Planification basée sur l’apprentissage pour la navigation parmi des obstacles déplaçables sous incertitude

Learning-based planning for navigation among movable obstacles under uncertainty

• Auteur / Autrice : Kai Zhang
• Direction : David Filliat
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le ; Soutenance le 12/03/2025
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : U2IS - Unité d'Informatique et d'Ingénierie des Systèmes
• Partenaire(s) de recherche : Equipe de recherche : SAR - Systèmes Autonomes et Robotique
• Jury : Président / Présidente : François Charpillet
• Jury : Examinateurs / Examinatrices : David Filliat, Anne Spalanzani, Charles Lesire, Philippe Martinet, Eric Lucet
• Jury : Rapporteurs / Rapporteuses : Anne Spalanzani, Charles Lesire

Mots clés

Mots clés libres

Planification des tâches et des mouvement

Planification avec incertitude

Manipulation

Task and motion planning

Planning with uncertainty

Manipulation

Résumé

La navigation est fondamentale pour les robots mobiles. Les méthodes traditionnelles évitent les collisions en contournant les obstacles, mais cela n'est pas toujours réalisable dans des environnements complexes. Dans la planification de tâches et de mouvements, certains planificateurs s'attaquent à la tâche de navigation parmi les obstacles déplaçables (NAMO), où les robots peuvent interagir avec les obstacles pour dégager des chemins. Dans cette thèse, nous avons conçu de tels planificateurs de tâches pour un manipulateur mobile en proposant trois contributions~: Premièrement, nous proposons un pipeline d'observation et de décision qui permet au robot de choisir entre contourner ou enlever les obstacles en fonction de ses observations, avec le coût temporel comme objectif secondaire pour une réalisation plus efficace des tâches. Deuxièmement, nous étendons la planification NAMO aux environnements dynamiques en estimant le mouvement des obstacles dynamiques et en l'incorporant dans le processus de planification pour améliorer l'évitement des collisions et le retrait des obstacles. Troisièmement, nous prenons en compte les incertitudes dans les environnements réels en modélisant quatre types d'incertitude, les intégrant dans le module de prise de décision pour assurer l'accomplissement des tâches de manière sûre et efficace. Enfin, nous évaluons les méthodes proposées dans des environnements simulés et réels en utilisant divers critères. Les résultats, comparés aux méthodes de l'état de l'art, démontrent l'efficacité des approches proposées.

Navigation is fundamental for mobile robots. Traditional methods avoid collisions by bypassing obstacles, but this isn't always feasible in complex environments. In task and motion planning, some planners address Navigation Among Movable Obstacles (NAMO) tasks, where robots interact with obstacles to clear paths. In this thesis, we design planners for a mobile manipulator to address the challenges from three aspects. First, we propose an observation-and-decision pipeline that allows the robot to choose between bypassing or removing obstacles based on its observations, with time cost as a secondary objective for more efficient task completion. Second, we extend NAMO planning to dynamic environments by estimating the motion of dynamic obstacles and incorporating it into the planning process for improved collision avoidance and obstacle removal. Third, we account for uncertainties in real-world environments by modeling four types of uncertainties, integrating them into the decision-making module to ensure safe and efficient task completion. Finally, we evaluate the proposed methods in both simulated and real environments using various metrics. The results, compared to state-of-the-art methods, demonstrate the effectiveness and superiority of proposed approaches.