Soft robots utilize compliant materials to interact in a flexible way with complex and uncertain environments, enabling the manipulation of fragile objects and safe interaction with living beings. Their adaptability drives innovations in fields such as medicine and manufacturing. Designing soft robots is challenging, even for experienced designers, due to their nonlinear materials, multiphysics coupling, the complex interaction between multiple bodies and the environment, and their many degrees of freedom. This explained why the first designs in soft robotics were inspired by nature, mimicking soft animals such as worms or octopuses. Soft bodies have the ability to conform to hard object and reconfigure for different tasks, then delegating an important part of the control to the body. Unlike rigid robots, embodied intelligence is still an emerging topic in soft robotics. However, it is clear that intelligent behaviors can be quickly learned by agents whose morphology is well-adapted to their environment. Moving away from the traditional focus on training control and dexterity, this thesis aims to address control challenges by linking artificial intelligence with soft robot design. The field of soft robotics presents numerous challenges in modeling, control, and design. The DEFROST team at Inria Lille has developed several Finite Element Method (FEM)-based tools to address these challenges, enabling accurate simulation of soft robots. These tools have been used for low-level control and to evaluate soft robot designs before manufacturing. In this work, various FEM-based simulation and numerical optimization tools are applied to explore the computational design of soft robots. This exploration requires addressing several challenges. The design space must be sufficiently large to explore relevant designs but also constrained enough to make the optimization problem tractable. Developing relevant mathematical fitness functions is crucial for accurately evaluating the performance and effectiveness of soft robot designs. Given the significant data requirements of computational design algorithms and computational expense of accurate simulations, we aim to speed up the simulation either by choosing models that balance computation time and accuracy or by employing learning techniques to accelerate FEM simulations. This thesis explores the computational design of soft robots, with a focus on the simulation-to-reality transfer of numerical results. The design optimization of two parametric soft manipulators, one with embedded sensors and the other with self-contact capabilities, was addressed. As control tasks, environments, and design spaces become more complex, the computational burden increases. This motivates the development of a surrogate model learned from FEM simulations to characterize both soft robot design and control. The model's applicability is demonstrated through various scenarios, notably the embedded control of a pneumatic manipulator and the computational design of a soft manipulator. In addition, a key objective of this work is to develop tools towards the co-optimization of soft robot design and control.
Les robots souples utilisent des matériaux compliants pour interagir de manière flexible avec des environnements complexes et incertains, permettant ainsi la manipulation d’objets fragiles et une interaction
sécurisée avec les êtres vivants. Leur adaptabilité favorise des innovations dans des domaines tels que la médecine et l’industrie.
La conception de robots souples est un défi, même pour les concepteurs expérimentés, en raison de leurs
matériaux non linéaires, du couplage multiphysique, de l’interaction complexe entre plusieurs corps et
l’environnement, et de leurs nombreux degrés de liberté. Cela explique pourquoi les premières conceptions
en robotique souple s’inspiraient de la nature, en imitant des animaux souples comme les vers ou les
pieuvres. Les corps souples ont la capacité de se conformer à des objets durs et de se reconfigurer pour
différentes tâches, déléguant ainsi une partie importante du contrôle au corps lui-même. Contrairement
aux robots rigides, l’intelligence incarnée est encore un sujet émergent en robotique souple. Cependant,
il est évident que des comportements intelligents peuvent être rapidement appris par des agents dont
la morphologie est bien adaptée à leur environnement. En s’éloignant de la vision traditionnelle de
l’intelligence artificielle en robotique, qui se concentre sur l’entraînement au contrôle et à la dextérité
du robot sur diverses tâches, cette thèse vise à aborder les défis de contrôle en établissant un lien entre
l’intelligence artificielle et la conception des robots souples.
Le domaine de la robotique souple présente de nombreux défis en matière de modélisation, de contrôle et de
conception. L’équipe DEFROST d’Inria Lille a développé plusieurs outils basés sur la méthode des éléments
finis pour relever ces défis, permettant une simulation précise des robots souples. Ces outils ont été utilisés
pour le contrôle bas niveau et pour évaluer les conceptions de robots souples avant leur fabrication. Dans
ce travail, divers outils de simulation basés sur la méthode des éléments finis et d’optimisation numérique
sont appliqués pour explorer la conception computationnelle des robots souples.
Cette exploration nécessite de relever plusieurs défis. L’espace de conception doit être suffisamment vaste
pour explorer des conceptions pertinentes, mais aussi suffisamment contraint pour rendre le problème
d’optimisation abordable. Développer des fonctions d’optimisation mathématiques pertinentes est crucial
pour évaluer avec précision la performance et l’efficacité des conceptions de robots souples. Étant donné les
exigences importantes en matière de données des algorithmes de conception computationnelle et le coût
élevé des simulations précises, nous visons à accélérer la simulation soit en choisissant judicieusement des
modèles qui équilibrent le temps de calcul et la précision, soit en employant des techniques d’apprentissage
pour accélérer les simulations éléments finies.
Cette thèse explore la conception computationnelle des robots souples, en mettant l’accent sur le transfert
des résultats numériques de la simulation à la réalité. L’optimisation de la conception de deux manipulateurs souples paramétriques, l’un avec des capteurs intégrés et l’autre avec des capacités d’auto-contact,
a été abordée. À mesure que les tâches de contrôle, les environnements et les espaces de conception
deviennent plus complexes, la charge computationnelle augmente. Cela motive le développement d’un
modèle de substitution appris à partir des simulations éléments finis pour caractériser à la fois la conception et le contrôle des robots souples. L’applicabilité du modèle est démontrée à travers divers scénarios,
notamment le contrôle embarqué d’un manipulateur pneumatique et la conception computationnelle
d’un manipulateur souple. En outre, un objectif clé de ce travail est de développer des outils pour la
co-optimisation de la conception et du contrôle des robots souples.