Optimisation inexacte pour le contrôle de robots

Inexact optimization for the control of robots

• Auteur / Autrice : Sélim Chefchaouni moussaoui
• Direction : Adrien Escande, Pierre-Brice Wieber
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le 01/03/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Inria de l'Université Grenoble Alpes

Mots clés

Mots clés libres

Robotique

Contrôle

Optimisation numérique

Programmation quadratique

Commande prédictive

Robotics

Control

Numerical optimization

Quadratic programming

Predictive control

Résumé

En cette période de crise écologique mondiale majeure, les robots pourraient nous aider à satisfaire plus efficacement nos besoins les plus fondamentaux (alimentation, santé, habillement, logement, transport), mais pour ce faire, ils devraient réduire leur propre empreinte écologique, compte tenu de l'énergie et de l'ensemble des ressources nécessaires à leur fabrication et à leur fonctionnement. Un aspect négligé à cet égard est la conception et la mise en œuvre des lois de commande, qui peuvent donner lieu à des calculs intensifs et avoir une incidence sur l'ensemble de la conception matérielle des robots. La commande de robots complexes est généralement calculée en résolvant numériquement des problèmes d'optimisation. Ces problèmes sont souvent suffisamment petits (de quelques dizaines à quelques milliers de variables) pour pouvoir être résolus exactement ou avec la plus grande précision numérique disponible. Il serait toutefois utile d'étudier la précision réellement nécessaire aux différentes étapes du calcul : formulation du problème, précision de la solution ou calculs internes de l'optimisation. Cela pourrait permettre d'effectuer des calculs moins coûteux, permettant une résolution plus rapide et une meilleure efficacité énergétique. L'objectif de cette thèse est de développer des formulations numériques et des solveurs dédiés tirant parti d'un besoin réduit de précision, afin de réduire l'empreinte des calculs. En particulier, les décisions classiques prises dans les algorithmes d'optimisation seront revues en tenant compte de l'aspect inexact, pour s'appliquer aux cas où les précisions d'entrée et de sortie sont inférieures de plusieurs ordres de grandeur à ce qui est habituellement considéré dans la théorie de l'optimisation. Les développements seront appliqués au contrôle de différents robots dans divers scénarios (robots humanoïdes, quadrupèdes et manipulateurs industriels, ainsi que véhicules autonomes). Les approches d'apprentissage automatique ont récemment apporté des solutions très intéressantes à divers problèmes de robotique, mais ces solutions sont approximatives par construction. Ce lien entre l'optimisation et l'apprentissage automatique à travers le rôle des solutions approximatives semble être une question clé pour étudier un contrôle plus avancé des robots.

In the current time of major, global ecological crisis, robots could help us satisfy more efficiently our most basic needs (food, health, clothing, housing, transport), but to do so, they should reduce their own ecological footprint, considering the energy and overall resources necessary to manufacture and operate them. One overlooked aspect in this regard is the design and implementation of control laws, which can lead to intensive computations and impact the whole hardware design of robots. The control of complex robots is commonly computed by numerically solving optimization problems. These problems are often small enough (from tens to a few thousand variables) that they can be solved exactly, or with the highest numerical precision available. It would be beneficial, however, to study what precision is really needed at the different computation steps: formulation of the problem, accuracy of the solution or inner computations of the optimization. This could help perform cheaper computations, allowing faster resolution and better energy efficiency. The goal of this PhD is to develop numerical formulations and dedicated solvers taking advantage of a reduced need for precision, to decrease the computations' footprint. In particular, classical decisions made within optimization algorithms will be revisited with the inexact aspect in mind, to apply to cases where the input and output precisions are orders of magnitude lower than usually considered in optimization theory. The developments will be applied to the control of different robots in various scenarios (humanoid, quadruped and industrial manipulator robots as well as self-driving vehicles). Machine learning approaches have been providing very interesting solutions to various robotics problems recently, but these solutions are approximate by construction. This connection between optimization and machine learning through the role of approximate solutions appears to be a key question to investigate more advanced control of robots.