Algorithmes de planification de trajectoires robustes pour des tâches robotiques en présence d’incertitudes paramétriques
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 |
Examinateurs / Examinatrices : Fabio Morbidi | |
Rapporteurs / Rapporteuses : Isabelle Fantoni-Coichot, Cristian Secchi |
Mots clés
Mots clés contrôlés
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.