Contrôle de manipulateur mobile à haute mobilité en contexte dynamique
Le développement de manipulateur mobile capable de capacités d'adaptation est porteur d'avancées importantes pour le développement de nouveaux moyens de production, que ce soit dans des applications industrielles ou agricoles. En effet de telles technologies permettent de réaliser des tâches répétitives avec précision et sans contraintes liées à la limitation de l'espace de travail. Néanmoins, l'efficience de tels robots est soumise à leur adaptation à la variabilité du contexte d’évolution et de la tâche à réaliser. Aussi, cette thèse propose de concevoir des mécanismes d'adaptation des comportements sensori-moteurs pour ce type de robots, afin de garantir une bonne adéquation de leurs actions en fonction de la situation. Elle envisage d'étendre les capacités de reconfiguration des approches de perception et de commande par l'apport de l'Intelligence Artificielle, ici comprise au sens de l'apprentissage profond. Il s'agira de développer de nouvelles architectures décisionnelles capables d'optimiser les comportements robotiques pour la manipulation mobile dans des contextes évolutifs (notamment intérieur-extérieur) et la réalisation de plusieurs travaux de précision.
Dynamique d’un cycle à vapeur surchauffée pour la cogénération électricité-chaleur avec service réseau : analyse de stabilité et pilotage de la flexibilité
Cette thèse a pour objectif de développer une méthodologie d’étude de stabilité et de pilotage adaptée aux particularités du cycle de conversion d’énergie d’un réacteur nucléaire de petite puissance (Small Modular Reactor) fonctionnant en cogénération avec service réseau. Le travail du doctorant portera sur le pilotage du générateur de vapeur (GV) pour une technologie donnée, avec comme première étape, le développement d’un modèle dynamique 1D de ce composant et l’étude de stabilité de l’écoulement. Différentes stratégies de contrôle-commande seront explorées par couplage progressif du GV avec le système de conversion d’énergie et le circuit primaire : les conditions d’un fonctionnement en suivi de fréquence ou de charge seront examinées, aussi bien en mode électrogène qu’en mode cogénération. L’approche cherchera à quantifier le gain qui peut être attendu de techniques de contrôle avancé, faisant notamment appel à de l’apprentissage (machine learning). Différents outils de modélisation seront employés, dont Dymola, Matlab ainsi que des outils internes CEA ou libres.
La thèse bénéficie d’une double direction universitaire et se déroulera dans le Service d’Etudes des Systèmes Innovants de l'Institut de REcherche sur les Systèmes Nucléaires du centre CEA de Cadarache. Le doctorant développera des compétences en conversion d’énergie, thermohydraulique, contrôle-commande (composante forte de la thèse) et intelligence artificielle.
L'apprentissage de la manipulation fine et dextre par la vision et les observations kinesthésiques
La manipulation robotique fine et dextre pose des défis importants en raison de la nécessité d'une manipulation d'objets précise, de la coordination des forces de contact et de l'utilisation des observations visuelles. Cette recherche vise à relever ces défis en examinant l'intégration des capteurs visuels et kinesthésiques et des techniques sim2real. L'objectif est de développer des algorithmes et des modèles de bout en bout qui permettent aux robots de manipuler des objets avec une précision et une adaptabilité exceptionnelles. La recherche se concentrera sur l'apprentissage à partir de données à grande échelle, le transfert de connaissances des simulations aux scénarios du monde réel et la généralisation efficiente par le réglage fin à faible échantillonnage.