Commande prédictive de robots collaboratifs dans des contextes dynamiques

Predictive control of collaborative robots in dynamic contexts

• Auteur / Autrice : Nicolás Torres Alberto
• Direction : David Daney, Vincent Padois
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Soutenance le 23/10/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
• Jury : Président / Présidente : Ouiddad Labbani-Igbida
• Jury : Examinateurs / Examinatrices : Sébastien Rubrecht
• Jury : Rapporteurs / Rapporteuses : Nicolas Mansard, Richard Béarée

Mots clés

Mots clés contrôlés

Contraintes (intelligence artificielle)

Robots -- Dynamique

Interaction homme-robot

Programmation quadratique

Commande prédictive

Robots de service

Mots clés libres

Optimisation sous contraintes

Robotique collaborative

Planification de mouvements

Interactions humain-Robot

Commande prédictive

Programmation quadratique

Constrained optimization

Collaborative robotics

Motion planning

Human-Robot interactions

Model predictive control

Quadratic programming

Résumé

La robotique collaborative implique l'adaptation des robots industriels aux espaces de travail partagés avec les humains, les rendant plus petits et plus maniables. Cependant, cela implique de redéfinir les exigences pour les contrôleurs de robots : non seulement ils doivent prioriser la sécurité, mais ils doivent également devenir plus intelligents afin de s'adapter à des environnements dynamiques où les objets sont constamment en mouvement et les conditions changent continuellement alors que les gens accomplissent leurs tâches.Cette thèse contribue en employant la commande prédictive (ou MPC pour son acronyme en anglais) pour permettre au robot de moduler dynamiquement ses opérations de manière réactive, permettant, par exemple, des comportements conscients de l'humain qui priorisent la sécurité. L'approche MPC linéaire proposée se concentre sur le contrôle de la position et de l'orientation en s'appuyant sur un formalisme mathématique qui a été décrit dans un article de conférence. L'architecture de contrôle, qui a été formalisée et démontrée, sert de cadre général capable d'intégrer potentiellement des solutions pour l'évitement d'obstacles, l'incorporation de contraintes de mouvement humain, et la définition de tâches plus complexes au-delà de simples mouvements de point à point dans l'espace.Grâce à la re-planification en temps réel à haute fréquence, le travail présenté démontre la capacité du robot à être très réactif face à des tâches et des environnements changeants. Enfin, une contribution supplémentaire de cette thèse explore la question de l'exploitation des pleines capacités potentielles du robot. Contrairement à l'état actuel de l'art, qui se base sur des limites cartésiennes simplifiées pour la planification de trajectoires, cette recherche propose d'exploiter les véritables capacités des actionneurs en projetant les capacités de l'espace des articulations sur l'espace de travail opérationnel. Ceci peut à terme être incorporé dans l'architecture MPC proposée pour permettre une re-planification rapide qui tient compte simultanément des contraintes de l'espace de travail définies par l'utilisateur et des véritables capacités du robot.

Collaborative robotics entails the adaptation of industrial robots to shared workspaces with humans, making them smaller and more manageable. However, this implies redefining the requirements for robot controllers: Not only do they need to prioritize safety, but they also need to become more intelligent in order to adapt to dynamic environments where objects are constantly in motion and conditions are continuously changing while people perform their tasks.This thesis makes a contribution by employing Model Predictive Control (MPC) to empower the robot to dynamically modulate its operations in a reactive manner, enabling, for example, humanaware behaviors that prioritize safety. The proposed linear MPC approach focuses on position and orientation control leveraging a mathematical formalism that was described in a conference paper. The control architecture, which has been formalized and demonstrated, serves as a general framework capable of potentially integrating solutions for obstacle avoidance, incorporating human movement constraints, and defining more complex tasks beyond simple point-to-point movements in space.Through real-time high-frequency re-planning, the showcased work demonstrates the robot’s ability to be highly responsive to changing tasks and environments. Lastly, an additional contribution of this thesis explores the question of leveraging the robot’s full potential capabilities. Unlike the current state of the art, which relies on simplified Cartesian limits for trajectory planning, this research proposes harnessing the actual actuator capabilities by projecting the joint-space capacities onto the operational workspace. This in term can be incorporated into the proposed MPC architecture to allow rapid re-planning that simultaneously accounts for user-defined workspace constraints and the robot’s true capacities.