A contribution to robust adaptive robotic control acquisition

par Cédric Hartland

Thèse de doctorat en Informatique

Sous la direction de Michèle Sebag et de Nicolas Bredèche.

Soutenue en 2009

à Paris 11 , en partenariat avec Université de Paris-Sud. Faculté des Sciences d'Orsay (Essonne) (autre partenaire) .

  • Titre traduit

    Contribution pour l’acquisition de contrôleurs adaptatifs robustes en robotique


  • Résumé

    Cette thèse étudie des principes de mise en œuvre de processus d’apprentissage artificiels pour la conception robuste de contrôleurs robotiques. Un défi récurrent en apprentissage artificiel concerne la notion de généralité qui se traduit en termes de robustesse des contrôleurs. Un contrôleur appris dans une situation donnée doit se montrer aussi général que possible afin d’éviter toute situation potentiellement dangereuse ou inadéquate. Ce problème de robustesse est d’autant plus important que le contexte d’apprentissage en robotique implique des situations senseur/action dépendantes de contexte donnés, qui n’est pas pris en compte par las algorithmes d’apprentissage standards. L’apprentissage artificiel, ainsi que les algorithmes évolutionnistes sont considérés pour l’apprentissage de contrôleurs en simulation et sur robots réels. Une approche neuronale issue du Reservoir Computing, les Echo State Networks(ESN) sont employés, d’abord dans un contexte d’apprentissage par démonstration, où un opérateur humain donne explicitement le contrôle attendu, et également en évolution, sur un problème temporel connu sous le nom du peigne de Tolman. Sur cette dernière expérimentation, les ESNs sont comparés à un algorithme de neuro-évolution de topologies augmentantes (NEAT). La thèse propose des cadres génériques de mise en pratique, et ouvre de nouvelles pistes, pour l’apprentissage robuste de contrôleurs robotiques.


  • Résumé

    This thesis presents studies principles of machine learning implementation for the robust design of robotic controllers. A recurrent challenge in machine learning relates to the concept of general information, which is translated here into terms of robustness of the controllers. A controlled trained in a given situation must express as general as possible in order to avoid any potentially dangerous or inadequate situation. This problem of robustness is all the more important as the context of training in robotics implies time dependant sensor/action contexts, which is not taken into account by the standard algorithms from Machine Learning. The Machine Learning, as well as the evolutionary algorithms are considered for the training of controllers in simulation and on real robots. A neuronal approach from the Reservoir Computing : the Echo State Networks (ESN) are employed, initially in a context of Learning by Demonstration, where a human operator explicitly gives awaited control, and also in evolution, on a known temporal problem under the name of Tolman comb. On this last experimentation, ESNn are compared with a state of the art algorithm known as Neuro Evolution of Augmenting Topologies (NEAT). The thesis proposes generic executives of practical application, and opens new perspectives, for the robust training of robotic controllers.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XX-161 p.)
  • Annexes : Bibliogr. p. 147-161. Index

Où se trouve cette thèse ?

  • Bibliothèque : Université Paris-Sud (Orsay, Essonne). Service Commun de la Documentation. Section Sciences.
  • Disponible pour le PEB
  • Cote : 0g ORSAY(2009)262
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.