Thèse soutenue

Système robotique incarnés : contrôle et apprentissage en vue de transfer de compétences à partir d’humains
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Guillaume Gourmelen
Direction : Ganesh Gowrishankar
Type : Thèse de doctorat
Discipline(s) : SYAM - Systèmes Automatiques et Micro-Électroniques
Date : Soutenance le 29/11/2022
Etablissement(s) : Université de Montpellier (2022-....)
Ecole(s) doctorale(s) : École Doctorale Information, Structures, Systèmes
Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)
Jury : Président / Présidente : Arnaud Gotlieb
Examinateurs / Examinatrices : Ganesh Gowrishankar, Arnaud Gotlieb, Etienne Burdet, Philippe Gaussier, Christine Azevedo, Andrea Cherubini
Rapporteurs / Rapporteuses : Etienne Burdet, Philippe Gaussier

Résumé

FR  |  
EN

La plupart des robots sont meilleurs que les humains en termes de capteurs et d'actionneurs, ce qui leur permet d'avoir une meilleure perception, des mouvements plus rapides et une force supérieure à celle des humains. Cependant, il leur manque la capacité humaine à prendre des décisions intelligentes de haut niveau dans des environnements non structurés. Par conséquent, de nombreux systèmes complexes actuels, tels que les robots de sauvetage, les UAV/UUV et les robots d'assistance chirurgicale, utilisent des systèmes "humains dans la boucle", où le contrôle est partagé entre l’humain et la machine. Cette thèse explore les "robots incarnés" comme un phénomène prometteur pour améliorer le contrôle humain dans la boucle.Par robots incarnés, nous nous référons aux robots attachés à l'opérateur humain, et qui sont contrôlés par l'opérateur humain en utilisant des retours d’informations (principalement visuel et haptique) qui lui font percevoir le robot comme une partie de soi-même.Tout d'abord, nous avons travaillé avec un dispositif de bras de robot portable disponible pour concevoir un contrôleur d'admitance qui permettrait aux opérateurs humains de le contrôler et de l'utiliser intuitivement.Deuxièmement, nous avons développé un système de téléopération incarné (Embodied) pour un manipulateur série 7DoF en intégrant le système robotique avec un dispositif de retour haptique et un casque de réalité virtuelle couplé à une caméra à 360 degrés.Troisièmement, pour ce système, nous avons mis au point une procédure permettant d'estimer l'impédance de l'opérateur humain sans avoir recours à l'électromyographie, et de l'utiliser pour contrôler l'impédance du robot, ce qui permet aux utilisateurs d'imposer à la fois des mouvements et une impédance au robot.Dernièrement, nous avons étudié l’apprentissage par démonstration en utilisant des informations visuelles et de mouvement humain à travers le système incarné afin pouvoir entrainer un agent à reproduire des mouvements humains.Nous postulons que les systèmes incarnés peuvent améliorer l'apprentissage par la démonstration en permettant un enseignement kinesthésique sans perte du point de vue de l'opérateur et de la sensation de force. En effet, dans de tels systèmes, il est possible d'enregistrer tous les mouvements, toutes ce que a été vu et toutes les sensations d'un être humain, ce qui en fait un outil idéal pour la mise en œuvre de techniques d'apprentissage. Pour démontrer cette idée, nous avons développé une tâche demandant à des participants humains de déplacer un curseur dans un labyrinthe en présence de différents champs de force. Nous avons ensuite entraîné un agent de réseau d'apprentissage profond sur ces comportements. En utilisant des réseaux dernier cri tels que ResNet(Residual Networks) et des Gated Recurrent Units, l'agent a été capable d'apprendre des mouvements "semblables à ceux des humains", de les généraliser et de prédire le comportement humain dans des trajectoires sur lesquelles il n'avait jamais été formé.Nous concluons ce travail avec une discussion portant sur les resultats obtenus et les perspectives en ce qui concerne la recherche dans les domaines du controle de robot incarnés et de l’apprentissage par démonstration.