Apprentissage et commande optimale

Planifier des mouvements en temps réel pour des robots aussi complexes que des robots humanoïdes dans des environnements inconnus reste à ce jour hors de portée. Nos travaux ont pour but de rendre cet objectif atteignable

1. en précalculant massivement des mouvements optimaux hors lignes qui sont stockés dans des bases de données,
2. en adaptant en ligne ces mouvements par de la commande prédictive,
3. en exploitant les données issues de capteurs embarqués pour commander ces mouvements en boucle fermée.

Ces travaux sont essentiellement menés dans le cadre de l'Institut National d'Intelligence Artificielle et Naturelle de Toulouse (ANITI) dans laquelle Nicolas Mansard est titulaire de la Chaire Génération de Mouvements pour les robots complexes. Olivier Stasse est co-chair . Ces activités s'adossent également au projet européen MEMMO

Intégration

La plupart des travaux relatifs à la commande prédictive sont intégrés dans la plate-forme logicielle crocoddyl décrite dans

- Carlos Mastalli, Rohan Budhiraja, Wolfgang Merkt, Guilhem Saurel, Bilal Hammoud, Maximilien Naveau, Justin Carpentier, Sethu Vijayakumar and Nicolas Mansard , Crocoddyl: An Efficient and Versatile Framework for Multi-Contact Optimal Control.

Planification automatique de mouvements

Le problème de la planification automatique de mouvements consiste à calculer automatiquement une trajectoire sans collision pour un système articulé dans un environnement encombré d'obstacles. Ce problème se décline en diverses instances suivant que le systèmes en mouvement est soumis à des contraintes cinématiques ou dynamiques. Les derniers travaux de l'équipe Gepetto dans ce domaine s'intéressent à la planification de mouvements de manipulation. Dans cette instances, des objets sont déplacés par des robots. Cela implique des contraintes spécifiques sur les mouvements du système : un objet non tenu par un robot doit rester immobile, un objet tenu par un préhenseur est rigidement lié à ce préhenseur.

Intégration

Ces travaux sont intégrés dans la plateforme logicielle Humanoid Path Planner (HPP) décrite dans

- Florent Lamiraux, Joseph Mirabel. Prehensile Manipulation Planning: Modelling, Algorithms and Implementation.

Exemple

L'animation ci-dessous montre une trajectoire planifiée pour deux robots qui doivent assembler deux sphères magnétiques sur un cylindre.

Planification de mouvements et asservissement visuel

L'asservissement visuel permet de commander un robot sur la base de ce qu'il perçoit à l'aide d'une caméra, par exemple pour positionner la caméra avec précision par rapport à un objet dont on ne connait pas la position exacte. Ceci est particulièrement utile pour saisir des objets ou pour réaliser des opérations d'usinage (perçage, ébavurage) sur une pièce. Cependant, un gros inconvénient de l'asservissement visuel est la difficulté de prendre en compte les collisions du robot avec son environnement car seule la position de la caméra est prise en compte dans la commande.

Nous proposons un cadre pour intégrer de l'asservissement visuel le long de trajectoires planifiées. L'idée générale est de planifier des mouvements avec un modèle du robot et de son environnement, puis de réaliser le suivi de ces trajectoires avec des contrôleurs différents suivant les phases du mouvement. Lorsque deux objets en mouvement sont proches l'un de l'autre, un asservissement visuel remplace le commande dans l'espace articulaire. Les contrôleurs sont synthétisés et activés automatiquement par notre logiciel.

Exemple

L'animation ci-dessous montre un robot réalisant des tâches de pointage sur une pièce. Les mouvements du robot sont commandés dans l'espace articulaire pour aller se positionner devant chaque perçage à pointer, puis par un asservissement visuel pour le mouvement de pointage proprement dit. Une caméra montée sur l'organe terminal du robot localise la pièce en continu par rapport au robot.