Planification et re-planification de mouvements sûrs pour les robots humanoïdes

Ces travaux de thèse traitent de la génération de mouvements optimaux pour les robots humanoïdes. La plupart des méthodes de génération de mouvements se basent sur l'utilisation d'un algorithme d'optimisation qui nécessite une paramétrisation du mouvement ainsi qu'une discrétisation temporelle des contraintes. Nous montrons qu'une discrétisation faite à partir d'une grille temporelle compromet la sécurité et l'intégrité du robot et proposons une nouvelle méthode de discrétisation garantie qui calcule les extrema des contraintes sur des intervalles de temps. Malheureusement, elle nécessite un temps de calcul important. Nous avons, donc, développé une méthode hybride assurant la validité des contraintes pour des temps de calcul comparables à celui des méthodes classiques. et qui nous permet de générer un ensemble de mouvements que nous avons utilisé lors d'une expérimentation de suivi de cible. Nous sommes, donc, capables de générer un mouvement optimal adapté à un environnement. Cependant, aucune méthode ne dispose d'un temps de calcul qui permette de réagir rapidement à une modification de l'environnement. Par conséquent, nous présentons une méthode de re-planification qui génère un nouveau mouvement à partir d'un mouvement optimal déjà existant. Pour cela, nous calculons, hors-ligne, un sous-ensemble faisable autour des paramètres du mouvement qui vérifient les limites du robot. La re-planification consiste, alors, à chercher, en ligne, dans ce sous-ensemble les paramètres qui satisfont le nouvel environnement. Nous avons testé cette méthode pour un mouvement de coup de pied où la position de la balle varie et obtenons un mouvement adapté en 1.5 s de temps de calculThese works deal with the computation of optimal motions for the humanoid robots. Most of the motion planning methods come from the motion planning of the manipulator robots. They rely on optimization algorithms which need a motion parametrization and a time-discretization of the constraints that define the physical limits of the robot. We show that a time-grid discretization is hazardous for the safety and the integrity of the robot. That is why, we propose a new method for the guaranteed discretization that computes the extrema of the constraints over time-interval that covers the whole motion duration. This method of discretization is time consuming. Thus, we developped a hybrid method that ensures the constraint validity within the same range of time of the state-of-the-art methods. With this method, we created a database of motions to follow a moving target. Consequently, we can generate an optimal motion that fits to the environment. However, there is no method which is fast enough to compute a new motion adapted to a new environment. Thus, we present a re-planning method that produces a new motion from a previous one. To do it, we compute, offline, a feasable sub-set around the motion that respects the constraint validity. The re-planning process consists in finding, in this sub-set, a new motion that is adapted to the new environment. We tested this re-planning method with a kicking motion where the position of the ball changes and we are able to find and adapted motion within 1.5s of CPU-timeMONTPELLIER-BU Sciences (341722106) / SudocSudocFranceF