Reinforcement learning-based control for safe 3D navigation of articulated tracked robot manipulators - Equipe Robot interaction, Ambient system, Machine learning, Behaviour, Optimization Accéder directement au contenu
Thèse Année : 2022

Reinforcement learning-based control for safe 3D navigation of articulated tracked robot manipulators

Contrôle fondé sur un apprentissage par renforcement pour la navigation 3D sécurisée de robots manipulateurs articulés à chenilles

Résumé

Object transportation by an assistive tracked robot equipped with an arm constitutes a way to palliate the autonomy loss of people suffering from cognitive or motor impairments. As previous research works rely on conventional control to perform 3D navigation, they lack generalization and portability to different robots or environments. Reinforcement learning (RL) based control is a less supervised alternative, based on less restrictive assumptions on the knowledge of the robot dynamics or the structure of the environment. This thesis proposes a 3D navigation solution based on RL that uses all degrees of freedom of a robot. In particular, we contribute to the formalization and the treatment of the staircase negotiation problem for ascent and descent with arm control. We analyze the portability of the solution to different robots and perform a demonstration of the transfer of controllers on a real robot. Finally, we have developed and made available a software environment for learning indoor 3D navigation, capable of performing end-to-end control learning in an incremental manner.
Le transport d’objets par un robot d’assistance à chenilles équipé d’un bras, constitue un moyen pour pallier à la perte d’autonomie des personnes atteintes de déficiences cognitives ou motrices. Les travaux de recherche précédents reposant sur un contrôle conventionnel pour la navigation 3D, ils manquent de généralisation et de portabilité à différents robots ou environnements. Le contrôle basé sur l’apprentissage par renforcement (RL) constitue une alternative moins supervisée, reposant sur des hypothèses moins restrictives quant à la connaissance de la dynamique du robot ou de la structure de l’environnement.Cette thèse propose une solution de navigation 3D fondée sur le RL qui utilise tousles degrés de liberté d’un robot. En particulier, nous contribuons à la formalisation ainsi qu’au traitement du problème de négociation d’escalier pour la montée et pour la descente avec contrôle du bras. Nous analysons la portabilité de la solution à différents robots et réalisons une démonstration du transfert des contrôleurs sur un robot réel. Enfin, nous avons développé et mis à disposition un environnement logiciel pour l’apprentissage de navigation intérieure 3D en simulation, capable d’effectuer un apprentissage du contrôle debout-en-bout de façon incrémentale.
Fichier principal
Vignette du fichier
2022IMTA0285_Mitriakov-Andrei_Diffusion.pdf (25.72 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03575229 , version 1 (15-02-2022)

Identifiants

  • HAL Id : tel-03575229 , version 1

Citer

Andrei Mitriakov. Reinforcement learning-based control for safe 3D navigation of articulated tracked robot manipulators. Artificial Intelligence [cs.AI]. Ecole nationale supérieure Mines-Télécom Atlantique, 2022. English. ⟨NNT : 2022IMTA0285⟩. ⟨tel-03575229⟩
339 Consultations
73 Téléchargements

Partager

Gmail Facebook X LinkedIn More