Algorithmes de planification de trajectoires robustes pour des tâches robotiques en présence d’incertitudes paramétriques

Robust trajectory planning algorithms for robots with parametric uncertainties

• Auteur / Autrice : Pascal Brault
• Direction : Paolo Robuffo Giordano
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique et robotique
• Date : Soutenance le 27/04/2023
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - RAINBOW
• Jury : Président / Présidente : François Chaumette
• Jury : Examinateurs / Examinatrices : Fabio Morbidi
• Jury : Rapporteurs / Rapporteuses : Isabelle Fantoni-Coichot, Cristian Secchi

Mots clés

Mots clés contrôlés

Robotique

Mots clés libres

Robotique aérienne

Incertitudes paramétriques

Planification de trajectoires

Aerial robotics

Parametric uncertainties

Trajectory planning

Résumé

L'un des défis majeurs des systèmes automatisés réside dans la nécessité de fonctionner dans des conditions réelles, donc incertaines. L'incertitude paramétrique est un problème courant, et se présente lors de l'exécution de tâches robotiques diverses. Dans cette thèse, nous explorons les possibilités apportées par la planification de trajectoires, dont le suivi est intrinsèquement robuste aux incertitudes. Dans la première contribution, nous étendons les algorithmes de planification de trajectoires à sensibilité minimale en introduisant la sensibilité de l'entrée, qui, une fois réduite, conduit à une prédiction accrue de l'entrée du système. Ce problème, bien que traité pour de la robotique aérienne, est généralisé pour tout système. Le problème de sensibilité reposant sur l'hypothèse de connaissance parfaite de l'état, dans la seconde contribution nous combinons les algorithmes 'control-aware' et 'observability-aware' grâce à la méthode de Chebyshev, afin de générer des trajectoires robustes aux incertitudes, et assurant une meilleure estimation des variables/paramètres du système. Enfin, dans la dernière contribution, nous développons une théorie qui exploite les données d'incertitude paramétrique, afin de construire les 'tubes de déviations du pire cas' autour des variables nominales du système. Cette nouvelle expression du problème permet d'augmenter la fiabilité des systèmes, car nous assurons la faisabilité, même pour les plus fortes déviations paramétriques.

One of the major challenges of automated systems is the need to operate under real-world, thus uncertain conditions. Parametric uncertainty is a common problem, and arises when performing various robotic tasks. In this thesis, we explore the possibilities provided by the planning of trajectories, whose tracking is inherently robust to uncertainties. In the first contribution, we extend minimum sensitivity trajectory planning algorithms by introducing the input sensitivity, which, when reduced, leads to an increased prediction of the system input. This problem, although treated for aerial robotics, is generalised for any system. As the sensitivity problem relies on the assumption of perfect knowledge of the state, in the second contribution, we combine the 'control-aware' and 'observability-aware' algorithms thanks to the Chebyshev method, in order to generate trajectories robust to uncertainties, that also ensure a better estimation of the system's variables/parameters. Finally, in the last contribution, we develop a theory that exploits the parametric uncertainty data, and construct the 'worst case deviation tubes' around the nominal system's variables. This new expression of the problem increases the reliability of systems, as we ensure feasibility even for the largest parametric deviations.