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

These 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-time.Ces travaux de thèse traitent de la génération de mouvements optimaux pour les robots humanoïdes. La plupart des méthodes de génération de mouvements sont inspirées de celles utilisées pour les robots manipulateurs. Elles se basent sur l'utilisation d'un algorithme d'optimisation qui nécessite une paramétrisation du mouvement ainsi qu'une discrétisation temporelle des contraintes définissant les limites physiques du robot. Nous montrons qu'une discrétisation faite à partir d'une grille temporelle peut compromettre la sécurité et l'intégrité des robots. De ce fait, nous proposons une nouvelle méthode de discrétisation garantie qui calcule les extrema des contraintes sur des intervalles de temps couvrant toute la durée du mouvement. Cette méthode de discrétisation pour le calcul des contraintes, nécessite un temps de calcul important. Nous avons, donc, développé une méthode hybride qui assure la validité des contraintes pour des temps de calcul comparables à celui des méthodes classiques. Cette méthode nous permet ainsi de générer une base de données de mouvements que nous avons utilisée lors d'une expérimentation de suivi de cible mobile. Nous sommes, donc, en mesure de générer un mouvement optimal parfaitement adapté à une configuration de l'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 permet de générer un nouveau mouvement à partir d'un mouvement optimal calculé précédemment. 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 la nouvelle configuration de l'environnement. Nous avons testé la méthode de re-planification avec un mouvement de coup de pied où la position de la balle varie et nous obtenons un mouvement adapté en 1.5 s de temps de calcul