension adaptées aux objets en question. Ainsi, cette thèse contribue au développement de solutions robotiques avancées pour la manipulation d'objets complexes.

This thesis addresses the challenge of gripping objects difficult to handle by manipulator robots by combining machine learning, the use of tactile sensors, and human expertise. In certain industrial applications such as waste handling, robot teleoperation is used to manipulate irregular objects. This task is complex to automate due to the irregularity, partial visibility, fragility, and susceptibility of the objects to break during manipulation or transportation. In this context, the operator's expertise is crucial in guiding the robots, as their decision criteria do not easily translate into mathematical criteria implementable in an automatic algorithm. Learning from examples is a relevant approach. However, since these demonstrations are costly to acquire, the work in this thesis proposes directions that require few expert demonstrations. The goal is to improve the robot's gripping skills using offline and online learning, which allows the robot to quickly learn the gripping preferences suitable for the objects in question. Thus, this thesis contributes to the development of advanced robotic solutions for the manipulation of complex objects.