Incertitude pour les robots mobiles

Encadrants

Contexte

Pour travailler avec des robots mobiles, il est nécessaire de modéliser leur mouvement. Cette modélisation trouve principalement deux utilisations : le suivi d’un mouvement déjà effectué et la planification du mouvement à faire. Dans le premier cas, il s’agit de savoir où le robot se trouve ; ce qui se fait classiquement avec une combinaison du modèle de mouvement du robot et de modèles d’observation (avec des lasers ou des caméras). Dans le deuxième cas, le but est de décider des prochains mouvements du robot permettant d’atteindre une pose donnée ; on procède alors par exemple à la simulation de différentes options.

Les mouvements d’un robot peuvent être décrits à plusieurs niveaux de complexité. On utilise souvent des modèles cinématiques qui travaillent sur les vitesses et les trajectoires possibles. On rajoute parfois des éléments dynamiques d’équilibre ou de force. On peut enfin, par exemple, employer une description de l’environnement plus précise pour calculer des forces de contact ou de frottement.

Bien entendu, un modèle plus complexe va nécessiter à la fois plus de paramètres et connaissances sur l’environnement et plus de temps de calcul pour sa résolution. De plus, quel que soit le modèle, sa précision va être limitée et un robot réel se comportera de manière différente des prédictions calculées. Ainsi, il reste toujours de l’incertitude à propos du mouvement réel du robot.

Sujet

L’objectif de cette thèse est de caractériser et d’utiliser l’incertitude de mouvement d’un robot mobile pour obtenir des mouvements plus précis et plus sûrs. Ainsi de nombreux modèles de l’état de l’art ignorent l’incertitude ce qui restreint leur validité. Par exemple, Effati, Skonieczny, and Balkcom (2024) proposent une méthode pour les robots à chenilles ou à roues motrices fixes mais en restreignant le domaine d’utilisation aux sols durs car sinon l’incertitude due aux frottements rend le modèle caduc.

La caractérisation consistera à définir des modèles d’incertitude du mouvement à partir de données réelles. Classiquement, des modèles paramétriques ont été utilisés car ils permettent une représentation compacte et, en particulier dans le cas gaussien, avec laquelle la complexité des calculs est bornée (Borja, Mirats Tur, and Gordillo 2009). En contrepartie, ces modèles sont plus restreints et il faut parfois avoir recours à des modèles non paramétriques (par exemple à particules (Bishop 2006)). Enfin, avec une mobilisation accrue de données, de nombreux domaines se sont tournés vers les méthodes d’apprentissage (Murphy 2022). Il s’agira donc explorer les compromis en termes de fidélité et complexité qu’offrent ces différentes approches pour la modélisation du mouvement d’un robot.

Ces modèles d’incertitude seront ensuite utilisés dans trois modules permettant de rendre un robot mobile autonome : la localisation, la planification et le contrôle d’exécution (lorsque ce dernier est basé sur une approche de planification locale) (“Chapter 5: Robot Motion” 2005).

  • Au niveau de la localisation, le modèle d’incertitude permettra d’avoir une meilleure estimation de la position atteinte par le robot suite aux commandes envoyées aux moteurs. Cette estimation améliorée réduira les possibilités de positions compatibles avec les données capteur obtenues, et permettra donc une meilleure localisation.
  • Pour la planification et le contrôle d’exécution basé sur une planification locale, le modèle d’incertitude permettra une estimation plus précise de la position que les commandes planifiées permettront d’atteindre. Cela consistera en particulier à exclure les commandes qui pourraient mener à une position potentiellement en collision avec les obstacles détectés.

Un enjeu majeur sera la complexité des calculs utilisant ces nouveaux modèles. L’inférence probabiliste étant généralement couteuse, il pourra être nécessaire de faire de l’inférence approchée et/ou d’utiliser des modèles approchés pour réduire les temps de calcul. Il faudra alors quantifier d’une part les erreurs d’approximation réalisées et d’autre part la valeur ajoutée par rapport à des modèles déterministes classiques. Enfin, les différentes représentations se prêtent diversement aux mêmes calculs et il sera sans doute nécessaire de prendre des approches différentes pour les différents usages.

Candidater

Qualifications requises

  • Master en informatique
  • compétences en programmation en Python et/ou C++
  • notions d’inférence probabiliste
  • connaissance des modèles cinématiques des robots

Procédure

La candidature doit être envoyée par mail à tous les encadrants sous la forme d’une archive (.zip ou .tgz) contenant les documents suivants :

  • CV
  • lettre de motivation
  • description courte (maximum une page) de votre projet de master (ou équivalent), même s’il est encore en cours
  • diplômes et notes de licence et master (ou des 5 dernières années)
  • rapport de master s’il est déjà terminé ainsi que toutes les publications (même s’il n’est pas nécessaire d’en avoir) ; des liens vers ces documents sont préférables s’ils sont accessibles en ligne

De plus, une lettre de recommandation de vos encadrants de master devra être envoyée directement par ses auteurs par mail (voir ci-dessus). Les dossiers incomplets sont susceptibles d’être ignorés ; en cas de difficulté, nous contacter.

Bishop, Christopher M. 2006. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer. https://link.springer.com/book/9780387310732.

Borja, Carlos Albores, Josep M. Mirats Tur, and Jose Luis Gordillo. 2009. “State Your Position.” IEEE Robotics & Automation Magazine 16 (2): 82–90. https://doi.org/10.1109/MRA.2009.932523.

“Chapter 5: Robot Motion.” 2005. In Probabilistic Robotics, by Sebastian Thrun, Wolfram Burgard, and Dieter Fox. Intelligent Robotics and Autonomous Agents Series. MIT Press. http://probabilistic-robotics.org/.

Effati, Meysam, Krzysztof Skonieczny, and Devin J. Balkcom. 2024. “Energy-Optimal Trajectories for Skid-Steer Rovers.” The International Journal of Robotics Research 43 (2): 171–202. https://doi.org/10.1177/02783649231216499.

Murphy, Kevin P. 2022. Probabilistic Machine Learning: An Introduction. MIT press. https://probml.github.io/pml-book/book1.html.