Un défi clé pour les systèmes autonomes est de fonctionner dans des environnements incertains. Les robots s'appuient sur des modèles de leur environnement et d'eux-mêmes pour la prise de décision, mais ces modèles sont intrinsèquement des approximations. Par conséquent, les paramètres incertains peuvent entraîner des écarts significatifs entre le comportement prévu et le comportement réel du système. Cette thèse aborde le problème des incertitudes paramétriques en développant des trajectoires intrinsèquement robustes. En optimisant ces trajectoires au sein du système en boucle fermée à l'aide de nouveaux concepts de sensibilités d'état et d'entrée introduits dans ce travail, l'approche améliore les performances des robots dans des conditions incertaines. L'objectif principal de cette thèse est d'étendre et d'appliquer ces méthodes basées sur les sensibilités pour une planification robuste des trajectoires. La validité du cadre d'optimisation proposé est évaluée empiriquement à travers de nombreuses campagnes statistiques, à la fois en simulation et lors d'expérimentations réelles, sur deux plateformes robotiques largement utilisées : un drone quadrirotor et un manipulateur robotique.
Liste des publications :
- IROS 2023 (Présenté à Detroit, Michigan, USA), IROS23
- ICUAS 2024 (Présenté à La Canée, Grèce, et a reçu le Prix du Meilleur Article), ICUAS24
- RA-L 2024 (Récemment accepté pour publication)
Andrea CHERUBINI (Rapporteur), Professeur des Universités, École centrale de Nantes
Isabelle FANTONI (Examinatrice), Directrice de Recherche CNRS, LS2N, Nantes
Paolo ROBUFFO GIORDANO (Directeur), Directeur de Recherche CNRS, IRISA, Rennes
Antonio FRANCHI (Co-directeur), Professeur des Universités, Université Twente (Pays-Bas)
Marco COGNETTI (Co-directeur), Chaire de Professeur Junior, LAAS, Toulouse