Modélisation et contrôle en robotique - members.loria.fr · M2 AVR, modélisation & commande en robotique, présentation (A. Scheuer) 36/48 Aseba Événementiel & gratuit 3 niveaux

Modélisation et contrôleModélisation et contrôleen robotiqueen robotique

Plateformes robotiques,environnements

de développement & de simulation

Alexis Scheuer (UL, FST / Loria)

Master 2 AVR

M2 AVR, modélisation & commande en robotique, présentation (A. Scheuer) 2/48

Contenu

● Plateformes matérielles :Robots, actionneurs & capteurs

● Architectures logicielles pour l’autonomie

● Environnements de développement et de simulation


Un peu d’histoire !

● Termes & conceptsrobotique (Asimov, 1941), robot (Čapek, 1920), …, Frankenstein, …, golem, Hepaïstos & Galatée

● RéalisationsUnimate (1961), …, automates (XVIIIème), …, automatismes (antiquité)


Catégories de robots

● Robots manipulateursassemblage, couverture, analyse, intervention médicale

● Robots mobilestransport, cartographie, localisation, …

● Robots à pattes ou humanoïdesassistance, mobilité, interaction, …


Robots manipulateurs

Danger : souvent puissant & lourd !


Manipulateurs : chaîne simple

● Articulation rotoïde ou prismatique : posture ?

● Modèle géométrique : – composition de transformations (rotation / translation)

de l’outil terminal à la base– géométrie analytique ou algèbre (matrices 4 x 4) :

● Inversion du modèleméthode géométrique, algébrique ou numérique

x=f (q)


Manipulateurs simples : contraintes

● Collisions (obstacles) et auto-collisioncalcul de la région occupée par le robot

● Limitations mécaniques :– butées articulaires – efforts fournis (modèle dynamique → forces et couples)

● Mouvement ?– Modèle cinématique :– Singularité lorsque (jacobienne non inversible)– Plusieurs solutions → choix d’un critère à optimiser

v= x=J (q) q

det (J (q))=0


Robots parallèles

● Intérêt : plus de précision,

plus de puissance (→ force | rapidité) !

● Exemples : robots à bras ou à câbles

● Applications : chaîne d’assemblage,

cabine de simulation, médecine, …

● Modélisation~ robot manipulateur, plus contraint !


Robots roulants

● Entretien (aspirateur, tondeuse)

● Transport (voiture, camion)


Mouvement ?

● Évitement de collisioncalcul de la région occupée par le robot

● Contraintes mécaniquesstructure du véhicule ou puissance des moteurs

(modèle cinématique ou dynamique)

● Optimisationtemps, énergie dépensée, …


Robots à pattes

Exploration de terrains accidentés

– Cinématique similaire à celle des robots à roues– Dynamique très différente (~ robot manipulateur inversé)


Robots aériens

Transport & exploration

Idem au précédent (cinématique ~, dynamique ≠)


Robots humanoïdes

Assistance → tout (avenir lointain) !

Concentré de technologie (et de problèmes)


Problématiques communes

● Évitement de collisionexpression de la région occupée + calcul de distance entre régions

● Gestion de la cinématiquedéfinition du modèle de mouvement du robot+ utilisation d’une méthode de contrôle

● Gestion de la dynamiquedéfinition du modèle de comportement du moteur+ utilisation d’une méthode de commande


Architecture logicielle

Architecture globale– Actionneurs – Capteurs– Décision

Différentes approches

Décision

Perception Mouvement

Environnement

Robot


Actionneurs

● Commande en position ou en vitesse des moteurs

contrôle plus fin (accélération) => pas toujours possible, sinon sur-couche

● Mouvements obtenus dépendent de la plateforme

modélisation et étude du mouvement anticipation


Capteurs, position

● Odométrie dérive, imprécis (surtout en orient.), très rapide

● Centrale inertielle dérive, coûteux et lourd ou imprécis, très rapide

● GPS extérieur, imprécis, assez rapide

● Triangulation de balises (vision, laser, ...)(équipement), précis, coûteux en temps


Capteurs, obstacles

● Ceinture de cellule IR ou US– IR : 1 – 10aines de cm, imprécis et bruités, 30 Hz– US : 10aines cm – qq m, échos fantômes, ~10 Hz

● Scanner laser (IR) 0 – 80 m, très précis, ~75 Hz, plus coûteux

● Vision (simple, stéréoscopique ou panoramique)

fournit plus de données, imprécis, lent, passif


Capteurs, fusion

Fusion de données issues de plusieurs capteurs

– Affinage et sécurisation des données

(élimine les données parasites, améliore les autres)

– Complexité de l'appariement (modèle)

– Lenteur du traitement


Contenu

● Plateformes matérielles : robots, actionneurs & capteurs

● Architectures logicielles pour l’autonomie– architecture en cascade– approche réactive– apprentissage automatique– architecture en niveaux



Approches pour la décision

● Actionneurs &Capteurs

● Décision– architecture en cascade– approche réactive– apprentissage automatique– architecture en niveaux

Décision


Environnement

Robot


Architecture en cascade

Modélisation

Planification

Contrôle d'exécution

Sense-Plan-Act [Nilsson80]

Lenteur de la planification goulot d'étranglement !

Décision

Perception Commande des moteurs

Environnement

Robot


Architecture réactive

Décision

Réaction


Environnement

Robot

Véhicule de Braitenberg, subsomption [Brooks86, Arkin98]

Simplicité de la réaction blocage possible !


Apprentissage

Décision

Action


Environnement

Robot

Réseaux de neurones ou bayésiens, MDP, … [Dutech10]

Représentation non explicite des connaissances

Apprentissage Mémoire


Architecture en niveaux

Modélisation

Planification

Perception

Contrôle d'exécution

Commande des moteurs

Environnement

Robot

[Laugier&al99], par exemple

Possibilité de rajouter des niveaux de décision

Décision


[Arkin98] R.C. Arkin. Behavior-Based Robotics, MIT Press, 1998

[Brooks86] R. Brooks. A robust layered control system for a mobile robot. IEEE Jour-nal of Robotics and Automation, 2 (1):14–23, 1986

[Dutech10] A. Dutech. Apprentissage par Renforcement : au-delà des Processus Décisionnels de Markov. Mémoire d'Habilitation à Diriger des Recherches, UHP, 2010.

[Laugier&al99] C. Laugier, T. Fraichard, P. Garnier, I. Paromtchik and A. Scheuer. Sensor-based control architecture for a car-like vehi-cle. Autonomous Robots, 6(2):165–185, avril 1999.

[Nilson80] N.J. Nilson. Principles of Artificial Intelligence, Tioga, Pablo Alto (CA), 1980

[Siciliano&al08] B. Siciliano and O. Khatib. Handbook of Robotics, Springer-Verlag, Berlin (DE), 2008

Bibliographie


Contenu

● Plateformes matérielles : robots, actionneurs & capteurs

● Architectures logicielles pour l’autonomie


Décision


Environnement

Robot


Contexte

● Données capteurs et commandes actionneurs = fonctions (dans un langage de prog.)

● Besoins pour définir un comportement :– Éditer le(s) fichier(s) définissant le comportement– Compiler ces fichiers (langage et micro-processeur)

possibilité de faire de la compilation croisée– Transmettre et exécuter le comportement

(fenêtre de commandes)


Logiciels génériques

● Éditeur de texte (emacs)– Reconnaissance syntaxique

● Couleurs (mots clés, types, fonctions, …)● Indentation intelligente (syntaxique)

– Appel du compilateur et gestion des messagesMontre où se trouve l'erreur

● Outils GNU (GPL : libre et open-source)compilateur, connexion et transfert (ssh, scp)


Dévelopt intégré

Visual Studio, Borland, Eclipse, Glade, etc

– Quelques facilités en plus (aide à la prog.)● Liste de fonctions, des paramètres, etc● Pas toujours simple d'utilisation (habitude)● Pas d'indentation intelligente

– Lié à la plateforme de développement (OS, langage, gestionnaire de fenêtres)

Impossible ou compliqué pour d'autres


Dévelopt dédié

Principaux environnements :

● Orccad

● Urbi

● MS Robotics Developer Studio

● ROS


Orccad

● Mise en œuvre par schéma de blocs– Simplicité et

réutilisabilité– Notion de flux :

goulot d'étranglement

● Répartition optimale sur les cartes disponibles – Allocation statique avec borne de durée– Communication gérées automatiquement


URBI

Universal Real-time Behavior Interface (licence BSD, 2012)● Langage de script

(flexible et modulaire)● Programmation par évènements

et parallélisme simple● Passerelle vers Java (& Corba), C++, Mathlab, Ruby

(langages standards)● Multi-plateformes (Windows, MacOS, Linux, …)● Livré sur 9 marques de robot & 2 simulateurs

(gourmand en ressources)


MS Rob. Dev. Studio

● Gratuit (avec Express)● Schéma de blocs (2008),

événementiel (messages)● Gère la communication

et la synchronisation● Ne fonctionne que sur Windows, avec les outils MS (.NET,

VPL), la version la plus récente date de 2012● Supporté par 6 marques (2008) / 3 (2012) robots


ROS

Robot Operating System● Système d'exploitation, léger● Gratuit et open-source (← Willow Garage)

● Multi-langages (C++, Python, Lisp, Java, Lua)

● Utilise d'anciens projets (Player/Stage, URBI)

● Multi-plateformes (Ubuntu, Linux, Mac, Windows)

● Multi-robots (~50 : TurtleBot, PR2, Nao, Lego, …)


Aseba

● Événementiel & gratuit● 3 niveaux : simple et graphique,

par blocs (Scratch) & par script● Gère la communication

et la synchronisation● Ne fonctionne que sur 5 robots :

Thymio, Elisa-3, e-puck, marXbot & hand-bot.


Simul., pourquoi ?

● Pour une étude plus rapide et plus sûre que dans le réel– Pas de problème de batterie ni de mécanique– Pas de risque de casse, ni de soucis de sécurité

● Pour préparer une expérimentationPermet de vérifier le comportement sans solliciter le matériel

● ...


Simul., pourquoi ?

● Pour une étude plus rapide et plus sûre● Pour préparer une expérimentation● Pour initier un apprentissage

– Forts risques de collision au début– Nécessité de finir par l'expérimentation

● Quand on n'a pas (assez) de robots !– systèmes multi-robot, véhicules autonomes, drones, etc– simulation hybride : robots réels et virtuels


Limites

● La simulation est un modèle, ce n'est pas la réalité !– La modélisation des capteurs et de la mécanique du robot ne

sont pas forcément réalistes– Le bruit et les perturbations non plus

● Certains outils ne supportent qu'un petit nombre de robots


Limites illustrées


Avantage ?

● Possibilité d'accéder à des valeurs cachées– Idéal pour synthétiser

des résultats expérimentaux– Permet aussi de “ tricher ”

● La simulation n'est pas une validation robotique


Exemples de simu.

● Outils libres– Player/Stage/Gazebo (U. South California)

LGPL, simulation des caméras pauvre

– Simbad (3D) pour étude Algo IA– MS Robotic Development Studio (Windows)

● Outils payants– Callas (véhicules)– Webots (Cyberbotics/EPFL & Kheperas..)

– URBI


Approche

EPFL/Cyberbotics


Cadre idéal

Capteurs ActionneursCapteurs

Environnement

Comportement

Réalité


Environnement

Simulateur


Cadre courant


Environnement

Comportement

Réalité


Environnement

Simulateur


Simu. multi-robot

● Problèmes– Explosion combinatoire des calculs– Cohérence des perceptions, communications, ...

● simulation séquentielle = problème

● Solutions– Simulation à pas de temps constant, synchrone

modèles multi-agent type Influence-Réaction

– Simulation multitâche ou distribuéemodèles SMA pour distribuer le calcul


Influence-Réaction

s(t) état de l'agent(t) état de l'environnement

P : perception sur l'environnementF : décision produisant des InfluencesR : réaction de l'environnement

Ferber Muller « Influence Reaction ... » ICMAS 96


Pas de temps logique

Documents

Modélisation et contrôle en robotique - members.loria.fr · M2 AVR, modélisation & commande en robotique, présentation (A. Scheuer) 36/48 Aseba Événementiel & gratuit 3 niveaux