Learning geometric reasoning for multi-robot task and motionplanning

Cette thèse, intitulée "Learning Geometric Reasoning for Multi-Robot Task and Motion Planning", se concentre sur l'amélioration de la planification des tâches et des mouvements (Task and Motion Planning - TAMP) en robotique en utilisant l'apprentissage automatique pour le raisonnement géométrique. La planification des tâches et des mouvements est une problématique clé en robotique, particulièrement pour la manipulation d'objets dans des environnements complexes et encombrés. Cette tâche est difficile en raison de la complexité combinatoire des problèmes de planification et du coût computationnel élevé des planificateurs géométriques. L’objectif principal de cette thèse est de réduire cette complexité et d'améliorer l'efficacité des algorithmes de planification en intégrant un raisonnement géométrique basé sur l’apprentissage automatique.L’une des principales contributions de cette recherche est le développement d'AGFPNet, un réseau de neurones convolutif permettant de prédire la faisabilité d'actions et de prises dans des environnements 3D encombrés, à partir de représentations visuelles de ces derniers. Grâce à cette prédiction, il est possible de réduire le nombre d’appels aux planificateurs géométriques coûteux, en priorisant les actions les plus susceptibles d’être réalisables. Ce modèle améliore ainsi considérablement les performances en terme de taux de succès et d’efficacité computationnelle. Afin d’élargir l’applicabilité de cette approche, la thèse explore également son extension aux problèmes multi-robots ainsi qu’à la manipulation d’objets en maillage 3D.En parallèle, la thèse introduit les Geometric Reasoning Networks (GRN), un modèle avancé basé sur des graphes modélisant les relations géométriques entre les objets dans un environnement. Ce modèle surmonte les limitations des approches basées sur l’image en résolvant les problèmes d’occlusion. GRN offre également des informations plus riches à travers la prédictions des raisons d'infaisabilité d'une action, notamment la prédiction de l'existence de solution de cinématique inverse et l'estimation des obstructions de prises par d'autres objects. Ces informations peuvent ainsi être utilisées afin de rectifier l'infaisabilité et mieux guider le planificateur vers une solution géométriquement faisable. En plus de sa précision accrue, ce modèle se distingue par son interprétabilité, scalabilité, sa capacité de généralisation à des environnements plus complexes et par son adaptabilité aux applications réelles sur des robots tels que Franka Emika Panda et PR2.En outre, cette thèse propose également une méthode novatrice pour intégrer ces prédictions de faisabilité et de raisons d'infaisabilité dans un algorithme de planification des tâches et des mouvements via un backtracking informé. Cette technique améliore considérablement la recherche de solutions en grâce à un pruning plus efficace de l’arbre de recherche et une estimation plus précise du coût pour atteindre l’objectif. Les expérimentations démontrent que cette approche permet de résoudre efficacement des problèmes de planification complexes, atteignant un taux de succès de 100 % sur plusieurs benchmarks. De plus, cette méthode surpasse considérablement plusieurs approaches TAMP précédentes.En résumé, cette thèse propose une approche innovante et performante pour la planification des tâches et des mouvements en robotique. En exploitant l’apprentissage profond pour prédire la faisabilité des actions et optimiser la recherche de solutions, elle ouvre de nouvelles perspectives pour la robotique autonome et collaborative, avec des applications potentielles dans des secteurs variés allant de l’industrie manufacturière à la robotique domestique.