L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Nicolas HOFFMANN
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
Mathématiques et Informatique
« Modélisation et contrôle basés sur les données pour l’automatisation des engins industriels faiblement instrumentées. »
le MARDI 17 DéCEMBRE 2024 à 10h00
à
nouvelle salle E005
9 Rue Charles Fourier, bâtiment ETOILE, 91011 Evry
Membres du jury :
M. Titus ZAHARIA, Professeur, Télécom SudParis, FRANCE – Directeur de these
M. Bertrand DELEZOIDE, Professeur associé, UNIVERSITE PARIS SACLAY, FRANCE – Rapporteur
M. Constantin VERTAN, Professeur, Université Politehnica de Bucarest, ROUMANIE – Rapporteur
Mme Maria TROCAN, Professeure, ISEP Paris, FRANCE – Examinateur
M. Marius PREDA, Maître de conférences, Télécom SudParis, FRANCE – Co-encadrant de these
M. Jean-Yves DIDIER, Professeur, Université d’Evry Paris Saclay, FRANCE – Examinateur
« Modélisation et contrôle basés sur les données pour l’automatisation des engins industriels faiblement instrumentées. »
présenté par Monsieur Nicolas HOFFMANN
Résumé :
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.
Abstract :
This thesis studies the automation of 25-ton industrial machinery, focusing on modeling, control, and supervising an excavator. The earthmoving machines used in the industry are often in poor condition and lack the necessary sensors for precise control, limiting the deployment of functional autonomous systems in the laboratory. We propose adapting methodologies to industrial conditions to overcome these limitations. We begin by identifying the dynamics of the excavator arm using a neural network, shifting the challenge from instrumentation to modeling. Our approach combines state-of-the-art methods to train a model capable of predicting the real movement of the arm for over a minute. Next, we study different controllers: classical PID regulators, predictive controllers (MPC), and deep reinforcement learning (DRL) algorithms. Our results demonstrate the potential of DRL in simulation, achieving 25 cm tracking error for a bucket-filling trajectory at 50 cm/s. Finally, we deploy one of our controllers on a real excavator and provide field operators with supervision tools, including a virtual reality (VR) teleoperation interface. These tools allow managing a fleet of autonomous machines, and our study involving 12 participants shows that any operator, even a novice, can effectively teleoperate an excavator without damaging the machine. This work contributes to the increasing automation of construction machinery, paving the way for more efficient and cost-effective operations.