Thumbnail - No thumbnail

Apprentissage et Optimisation de la Locomotion pour un Exosquelette à destination des Patients Paraplégiques

Learning and Optimization of the Locomotion with an Exoskeleton for Paraplegic People

Duburcq, Alexis (2022), Apprentissage et Optimisation de la Locomotion pour un Exosquelette à destination des Patients Paraplégiques, doctoral thesis prepared under the supervision of Chevaleyre, Yann, Université Paris sciences et lettres

View/Open
Type
Thèse
Date
2022-12-09
Metadata
Show full item record
Author(s)
Duburcq, Alexis
Under the direction of
Chevaleyre, Yann
Abstract (FR)
Cette thèse contribue à améliorer la planification de trajectoires et le contrôle des robots bipèdes. Le but concret est de permettre aux paraplégiques de remarcher de façon autonome avec l’exosquelette de membres inférieurs Atalante. Notre approche combine les méthodes issues l’apprentissage automatique et de la robotique traditionnelle. Nous mettons d’abord de côté le contrôle. L’objectif est de permettre la planification de trajectoires en ligne tout en garantissant un fonctionnement sûr. C’est une étape cruciale vers la navigation en milieu incertain et la prise en compte des préférences utilisateur. Nous entraînons ensuite un contrôleur par renforcement afin de généraliser un ensemble prédéfini de mouvements élémentaires. Nous ne cherchons pas la meilleure performance, mais plutôt la transférabilité et la sécurité. Nous proposons une formulation qui apparente à l’apprentissage par imitation mais laisse suffisamment de marge de manœuvre pour affronter des événements inattendus.
Abstract (EN)
This thesis contributes to improving the motion planning and control of biped robots. Our concrete goal is restoring natural locomotion for paraplegic people in their daily lives using the medical lower-limb exoskeleton Atalante, notably walkingsafely and autonomously without crutches. The core idea is to combine traditional robotics and state-of-the-art machine learning. We put aside closed-loop control to focus on planning at first. The objective is to enable online trajectory planning while ensuring safe operation. This is a milestone toward realizing versatile navigation in an unstructured environment and accommodating the user preferences. Second, we train a policy using reinforcement learning to generalize a predefined set of primitive motions. We do not seek the best possible performance, but rather transferability and safety. We propose a formulation closely related to imitation learning while giving enough leeway to deal with unexpected events.
Subjects / Keywords
Robots à jambes; Exosquelettes de membres inférieurs; Locomotion; Apprentissage par renforcement; Planification de trajectoires; Contrôle; Apprentissage automatique; Optimisation; Legged robots; Lower-Limb exoskeletons; Locomotion; Reinforcement learning; Trajectory planning; Control; Machine learning; Optimization