Thèse soutenue

Machine learning improvements for robotic applications in an industrial context : case study of autonomous sorting
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Joris Guerin
Direction : Olivier Gibaru
Type : Thèse de doctorat
Discipline(s) : Informatique-traitement du signal
Date : Soutenance le 10/12/2018
Etablissement(s) : Paris, ENSAM
Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
Partenaire(s) de recherche : Laboratoire : LISPEN - Laboratoire d’Ingénierie des Systèmes Physiques et Numériques
Jury : Président / Présidente : Ivan Laptev
Examinateurs / Examinatrices : Olivier Gibaru, Olivier Pietquin, Jean-Pierre Gazeau, Byron BOOTS, Lorenzo Natale
Rapporteurs / Rapporteuses : Olivier Pietquin, Jean-Pierre Gazeau

Résumé

FR  |  
EN

L’architecture multi-axes des robots industriels permet de les programmer pour effectuer des tâches diverses. Cependant, malgré qu’ils soient équipés de nombreux capteurs - ce qui devrait leur permettre de s’adapter à des changements d’environnement - l’utilisation de robots dans l’industrie se limite souvent à des tâches très répétables et ne nécessitant que peu d’adaptabilité. Dans un contexte industriel, la programmation de robots capables de s’adapter automatiquement à diverses applications, et étant robustes sous différentes conditions de fonctionnement est une source de progrès importante. Ainsi, dans cette thèse, plusieurs contributions en apprentissage automatique sont proposées dans le but de concevoir des robots intelligents, ayant une plus grande gamme de fonctionnements. Les méthodes présentées dans ce mémoire sont centrées autour du tri autonome d’objets mais peuvent servir à implémenter de nombreuses autres applications robotiques. Afin de concevoir des applications plus polyvalentes, des solutions aux problèmes de tri d’images non supervisé, de choix de vue optimal, d’apprentissage de trajectoires et de localisation stéréoscopique ont été développées.