Exploring state descriptions and soft robot simulations for learning and control
Exploration des descriptions d'état et des simulations de robots souples pour l'apprentissage et le contrôle
Résumé
Soft robotics is a subfield of robotics where soft materials are used to create robots that can adapt to their environment. This adaptability allows for numerous innovations, such as in medical robotics and the manipulation of delicate objects, but also presents challenges in areas like modeling, control, and design. The use of Finite Element Methods (FEM) enables accurate modeling and simulation of soft robots. It enables both the evaluation of soft robot designs prior to manufacturing and their control. The DEFROST team at Inria Lille has developed several tools for controlling soft robots, including the joint use of inverse FEM modelling and convex optimisation. However, these methods were developed for low-level control over a short time horizon. The objective of this PhD is to extend this low-level control to the control of soft robots over a task-time horizon.
In this work, various simulation and machine learning tools will be used to find actuation sequences for solving tasks. Although these tools are powerful, they each have limitations. For instance, learning-based control is effective in tackling complex tasks but requires a significant amount of data for learning. FEM models can simulate a wide range of behaviors but the simulation process can be slow. One of the common problems of these different tools is the size of the systems to be solved and therefore the representation of the soft robot state. Depending on the discipline (robotics, machine learning, simulation), the notion of state does not have the same definition and does not have the same purpose. As the number of parameters increases with the time horizon of the task to perform, a trade-off must be found between the different representations in order to efficiently formulate the optimisation problems. This research focuses on adapting the description of the state of soft robots to optimise their actuation variables on the task-time horizon. This is important because the choice of model determines what is actually possible to do in terms of learning, control and even design.
La robotique déformable est un sous-domaine de la robotique où des matériaux souples sont utilisés pour créer des robots capables de s'adapter à leur environnement. Cette adaptabilité permet de nombreuses innovations, que ce soit dans le domaine médicale ou la manipulation d'objets délicats, mais présente également de nombreux défis dans les domaines de la modélisation, du contrôle et de la conception. La méthode des éléments finis (FEM) permet une modélisation et une simulation précises des robots souples. Elle permet à la fois de les contrôler, mais aussi d'évaluer leurs conceptions avant de les fabriquer. L'équipe DEFROST du Centre Inria de l’Université de Lille a développé plusieurs outils pour contrôler les robots souples, y compris l'utilisation conjointe de la modélisation inverse FEM et de l'optimisation convexe. Cependant, ces méthodes ont été développées pour un contrôle bas niveau sur un horizon temporel court. L'objectif de ce doctorat est d'étendre ce contrôle bas niveau au contrôle de robots souple sur un horizon de temps relatif à l’exécution d’une tâche.
Dans ce travail, divers outils de simulation et d'apprentissage automatique seront utilisés pour trouver des séquences d'actionnement permettant de résoudre des tâches. Bien que ces outils soient puissants, ils ont tous des limites. Par exemple, la commande basée sur l'apprentissage est efficace pour résoudre des tâches complexes, mais elle nécessite une quantité importante de données pour l'apprentissage. Les modèles FEM peuvent simuler un large éventail de comportements, mais le processus de simulation peut être lent. L'un des problèmes communs à ces différents outils est la taille des systèmes mathématiques à résoudre et donc la représentation de l'état du robot souple. Selon la discipline (robotique, apprentissage automatique, simulation), la notion d'état n'a pas la même définition et n'a pas la même finalité. Le nombre de paramètres augmentant avec l'horizon temporel de la tâche à réaliser, un compromis doit être trouvé entre les différentes représentations afin de formuler efficacement les problèmes d'optimisation. Ce travail de recherche se concentre sur l'adaptation de la description de l'état des robots souples afin d'optimiser leur actionnement sur l'horizon temporel de la tâche. Ceci est important car le choix du modèle détermine ce qu'il est réellement possible de faire en termes d'apprentissage, de contrôle et même de conception.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
