Méthodes d'apprentissage automatique pour des applications robotiques dans un contexte industriel : étude de cas du tri robotisé

par Joris Guerin

Thèse de doctorat en Informatique-traitement du signal

Sous la direction de Olivier Gibaru et de Stéphane Thiery.

Thèses en préparation à Paris, ENSAM , dans le cadre de École doctorale Sciences des métiers de l'ingénieur (Paris) , en partenariat avec LISPEN Laboratoire d’Ingenierie des Systèmes Physiques et Numériques (laboratoire) et de INSM - Ingénierie Numérique des Systèmes Mécanique (equipe de recherche) depuis le 01-10-2015 .


  • Résumé

    L’architecture multi-axes des robots industriels permet de les programmer pour effectuer des tâches diverses. Cependant, malgré qu’ils soient équipés de nombreux capteurs - ce qui devrait leur permettre de s’adapter à des changements d’environnement - l’utilisation de robots dans l’industrie se limite souvent à des tâches très répétables et ne nécessitant que peu d’adaptabilité. Dans un contexte industriel, la programmation de robots capables de s’adapter automatiquement à diverses applications, et étant robustes sous différentes conditions de fonctionnement est une source de progrès importante. Ainsi, dans cette thèse, plusieurs contributions en apprentissage automatique sont proposées dans le but de concevoir des robots intelligents, ayant une plus grande gamme de fonctionnements. Les méthodes présentées dans ce mémoire sont centrées autour du tri autonome d’objets mais peuvent servir à implémenter de nombreuses autres applications robotiques. Afin de concevoir des applications plus polyvalentes, des solutions aux problèmes de tri d’images non supervisé, de choix de vue optimal, d’apprentissage de trajectoires et de localisation stéréoscopique ont été développées.

  • Titre traduit

    Machine learning improvements for robotic applications in an industrial context : case study of autonomous sorting


  • Résumé

    Thanks to their flexible mechanical design, modern industrial robots can be programmed for different tasks. However, despite the fact that they are highly instrumented - which should enable them to be responsive to their environment - the use of robots in industry is still often restricted to repeatable tasks with low level of adaptability. In an industrial context, it is essential to program robots that can autonomously adapt to different applications and are robust to changes in their working conditions. Hence, in this thesis, several machine learning contributions are presented, aiming at designing smarter robotic applications, with a broader operational range. The methods developed are centered on autonomous sorting, but may be useful to address problems in many other subfields of robotics. Throughout this thesis, new approaches are proposed to address image clustering, optimal view selection, trajectory learning and stereo localization, with the objective of designing more versatile robotic applications.