Offre de thèse
Incertitude pour les robots mobiles
Date limite de candidature
14-04-2024
Date de début de contrat
01-10-2024
Directeur de thèse
COLAS Francis
Encadrement
Réunions hebdomadaires
Type de contrat
école doctorale
équipe
LARSENcontexte
Pour travailler avec des robots mobiles, il est nécessaire de modéliser leur mouvement. Cette modélisation trouve principalement deux utilisations : le suivi d'un mouvement déjà effectué et la planification du mouvement à faire. Dans le premier cas, il s'agit de savoir où le robot se trouve ; ce qui se fait classiquement avec une combinaison du modèle de mouvement du robot et de modèles d'observation (avec des lasers ou des caméras). Dans le deuxième cas, le but est de décider des prochains mouvements du robot permettant d'atteindre une pose donnée ; on procède alors par exemple à la simulation de différentes options. Les mouvements d'un robot peuvent être décrits à plusieurs niveaux de complexité. On utilise souvent des modèles cinématiques qui travaillent sur les vitesses et les trajectoires possibles. On rajoute parfois des éléments dynamiques d'équilibre ou de force. On peut enfin, par exemple, employer une description de l'environnement plus précise pour calculer des forces de contact ou de frottement. Bien entendu, un modèle plus complexe va nécessiter à la fois plus de paramètres et connaissances sur l'environnement et plus de temps de calcul pour sa résolution. De plus, quel que soit le modèle, sa précision va être limitée et un robot réel se comportera de manière différente des prédictions calculées. Ainsi, il reste toujours de l'incertitude à propos du mouvement réel du robot.spécialité
Informatiquelaboratoire
LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Mots clés
Modélisation bayésienne, Robotique mobile
Détail de l'offre
L'objectif de cette thèse est de caractériser et d'utiliser l'incertitude de mouvement d'un robot mobile pour obtenir des mouvements plus précis et plus sûrs. Ainsi de nombreux modèles de l'état de l'art ignorent l'incertitude ce qui restreint leur validité. Par exemple, Effati et al [1] proposent une méthode pour les robots à chenilles ou à roues motrices fixes mais en restreignant le domaine d'utilisation aux sols durs car sinon l'incertitude due aux frottements rend le modèle caduc.
La caractérisation consistera à définir des modèles d'incertitude du mouvement à partir de données réelles. Classiquement, des modèles paramétriques ont été utilisés car ils permettent une représentation compacte et, en particulier dans le cas gaussien, avec laquelle la complexité des calculs est bornée [2]. En contrepartie, ces modèles sont plus restreints et il faut parfois avoir recours à des modèles non paramétriques (par exemple à particules [3]).
Enfin, avec une mobilisation accrue de données, de nombreux domaines se sont tournés vers les méthodes d'apprentissage [4]. Il s'agira donc explorer les compromis en termes de fidélité et complexité qu'offrent ces différentes approches pour la modélisation du mouvement d'un robot.
Ces modèles d'incertitude seront ensuite utilisés dans trois modules permettant de rendre un robot mobile autonome : la localisation, la planification et le contrôle d'exécution (lorsque ce dernier est basé sur une approche de planification locale) [5].
- Au niveau de la localisation, le modèle d'incertitude permettra d'avoir une meilleure estimation de la position atteinte par le robot suite aux commandes envoyées aux moteurs. Cette estimation améliorée réduira les possibilités de positions compatibles avec les données capteur obtenues, et permettra donc une meilleure localisation.
- Pour la planification et le contrôle d'exécution basé sur une planification locale, le modèle d'incertitude permettra une estimation plus précise de la position que les commandes planifiées permettront d'atteindre. Cela consistera en particulier à exclure les commandes qui pourraient mener à une position potentiellement en collision avec les obstacles détectés.
Un enjeu majeur sera la complexité des calculs utilisant ces nouveaux modèles. L'inférence probabiliste étant généralement couteuse, il pourra être nécessaire de faire de l'inférence approchée et/ou d'utiliser des modèles approchés pour réduire les temps de calcul.
Enfin, les différentes représentations se prêtent diversement aux mêmes calculs et il sera sans doute nécessaire de prendre des approches différentes pour les différents usages.Il faudra alors quantifier d'une part les erreurs réalisées et d'autre part la valeur ajoutée par rapport à des modèles déterministes classiques.
Keywords
Bayesian modelling, Mobile robotics
Subject details
The aim of this PhD proposal is to characterise and use motion uncertainty of a mobile robot so as to yield more precise and safer motion. Most state-of-the-art models ignore uncertainty, which limits their validity. For instance, Effati, Skonieczny, and Balkcom [4] propose a method for skid-steer robots, but for hard floors only, as otherwise ground friction deviates too much the robot from the modelled motion. The planned characterisation will consist in defining motion uncertainty models from real data. Classically, parametric models have been used since they allow for a compact representation and, in particular in the Gaussian case, with which computation complexity is reduced [2]. However these models are more constrained and it is sometimes necessary to consider non parametric models (for instance with particles [1]). Finally, with a greater data availability, a lot of research domains have successfully leveraged machine learning [5]. The aim is therefore to explore the trade-off between accuracy and complexity offered for those various approached for the modelling of robot motion. The developed uncertainty models will then be exploited in three modules for mobile robot autonomy: localisation, path-planning, and trajectory tracking (when the latter uses a local planning method) [3]. * For localisation, the uncertainty model should offer a better estimate of the actual pose reached by the robot following the commands sent to its motors. This improved estimation should, in turn, improve the sensor-based localisation of the robot. * For global and local path-planning, the uncertainty model should provide a more complex and accurate idea of the consequences of the planned commands. In particular, commands with a significant probability to yield a collision should be better detected and avoided (in a better way than increasing safety margins. A major point of attention of this work will be the complexity of the computations with the developed models. Probabilistic inference is generally expensive and approximate inference (or exact inference with approximated models) might be necessary to bound computation time. It would therefore be important to quantify both the approximation errors and the added-value compared with standard deterministic models. Finally, the various representations are diversely suited to specific kinds of computation and a different usage might require a different approach.
Profil du candidat
Compétences techniques et niveau requis :
- Master en informatique
- compétences en programmation en Python et/ou C++
- notions d'inférence probabiliste
- connaissance des modèles cinématiques des robots
Langues :
Français ou anglais
Candidate profile
Technical skills and level required :
* MSc in computer science
* programming skills in Python and/or C++
* notions of probabilistic inference
* knowledge of kinematic robot models
Languages :
French or English
Référence biblio
[1] Effati, M., Skonieczny, K., and Balkcom, D. J. Energy-optimal trajectories for skid-steer rovers. The International Journal of Robotics Research, 43(2), pp. 171-202, 2024.
[2] Borja, C.A., Tur, J. M. M., and Gordillo, J. L. State your position. IEEE Robotics and Automation Magazine, 16(2), pp. 82-90, 2009.
[3] Bishop, C. Pattern recognition and machine learning. Springer, 2006.
[4] Murphy, K. P. Probabilistic machine learning: an introduction. MIT press, 2022.
[5] Thrun, S., Burgard, W., and Fox, D. Probabilistic robotics. Chap.5 Robot motion. MIT press, 2005.