Where PhDs and companies meet
Menu
Login

Optimisation de planifications de trajectoires de multi-bras robotiques à l’aide de l’intelligence artificielle et du jumeau numérique.

ABG-132735 Thesis topic
2025-07-01 Public funding alone (i.e. government, region, European, international organization research grant)
Logo de
CESI ASSOCIATION
LINGOLSHEIM - Grand Est - France
Optimisation de planifications de trajectoires de multi-bras robotiques à l’aide de l’intelligence artificielle et du jumeau numérique.
  • Computer science
  • Computer science

Topic description

Le recours à des plateformes robotisées est devenu courant dans l’industrie afin de réaliser des tâches répétitives sur de longues périodes de production [10]. Si les études autour de la modélisation et du contrôle d’un seul bras de robots sont nombreuses dans l’état de l’art, des verrous scientifiques et technologiques demeurent lorsqu’il s’agit de coopération de plusieurs bras de robots évoluant dans une zone de travail partagée [5]. Un premier objectif est alors de trouver une trajectoire physiquement réalisable pour atteindre une cible en évitant tout risque de collision entre les bras de robots et en se basant sur la configuration initiale des bras de robots. Cependant, la planification efficace des mouvements pour de tels systèmes robotisés reste un défi en raison du nombre de degrés de liberté souvent important. De plus, la prise en compte d’un environnement dynamique nécessite une adaptation en temps réel de la trajectoire ce qui reste à ce jour un problème ouvert en vue d’une implémentation sur un système réel [8]. L’utilisation du jumeau numérique permet d’entraîner le modèle IA de manière plus efficace et sans usure matériel [9, 1].

Parmi les méthodes classiques devenues des solutions de référence dans la planification de trajectoires pour les bras robotiques, on retrouve l’algorithme de Dijkstra et ses extensions (A*, D*), ainsi que l’arbre d’exploration rapide (RRT) et sa variante principale (RRT*) [7]. Cependant, les bras de robots évoluant dans un environnement dynamique (présence éventuelle de personnes, imprévu de production, etc.), ces algorithmes peinent à proposer une mise à jour de la trajectoire en temps réel, car leur temps d’exécution croît de façon exponentielle avec le nombre d’articulations des bras robotiques [5]. De plus, peu d’auteurs prennent en compte l’aspect énergétique comme objectif d’optimisation lors de la réalisation des tâches robotiques ou alors il se concentre sur un bras unique [1].

La planification de trajectoire doit alors répondre à un triple objectif :

1. Définir les mouvements de chaque bras de robot afin d’exécuter une tâche en minimisant les déplacements et la consommation d’énergie,

2. Garantir que les mouvements de chaque bras de robot n’entraînent pas de collisions,

3. Être capable de s’adapter en temps réel afin de prendre en compte l’aspect dynamique de l’environnement de travail.

Les verrous scientifiques et méthodologiques que nous souhaitons lever sont :

— Planification de la trajectoire de plusieurs bras robotiques opérant dans un espace partagé sans collision et en temps réel,

— Optimisation de la trajectoire selon des critères énergétiques et de productivité.

 

Starting date

2025-09-01

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Co-financement CESI région EST et Région Grand Est

Presentation of host institution and host laboratory

CESI ASSOCIATION

CESI LINEACT (UR 7527), Laboratoire d’Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports. Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

— L’équipe 1 ”Apprendre et Innover” relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l’environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d’apprentissage, de créativité et d’innovation.

— L’équipe 2 ”Ingénierie et Outils Numériques” relève principalement des Sciences du Numérique et de l’Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l’Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Candidate's profile

Compétences scientifiques et techniques :
— Solide compétence mathématique surtout en optimisation convexe et non-convexe,
matrice, probabilité.
— Maîtrise des principales techniques d’IA. Une expérience préalable avec localisation
est un plus.
— Solide niveau en programmation et réseaux (environnement Linux/ROS, apprentissage automatique, ...).
— Compétences rédactionnelles en français et en anglais.
— Bonnes capacités à élaborer des techniques d’optimisation.
— Bon niveau en anglais à l’écrit et à l’oral.
Compétences relationnelles :
— être autonome, avoir un esprit d’initiative et de curiosité,
— savoir travailler en équipe et avoir un bon relationnel,
— être rigoureux

Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?