Faire avancer la sécurité dans la robotique collaborative

Les robots collaboratifs, souvent appelés Cobots, sont conçus pour travailler aux côtés des humains. Ce domaine de la robotique évolue rapidement et vise à rendre les interactions entre robots et personnes plus sûres et efficaces. Cependant, garantir la sécurité pendant ces interactions est un vrai défi, car les méthodes traditionnelles de contrôle des robots ne suffisent peut-être pas. Du coup, les chercheurs se tournent vers de nouvelles méthodes, y compris l'Apprentissage automatique (ML), pour améliorer le fonctionnement des robots.

#Sécurité dans le Contrôle des Robots

Les mesures de sécurité sont cruciales quand les robots travaillent près des humains. Pour les cobots, ça signifie contrôler la force que leurs articulations appliquent. Bien que le contrôle de Couple soit une méthode, c'est un peu compliqué. En plus, les cobots doivent pouvoir réagir correctement en cas de contact avec quelque chose ou quelqu'un. Les méthodes de contrôle classiques ne sont pas toujours adaptées ici, car elles s'appuient souvent sur des modèles simplifiés du mouvement des robots.

#L'Apprentissage Automatique comme Solution

Pour relever ces défis, l'apprentissage automatique est de plus en plus utilisé. Le ML peut offrir des solutions pour contrôler des systèmes sans avoir besoin d'un modèle précis de leur dynamique. Parmi les différents types de ML, l'Apprentissage par renforcement est populaire car il permet aux systèmes d'apprendre par la pratique. Mais cette approche peut prendre beaucoup de temps pour apprendre et peut ne pas être sûre au début. Par conséquent, explorer des méthodes d'apprentissage supervisé pourrait offrir une alternative plus rapide et plus sûre.

#Création d'un Ensemble de Données Utile

Pour améliorer la sécurité et l'efficacité des cobots, une étape importante est de créer une base de données qui capture le comportement d'un robot. Ça signifie collecter beaucoup de données sur les mouvements du robot et les forces appliquées pendant ces mouvements. En faisant cela, les chercheurs peuvent développer des modèles qui aident les robots à apprendre efficacement.

L'approche proposée inclut le réglage de plusieurs contrôleurs PD qui déterminent comment les moteurs fonctionnent pour différentes tâches. Ces ajustements se font à l'aide d'un algorithme génétique multi-objectifs (GA). Cet algorithme aide à trouver le meilleur équilibre entre la précision des mouvements et la sécurité lors de l'opération.

#Le Rôle des Contrôleurs PD

Les contrôleurs PD sont un choix courant pour contrôler les robots car ils sont simples et ne nécessitent que deux réglages pour chaque articulation. Ajuster ces contrôleurs individuellement pour différentes tâches est essentiel. Des expériences montrent qu'un contrôleur PD peut bien fonctionner pour des mouvements spécifiques mais peut avoir du mal avec d'autres s'il n'est pas ajusté correctement.

Pour rassembler les bonnes données pour entraîner un contrôleur d'apprentissage automatique, il est essentiel de collecter des données de couple et de position à partir du cobot pendant qu'il effectue des mouvements planifiés. Ces données peuvent être utilisées plus tard pour apprendre au robot sur sa dynamique et améliorer ses performances pour diverses tâches.

#Méthodologie de Collecte de Données

Un processus structuré est nécessaire pour rassembler ces données efficacement. La méthodologie implique plusieurs couches d'opération :

1. Couche Capteur/Actionneur : Cette couche comprend des capteurs qui suivent la position du robot et des actionneurs qui contrôlent ses mouvements.

2. Couche de Contrôle : C'est ici que le contrôleur PD fonctionne, recevant des positions cibles et envoyant des commandes de couple au robot.

3. Couche Système : Cette couche envoie des données de trajectoire à la couche de contrôle pour guider les mouvements du robot.

4. Couche Analytique : Cette couche analyse la performance du robot et fait les ajustements nécessaires aux réglages du contrôleur PD.

Ces couches travaillent ensemble en temps réel, permettant au robot de bouger avec précision tout en collectant des données qui seront utilisées plus tard pour l'entraînement.

#Types de Données et Trajectoires

L'ensemble de données comprend différents types de mouvements, y compris des trajectoires spirales, aléatoires et en forme de pyramide. Ces mouvements variés sont bénéfiques pour enseigner au contrôleur ML et éviter d'accumuler une masse de données écrasante.

Les trajectoires en forme de pyramide, qui combinent des lignes droites et des virages serrés, aident le contrôleur à apprendre à gérer des changements rapides de vitesse et de direction, fréquents dans les tâches réelles.

#Évaluation de la Performance du Contrôleur

Pour comparer l'efficacité de divers contrôleurs PD, des indicateurs comme les hypervolumes sont utilisés. Ces indicateurs aident à visualiser la performance des contrôleurs par rapport à un standard fixé.

Lors des essais, il a été constaté que des contrôleurs spécifiques conçus pour des tâches particulières surpassaient largement les contrôleurs génériques. Cela indique que, même si un contrôleur peut fonctionner pour plusieurs tâches, avoir des contrôleurs personnalisés pour des tâches spécifiques offre de meilleures performances et sécurité.

#Impact de la Vitesse sur le Contrôle

La vitesse est un facteur critique qui influence comment un cobot fonctionne. La recherche a examiné comment la variation de la vitesse des mouvements impacte la précision du contrôleur. Les essais impliquaient d'exécuter le même mouvement à différentes vitesses pour observer les résultats.

Les résultats montrent qu'il existe une plage de vitesse optimale où le contrôleur fonctionne le mieux. Au fur et à mesure que la vitesse du mouvement augmente, la précision tend à diminuer. Cela signifie que la vitesse doit être soigneusement prise en compte lors de l'élaboration de stratégies de contrôle pour les cobots.

#Conclusions et Travaux Futurs

La recherche se concentre sur le développement de méthodes pour créer une base de données complète qui capture des données clés pour former des modèles d'apprentissage machine. En optimisant les contrôleurs pour le couple et la position, l'objectif est d'assurer un fonctionnement précis et sûr des cobots dans divers scénarios.

À l'avenir, des expériences seront menées en dehors des simulations, avec de vrais cobots pour valider les résultats et combler l'écart entre les applications simulées et réelles. L'espoir est que cette recherche aboutisse à des robots collaboratifs plus sûrs et plus efficaces, capables d'effectuer une variété de tâches aux côtés des humains.

#Remerciements

Cette recherche a été soutenue par plusieurs sources de financement visant à faire avancer la technologie des robots collaboratifs. Les contributions de divers projets ont permis une exploration plus approfondie des applications de l'apprentissage automatique dans la robotique, assurant le développement continu dans ce domaine passionnant.