Habilitation à Diriger des Recherches : Contributions à l'optimisation de trajectoires en robotique

Résumé

Cette présentation décrit mon parcours académique et de recherche, en abordant trois thématiques principales : (i) la perception active, (ii) la génération de trajectoires robustes, et (iii) l'interaction humain-robot. L'objectif est notamment de montrer comment des techniques d'optimisation rigoureuses peuvent répondre aux défis critiques de la robotique moderne tout en maintenant une efficacité de calcul compatible avec les applications en temps réel.

Les travaux sur la perception active visent à déterminer les entrées optimales d'un robot mobile afin de minimiser l'incertitude d'estimation. En intégrant des objectifs issus de la théorie de l'information (basés sur le Grammien de Constructibilité) dans des algorithmes de planification de trajectoires, des approches sont développées permettant aux robots de prioriser de manière autonome les configurations pour des performances de perception optimales. Les méthodologies proposées illustrent comment l'optimisation de trajectoires améliore directement l'estimation d'état dans les systèmes autonomes.

Concernant la génération et la planification de trajectoires robustes, des méthodes tenant compte de la sensibilité permettent de traiter l'incertitude sur les paramètres via une analyse de sensibilité en boucle fermée. Plutôt que de s'appuyer sur des scénarios conservateurs au pire cas, les approches proposées génèrent des trajectoires intrinsèquement robustes aux variations de paramètres. Deux stratégies complémentaires sont présentées : un planificateur de mouvement global exploitant des techniques d'apprentissage automatique pour une prédiction rapide de la sensibilité, et un cadre de Commande Prédictive (MPC) sensible à la sensibilité intégrant directement des garanties de robustesse dans la commande en retour en temps réel.

Les travaux sur l'interaction humain-robot portent sur la collaboration physique entre des humains et des systèmes robotiques. Un cadre MPC pour le transport collaboratif d'un objet entre un humain et un drone est présenté. Cette direction de recherche propose également des techniques d'apprentissage automatique pour prédire des informations liées à l'humain (par exemple, la fatigue et les risques ergonomiques), permettant au robot d'adapter son niveau d'autonomie en temps réel en fonction du comportement de l'opérateur humain.

La validation expérimentale sur diverses plateformes (des quadrotors aux manipulateurs terrestres) démontre l'applicabilité pratique des méthodes proposées à travers leur implémentation sur des systèmes robotiques réels.

La présentation se conclut par des perspectives futures abordant la nécessité de disposer de garanties de stabilité pour les réseaux de neurones, et illustre l'objectif de passer d'un système mono-agent à un système multi-robot hétérogène, comme évolution naturelle des défis précédemment traités. Cette application envisagée représente la convergence des trois axes de recherche : la nécessité d'une perception distribuée justifie le recours à la perception active, la présence de multiples sources d'incertitude (par exemple, les paramètres inter-robots) exige une planification robuste et sensible à la sensibilité, et le besoin de cadres de collaboration sûrs appelle des avancées en interaction humain-robot et en prise de décision. Cette évolution introduit le défi supplémentaire dit « multi-robot », consistant à gérer le compromis entre autonomie décentralisée et cohérence globale du système. Pour y répondre, une architecture hiérarchique intégrant planification, apprentissage automatique et contrôle est proposée afin de permettre à des équipes hétérogènes d'opérer de manière sûre et efficace dans des environnements complexes et dynamiques.

Abstract

This presentation describes my academic and research trajectory, addressing three main topics: (i) active perception, (ii) robust trajectory generation, and (iii) human-robot interaction. In particular, the aim is to demonstrate how principled optimization techniques can address critical challenges in modern robotics while maintaining computational efficiency for real-time applications.

The research on active perception focuses on finding the optimal inputs for a mobile robot in order to minimize estimation uncertainty. By integrating information-theoretic (based on the Constructibility Gramian) objectives into trajectory planning algorithms, frameworks are developed that enable robots to autonomously prioritize configurations for optimal perception performance. The proposed methodologies demonstrate how trajectory optimization directly enhances state estimation in autonomous systems.

Regarding robust trajectory generation and planning, sensitivity-aware methods address parameter uncertainty through closed-loop sensitivity analysis. Rather than relying on conservative worst-case scenarios, the proposed approaches generate trajectories inherently robust to parameter variations. Two complementary strategies are presented: a global motion planner that leverages machine-learning techniques for efficient sensitivity prediction, and a sensitivity-aware Model Predictive Control (MPC) framework that embeds robustness guarantees directly into real-time feedback control.

The research on human-robot interaction focuses on physical collaboration between humans and robotic systems. An MPC framework for the collaborative transportation of an object between a human and a drone is presented. This research direction also proposes machine-learning techniques to predict human-related information (e.g., human fatigue and ergonomic risks), allowing the robot to adapt its autonomy in real-time as a function of the human operator's behavior.

Experimental validation across diverse platforms (from quadrotors to ground manipulators) demonstrates the practical applicability of the proposed methods through implementation on real robotic systems.

The presentation concludes with future perspectives that frame the necessity of having stability guarantees for neural networks and illustrates the objective to switch from a single-agent to a heterogeneous multi-robot system as a natural evolution of the previously addressed challenges. This envisioned application represents the convergence of the three research pillars, where the necessity for distributed sensing drives the need for active perception, the presence of multiple sources of uncertainty (e.g., inter-robot parameters) necessitates robust, sensitivity-aware planning, and the need for safe collaboration frameworks for advances in human-robot interaction and decision-making. This evolution introduces the additional "multi-robot challenge", managing the trade-off between decentralized autonomy and global system coherence. To address this, a hierarchical architecture that includes planning, machine-learning, and control is proposed to enable heterogeneous teams to operate safely and effectively in complex, dynamic environments.