Utilisation de l’optimisation basée sur un modèle et de l’apprentissage du mouvement
Objectifs de la chaire
Comment générer des mouvements complexes pour des robots arbitraires avec des bras et jambes interagissant physiquement dans un environnement dynamique ?
Cette chaire étudie le mouvement artificiel et biomécanique utilisant des méthodes numériques avancées et l’apprentissage par renforcement, tout en ciblant des mouvements efficaces sur de vrais robots.
Nous avons récemment démontré la première prise de contrôle prédictive du corps entier du robot humanoïde grandeur nature Talos à l’aide d’une mémoire de mouvement pré-enregistrée.
L’objectif de la chaire est d’étudier les fondements du mouvement polyarticulé en combinant des méthodes numériques avancées (contrôle optimal, optimisation contrainte du second ordre) et basé sur les données.
Programme : IA collaborative Thèmes : Neuroscience et IA, Robotique et IA
RLVS ANITI virtual school on reinforcement learning
ANITI-PRAIRIE-MIAI Robotics wokshop (2020)
Publications et références
Carlos Mastalli et al. “Crocoddyl.” IEEE ICRA 2020
Ewen Dantec et al. “WB-MPC with a memory of motion.” IEEE ICRA 2021
Sebastien Kleff et al. “High frequency nonlinear MPC of a manipulator.” IEEE ICRA 2021
Jason Chemin et al. “Learning to steer a locomotion planner.” IEEE ICRA 2021
Mirabel, Joseph, et al. “Integrating Path Planning and Visual Servoing in Manipulation Tasks.” (2020).
En savoir +
Faire marcher un robot : un défi permanent
Pourrons-nous un jour nous exclamer « quelle démarche élégante ! » à la vue d’un robot humanoïde en mouvement ? Le roboticien Nicolas Mansard s’efforce de perfectionner les mouvements des robots grâce à l’intelligence artificielle… sans pour autant chercher à reproduire la marche humaine à l’identique.