Modélisation et contrôle basés sur les données pour l'automatisation des engins industriels faiblement instrumentées.

Cette thèse étudie l'automatisation de machines industrielles de 25 tonnes, en se concentrant sur la modélisation, le contrôle et la supervision d'une pelleteuse. Les engins de terrassement utilisés dans l'industrie sont souvent en mauvais état et manquent les capteurs nécessaires pour un contrôle précis, limitant le déploiement des systèmes autonomes fonctionnels en laboratoire. Nous proposons d'adapter les méthodologies aux conditions industrielles pour surmonter ces limitations. Nous commençons par identifier la dynamique du bras de la pelleteuse avec un réseau de neurones, déplaçant le défi de l'instrumentation vers celui de la modélisation. Notre approche combine les méthodes de l'état de l'art pour entraîner un modèle capable de prédire le mouvement réel du bras pendant plus d'une minute. Ensuite, nous étudions différents contrôleurs : des régulateurs PID classiques, des contrôleurs prédictifs (MPC) et des algorithmes d'apprentissage profond par renforcement (DRL). Nos résultats montrent le potentiel du DRL, en simulation, atteignant 25 cm d'erreur de suivi d'une trajectoire de remplissage du godet à 50 cm/s. Enfin, nous déployons un de nos contrôleurs sur une pelleteuse réelle et dotons les opérateurs de terrain d'outils de supervision, dont une interface de télé-opération en réalité virtuelle (VR). Ces outils permettent de gérer une flotte de machines autonomes et notre étude sur 12 participants démontre que tout opérateur, même novice, peut efficacement télé-opérer une pelleteuse sans endommager la machine. Ces travaux contribuent à l'automatisation croissante des machines dans le domaine de la construction, ouvrant la voie à des opérations plus efficaces et rentables.