Mises en œuvre de Commandes Neuronales par Rétropropagation Indirecte : Applications à la Robotique Mobile

The aim of this thesis is to use multilayer perceptrons and the gradient backpropagation algorithm to experimentally implement neural commands for wheeled and legged mobile robotics. After an introduction to multilayer perceptrons and backpropagation, followed by an overview of some applications from a literature review, we show that the main drawback of learning control by backpropagation is the use of a desired output (direct backpropagation). We propose a solution that backpropagates a criterion that mathematically expresses the robotic objective and its constraints (indirect backpropagation). This solution avoids the use of an inverse model of the robot or a reference behavioral model, which allows the online application of backpropagation, thus enabling adaptive neural control. The experimental validation of this technique is carried out by controlling the position and orientation of a non-holonomic mobile robot with two independent drive wheels. We show the feasibility of the method, in particular the ability of the network to adapt to the kinematic constraints of the robot. As a preliminary study for the neural control of legged robots, we apply the same method to the control of the dynamic equilibrium of a planar biped in simulation. We show that the off-line backpropagation of a criterion allows maintaining the dynamic equilibrium of the system without any a priori knowledge of the trajectory of the legs. When used online, learning significantly improves the control of the equilibriumLe but de cette thèse est d'utiliser les perceptrons multicouches et l'algorithme de rétropropagation du gradient afin de mettre en oeuvre expérimentalement des commandes neuronales pour la robotique mobile a roues et a pattes. Apres une introduction aux perceptrons multicouches et a la rétropropagation, puis un survol de quelques applications issues d'une étude bibliographique, nous montrons que l'inconvénient principal de l'apprentissage d'une commande par rétropropagation est l'utilisation d'une sortie désirée (rétropropagation directe). Nous proposons une solution qui rétropropage un critère qui exprime mathématiquement l'objectif robotique et ses contraintes (rétropropagation indirecte). Cette solution évite d'utiliser un modèle inverse du robot ou un modèle comportemental de référence, ce qui permet d'appliquer en ligne la rétropropagation, donc de faire de la commande neuronale adaptative. La validation expérimentale de cette technique est réalisée par la commande en position et en orientation d'un robot mobile non holonome a deux roues motrices indépendantes. Nous montrons la faisabilité de la méthode notamment la capacité d'adaptation du réseau aux contraintes cinématiques du robot. Dans un but d'étude préliminaire a la commande neuronale des robots a pattes, nous appliquons la même méthode au contrôle de l'équilibre dynamique d'un bipède plan en simulation. Nous montrons que la rétropropagation hors-ligne d'un critère permet de maintenir l'équilibre dynamique du système sans aucune connaissance a priori sur la trajectoire des pattes. Utilise en-ligne, l'apprentissage améliore nettement le contrôle de l'équilibr