Stratégie de contrôle réactif basée sur l'IA pour des robots humanoïdes industriels

AI-Driven Reactive Control Strategy for Industrial Humanoid Robots

• Auteur / Autrice : Côme Perrot
• Direction : Olivier Stasse
• Type : Thèse de doctorat
• Discipline(s) : Robotique
• Date : Soutenance le 10/12/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national des sciences appliquées (Toulouse ; 1961-....)
• Jury : Président / Présidente : Stéphane Doncieux
• Jury : Examinateurs / Examinatrices : Ludovic Righetti, Anastasia Bolotnikova
• Jury : Rapporteurs / Rapporteuses : Nicolas Perrin-Gilbert, Jean-Baptiste Mouret

Mots clés

Mots clés contrôlés

Apprentissage par renforcement (intelligence artificielle)

Intelligence artificielle

Robots humanoïdes

Robots industriels

Mots clés libres

Robots Industriels

Robots Humanoïdes

Intelligence Artificielle

Apprentissage par Renforcement

Contrôle Prédictif

Industrial Robots

Humanoid Robots

Artificial Intelligence

Reinforcement Learning

Model Predictive Control

Résumé

Cette thèse porte sur l’intégration de robots humanoïdes au sein des chaînes de production d’avions de ligne. Elle a été réalisée dans le cadre commun de deux projets : Robot For the Future of Aircraft Manufacturing (ROB4FAM) et le projet européen H2020 Memory of Motion (Memmo). ROB4FAM est un laboratoire joint entre Airbus Operations et l’équipe Gepetto du LAAS-CNRS. L’objectif de cette collaboration est l’étude de stratégies innovantes d’automatisation afin de réaliser des tâches, omniprésentes dans l’industrie aéronautique, de perçage et d’ébavurage. Memmo se concentre sur ledéveloppement de solution de contrôle pour les robots. L’aboutissement de ce projet vise à obtenir des générateurs de mouvement réactifs exploitant des méthodes d’apprentissage et pouvant facilement être appliqués à une grande variété d’architecture robotiques.Les robots humanoïdes ont récemment attiré une attention significative en raison de leur potentiel pour réaliser des tâches jusqu’alors inaccessibles aux robots. Cependant, concevoir des solutions de contrôle qui exploitent pleinement les capacités de ces systèmes représente un défi scientifique sur lequel l’équipe Gepetto se concentre depuis sa création. Le travail présenté contribue à cette problématique en étudiant le contrôle d’un robot humanoïde TALOS pour effectuer des tâches d’insertion avec une grande précision, un premier pas vers l’automatisation complète des tâches d’ébavurage et de perçage.Dans un premier temps, un contrôleur prédictif corps-complet est déployé pour effectuer une tâche d’insertion sur un robot humanoïde contrôlé en couple. Ensuite, le problème du réglage de fonction de coût, limitant les performances rencontrées lors de la première campagne expérimentale, est étudié en avec plus d’attention en simulation. Enfin, une approche utilisant l’apprentissage par renforcement est introduite pour résoudre ce problème. La méthode proposée améliore significative les performances simulées. Elle permet d’exploiter les capacités d’exploration de l’apprentissage par renforcement tout en maintenant les garanties associées au contrôle prédictif.

This dissertation focuses on the integration of humanoid robots inside of industrial aircraft manufacturing operations. It was conducted in the context of two projects : Robot For the Future of Aircraft Manufacturing (ROB4FAM) and the European project H2020 Memory of Motion (Memmo). ROB4FAM is a joint laboratory between Airbus Operations and the LAAS-CNRS’s Gepetto. Its goal is to investigate innovative automation strategies for drilling and deburring tasks, which are ubiquitous in the aeronautical industry. Memmo focuses on developing learning-based reactive motion control strategies that can easily be applied to a wide variety of robot architectures.Humanoid robots recently have gained significant attention due to their potential to perform tasks that have been previously unattainable for robots. However, designing control solutions that fully utilize the capabilities of these systems presents a scientific challenge that has been the focus of the Gepetto team since its creation. The presented work contributes to this topic by studying the control of a humanoid robot TALOS to perform a fine insertion task, a step towards achieving autonomous reactive deburringand drilling.First, a state of the art Whole-Body Model Predictive Controller is used to carry out a precise insertion task on a torque-control humanoid robot. Next, the performance-restricting cost shaping issue encountered during the initial set of experiments is studied in simulation. Finally, an approach leveraging Reinforcement Learning is introduced to address this issue. The proposed method demonstrates a significant improvement in simulated performances. It allows to exploit the exploration abilities of Reinforcement Learning while maintaining the guarantees associated with Model Predictive Control.