System identification with neural networks for model predictive control
Identification de systèmes par réseaux de neurones pour la commande prédictive
Résumé
Developing mobile robotic allow to address ever more complex task autonomously. This thesis is part of the GRoNe project which aim at improving knowledge and experimentation on this topic. In this context automation is a key element. Developing efficient control algorithm is a step in that
direction. Model predictive control has shown good result and interesting advantages in mobile robotic. Implementing this algorithm require precise system modelling in order to predict their evolution. In robotic modelling is usually solved by system identification. In this context machine learning is often a powerful tool. In order to model robotic system, data collection of their behaviour both in simulation and on the real platform have been collected. Several neural network architecture have been compared. Collected sample may not correspond to the condition of target task making part of the training irrelevant. A solution to that problem is to use prioritization during the training. Two prioritization scheme are compared. Modelling is only a step toward control. Thus it is important to test the obtained model as part of the whole control algorithm. The application of this controller to a drone and a boat, in simulation as well as on the real platform, allow to study its advantages. In the end a model train with prioritization is used in a model predictive controller on the real boat to perform shore following in an artificial lac.
Le développement de la robotique mobile permet la réalisation de tâches de plus en plus variées de façon automatisée. Le projet GRoNe dans lequel s’inscrit cette thèse, a pour objectif de développer les connaissances et les expérimentations sur ce sujet. Dans ce cadre, l’automatisation est un élément clé. Le développement d’algorithmes de contrôle efficaces est une étape importante en ce sens. Les contrôleurs à commandes prédictives ont démontré de nombreux avantages en robotique mobile. La réalisation de ces algorithmes requiert la conception de modèles précis des systèmes afin de prédire leur évolution. Le problème de la modélisation en robotique est traité par l’identification de système. L’apprentissage automatique est fréquemment utilisé dans ce contexte. Afin de modéliser des systèmes robotiques des corpus de données des robots en fonctionement ont été collectés en simulation et sur le terrain. Différentes architectures de réseaux de neurones ont été comparées. Cependant les échantillons collectés ne correspondent pas toujours à la situation dans laquelle les modèles doivent être utilisés. Ce problème est traité en priorisant certains éléments. Pour cela, deux méthodes sont comparées. La réalisation de modèles n’est pas une fin en soit, il s’agit d’une composante de l’algorithme de contrôle. Il importe d’étudier les différents modèles au sein du contrôleur. L’application de ce contrôleur à
un drone et un bateau, tant en simulation qu’en cas réel, permet d’étudier les avantages de son utilisation. Finalement un modèle priorisé est utilisé au sein d’un algorithme à commande prédictive sur le bateau réel afin de réaliser le suivi de la berge d'un lac artificiel.