Locomotion et apprentissage en robotique humanoïde

Locomotion and machine learning in humanoid robotics

• Auteur / Autrice : Marc Duclusaud
• Direction : Olivier Ly
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 05/10/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : LaBRI - Laboratoire Bordelais de Recherche en Informatique
• Partenaire(s) de recherche : Equipe de recherche : Méthodes et Modèles formels

Mots clés

Mots clés libres

Planification

Robotique

Machine Learning

Planification

Robotics

Machine Learning

Résumé

Cette thèse se focalise sur la locomotion du nouveau robot humanoïde de l'équipe Rhoban. Le problème de la locomotion est classiquement découpé en trois étages qui sont (1) la planification des pas, (2) la génération d'une trajectoire de référence pour le centre de masse, puis enfin (3) le contrôle en corps complet du robot. Tout d'abord, la planification des pas découle immédiatement de l'objectif à atteindre par le robot (par exemple atteindre une position/orientation donnée), mais reste en elle-même un problème d'optimisation non-linéaire difficile. La planification du centre de masse se fait à l'aide d'un modèle très approximé de la dynamique du robot comme le pendule inverse afin de pouvoir exprimer des contraintes sur la stabilité du robot (garder le ZMP dans le polygone de sustentation) tout en restant exprimé sous une forme linéaire que l'on peut résoudre rapidement en ligne. Enfin, le contrôle en corps complet du robot s'assure de suivre à chaque pas de temps les trajectoires de références produites par les étages précédents, en résolvant à chaque pas de temps un problème d'optimisation sous contrainte afin de calculer la faisabilité des couples, des vitesses, et des forces de contacts du robot (dynamique inverse en espace des tâches), à l'aide par exemple de l'algorithme récursif de Newton-Euler. Certaines approches récentes proposent de planifier la trajectoire en corps complet sur un petit horizon de temps (par exemple 250ms). Dans cette approche, la planification réalisée par les deux premiers étages est basée sur un modèle très simplifié du robot, et la dynamique inverse n'offre aucune visibilité sur la faisabilité future du mouvement, ce qui rend très difficile son utilisation en ligne (en temps réel, la boucle de rafraîchissement étant généralement à ~1Khz). De plus, ces problèmes d'optimisation sous contraintes introduisent également une part de subjectivité dans leur fonction de fitness, elle-même composées de plusieurs facteurs pondérés par des poids réglés empiriquement. Ainsi, il est possible que le contrôle ne parvienne pas à réaliser les tâches fournies par la planification. Pour cette raison, la planification fera généralement des hypothèses très conservatrices sur les capacités du robot, notamment la capacité d'accélération du centre de masse qui est dans la pratique limitée par la capacité des actionneurs du robot, qui entraînent une sous-performance du robot. Dans des travaux récents, l'équipe AUCTUS d´INRIA a proposé une méthode pour calculer efficacement les capacités en force opérationnelle d'un robot étant données les limites d'actionnement en termes de couples articulaires et l'état courant du robot. Ce problème revient à la détermination d'un polytope et l'approche proposée pour le calcul de ce polytope permet d'envisager une utilisation en ligne, notamment dans le cadre de la commande. Cette méthode pourrait être étendue pour calculer des contraintes réalistes sur les capacités d'accélération du centre de masse, utilisées au moment de la planification afin d'assurer que la trajectoire produite sera faisable sans faire d'hypothèse trop conservatrice. Un premier travail sera de mettre en œuvre un contrôleur corp complet réactif permettant la commande hiérarchique du centre de masse et des pieds du robot. Ce contrôleur sera formulé à l'aide d'optimisation sous contraintes. Ensuite, nous développerons un planificateur de pas et de trajectoire du centre de masse qui exploite au mieux les capacités d'actionnement du robot sur la base des travaux récents de l'équipe AUCTUS et de la littérature dans le domaine. Enfin, le doctorant travaillera sur l'optimisation du temps parcouru par le robot, en optimisant la planification de ses pas.

This thesis focuses on the locomotion of the new humanoid robot from the Rhoban team. The locomotion problem is classically divided into three stages which are (1) the planning of the steps, (2) the generation of a reference trajectory for the center of mass, then finally (3) the full body control of the robot. . First of all, step planning follows immediately from the objective to be achieved by the robot (for example reaching a given position/orientation), but remains in itself a difficult nonlinear optimization problem. The planning of the center of mass is done using a very approximate model of the robot dynamics like the inverse pendulum in order to be able to express constraints on the stability of the robot (keeping the ZMP in the support polygon) while remaining expressed in a linear form that can be solved quickly online. Finally, the full-body control of the robot makes sure to follow at each time step the reference trajectories produced by the previous stages, by solving at each time step an optimization problem under constraint in order to calculate the feasibility of the pairs , velocities, and contact forces of the robot (inverse dynamics in task space), using for example the recursive Newton-Euler algorithm. Some recent approaches propose to plan the full-body trajectory over a short time horizon (eg 250ms). In this approach, the planning carried out by the first two stages is based on a very simplified model of the robot, and the inverse dynamics does not offer any visibility on the future feasibility of the movement, which makes it very difficult to use it online (in time). real, the refresh loop being generally at ~1Khz). Moreover, these constrained optimization problems also introduce a part of subjectivity in their fitness function, itself composed of several factors weighted by empirically adjusted weights. Thus, it is possible that the control fails to complete the tasks provided by the schedule. For this reason, planning will usually make very conservative assumptions about the capabilities of the robot, especially the center of mass acceleration capability which is in practice limited by the capability of the robot's actuators, which results in underperformance of the robot. In recent work, the INRIA AUCTUS team proposed a method to efficiently calculate the operational force capabilities of a robot given the actuation limits in terms of joint torques and the current state of the robot. This problem amounts to the determination of a polytope and the approach proposed for the calculation of this polytope makes it possible to envisage an on-line use, in particular within the framework of the order. This method could be extended to calculate realistic constraints on the center of mass acceleration capabilities, used at planning time to ensure that the produced trajectory will be feasible without making overly conservative assumptions. A first work will be to implement a responsive full body controller allowing the hierarchical control of the center of mass and the feet of the robot. This controller will be formulated using constrained optimization. Next, we will develop a center of mass step and trajectory planner that best exploits the robot's actuation capabilities based on the recent work of the AUCTUS team and the literature in the field. Finally, the doctoral student will work on optimizing the time traveled by the robot, by optimizing the planning of its steps.