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

La planification de trajectoires des bras robotiques est un domaine de recherche très actif avec l’essor de l’Industrie 5.0 où les bras robotiques d’une plateforme se multiplient, impliquant des calculs souvent complexes. Ce travail de thèse vise à développer une planification de trajectoires de multi-bras robotisés opérant dans un espace commun en combinant les méthodes classiques, l’intelligence artificielle et les jumeaux numériques. L’objectif est d’optimiser la consommation d’énergie et la réactivité en temps-réel aux environnements dynamiques tout en évitant les collisions.

Le recours à des plateformes robotisées est devenu courant dans l’industrie afin de réaliser des tâches répétitives sur de longues périodes de production. 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. 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. L’utilisation du jumeau numérique permet d’entraîner le modèle IA de manière plus efficace et sans usure matériel.

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*). 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. 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.

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.

La méthodologie envisagée pour lever les verrous scientifiques mentionnés est la suivante :

1. Planification distribuée intégrant les méthodes classiques et les techniques d’IA : les méthodes classiques assurent une exhaustivité théorique, tandis que les techniques d’IA, notamment l’apprentissage par renforcement, apportent une réactivité efficace en temps réel. Les modèles séquentiels de réseaux de neurones sont employés pour s’adapter aux environnements dynamiques sans augmenter la complexité de manière exponentielle.

2. Optimisation de la trajectoire en prenant en compte le nombre de collision et la consommation énergétique, les critères sont intégrés dans la fonction de récompense pendant l’entrainement.

3. Implémentation sur un jumeau numérique et validation sur un système temps-réel :

la planification est simulée au travers du jumeau numérique pour accélérer la procédure d’entrainement et réduire l’usure des robots. Finalement, les résultats sont validés sur un système dynamique en temps-réel.

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.

 Ingénieur(e) ou diplômé(e) de Master en Robotique, Intelligence Artificielle et/ou Automatique

Compétences scientifiques et techniques dans un ou plusieurs de ces domaines :

— Solides compétences en mathématiques (optimisations convexe et non-convexe, algèbre linéaire, probabilité, ...),

— Modélisation et contrôle de systèmes robotiques,

— Compétences en automatique (planification de trajectoires, contrôle/commande de systèmes dynamiques, outils d’optimisation, ...),

— Compétences en programmation (Python, ROS, MATLAB/Simulink, ...),

— Compétences en informatique/IA (environnement Linux, apprentissage automatique, apprentissage par renforcement ...),

— Compétences rédactionnelles en français et en anglais.

Compétences relationnelles :

— Être autonome, avoir un esprit d’initiative et de curiosité,

— Savoir travailler en équipe et avoir un bon relationnel,

— Être rigoureux.