Defensa de tesis doctoral en Computer Science por la Sra. Hiba SEKKAT

La Universidad Euromed de Fez (UEMF) se complace en informar al público de la

defensa de tesis doctoral en ”Ciencias de la Computación”

La defensa de tesis tendrá lugar el Sábado 26 de octubre de 2024 a las 10:00 en la UEMF 

Lugar: la Gran Sala del Incubador (LOC001994) 

La tesis será presentada por la Sra. Hiba SEKKAT

Bajo el título:

“Enfoques integrados en sistemas robóticos: avanzando en el agarre con aprendizaje por refuerzo profundo y simulaciones de gemelo digital para robots domésticos y humanoides”

Abstract 

En el campo en rápida evolución de la robótica, las capacidades de agarre de los robots domésticos y humanoides son cruciales para su integración en la vida cotidiana; esto se puso de manifiesto especialmente durante la pandemia de COVID-19, que subrayó la necesidad de que los robots ayuden con las tareas diarias cuando el contacto humano se redujo, en particular para poblaciones vulnerables como las personas mayores y las personas con discapacidad. Entre las tareas más importantes que debe realizar un robot están las tareas de agarre, que permiten la interacción con objetos y, por tanto, la capacidad de recoger artículos, ordenar espacios y ayudar en las tareas domésticas. Sin embargo, los sistemas robóticos actuales a menudo tienen dificultades para ser adaptativos y eficaces cuando operan en entornos naturales, especialmente en entornos tipo hogar, que son inherentemente dinámicos y desordenados. Abordar y superar estos desafíos requeriría, por tanto, innovación que permita lidiar con la complejidad y la variabilidad de los entornos reales. Esta tesis aborda los retos críticos del agarre en la manipulación robótica mediante el desarrollo de un entorno de simulación de gemelo digital de alta fidelidad diseñado para facilitar la futura integración de algoritmos de Deep Reinforcement Learning. Al mismo tiempo, el desarrollo y la prueba de dichos algoritmos utilizando simulaciones de gemelo digital proporcionarían un entorno controlado de alta precisión, asegurando que la aplicación en un robot real esté bien preparada. En este sentido, el paso inicial implicó una revisión detallada de los algoritmos de Reinforcement Learning de última generación para identificar el más adecuado para las tareas de agarre robótico en diversos entornos. De esta revisión seleccionamos el algoritmo Deep Deterministic Policy Gradient, que es particularmente apropiado para nuestro entorno de trabajo, lo que condujo a la creación de un sistema novedoso de agarre con alta precisión en comparación con los métodos de referencia. Basándonos en estos resultados prometedores, desarrollamos un sistema de simulación eficiente: un gemelo digital de alta fidelidad del robot Pepper creado utilizando el framework Robot Operating System 2, que permite mejoras continuas y ayuda a avanzar en el campo. Con la mayoría de los movimientos presentando un error absoluto medio en un rango de 0,01–0,02 radianes, este gemelo digital —validado al comparar los ángulos de las articulaciones en la simulación y en datos del mundo real— proporciona una plataforma de simulación robusta para la eventual integración de algoritmos de aprendizaje automático complejos. Estos resultados muestran cómo el Deep Reinforcement Learning y las tecnologías de gemelo digital pueden combinarse para superar las limitaciones actuales y abrir la puerta a robots domésticos más capaces e independientes. Este trabajo constituye, por tanto, uno de los pasos metodológicos competitivos hacia un mejor agarre robótico y sienta las bases para extensiones hacia la robótica autónoma. Todos estos hallazgos tienen importantes implicaciones para el desarrollo de capacidades en robots con interacción social, notablemente el robot Pepper, mejorando la calidad de vida en general y ofreciendo beneficios sustanciales para las poblaciones vulnerables.

Resumen 

En el ámbito de la robótica, que evoluciona rápidamente, las capacidades de agarre de los robots domésticos y humanoides son cruciales para la integración en la vida diaria; esto se puso de manifiesto especialmente durante la pandemia de COVID-19, que subrayó la necesidad de contar con robots que ayuden en las tareas cotidianas cuando el contacto humano se redujo, en particular para poblaciones vulnerables como las personas mayores y las personas con discapacidad. Entre las tareas más importantes que debe realizar un robot se encuentran las de agarre, que permiten interactuar con objetos y, por tanto, la capacidad de recoger artículos, ordenar espacios y ayudar en las labores diarias. Sin embargo, los sistemas robóticos actuales a menudo tienen dificultades para ser adaptativos y eficientes cuando operan en entornos naturales, especialmente en ambientes domésticos, que son intrínsecamente dinámicos y desordenados. Enfrentar y superar estos desafíos requerirá, por tanto, innovaciones que permitan abordar la complejidad y la variabilidad de los entornos del mundo real. Esta tesis afronta los retos críticos del agarre en la manipulación robótica mediante el desarrollo de un entorno de simulación de gemelo digital de alta fidelidad diseñado para facilitar la futura integración de algoritmos de Aprendizaje por Refuerzo Profundo. Al mismo tiempo, el desarrollo y la prueba de tales algoritmos mediante simulaciones de gemelos digitales proporcionarían un entorno controlado de alta precisión, garantizando que la aplicación en un robot real esté bien preparada. El paso inicial consistió en una revisión detallada del estado del arte de los algoritmos de Aprendizaje por Refuerzo para identificar el más adecuado para las tareas de agarre robótico en distintos contextos. A partir de esta revisión, seleccionamos el algoritmo Deep Deterministic Policy Gradient, que está particularmente bien adaptado a nuestro entorno de trabajo, lo que nos llevó a crear un novedoso sistema de agarre con alta precisión en comparación con los métodos de referencia. Basándonos en estos resultados prometedores, desarrollamos un sistema de simulación eficiente: un gemelo digital de alta fidelidad del robot Pepper creado usando el marco Robot Operating System 2, que permite una mejora continua y contribuye al avance del campo. Con la mayoría de los movimientos presentando un error absoluto medio en el rango de 0,01–0,02 radianes, este gemelo digital —validado comparando los ángulos de las articulaciones en la simulación y en datos del mundo real— ofrece una plataforma de simulación robusta para la eventual integración de complejos algoritmos de aprendizaje automático. Estos resultados muestran cómo pueden combinarse el Aprendizaje por Refuerzo Profundo y las tecnologías de gemelos digitales para superar las limitaciones actuales y abrir la puerta a robots domésticos más capaces e independientes. Este trabajo constituye, por tanto, uno de los pasos metodológicos competitivos hacia una mejor capacidad de agarre robótico y sienta las bases para extensiones en el ámbito de la robótica autónoma. Todos estos hallazgos tienen importantes implicaciones para el desarrollo de capacidades en robots de interacción social, en particular el robot Pepper, mejorando la calidad de vida en general y ofreciendo beneficios sustanciales para las poblaciones vulnerables.

Esta tesis será presentada ante los miembros del jurado: