Contrôleurs neuronaux dynamiques et apprentissage : du perfectionnement des algorithmes à leur application temps réel sur des systèmes robotiques

par Vincent Scesa

Thèse de doctorat en Robotique

Sous la direction de Fethi Ben Ouezdou.

Soutenue en 2006

à Versailles-St Quentin en Yvelines .


  • Résumé

    Comment contrôler un système dont la connaissance est incomplète ou délicate à synthétiser ?Lorsque la modélisation théorique atteint ses limites, l'alliance de l'observation, de l'apprentissage et de l'expérience peut répondre à cette question et combler ainsi les lacunes des techniques conventionnelles. Cette thèse donne un aperçu complet de la réalisation de ce type de contrôle pour des systèmes dynamiques complexes. A travers la proposition d'une classification des techniques existantes, le choix des algorithmes du contrôleur est tout d'abord exposé (réseaux CTRNN - Continuous Time Recurrent Neural Networks - et apprentissage BPTT - BackPropagation Through Time). Pour permettre de stabiliser et d'améliorer leurs comportements, des adaptations et des perfectionnements du modèle de neurones et de l'algorithme d'apprentissage sont ensuite proposés et validés expérimentalement. Puis les différents principes algorithmiques mis en œuvre pour respecter les contraintes temps réel de nos applications exposent une façon d'implémenter ce contrôleur neuronal dans des cartes de contrôle industrielle. Enfin, les expérimentations menées sur deux systèmes dynamiques polyarticulés : le simulateur de route de l'entreprise BIA et le robot bipède ROBIAN du laboratoire LISV, confrontent la méthodologie développée à des applications réelles et leurs contraintes. Une discussion sur l'emploi possible du contrôleur proposé pour la commande de ce type de système est finalement donnée.

  • Titre traduit

    Dynamic neural controller and learning : from algorithms improvement to real time experimentations on robotic systems


  • Résumé

    How can we control a system that is difficult to model or with an incomplete knowledge?When theorical modeling reaches its limits, the cooperation between observation, learning and experience could answer this question and fill the lack of conventional techniques. This thesis gives a complete view of how to carry out this kind of control methodology for complex dynamical systems. Through a proposed classification of the current control techniques, the algorithm choices are first exposed (CTRNN networks - Continuous Time Recurrent Neural Networks - and BPTT learning -BackPropagation Through Time). To enable the stabilization and the amelioration of their behaviour, adaptations and improvements are then proposed and experimentally validated. Next, the algorithmic principles carried out to follow the real time constraints of our applications shows a way to implement this controller in industrial electronic units. At last, the experiments carried out on two polyarticulated dynamical systems: the road simulator of the BIA company and the biped robot of the LISV laboratory, confronts the developed methodology with real applications and associated constraints. A discussion on the use of our controller for the command of this kind of system is finally given.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol.(204 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : 132 réf. Bibliogr. p. 197-204. Glossaire

Où se trouve cette thèse ?

  • Bibliothèque : Université de Versailles Saint-Quentin-en-Yvelines. Direction des Bibliothèques et de l'Information Scientifique et Technique-DBIST. Bibliothèque universitaire Sciences et techniques.
  • Non disponible pour le PEB
  • Cote : T060009
  • Bibliothèque : Université de Versailles Saint-Quentin-en-Yvelines. Direction des Bibliothèques et de l'Information Scientifique et Technique-DBIST. Bibliothèque universitaire Sciences et techniques.
  • Disponible pour le PEB
  • Cote : 629.89 SCE
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.