Quels sont les algorithmes utilisés en robotique ?

1. Perception/Détection : Des algorithmes qui permettent au robot de comprendre son environnement grâce à des capteurs.

* Vision par ordinateur :

* Détection d'objet : YOLO, SSD, Faster R-CNN, Mask R-CNN, Transformers (DETR, Deformable DETR) - Identification et localisation d'objets dans des images/vidéo.

* Segmentation d'images : U-Net, DeepLab - Diviser une image en régions significatives, attribuer une étiquette à chaque pixel.

* Détection et correspondance des fonctionnalités : SIFT, SURF, ORB - Trouver des caractéristiques distinctives dans les images pour les faire correspondre à différents points de vue et conditions.

* Structure à partir du mouvement (SfM) : Reconstruction d'une structure 3D à partir d'une série d'images 2D.

* SLAM visuel (localisation et cartographie simultanées) : ORB-SLAM, DSO-SLAM - Créer simultanément une carte de l'environnement et déterminer l'emplacement du robot sur cette carte à l'aide de la vision.

* Flux optique : Lucas-Kanade, Farneback - Estimation du mouvement des objets et du robot lui-même en fonction des changements dans les caractéristiques visuelles.

* Estimation de la profondeur : Vision stéréo, estimation de la profondeur monoculaire avec apprentissage profond (par exemple, à l'aide de transformateurs).

* Traitement Lidar :

* Inscription aux nuages ​​de points : ICP (Iterative Closest Point), RANSAC - Alignement de nuages ​​de points à partir de plusieurs scans pour créer un modèle 3D complet.

* Reconnaissance et classification d'objets : PointNet, PointNet++, DGCNN - Traitement direct des données de nuages ​​de points pour identifier et classer des objets.

* Segmentation : Croissance de la région, ajustement du plan, segmentation des nuages ​​de points basée sur l'apprentissage profond.

* SLAM Lidar : LOAM (Lidar Odometry and Mapping), LeGO-LOAM - Similaire au SLAM visuel, mais utilisant des données lidar.

* Cartographie de la grille d'occupation : Représenter l'environnement sous la forme d'une grille où chaque cellule indique si elle est occupée ou libre.

* Fusion de capteurs : Combiner les données de plusieurs capteurs pour obtenir une perception plus précise et plus robuste de l’environnement.

* Filtre de Kalman : Estimation de l'état d'un système (par exemple, position et vitesse du robot) en combinant les données de capteurs bruyants avec un modèle dynamique. Le filtre Kalman étendu (EKF) et le filtre Kalman non parfumé (UKF) sont des variantes pour les systèmes non linéaires.

* Filtrage bayésien : Un cadre général pour combiner les connaissances antérieures avec les données des capteurs pour mettre à jour les croyances sur l'environnement. Les filtres à particules constituent une implémentation spécifique.

* Filtre complémentaire : Mélanger les sorties de différents capteurs en fonction de leurs caractéristiques de fréquence (par exemple, en utilisant un accéléromètre pour un mouvement à haute fréquence et un gyroscope pour une orientation à long terme).

2. Localisation et cartographie : Des algorithmes qui permettent au robot de connaître sa position et de créer une représentation de son environnement. Recoupe souvent la perception.

* SLAM (localisation et cartographie simultanées) : Comme mentionné ci-dessus, le SLAM visuel et lidar est essentiel. Les algorithmes clés incluent :

* EKF SLAM : Une première approche utilisant le filtre de Kalman étendu.

* SLAM basé sur des graphiques : Représenter la carte sous forme de graphique où les nœuds sont des poses de robot et les bords sont des contraintes entre les poses. g2o, Ceres Solver sont des bibliothèques d'optimisation courantes.

* Filtre à particules SLAM (FastSLAM) : Utiliser un ensemble de particules (hypothèses) pour représenter les poses et la carte possibles du robot.

* Graphiques factoriels : Une généralisation du graphe SLAM qui permet une modélisation plus flexible du bruit et des contraintes des capteurs.

* Localisation uniquement :

* Localisation Monte Carlo (MCL) : Utiliser un filtre à particules pour estimer la pose du robot à partir d'une carte connue.

* AMCL (localisation adaptative de Monte Carlo) : Une extension de MCL capable d'adapter le nombre de particules en fonction de l'incertitude de la pose du robot.

* GPS (système de positionnement global) : Pour les environnements extérieurs où le signal GPS est disponible. Souvent fusionné avec d'autres capteurs.

* Cartographie :

* Cartographie de la grille d'occupation : Construire une carte probabiliste de l'environnement.

* Cartographie basée sur les fonctionnalités : Créer une carte des caractéristiques saillantes de l'environnement (par exemple, coins, bords).

* Cartographie topologique : Représenter l'environnement sous la forme d'un graphique de lieux et de connexions entre eux. Utile pour la navigation de haut niveau.

* Mappage sémantique : Augmenter la carte avec des informations sémantiques sur les objets et les lieux de l'environnement (par exemple, « cuisine », « table », « personne »).

3. Planification et navigation : Algorithmes permettant de déterminer le meilleur chemin à suivre pour le robot pour atteindre un objectif.

* Planification du chemin :

* A* Recherche : Un algorithme de recherche graphique qui trouve le chemin le plus court entre un début et un objectif, en utilisant une heuristique pour guider la recherche.

* Algorithme de Dijkstra : Un autre algorithme de recherche graphique qui trouve le chemin le plus court, mais sans heuristique.

* RRT (Arbre aléatoire à exploration rapide) : Un algorithme qui construit un arbre de chemins possibles en échantillonnant aléatoirement l'espace de configuration. RRT*, Informed RRT* sont des variantes qui améliorent les performances.

* PRM (Feuille de route probabiliste) : Un algorithme basé sur l'échantillonnage qui construit une feuille de route de l'environnement, qui peut ensuite être utilisée pour planifier des chemins entre deux points quelconques.

* Champs potentiels : Créer un champ de potentiel artificiel où l'objectif est attrayant et les obstacles répulsifs. Le robot suit la pente du champ.

* Optimisation de la trajectoire : Formuler le problème de planification de chemin comme un problème d'optimisation et le résoudre à l'aide de techniques telles que la descente de gradient ou la programmation quadratique séquentielle. CHOMP, TrajOpt.

* Planification des mouvements : Tient compte de la dynamique et des contraintes du robot (par exemple, vitesse, accélération, limites des articulations) lors de la planification d'un chemin. Utilise souvent l'optimisation de trajectoire.

* Navigation :

* Contrôle PID : Un algorithme de contrôle largement utilisé pour réguler le mouvement du robot. Termes proportionnels, intégraux et dérivés.

* Contrôle prédictif du modèle (MPC) : Une technique de contrôle avancée qui optimise la trajectoire du robot sur un horizon fini, en tenant compte de la dynamique et des contraintes du robot.

* Apprentissage par renforcement : Entraîner le robot à naviguer dans un environnement par essais et erreurs. Q-learning, Deep Q-Networks (DQN), optimisation des politiques proximales (PPO). Particulièrement utile pour les environnements complexes et dynamiques.

* Robotique basée sur le comportement : Concevoir le comportement du robot comme un ensemble de modules réactifs qui répondent à différentes entrées de capteurs. Architecture de subsomption.

* Planification des tâches : Planification de niveau supérieur qui consiste à décomposer une tâche complexe en une séquence d'actions. Réseaux de tâches hiérarchiques (HTN).

4. Contrôle : Algorithmes pour exécuter le chemin prévu et maintenir la stabilité.

* Contrôle PID : (Comme mentionné ci-dessus, également utilisé dans la navigation).

* Contrôle Feedforward : Utiliser un modèle du système pour prédire les entrées de contrôle requises.

* Estimation de l'état : (Filtres Kalman, etc.) Estimation de l'état interne du robot (position, vitesse, etc.) à partir des données des capteurs. Ceci est crucial pour le contrôle par rétroaction.

* Contrôle de force : Contrôler les forces exercées par le robot sur l'environnement. Contrôle hybride de position/force, contrôle d'impédance, contrôle d'admission. Important pour les tâches de manipulation.

* Contrôle adaptatif : Ajuster les paramètres de contrôle en temps réel pour compenser les changements de l'environnement ou de la dynamique du robot.

* Contrôle robuste : Concevoir des contrôleurs insensibles aux incertitudes et aux perturbations.

* Contrôle non linéaire : Techniques de contrôle de robots à dynamique non linéaire. Backstepping, contrôle du mode coulissant.

5. Manipulation : Algorithmes pour saisir, manipuler et assembler des objets.

* Saisir :

* Grâce à la planification : Déterminer la meilleure façon de saisir un objet en fonction de sa forme et de la pince du robot.

* Forcer la fermeture : S'assurer que la prise est stable et peut résister aux forces extérieures.

*  Comprenez les indicateurs de qualité : Évaluer la qualité d'une préhension en fonction de facteurs tels que la stabilité, la robustesse et la dextérité.

* Apprentissage profond pour saisir : Entraîner les réseaux de neurones pour prédire les poses de préhension directement à partir d'images ou de nuages ​​de points. GraspNet, Dex-Net.

* Planification des mouvements pour la manipulation :

* Planification basée sur l'échantillonnage : (RRT, PRM) Planifier le mouvement du bras du robot en évitant les collisions avec l'environnement et l'objet manipulé.

* Optimisation de la trajectoire : Optimiser la trajectoire du robot pour minimiser la consommation d'énergie ou le temps d'exécution.

* Contrôle de force pour la manipulation : (Comme mentionné ci-dessus)

* Planification de l'assemblage : Planifier la séquence d'actions nécessaires pour assembler un objet complexe.

* Manipulation adroite : Algorithmes permettant d'utiliser plusieurs doigts ou bras pour effectuer des tâches de manipulation complexes.

6. Apprentissage automatique et intelligence artificielle :

* Apprentissage par renforcement : (Comme mentionné ci-dessus)

* Apprentissage supervisé : Modèles de formation pour prédire le comportement du robot ou classer les données des capteurs.

* Apprentissage non supervisé : Découverte de modèles dans les données des capteurs sans exemples étiquetés.

* Apprentissage profond : Utiliser des réseaux de neurones profonds pour la perception, la planification et le contrôle.

* Apprentissage par imitation : Entraîner un robot pour imiter le comportement d'un démonstrateur humain.

* Modèles génératifs : Créer des modèles capables de générer de nouvelles données (par exemple, des images, des nuages ​​de points) pour la simulation ou l'augmentation des données. GAN, VAE.

* Traitement du langage naturel (NLP) : Permettre aux robots de comprendre et de répondre aux commandes en langage naturel.

Considérations importantes :

* Performances en temps réel : De nombreux algorithmes robotiques doivent fonctionner en temps réel pour être utiles.

* Robustesse : Les algorithmes doivent être robustes au bruit, à l’incertitude et aux changements de l’environnement.

* Complexité informatique : La complexité informatique de l’algorithme doit être prise en compte, en particulier pour les robots dotés d’une puissance de traitement limitée.

* Intégration : Différents algorithmes doivent être intégrés pour créer un système robotique complet.

* Simulation : La simulation est souvent utilisée pour développer et tester des algorithmes robotiques avant de les déployer sur de vrais robots. Gazebo, V-REP/CoppeliaSim, PyBullet sont des environnements de simulation courants.

* Frameworks et bibliothèques : ROS (Robot Operating System) est un framework largement utilisé qui fournit une collection d'outils et de bibliothèques pour développer des logiciels robotiques. OpenCV (pour la vision par ordinateur), PCL (Point Cloud Library), TensorFlow, PyTorch (pour le machine learning) sont également indispensables.

Cette liste n'est pas exhaustive, mais elle donne un bon aperçu des algorithmes clés utilisés en robotique. Les algorithmes spécifiques utilisés dans un robot particulier dépendront de la tâche, de l'environnement et du matériel du robot. Le domaine de la robotique est en constante évolution, c'est pourquoi de nouveaux algorithmes et techniques sont constamment développés.