Soutenance de thèse de Franco FUSCO (équipe ARMEN)

Franco Fusco, doctorant au sein de l’équipe ARMEN, soutiendra sa thèse intitulée « Asservissement Visuel Dynamique pour Bras Manipulateurs Rapides » / « Dynamic Visual Servoing for Fast Robotics Arms »

vendredi 27 novembre 2020 à 10h00 en visio.

Jury :
– Directeur de thèse : Philippe Martinet (Directeur de recherches, Inria Sophia-Antipolis Méditerranée)
– Co-encadrant : Olivier Kermorgant (Maitre de conférences, Centrale Nantes)
– Rapporteurs : Jacques Gangloff (Professeur des Universités, Télécom Physique Strasbourg) ; Olivier Stasse (Directeur de recherche, LAAS-CNRS)
– Autres membres : Guillaume Allibert (Maître de conférences, Université de Nice-Sophia Antipolis) ; Abdelhamid Chriette (Maître de conférences, Centrale Nantes) ; Estelle Courtial (Maître de conférences, Polytech Orléans) ; Isabelle Fantoni (Directrice de recherche, LS2N)

Résumé : Cette thèse traite de l’augmentation de la productivité des robots manufacturiers, lors de l’exécution de tâches référencées capteurs. De telles tâches peuvent provenir de la cible non positionnée de manière absolue ou d’un environnement mal connu. Les commandes par asservissement visuel sont bien connues pour leur robustesse et leur précision, mais nécessitent généralement de longs temps d’exécution en raison de différents facteurs. La commande est généralement formulée uniquement à un niveau cinématique et caractérisée par des vitesses décroissantes de façon exponentielle. De plus, l’application non linéaire de l’espace opérationnel à l’espace des capteurs peut conduire à des chemins sous-optimaux et plus longs. Pour augmenter les performances de commande et réduire le temps nécessaire à la réalisation d’une tâche, cette thèse étudie l’utilisation de modèles d’interaction de second ordre. Leur utilisation dans une commande au niveau dynamique est étudiée et comparée aux approches classiques. Ils sont ensuite utilisés dans des schémas de commande par modèle prédictif, permettant d’obtenir des vitesses plus élevées tout en générant de meilleures trajectoires. Cependant, un inconvénient des techniques prédictives est leur charge de calcul. Afin d’obtenir de pallier ce défaut, un nouveau type de commande prédictive est étudié. Il conduit à une réduction du nombre de variables impliquées dans les problèmes d’optimisation grâce à l’utilisation d’un paramétrage des séquences d’entrée.

Mots-clés : Asservissement Visuel, Commande par Modèle Prédictif, Manipulateurs Redondants

———————————————————————————————————————————————————

Abstract: This thesis deals with increasing the productivity in manufacturing robots, when performing sensor-based tasks. Such tasks may be coming from the target not being absolutely positioned. Visual servoing control schemes are well known for their robustness and precision, but generally require long execution times due to different factors. Control laws are generally formulated only at a kinematic level and characterized by exponentially decreasing velocities. Moreover, the nonlinear map from the operational space to the sensor space can lead to sub-optimal and longer paths. To increase control performances and reduce the time required to complete a task, this thesis investigates the use of second-order interaction models. Their use in dynamic feedback control laws is investigated and compared to classical controllers. They are then employed in Model Predictive Control (MPC) schemes, allowing to obtain higher velocities and better sensor trajectories. However, a drawback of MPC techniques is their computational load. In order to obtain even better results, a new type of predictive control is thus investigated, leading to a reduced number of variables involved in MPC optimization problems thanks to the use of a parameterization of the control input sequences.

Keywords: Visual Servoing, Model Predictive Control, Redundant Manipulators