Programmation de cobots : de l'apprentissage de trajectoires à leur acceptabilité

Robots, new machines in our daily lives, diversify. Recent progress has made the rising of cobots possible. Cobots are robots which collaborate with human beings. Contrary to traditional robots, this new type of robot requires the expertise of an operator to run. The Learning from Demonstration creates an original way of programming. The operator can manipulate the robot’s arm in order to teach it the movement to realize. The present thesis proposes an improvement of this learning through these three axes: the data processing, the learning, and the acceptability. Before being used by the learning, data is retrieved during the kinesthetic demonstration, then temporally aligned, and filtered to improve its quality. A novel learning algorithm with weighted data is proposed with generic software architecture allowing it to run on multiple robotics platforms. Finally, the acceptability of the Programming by Demonstration is evaluated with an experiment whose participants are potentially future users of cobots. The impact of the anthropomorphism is also considered. The different outcomes permit to consider the introduction of cobots in the industry of the future: from the data acquisition to the learning while evaluating the acceptability as well as the understanding of this type of programming by users.Les robots, nouvelles machines présentes dans nos vies quotidiennes, se diversifient. De récents progrès ont permis l’émergence des cobots, robots qui collaborent avec les êtres humains. Ce nouveau type de robots, contrairement aux robots traditionnels, nécessite l’expertise des opérateurs pour fonctionner. L’apprentissage par démonstration offre alors une méthode inédite de programmation. L’opérateur peut manipuler le bras du robot pour lui apprendre le mouvement à réaliser. Cette thèse propose de développer cet apprentissage par démonstration à travers plusieurs prismes de lecture : les données, l’apprentissage et l’acceptabilité. Avant d’être utilisées par l’apprentissage, les données sont obtenues à l’aide de démonstrations kinesthésiques puis alignées temporellement et filtrées afin d’en améliorer la qualité. Un nouvel algorithme d’apprentissage avec des données pondérées est proposé avec une architecture logicielle générique, fonctionnant sur de nombreuses plateformes robotiques. Finalement, l’acceptabilité de la programmation par démonstration est vérifiée par une expérience avec des participants, potentiels futurs utilisateurs des cobots. L’impact de l’anthropomorphisme est également pris en considération. Les différents résultats obtenus permettent d’envisager l’implantation des cobots dans l’industrie du futur : de l’acquisition des données en passant par l’apprentissage tout en vérifiant l’acceptabilité et la bonne compréhension de la programmation par les utilisateurs