Planification de Mouvements Intrinse`quement Robuste et Tenant compte de la Commande pour des Robots en Conditions Reélles – CAMP

CAMP est structuré autour de trois axes de recherche (WP) : le premier axe (WP1) se concentrera sur la meilleure façon de quantifier les effets des incertitudes sur une paire capteur-robot/contrôleur en exploitant une combinaison de ce que l'on appelle la «matrice de sensibilité en boucle fermée« et de métriques plus classiques de propagation de l'incertitude, selon que l'incertitude du robot/de la détection peut être donnée de façon fiable sous une forme paramétrique ou non, le deuxième axe (WP2) traitera de la génération de plans de mouvement intrinsèquement robustes et sensibles au contrôle en exploitant les métriques du WP1 et en empruntant à la littérature sur les planificateurs de mouvement basés sur l'échantillonnage global, et le troisième axe (WP3) sera consacré à la validation expérimentale de l'approche proposée et à la comparaison avec des variantes (par ex. g., MPC). Un dernier WP4 traitera de la gestion, de la diffusion et de l'exploitation des résultats du projet.

Nous avons commencé à développer des extensions de la matrice de sensibilité en boucle fermée précédemment introduite, en considérant d'autres quantités telles que la sensibilité des entrées, ainsi que des moyens d'inclure un modèle de l'incertitude paramétrique du modèle de robot dans ces quantités. Nous avons également obtenu un algorithme pour évaluer les tubes d'états/entrées perturbés étant donné un modèle d'incertitude paramétrique. Du côté de la planification, nous avons proposé un premier cadre de planification optimal basé sur l'échantillonnage afin (1) de traiter les mouvements kino-dynamiques complexes de systèmes avec une dynamique non triviale, et (2) d'optimiser les mesures basées sur la sensibilité du WP1 tout en tenant compte des tubes de trajectoires perturbées pour produire des mouvements de référence sans collision qui sont robustes contre les incertitudes des paramètres.

Nous travaillons actuellement à la validation expérimentale de ces approches, ainsi qu'au développement de schémas de planification plus avancés capables de considérer explicitement la présence d'objectifs et de contraintes multiples.

1. Christoph Bohm, Pascal Brault, Quentin Delamare, Paolo Robuffo Giordano, and Stephan Weiss. COP: Control & Observability-aware Planning. In 2022 IEEE Int. Conf. on Robotics and Automation (ICRA 2022), 2022

2. Ali Srour, Antonio Franchi, and Paolo Robuffo Giordano. Controller and Trajectory Optimization for a Quadrotor UAV with Parametric Uncertainty. In 2023 IEEE Int. Conf. on Robotics and Automation (ICRA 2023), 2023

3. S. Wasiela, P.Robuffo Giordano, J. Cortés and T. Siméon. A Sensitivity-Aware Motion Planner (SAMP) to Generate Intrinsically-Robust Trajectories. Submied to IEEE Int. conference on robotics and automation (ICRA), 2023

4. Pascal Brault, Q. Delamare, and P. Robuffo Giordano. Robust Trajectory Planning with Parametric Uncertainties. In 2021 IEEE Int. Conf. on Robotics and Automation (ICRA 2021), 2021

5. Pascal Brault and Paolo Robuffo Giordano. Tube-based trajectory optimization for robots with parametric uncertainty. Under preparation, available at
hp://rainbow-doc.irisa.fr/pdf/ICRA_2022_CLS.pdf

Un moyen efficace de gérer la complexité de robots opérant en
environnements réels incertains est le paradigme du
"feedforward/feedback" ou planification/commande : une trajectoire
nominale convenable est d'abord planifiée pour l'état du robot en
exploitant toute l'information disponible (p. ex., un modèle du robot et
de l'environnement). Cette phase est généralement exécutée hors-ligne et
intégrer des contraintes (p. ex., évitement d'obstacles, actionnement
saturé) et optimiser un certain coût d'intérêt (p. ex., le temps,
l'énergie). L'exécution en boucle ouverte d'une telle trajectoire
planifiée échouerait cependant dans la plupart des cas à cause des
approximations et des incertitudes inévitables affectant le modèle
employé. C'est pourquoi une commande en boucle fermée est utilisée en
pratique pour exécuter cette trajectoire planifiée, ce qui permet
d'assurer une strate de robustesse contre les effets non modélisés qui
ne peuvent être pris en compte à la planification. Cette approche
séquentielle, qui traite la planification et la commande comme deux
composantes séparées, souffre malheureusement de lourds défauts. Côté
planification, les algorithmes modernes peuvent générer des chemins
globalement optimaux et faisables pour des systèmes de grande dimension
et des environnements complexes/contraints, mais ne tiennent pas compte
de la présence d'une commande en boucle fermée. Côté commande, un grand
nombre de structures adaptatives ou robustes assurant un bon niveau de
résistance aux perturbations/incertitudes ont été étudiées (p. ex.,
H-infini, passivité). Ces approches sont toutefois majoritairement
locales et en dehors de la robustesse, peuvent difficilement assurer
d'autres exigences telles que la faisabilité (p. ex., actionnement
limité, obstacles), la performance et l'optimalité globale. Bien que des
efforts aient été fait pour proposer des planificateurs robustes ou des
commandes plus globales (p. ex., la commande prédictive MPC), il manque
toujours une approche unifiée exploitant complètement les techniques
issues des communautés de la planification du mouvement et de la
commande robuste. L'état de l'art en la matière comporte en outre de
fortes limitations, à savoir (1) le manque de généralité, (2) le coût
calculatoire rédhibitoire, et (3) une robustesse insuffisante. Ces
imperfections rendent l'autonomie et l'aptitude des robots à prendre des
décisions faibles dans les scénarios complexes (conditions réelles,
effets des incertitudes importants, dynamiques élevées), qui sont
pourtant ceux que nos robots futurs sont amenés à rencontrer. Dans ce
contexte, l'ambition et l'objectif scientifique de CAMP est de (1)
développer un cadre théorique et pratique général et unifié de
planification du mouvement intrinsèquement robuste tenant compte de la
commande, capable de répondre aux difficultés susmentionnées, et de (2)
démontrer l'applicabilité de ce nouveau cadre dans un scénario réel
exigeant, impliquant une tâche de "pick-and-place" avec un bras à 7 degrés
de liberté, et une tâche de manipulation coopérative avec un robot mobile
et un manipulateur aérien (un multi-rotor équipé d'un bras embarqué).
Ces tâches sont volontairement choisies de sorte à montrer au mieux en quoi
les outils développés pourront améliorer les performances obtenues, dans la
mesure où la précision (qui implique de faibles incertitudes) et la rapidité
d'exécution (qui se traduit par un impact accru des effets non modélisés et
des perturbations) y sont cruciales. Le consortium de CAMP regroupe trois
équipes avec des compétences solides et complémentaires en planification,
estimation et commande. En cas de succès, le projet aura des retombées
concrètes pour toute application robotique dans laquelle les incertitudes
jouent un rôle important, et ceux dans tous les domaines de la robotique.