Conception de nouvelles stratégies adaptatives de détection d’impact prenant explicitement en compte de la contribution des incertitudes (cas flexible)

Lorsque des composants déformables sont présents dans la chaîne d’actionnement, des modèles spécifiques sont nécessaires pour prendre en compte l’effet des élasticités. Si des méthodes de détection d’impact développées dans le cas de robots à articulations rigides sont appliquées à des robots à articulations flexibles, alors des erreurs de modélisation supplémentaires sont introduites en raison de l’inadéquation du modèle proposé. Pour cette raison, l’approche précédente a été déclinée aux robots à corps rigides et articulations flexibles : en affinant le modèle dynamique du robot pour prendre en compte les élasticités articulaires, l’objectif est de réduire la contribution des erreurs de modélisation et ainsi améliorer les performances de détection. Pour chaque méthode de détection étudiées, deux variantes possibles ont été proposées selon que l’on tienne compte des incertitudes sur le modèle de frottement du moteur ou sur la raideur articulaire. Contribution 4 : Caractérisation de l’intention du contact et localisation de l’impact sur le bras du robot

Après l’étape de détection d’impact, la phase de caractérisation vise à extraire des éléments de contexte liés au contact, afin de déclencher une réaction appropriée du robot qui, d’une part, ne mette pas en danger l’opérateur humain et, d’autre part, assure une transition efficace. Dans ces travaux, nous nous sommes concentrés sur la détermination de l’intention de l’opérateur lors du contact avec le robot (contact intentionnel ou accidentel) et sur la localisation de la zone du robot collisionnée.

Compte tenu de la complexité du problème due aux incertitudes de modélisation ainsi qu’à d’autres paramètres incertains liés à l’opérateur, une stratégie de classification par réseaux de neurones a été étudiée. Une structure de réseau "boîte grise" guidée par la physique du contact a été proposée pour accroître l’efficacité de la classification. Deux études de cas ont été menées afin d’évaluer la possibilité de généraliser à tout individu humain et à toute trajectoire du robot. Les résultats ont démontré que la localisation de la zone de contact sur le robot peut être très efficace avec des réseaux de neurones. La détermination de l’intention du contact s’avère toutefois plus fastidieuse puisqu’elle peut être liée à des caractéristiques propres au sujet humain qui manipule le robot (appréhension, sensibilité, anticipation, etc.). La généralisation à tout sujet humain ou à toute trajectoire du robot donne des résultats prometteurs, mais la généralisation aux deux facteurs simultanément semble limitée par la structure élémentaire du réseau neuronal considéré. L’adaptation d’un sujet humain à un classificateur entrainé sur une autre personne peut éventuellement constituer une approche alternative.

Perspectives

Ces résultats sont une étape de plus vers une collaboration sûre et efficace entre humains et robots. Plusieurs pistes peuvent être explorées suite à ces travaux de thèse et sont décrites ci-dessous.

Résumé étendu de la thèse xxi

Validation des algorithmes de détection d’impact dans le cas flexible

Les stratégies de détection d’impact ont été déclinées dans le cas flexible pour des robots à corps rigides et à articulations flexibles. Dans ce cas, le modèle dynamique du robot devrait être identi-fié de manière plus précise, entraînant une réduction des écarts-types sur les erreurs d’estimation des paramètres dynamiques. Cela permettrait non seulement d’obtenir une meilleure estimation du couple extérieur (qui serait exempte des erreurs liées à l’inadéquation du modèle rigide), mais aussi de réduire les marges d’erreur, et donc d’améliorer les performances de détection. Une extension de ces travaux consisterait donc à vérifier cette hypothèse en simulation et en expérimentation. Cela permettrait d’augmenter la dynamique du mouvement du robot sans ris-quer de stimuler les flexibilités puisque les effets induits seraient pris en compte, tout en assurant une détection sûre des impacts.

Une plus grande efficacité dans la détection des impacts

Tout d’abord, une validation en ligne et approfondie des algorithmes de détection d’impact est essentielle pour une utilisation future, en particulier sur des scénarios de fonctionnement réalistes (vitesses et accélérations du robot, instants et emplacements des contacts). L’analyse fréquen-tielle développée dans cette thèse ayant établi la relation entre les incertitudes de modélisation et les performances de détection attendues, l’étude pourrait être appronfondie dans le cas d’une application industrielle ayant une tâche bien définie, par exemple :

• en adoptant l’approche inverse : sur la base d’exigences de sécurité à respecter pendant la tâche (a priori imposées par les normes robotiques), on pourrait s’intéresser aux leviers disponibles pour améliorer les performances de détection. L’étude de l’évolution des erreurs de modélisation selon la trajectoire du robot constituerait une première approche : la trajectoire pourrait alors être programmée selon un critère minimisant les erreurs induites par les incertitudes et donc augmentant les performances de détection. Dans le cas d’un robot redondant, certaines configurations du bras robotique pourraient éventuellement être privilégiées à cet égard. Une autre possibilité dans le cas des méthodes basées sur des observateurs de perturbation serait d’ajuster les paramètres du modèle de perturbation en fonction de l’énergie dissipée maximale autorisée par les normes. En effet, en s’appuyant sur la modélisation d’un système à deux masses reliées par un ressort, on pourrait préciser l’évolution de la force de contact et donc le modèle du couple extérieur considéré.

• en introduisant des éléments contextuels : jusqu’à présent dans ces travaux, un intervalle de confiance à 3σ a été considéré pour la détection (correspondant à un niveau de confiance de 99.7%), mais le réglage de ce paramètre pourrait être rendu plus précis afin d’éviter des performances de détection trop conservatrices. Une réduction locale de ce paramètre pourrait être envisagée, par exemple si l’on peut identifier des séquences de la tâche au cours desquelles un contact du robot avec son environnement est prévu. L’ajustement de ce paramètre pourrait également être déterminé par des techniques d’apprentissage ou par de la logique floue, en fournissant en entrées le couple extérieur estimé et la marge d’erreur associée liée aux incertitudes de modèle. La vitesse du robot peut également être un critère déterminant pour le réglage de ce paramètre.

Dans une perspective plus exploratoire, il serait intéressant de comparer les performances de détection obtenues avec les stratégies de détection proposées dans ces travaux (estimation di-recte du couple extérieur ou observateurs de perturbation) avec les techniques basées sur de l’apprentissage : ces dernières pourraient être utilisées en supplément afin de garantir une dé-tection plus fine des impacts de faible amplitude (non détectés par les stratégies proposées dans ces travaux car confondus avec l’enveloppe des erreurs de modélisation). Cependant, s’appuyer uniquement sur de telles approches semble discutable à première vue puisqu’il n’y a aucun moyen de quantifier la performance attendue si ce n’est de façon heuristique, contrairement aux stratégies proposées, ce qui représente jusqu’alors un obstacle à la sécurité de l’opérateur. Perfectionnement de la caractérisation des situations de contact

Afin d’améliorer la généralisation de la classification de l’intention de contact à tout individu humain et à toute trajectoire de robot, deux approches sont proposées :

• examiner d’autres choix d’entrées : le choix du couple extérieur estimé et de la vitesse du robot comme entrées du réseau de neurones est basé sur des considérations physiques, mais d’autres entrées peuvent être tout aussi pertinentes. En effet, si l’objectif est de conserver une structure de réseau relativement simple avec un nombre réduit de neurones, alors des entrées pré-traitées pourraient améliorer les résultats de la classification. À cette fin, une analyse en composantes principales (PCA) pourrait être utilisée pour déterminer les signaux pertinents.

• examiner d’autres structures de réseaux de neurones : des structures plus complexes peu-vent être nécessaires pour traiter efficacement la complexité du problème. D’une part, des réseaux de neurones récurrents (RNNs) seraient appropriés pour prendre en compte l’évolution temporelle du couple extérieur, comme proposé dans [Kouris 2018] dans le cas d’une approche fréquentielle. D’autre part, des réseaux de neurones convolutifs (CNNs) permettraient d’extraire des caractéristiques liées au contact plus profondes. Toutefois, il convient de noter que des structures plus complexes nécessitent également des temps de traitement plus longs: la compatibilité avec une implémentation en temps réel sur le robot doit alors être examinée.

Ces avancées pourraient également permettre d’extraire plus d’informations sur la situation de contact, comme la rigidité de l’environnement collisionné pour distinguer par exemple entre un sujet humain et une pièce rigide.

Vers un schéma de commande complet

Les méthodes de détection et de caractérisation proposées dans ces travaux sont à intégrer dans un schéma de commande complet, qui incluerait également des stratégies post-impact. À cette fin, une loi de commande en impédance peut être envisagée pour la phase post-impact, qui est largement reconnue comme étant adaptée pour les situations d’interaction du robot avec son environnement.

Résumé étendu de la thèse xxiii

Plus spécifiquement, une adaptation des gains de commande en impédance pourrait être consi-dérée afin d’obtenir un comportement efficace durant la phase post-impact (vis-à-vis des objectifs de passivité et de transparence), et tenant compte des caractéristiques de l’impact détecté (in-tention, point de contact, amplitude des efforts, etc.). Dans ce contexte adaptatif, la question de la stabilité de la loi de commande devra être examinée.

Chapter 1