| Imprimer |
| Planification robuste pour systèmes robotiques (Robust planning for robotic systems) Srour, Ali - (2024-12-12) / Université de Rennes - Planification robuste pour systèmes robotiques
| |||
Langue : Anglais Directeur(s) de thèse: Robuffo Giordano, Paolo Discipline : Automatique, productique et robotique Laboratoire : IRISA Ecole Doctorale : MATISSE Classification : Informatique, Sciences de l'ingénieur Mots-clés : Robotique, Commande automatique, Planification, Drones, Manipulateurs, Commande optimale
| |||
Résumé : Un défi majeur pour les systèmes autonomes est de fonctionner dans des conditions d’incertitude du monde réel. Les robots s’appuient sur des modèles de leur environnement et d’eux-mêmes pour prendre des décisions, mais ces modèles sont intrinsèque- ment des approximations. Par conséquent, des paramètres incertains peuvent entraîner des écarts significatifs entre le comportement prévu et réel du système. Cette thèse aborde le problème des incertitudes paramétriques en développant des trajectoires intrinsèque- ment robustes. En optimisant ces trajectoires dans le cadre du système en boucle fermée à l’aide de nouveaux concepts de sensibilités d’état et d’entrée introduits dans ce travail, l’approche améliore les performances des robots dans des conditions incertaines. L’objectif principal de cette thèse est d’étendre et d’appliquer ces méthodes basées sur la sensibilité pour la planification de trajectoires robustes. La validité du cadre d’optimisation proposé est évaluée empiriquement à travers de vastes campagnes statistiques, tant en simulation que dans des expériences réelles, sur deux plateformes robotiques largement utilisées : un drone quadrirotor et un manipulateur robotique. Abstract : A key challenge for autonomous systems is operating under real-world uncertainties. Robots rely on models of their environment and themselves for decision- making, but these models are inherently approximations. Consequently, uncertain parameters can lead to significant discrepancies be- tween the intended and actual system behavior. This thesis addresses the issue of para- metric uncertainties by developing trajectories that are intrinsically robust. Through optimizing these trajectories within the closed-loop system using novel concepts of state and in- put sensitivities introduced in this work, the approach enhances robot performance in uncertain conditions. The primary goal of this thesis is to extend and apply these sensitivity-based methods for robust trajectory planning. The validity of the proposed optimization frame- work is empirically assessed through extensive statistical campaigns, both in simulations and real-world experiments, on two widely- used robotic platforms: a quadrotor drone and a robotic manipulator. | |||