Le déploiement de robots à pattes dans des environnements réels imprévisibles, tels que des zones sinistrées ou des sites industriels complexes, exige de leur part une grande agilité et une grande adaptabilité.
Pour répondre à ces exigences, la conception des robots modernes s'est orientée vers des architectures parallèles et hybrides, qui réduisent drastiquement l'inertie des membres et améliorent l'absorption des chocs par rapport aux architectures sérielles classiques.
Toutefois, ces plateformes avancées introduisent d'importants verrous mathématiques : leur cinématique en boucle fermée génère des contraintes algébriques complexes, tandis que leurs interactions avec l'environnement impliquent des forces de contact avec frottement, défiant les limites des méthodes actuelles.
Les approches de contrôle traditionnelles peinent à intégrer ces dynamiques, s'appuyant plutôt sur des modèles physiques simplifiés et des séquences de contact rigides et prédéfinies qui entraînent une grande fragilité face aux incertitudes du monde réel.
Cette thèse aborde ces deux problématiques sous le prisme du contrôle par optimisation.
Dans un premier temps, nous présentons une modélisation des systèmes avec boucle fermée ainsi que ses dérivées analytiques, que nous appliquons à des algorithmes standards basés gradient pour générer divers mouvements de locomotion.
Dans un second temps, nous démontrons les limites de l'optimisation purement basée gradient lorsqu'il s'agit de traiter des modèles de contact avec frottement, un phénomène intrinsèquement non lisse.
Pour résoudre le problème d'optimisation à travers la séquence de contact, nous proposons d'exploiter des algorithmes d'optimisation d'ordre zéro.
Cela fourni un cadre efficace et polyvalent pour le reciblage de mouvements et l'apprentissage de politiques par imitation sur des robots humanoïdes.
Enfin, nous introduisons une formulation de tir multiple pour l'algorithme MPPI (Model Predictive Path Integral), permettant d'atténuer les inconvénients de l'approche par échantillonnage et d'améliorer les performances en termes de stabilité et d'horizon de prédiction.
Ces contributions ouvrent la voie à des systèmes à pattes capables d'exploiter en toute sécurité leurs pleines limites physiques dans des environnements imprévisibles.
|
Deploying legged robots in unpredictable real-world environments, such as disaster zones or complex industrial sites, requires high agility and adaptability. To meet these demands, modern robot designs have shifted toward parallel and hybrid architectures, which drastically reduce limb inertia and improve impact absorption compared to classical serial architectures. However, these advanced platforms introduce significant mathematical bottlenecks: their closed-loop kinematics yield complex algebraic constraints, while their environmental interactions involve frictional contact forces, challenging the limits of current methods. Traditional control approaches struggle to integrate these dynamics, relying instead on simplified physical models and rigid, pre-defined contact sequences that lead to brittleness when facing real-world uncertainties. This thesis addresses these two issues through the scope of optimization-based control.
First, we present a modeling framework for closed-loop systems along with its analytical derivatives, which we apply to standard gradient-based algorithms to generate various locomotion behaviors. Second, we demonstrate the limitations of purely gradient-based optimization when handling frictional contact models, an inherently non-smooth phenomenon. To address the challenge of optimizing through the contact sequence, we propose leveraging zero-th order optimization algorithms. This provides an efficient and versatile framework for motion retargeting and imitation learning on humanoid robots. Finally, we introduce a multiple-shooting formulation for the Model Predictive Path Integral (MPPI) algorithm, mitigating the drawbacks of the sampling approach and improving performance in terms of stability and prediction horizon.
These contributions pave the way for legged systems capable of safely exploiting their full physical limits in unpredictable environments.
|