Post-doctorant en contrôle prédictif de modèles pour engins de construction autonomes

Contexte et objectifs

L’offre est proposée dans le cadre du projet « PROMETE » (Aménagement de robots autonomes pour des chantiers respectueux de l’environnement) soutenu par le programme « Projets collaboratifs I-Démo régionalisé » et cofinancé par la Région Normandie, le gouvernement français (France 2030 ) et l’Union européenne (FEDER). Ce projet est porté par un consortium de quatre partenaires académiques et industriels dont Heracles Robotics ( https://www.heracles-robotics.com/ ) en tant que leader. Il vise à automatiser les engins de chantier pour augmenter leur efficacité et réduire leur empreinte carbone. L’objectif est d’équiper ces engins de capteurs leur permettant d’analyser leur environnement, de planifier leurs déplacements et interactions avec les autres engins du chantier, et d’effectuer leurs tâches rapidement. et avec précision. Les méthodes développées doivent garantir la sécurité des machines lorsqu’elles travaillent aux côtés d’autres machines, ainsi que leur robustesse face aux variations de terrain et au vieillissement. En tant que partenaire du projet « PROMETE », l’équipe Contrôle & Systèmes de l’IRSEEM a pour mission de proposer des lois de commande prédictives robustes pour garantir que les tâches planifiées sont réalisées avec précision et rapidité.

Missions

En collaboration avec les membres du projet, le chercheur postdoctoral recruté pour 24 mois aura un certain nombre de tâches impliquant la modélisation, le contrôle et la mise en œuvre des algorithmes de contrôle résultants. Ces tâches sont divisées en trois parties principales, plus ou moins séquentielles.

1. La première tâche consiste à modéliser les engins de chantier considérés. Cette modélisation sera réalisée selon une approche géométrique, notamment grâce à l’utilisation de la notion de groupe de Lie [1]. En effet, un engin de chantier peut être considéré comme une séquence d’articulations posées sur un robot mobile [2], justifiant ainsi ce type de modélisation. Différents types de machines devront être modélisés, et les paramètres seront ensuite obtenus à partir des données de nos partenaires du projet.
2. Sur la base de ces modèles, la deuxième partie de la mission consistera à développer des lois de contrôle prédictives basées sur les groupes de Lie [3, 4, 5, 6, 7]. Ces lois de commande seront utilisées pour améliorer la précision, la vitesse et la consommation de carburant des machines étudiées. Pour y parvenir, une approche de contrôle prédictif de modèle économique sera utilisée [8].
3. Enfin, la troisième partie de la mission cherchera à rendre robustes les lois de commande prédictives précédemment étudiées [9, 10]. En effet, les machines considérées sont soumises à des variations paramétriques importantes au fur et à mesure de leur vieillissement. Ainsi, les stratégies de contrôle envisagées devront être adaptées pour compenser ces incertitudes paramétriques [11, 12, 13].

En parallèle de ces tâches, la personne recrutée étudiera des méthodes de réglage des paramètres des lois de commande prédictives. Ces méthodes sont basées sur l’utilisation d’algorithmes d’apprentissage par renforcement [14, 15]. Les méthodes développées seront déployées sur les engins de chantier de nos partenaires. Des expérimentations sur plusieurs sites régionaux sont prévues. Enfin, la personne recrutée contribuera à l’encadrement des stagiaires impliqués dans le projet.

Les références

1. F. Bullo et AD Lewis, Contrôle géométrique des systèmes mécaniques, ser. Textes en mathématiques appliquées. Springer, 2004, vol. 49.
2. L. Sciavicco et B. Siciliano, Modélisation et contrôle de robots manipulateurs. Springer, 2001.
3. J. Park et K. Kim, « Tracking on Lie group for robot manipulateators », en 2014, 11e Conférence internationale sur les robots omniprésents et l’intelligence ambiante. IEEE, 2014, p. 579-584.
4. S. Teng, D. Chen, W. Clark et M. Ghaffari, « Un contrôle prédictif de modèle d’état d’erreur sur des groupes de Lie matriciels connectés pour le contrôle des robots à pattes », lors de la conférence internationale IEEE/RSJ 2022 sur les robots et systèmes intelligents. IEEE, 2022, pages 8850 à 8857.
5. UV Kalabić, R. Gupta, S. Di Cairano, AM Bloch et IV Kolmanovsky, « MPC sur les collecteurs avec une application au contrôle de l’attitude des engins spatiaux sur SO(3) », Automatica, vol. 76, p. 293-300, 2017.
6. J. Jang, S. Teng et M. Ghaffari, « Suivi de trajectoire géométrique convexe à l’aide du MPC algébrique de Lie pour les véhicules marins autonomes », arXiv, 2023.
7. T. Löw et S. Calinon, « Algèbre géométrique pour un contrôle optimal avec des applications dans les tâches de manipulation », IEEE Transactions on Robotics, pp. 1-15, 2023.
8. L. Grüne et J. Pannek, Contrôle prédictif de modèle non linéaire, 2e éd., ser. Ingénierie des communications et du contrôle. Springer, 2017.
9. D. Limón, I. Alvarado, T. Alamo et EF Camacho, « MPC robuste à base de tubes pour le suivi de systèmes linéaires contraints avec perturbations additives », Journal of Process Control, vol. 20, non. 3, p. 248-260, 2010.
10. SV Raković, «Le contrôle prédictif implicite du modèle de tube rigide», Automatica, vol. 157, p. 111234, 2023.
11. B. Sakhdari et NL Azad, « MPC non linéaire adaptatif à tube pour le contrôle de croisière autonome économique des véhicules électriques hybrides rechargeables », IEEE Transactions on Vehicular Technology, vol. 67, non. 12, p. 11 390–11 401, 2018.
12. AJ Prado, M. Torres-Torriti et FA Cheein, « MPC non linéaire à base de tubes distribués pour le contrôle de mouvement de robots compacts avec contraintes terra-mécaniques », IEEE Robotics and Automation Letters, vol. 6, non. 4, pages 8045 à 8052, 2021.
13. C. Shi, Y. Yu, Y. Ma et DE Chang, « Contrôle contraint pour les systèmes sur groupes de Lie matriciels avec incertitudes », International Journal of Robust and Nonlinear Control, vol. 33, non. 5, pages 3285 à 3311, 2022.
14. E. Bøhn, S. Gros, S. Moe et TA Johansen, « Optimisation des méta-paramètres de contrôle prédictif du modèle grâce à l’apprentissage par renforcement », Applications d’ingénierie de l’intelligence artificielle, vol. 123, p. 106211, 2023.
15. W. Cai, S. Sawant, D. Reinhardt, S. Rastegarpour et S. Gros, « Une stratégie de contrôle prédictif de modèle basé sur l’apprentissage pour les systèmes de gestion de l’énergie domestique », IEEE Access, 2023.