Traitement de l'incertitude et de la variabilité dans le contrôle des robots

National audienceAmidst a lot of research in motion planning and control in concern with robotic applications, the mankind has never reached a point yet, where the robots are perfectly functional and autonomous in dynamic settings. Though it is controversial to discuss about the necessity of such robots, it is very important to address the issues that stop us from achieving such a level of autonomy. Industrial robots have evolved to be very reliable and highly productive with more than 1.5 million operational robots in a variety of industries. These robots work in static settings and they literally do what they are programmed for specific usecases, though the robots are flexible enough to be programmed for a variety of tasks. This research work makes an attempt to address these issues that separate both these settings in a profound way with special focus on uncertainties. Practical impossibilities of precise sensing abilities lead to a variety of uncertainties in scenarios where the robot is mobile or the environment is dynamic. This work focuses on developing smart strategies to improve the ability to handle uncertainties robustly in humanoid and industrial robots. First, we focus on a dynamical obstacle avoidance framework proposed for industrial robots equipped with skin sensors for reactivity. Path planning and motion control are usually formalized as separate problems in robotics. High dimensional configuration spaces, changing environment and uncertainties do not allow to plan real-time motion ahead of time requiring a controller to execute the planned trajectory. The fundamental inability to unify both these problems has led to handle the planned trajectory amidst perturbations and unforeseen obstacles using various trajectory execution and deformation mechanisms. The proposed framework uses ’Stack of Tasks’, a hierarchical controller using proximity information to avoid obstacles. Experiments are performed on a UR5 robot to check the validity of the framework and its potential use for collaborative robot applications. Second, we focus on a strategy to model inertial parameters uncertainties in a balance controller for legged robots. Model-based control has become more and more popular in the legged robots community in the last ten years. The key idea is to exploit a model of the system to compute precise motor commands that result in the desired motion. This allows to improve the quality of the motion tracking, while using lower feedback gains, leading so to higher compliance. However, the main flaw of this approach is typically its lack of robustness to modeling errors. In this paper we focus on the robustness of inverse-dynamics control to errors in the inertial parameters of the robot. We assume these parameters to be known, but only with a certain accuracy. We then propose a computationally-efficient optimization-based controller that ensures the balance of the robot despite these uncertainties. We used the proposed controller in simulation to perform different reaching tasks with the HRP-2 humanoid robot, in the presence of various modeling errors. Comparisons against a standard inverse-dynamics controller through hundreds of simulations show the superiority of the proposed controller in ensuring the robot balance.Au milieu de nombreuses recherches en matière de planification et de contrôle de mouvement dans le domaine des applications robotiques, l'humanité n'a jamais encore atteint un point où les robots sont parfaitement fonctionnels et autonomes dans des environnements dynamiques. Bien qu'il soit controversé de discuter de la nécessité de tels robots, il est très important d'aborder les problèmes qui nous empêchent d'atteindre un tel niveau d'autonomie. Les robots industriels ont évolué pour être très fiables et très productifs avec plus de 1,5 million de robots opérationnels dans une variété d'industries. Ces robots travaillent dans des environnements statiques et ils font littéralement ce qu'ils sont programmés pour des utilisations spécifiques, bien que les robots soient suffisamment flexibles pour être programmés pour une variété de tâches. Ce travail de recherche tente de s'attaquer à ces problèmes qui séparent profondément ces deux contextes en mettant particulièrement l'accent sur les incertitudes. Les impossibilités pratiques de capacités de détection précises conduisent à une variété d'incertitudes dans les scénarios où le robot est mobile ou l'environnement est dynamique. Ce travail se concentre sur le développement de stratégies intelligentes pour améliorer la capacité à gérer les incertitudes de manière robuste dans les robots humanoïdes et industriels. Dans un premier temps, nous nous concentrons sur un cadre dynamique d'évitement d'obstacles proposé pour les robots industriels équipés de capteurs cutanés de réactivité. La planification des trajectoires et le contrôle des mouvements sont généralement formalisés en tant que problèmes distincts en robotique. Les espaces de configuration de grande dimension, l'environnement changeant et les incertitudes ne permettent pas de planifier à l'avance le mouvement en temps réel nécessitant un contrôleur pour exécuter la trajectoire planifiée. L'impossibilité fondamentale d'unifier ces deux problèmes a conduit à gérer la trajectoire prévue au milieu de perturbations et d'obstacles imprévus en utilisant divers mécanismes d'exécution de trajectoire et de déformation. Le cadre proposé utilise 'Stack of Tasks', un contrôleur hiérarchique utilisant des informations de proximité pour éviter les obstacles. Des expériences sont effectuées sur un robot UR5 pour vérifier la validité du cadre et son utilisation potentielle pour des applications robotiques collaboratives. Deuxièmement, nous nous concentrons sur une stratégie pour modéliser les incertitudes des paramètres inertiels dans un contrôleur de balance pour robots à pattes. Le contrôle basé sur un modèle est devenu de plus en plus populaire dans la communauté des robots à pattes au cours des dix dernières années. L'idée clé est d'exploiter un modèle du système pour calculer des commandes précises du moteur qui résultent du mouvement souhaité. Cela permet d'améliorer la qualité du suivi de mouvement, tout en utilisant des gains de feedback plus faibles, conduisant ainsi à une plus grande conformité. Cependant, le principal défaut de cette approche est généralement son manque de robustesse aux erreurs de modélisation. Dans cet article, nous nous intéressons à la robustesse du contrôle de la dynamique inverse aux erreurs dans les paramètres inertiels du robot. Nous supposons que ces paramètres sont connus, mais seulement avec une certaine précision. Nous proposons ensuite un contrôleur basé sur l'optimisation, efficace sur le plan des calculs, qui assure l'équilibre du robot malgré ces incertitudes. Nous avons utilisé le contrôleur proposé en simulation pour effectuer différentes tâches d'atteinte avec le robot humanoïde HRP-2, en présence de diverses erreurs de modélisation. Des comparaisons avec un contrôleur de dynamique inverse standard à travers des centaines de simulations montrent la supériorité du contrôleur proposé pour assurer l'équilibre du robot