Soutenance de thèse de doctorat en Computer Science par Mme. Hiba SEKKAT

L’Université Euromed de Fès (UEMF) a le plaisir d’informer le public de la

soutenance de thèse de doctorat en ”Computer Science”

La soutenance de thèse aura lieu le Samedi 26 Octobre 2024 à 10h00 à l’UEMF 

Lieu: la Grande Salle de l'Incubateur (LOC001994) 

La thèse sera présentée par Mme. Hiba SEKKAT

Sous le thème :

“Integrated Approaches in Robotic Systems: Advancing Grasping with Deep Reinforcement Learning and Digital Twin Simulations for Domestic and Humanoid Robots”

Abstract 

In the fast-evolving field of robotics, grasping capabilities of domestic and humanoid robots are crucial for integration into daily life; this has been especially highlighted during the COVID-19 pandemic which underscored the need for robots to assist with everyday tasks, when human contact was reduced, particularly for vulnerable populations such as the elderly and individuals with disabilities. Among the most important tasks to be performed by a robot are grasping tasks, enabling interaction with objects, and thus, the ability to pick up items, arrange places, and help with everyday chores. However, current robotic systems often find it hard to be adaptive and efficient when operating in natural environments, especially home-like environments, that are inherently dynamic and cluttered. Dealing with and overcoming these challenges would hence require innovation that enables dealing with the complexity and variability of realworld settings. This thesis thus takes up the critical challenges of grasping in robotic manipulation through the development of a high-fidelity digital twin simulation environment designed to facilitate the future integration of Deep Reinforcement Learning algorithms. Meanwhile, the development and testing of such algorithms using digital twin simulations would provide a highly accurate controlled environment, making sure the application on a real robot is well-prepared. Therein, the initial step involved a detailed review of state-of-the-art Reinforcement Learning algorithms to identify the most suitable one for robotic grasping tasks across various settings. From this review, we selected the Deep Deterministic Policy Gradient algorithm that is particularly well-suited for our work environment, leading to creating a novel grasping system with high accuracy compared to the benchmark methods. Building on these promising results, we developed an efficient simulation system—a high-fidelity digital twin of the Pepper robot created using the Robot Operating System 2 framework—that supports continuous enhancement and helps progress the field. With most movements having a mean absolute error within a range of 0.01–0.02 radians, this digital twin—validated by comparing joint angles in both simulation and real-world data—lends a robust simulation platform for the eventual integration of intricate machine-learning algorithms. These results show how Deep Reinforcement Learning and digital twin technologies can be combined to overcome current limitations and open the door for more capable and independent home robots. This work is thus one of the competitive methodological steps toward better robotic grasping and sets the stage for extensions into autonomous robotics. All of these findings have important implications for developing capacities in socially interacting robots, notably the Pepper robot, in improving overall quality of life and offering substantial benefits for vulnerable populations.

Résumé 

Dans le domaine de la robotique, qui évolue rapidement, les capacités de préhension des robots domestiques et humanoïdes sont cruciales pour l'intégration dans la vie quotidienne ; cela a été particulièrement mis en évidence lors de la pandémie de COVID-19, qui a souligné le besoin de robots pour aider aux tâches quotidiennes, lorsque le contact humain était réduit, en particulier pour les populations vulnérables telles que les personnes âgées et les personnes à mobilité réduite. Parmi les tâches les plus importantes à accomplir par un robot figurent les tâches de préhension, qui permettent d'interagir avec les objets, et donc de les ramasser, d'arranger des lieux et d'aider aux tâches quotidiennes. Cependant, les systèmes robotiques actuels ont souvent du mal à s'adapter et à être efficaces lorsqu'ils fonctionnent dans des environnements naturels, en particulier des environnements domestiques, qui sont intrinsèquement dynamiques et encombrés. Pour relever ces défis et les surmonter, il faudrait donc des innovations permettant de faire face à la complexité et à la variabilité des environnements du monde réel. Cette thèse relève donc les défis critiques de la préhension dans la manipulation robotique par le développement d'un environnement de simulation de jumeau numérique d’haute-fidélité conçu pour faciliter l'intégration future d'algorithmes d'apprentissage par renforcement profond. Parallèlement, le développement et le test de tels algorithmes à l'aide de simulations de jumeaux numériques fourniraient un environnement contrôlé très précis, garantissant que l'application sur un robot réel est bien préparée. L'étape initiale a consisté en une revue détaillée de l'état de l'art des algorithmes d'apprentissage par renforcement afin d'identifier le mieux adapté aux tâches de préhension robotique dans différents contextes. À partir de cette étude, nous avons sélectionné l'algorithme Politique de Gradient Déterministe Profond qui est particulièrement bien adapté à notre environnement de travail, ce qui nous a permis de créer un nouveau système de préhension d'une grande précision par rapport aux méthodes de référence. Sur la base de ces résultats prometteurs, nous avons mis au point un système de simulation efficace - un jumeau numérique haute-fidélité du robot Pepper créé à l'aide du cadre "Robot Operating System 2" - qui permet une amélioration continue et contribue à faire progresser le domaine. La plupart des mouvements ayant une erreur absolue moyenne comprise entre 0,01 et 0,02 radians, ce jumeau numérique - validé en comparant les angles des articulations dans la simulation et les données réelles - constitue une plateforme de simulation robuste pour l'intégration éventuelle d'algorithmes complexes d'apprentissage automatique. Ces résultats montrent comment l'apprentissage par renforcement profond et les technologies de jumeaux numériques peuvent être combinés pour surmonter les limitations actuelles et ouvrir la voie à des robots domestiques plus capables et plus indépendants. Ce travail constitue donc l'une des étapes méthodologiques compétitives vers une meilleure préhension robotique et ouvre la voie à des extensions dans le domaine de la robotique autonome. Tous ces résultats ont des implications importantes pour le développement des capacités des robots d'interaction sociale, notamment le robot Pepper, en améliorant la qualité de vie globale et en offrant des avantages substantiels aux populations vulnérables.

Cette thèse sera présentée devant les membres de jury :

Partager