Thèse Améliorer la Modélisation Physique et la Simulation des Robots à Pattes H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Olivier LY
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

La robotique à pattes a récemment connu un essor important, notamment grâce à l'apprentissage par renforcement (RL) et au contrôle prédictif par modèle (MPC). L'RL et le MPC reposent sur un modèle réaliste du robot. De nombreux écarts entre simulation et réalité entravent sa transférabilité aux robots réels. Pour résoudre ce problème, l'RL s'appuie par exemple sur une randomisation poussée du domaine afin de produire une politique robuste.
Cependant, la qualité de la simulation peut être améliorée en amont, en prenant en compte des aspects du robot habituellement non modélisés. En particulier, le comportement exact des actionneurs, qui impliquent des engrenages et des réducteurs à frottement complexe. Dans des travaux antérieurs[4], nous avons souligné l'importance de ces phénomènes et proposé des modèles étendus utilisables dans les simulateurs physiques. Nous pensons que ces modèles peuvent être intégrés plus en profondeur, dans la résolution de la dynamique directe effectuée par le simulateur lui-même. L'étude de l'impact d'autres comportements non modélisés, comme la simulation de la réduction de couple causée par les pertes ohmiques dans le câblage du robot, est également envisagée. Une collaboration avec l'équipe MuJoCo[5] de Google DeepMind est en cours de mise en place dans ce cadre. De plus, en raison de l'identification non spécifique du système, mais aussi de l'usure, le modèle devrait être évolutif et ajusté en permanence en ligne. Plus précisément, l'approche classique consistant à (1) identifier le système, (2) entraîner une politique et (3) déployer le modèle sur le robot réel pourrait être remplacée par un apprentissage en ligne permanent. Une telle approche pose le problème de l'efficacité des échantillons, de la faible disponibilité de la puissance de calcul embarquée, mais aussi de la robustesse et de la stabilité.

Rhoban is a robotics team with a particular focus on humanoid robots. The team develops its own platforms, like the kid-size humanoid robot Sigmaban which was tested extensively during RoboCup soccer competitions[1]. Other robots, including adult-size humanoids, are currently being developed. Rhoban activities range from modeling [4], designing and building robots to machine learning for decision [2] and control [3]. A starting collaboration with Google DeepMind's MuJoCo[5] team is being set up in that scope.

Improving Physics Modeling and Simulation of Legged Robots