Sujet de Thèse
Titre :
Apprentissage automatique pour le contrôle des systèmes complexes. Application aux robots à câbles
Dates :
2020/10/01 - 2023/09/30
Encadrant(s) : 
Autre(s) encadrant(s) :
Martinez Dominique DR-CNRS (dominique.martinez@univ-lorraine.fr)
Description :
Le sujet de thèse concerne à la fois la modélisation et le contrôle d'une classe de systèmes dynamiques non linéaires par les techniques de l'Intelligence
Artificielle (IA). La partie applicative porte sur la commande des robots à câbles avec le développement d'un code de simulation temps réel. Ce projet
s'inscrit dans le cadre de la collaboration scientifique entre le CRAN et le LORIA.

Si la théorie du contrôle et de l'estimation a connu un essor considérable durant les sept dernières décennies, comme l'attestent les nombreux travaux dans
la littérature, l'utilisation des techniques de l'IA pour le contrôle ouvre un champ relativement peu exploré avec beaucoup de promesses.

A ce jour, l'automatique classique utilise (de façon implicite ou explicite) le modèle du système à contrôler afin de construire un estimateur de l'état,
une loi de commande ou faire du diagnostic. Pour une classe de systèmes, sous certaines hypothèses comme l'observabilité et/ou la contrôlabilité, on arrive
à démontrer la stabilité de ces approches. Néanmoins dans de nombreux cas, même lorsque le modèle est connu, il est difficile de trouver des solutions
analytiques en se basant uniquement sur le modèle.
Dans un travail récent basé sur la technique d'apprentissage par renforcement, avec des fonctions d'activation spécifiques, les auteurs montrent qu'il
pourrait exister des solutions répondant à des problèmes d'optimisation sous contraintes pour une classe de systèmes dynamiques contrairement à
l'approche classique qui n'apporte pas de solution.
L'autre aspect, représentant l'intérêt majeur des techniques de l'IA pour le contrôle, concerne l'utilisation d'algorithmes d'apprentissage à partir des données
disponibles, lorsque le modèle est partiellement connu, difficilement modélisable, variant dans le temps ou totalement inconnu.

Le sujet de thèse se décline en deux volets :

-Un volet méthodologique dont l'objectif est de développer des approches génériques, basées sur l'apprentissage automatique, pour la modélisation et le
contrôle d'une classe de systèmes dynamiques. Dans cette étude, il faut se focaliser sur l'utilisation des réseaux de neurones avec une attention particulière
sur la mise en oeuvre et l'implantation en temps réel.
-Un volet dédié à la validation expérimentale des résultats obtenus sur un robot à câbles récemment
construit au sein du CRAN/LORIA. L'intérêt majeur de cette plateforme c'est qu'elle représente une large classe de systèmes non linéaires avec comme
difficulté supplémentaire la résolution d'une contrainte algébrique sur les tensions des câbles. La loi de commande devrait garantir une poursuite de
trajectoire, inconnue à l'avance, à grande vitesse > 2 m/s et accélération > 2 g. Les huit actionneurs du robot peuvent être considérés comme des agents qui
doivent collaborer et développer une stratégie de fonctionnement pour réaliser une mission.

Références
[1] I. Goodfellow, Y. Bengio, and A. Courville. Deep learning. MIT-Press, 2016.
[2] Y. LeCun, Y. Bengio, G. Hinton. Deep learning. Nature 521, pp. 436-444, 2015.
[3] Farnaz Adib Yaghmaie and David J Braun. Reinforcement learning for a class of continuous-time input constrained optimal control problems.
Automatica, 99 :221- 227, 2019.
Mots clés :
systèmes non linéaires, techniques de l'IA, modélisation, contrôle, robots à câbles
Conditions :
Durée : 3 ans
Employeur : Université de Lorraine
Lieu : CRAN-UL
Rémunération : Bourse Ministère
Profil attendu : Master en IA, en Automatique ou en Maths Appli.
Département(s) : 
Contrôle Identification Diagnostic
Financement :
Contrat Doctoral -IAEM et ANR-IA