Diffusion Augmented Model Predictive Control for Collision Avoidance in Cluttered Robotic Environments

Les robots qui partagent leur espace de travail avec des humains doivent être capables de réagir de manière sûre à des changements imprévus de leur environnement, sans compromettre leur vitesse, leur précision ou leur conformité. Si les approches fondées sur l’apprentissage automatique ont considérablement amélioré leur dextérité et leur capacité de généralisation, elles ne fournissent cependant aucune garantie formelle de sécurité. À l’inverse, les méthodes classiques de contrôle optimal offrent de telles garanties, mais peinent à gérer des environnements encombrés et dynamiques en temps réel. Cette thèse vise à combler cette lacune en combinant les avantages des deux paradigmes.Nous intégrons d’abord une contrainte stricte de distance dans une boucle de commande prédictive tournant à 100 Hz, appliquée à un bras manipulateur à 7 degrés de liberté contrôlé en couple. Grâce à des gradients analytiques, le contrôleur garantit que le robot reste en dehors d’une marge de sécurité spécifiée à chaque pas de contrôle.Cependant, l’utilisation exclusive d’une contrainte de distance se révèle trop conservatrice dans des environnements exigus ou fortement encombrés. Pour surmonter cette limitation, nous introduisons une contrainte d’amortissement de la vitesse relative entre le robot et les obstacles à proximité. Cette formulation permet au robot de s’approcher plus près des obstacles tout en maintenant une marge de sécurité, et d’atteindre des zones confinées, telles que l’intérieur d’un bac ou d’une étagère. Afin de garantir une exécution temps réel, nous dérivons les gradients analytiques de cette contrainte pour des obstacles modélisés sous forme ellipsoïdale.Toutefois, les contrôleurs temps réel que nous utilisons restent sensibles aux minima locaux, en particulier dans des environnements complexes et encombrés. Pour remédier à cette limitation, nous proposons une approche hybride qui combine la génération de trajectoires par apprentissage avec une phase d’optimisation par contrôle optimal. Plus précisément, nous conditionnons un modèle de diffusion sur des représentations d’objets extraites à l’aide d’un mécanisme de type Slot Attention. Ce modèle est entraîné à partir de scènes synthétiques densément peuplées, et permet d’échantillonner des trajectoires dynamiquement réalisables et exemptes de collisions. Les trajectoires générées servent alors d’initialisation (warm start) au solveur de contrôle optimal, facilitant sa convergence vers des solutions faisables tout en préservant les garanties de sécurité formelles.Cette thèse apporte trois contributions principales : (i) une architecture d'évitement de collision utilisant commande prédictive formellement sûre, (ii) une formulation de l'évitement de collision prenant en compte l’amortissement de la vitesse d'approche du robot aux obstacles, capable de gérer des environnements dynamiques, et (iii) une chaîne de traitement de contrôle augmentée par un modèle de diffusion, qui améliore significativement les performances du contrôleur dans des scènes encombrées. L’ensemble des contributions a été publié en open source et validé sur des robots réels tels que le Franka Emika Panda et le KUKA LBR iiwa.