Thèse Année : 2024

Toward Force Feedback in Model-Predictive Control

Retour en force en commande prédictive

Résumé

Model-predictive control is an appealing framework to control robots due to its ability to reason over the future and to update decisions online based on sensory information. Its effectiveness in generating automatically complex motions is now well recognized by the community. Yet, it remains limited in tasks involving controlled physical interaction with the environment. Indeed, predicting the evolution of the contact interaction supposes the knowledge of dynamic models that are in practice either inaccessible or unsuited for optimization purposes. An outstanding question remains to make MPC really useful in complex interaction tasks: how to include force feedback information in model-predictive controllers? In this thesis, we propose the first complete answer to this question. A novel paradigm that enables to include systematically measured efforts into the optimal control loop is presented. Our contributions are three-fold. First, we propose the first hardware demonstrations of closed-loop nonlinear MPC running at high frequencies on torque-controlled robots. Second, we expose the inherent inability of the classical MPC paradigm to achieve force feedback control, and propose new methodologies based on state model augmentation and online estimation to overcome this limitation. Third, we also propose fundamental contributions in numerical optimal control with hard constraints and experimental contributions in force estimation. All our contributions are supported by proofs, simulations and hardware experiments.

Le contrôle prédictif (Model Predictive Control, MPC) constitue un cadre méthodologique particulièrement prometteur pour le contrôle des robots, grâce à sa capacité à anticiper l’évolution du système et à adapter les décisions en temps réel à partir des retours sensoriels. Son efficacité dans la génération automatique de mouvements complexes est aujourd’hui largement reconnue au sein de la communauté scientifique. Toutefois, son application reste limitée dans les tâches nécessitant une interaction physique contrôlée avec l’environnement. En effet, la prédiction de l’évolution des contacts suppose la connaissance de modèles dynamiques précis, qui s’avèrent en pratique souvent inaccessibles ou mal adaptés aux exigences de l’optimisation en ligne. Une question centrale demeure donc pour rendre le MPC pleinement opérationnel dans les tâches d’interaction complexe : comment intégrer de manière rigoureuse l’information issue du retour d’effort dans les contrôleurs prédictifs ? Cette thèse propose une réponse complète à cette problématique. Nous introduisons un nouveau paradigme permettant l’intégration systématique des efforts mesurés au sein de la boucle de contrôle optimal. Nos contributions se déclinent en trois axes principaux. Premièrement, nous présentons les premières démonstrations expérimentales d’un MPC non linéaire en boucle fermée fonctionnant à haute fréquence sur des robots commandés en couple. Deuxièmement, nous mettons en évidence les limitations structurelles du cadre MPC classique vis-à-vis du contrôle par retour d’effort, et proposons des méthodologies innovantes reposant sur l’augmentation du modèle d’état et l’estimation en ligne pour dépasser ces limitations. Troisièmement, nous apportons des contributions fondamentales en contrôle optimal numérique sous contraintes strictes, ainsi que des avancées expérimentales en estimation d’efforts. L’ensemble de nos travaux est validé par des preuves théoriques, des simulations et des expérimentations sur plateformes robotiques réelles.

Fichier principal
Vignette du fichier
thesis_manuscript-final-sebastien-kleff_SIGNED.pdf (11.4 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

tel-05157604 , version 1 (11-07-2025)

Licence

Identifiants

  • HAL Id : tel-05157604 , version 1

Citer

Sébastien Kleff. Toward Force Feedback in Model-Predictive Control. Robotics [cs.RO]. New York University, 2024. English. ⟨NNT : ⟩. ⟨tel-05157604⟩
290 Consultations
174 Téléchargements

Partager

  • More