Prédiction du mouvement basée intelligence artificielle pour le contrôle d'exosquelette actif : de la simulation à l'étude utilisateur

Les exosquelettes peuvent permettre de s'attaquer aux troubles musculo-squelettiques liés au travail (TMS). Actuellement, la plupart des exosquelettes utilisés dans l'industrie sont des dispositifs passifs : ils fournissent une assistance mécanique en utilisant des ressorts ou des bandes élastiques, mais sont souvent limités à un type de tâche spécifique, limitant leur adoption en pratique. Les exosquelettes actifs, actionnés par des moteurs, ont le potentiel de fournir une assistance plus versatile et plus élevée. Cependant, leur contrôle reste un défi, l'exosquelette doit comprendre comment aider l'utilisateur dans sa tâche. Dans le commerce, peu d'exosquelettes actifs sont disponibles, et ceux qui existent s'intéressent principalement à fournir une assistance au niveau des hanches et du dos, mais pas au niveau des bras. Pour l'assistance du membre supérieur, la plupart des méthodes de contrôle actuelles reposent sur l'utilisation de capteurs de mesure de l'activation musculaire (EMG) qui donnent notamment une information sur l'intention de mouvement de l'utilisateur. Ces méthodes, bien qu'efficaces, sont difficiles à mettre en place sur le terrain à cause de la difficulté d'utilisation des capteurs EMG qui nécessitent une préparation de la peau et un placement précis. Dans ce travail, l'idée est d'avoir une information sur l'intention de mouvement de l'utilisateur grâce à des capteurs de mouvement (cinématique) et d'utiliser de l'apprentissage automatique pour prédire l'intention de mouvement de l'utilisateur. Cependant, les méthodes d'apprentissage automatique, notamment l'apprentissage profond, nécessitent de grandes quantités de données pour s'entraîner. En robotique, les méthodes de contrôle basées sur l'apprentissage sont souvent entraînées sur des données simulées, moins coûteuses à collecter, et ensuite transférées vers le monde réel. Mais, dans le cas des exosquelettes, la simulation de l'interaction entre l'utilisateur et l'exosquelette est un défi, car elle doit prendre en compte l'humain, l'exosquelette et leur interaction. Dans ce contexte, l'objectif est de développer des outils permettant de simuler l'interaction entre un utilisateur et un exosquelette actif, d'utiliser ces outils pour entraîner des méthodes d'apprentissage automatique pour le contrôle de l'exosquelette et de proposer et tester le contrôleur prédictif lors d'études utilisateur. Dans un premier temps, nous proposons une approche de contrôle d'exosquelette en simulation permettant de générer des données cinématiques et dynamiques en partant d'une base de données de capture de mouvement. Ce travail permet de générer des données correspondant aux mouvements d'un humain équipé d'un exosquelette, et d'entraîner des algorithmes de prédiction de mouvement. Cependant, l'humain n'étant pas modélisé dans la simulation, nous proposons ensuite une approche simulant l'interaction utilisateur-exosquelette. L'humain y est représenté physiquement et animé par un contrôleur QP rejouant des mouvements pré-enregistrés. L'exosquelette y est couplé via des points de contact ressort-amortisseur simulant l'interaction physique. Cette méthode permet de produire des données plus réalistes et de tester des contrôleurs d'exosquelettes actifs en simulation. Enfin, nous proposons une stratégie de contrôle actif basée sur la prédiction du mouvement utilisateur. Un contrôleur en impédance utilise comme consigne la position prédite par des réseaux de neurones. Ce contrôleur est évalué dans des études utilisateurs, montrant son potentiel pour le contrôle d'exosquelettes actifs, en particulier pour la transparence (phase sans résistance perçue) et le port de charge (assistance à la manipulation).