• Langue : Anglais
• Discipline : Robotique
• Identifiant : 2014LIL10072
• Type de thèse : Doctorat
• Date de soutenance : 09/09/2014

Résumé en langue originale

Cette thèse s'intéresse à la modélisation et la commande d'une classe des manipulateurs mobiles continus, a savoir le Robotino XT. Ce dernier comporte un manipulateur bionique continu montée sur une plate-forme mobile omnidirectionnel appelée Robotino. Premièrement, en utilisant la logique floue de type-2 et le champ de potentiel artificiel, nous avons proposé un contrôleur hybride intelligent pour la navigation de la plate-forme mobile. Ensuite, une architecture de commande adaptative neuronale a été proposée pour le contrôle de la partie manipulatrice. Cette architecture comporte deux sous-contrôleurs. Le premier sous-contrôleur, associé à la cinématique du manipulateur, et basé sur un système d'apprentissage supervisé distal contrôle les comportements stationnaires du manipulateur; tandis que le second, associé à la cinétique du manipulateur, et basé sur une commande adaptative permet de contrôler les comportements non stationnaires. Enfin, les deux contrôleurs sont coordonnés par un système neuronal pour contrôler le Robotino XT. Les performances de chaque contrôleur sont évaluées en réalisant des expériences en temps réel.

Résumé traduit

This dissertation addresses the modeling and the control of a class of Continuum manipulators, namely the Robotino XT. It consists of a bionic continuum manipulator mounted on an omnidirectional mobile platform named Robotino. Thus, we first propose a hybrid intelligent controller based on Type-2 Fuzzy Logic (type-2 FL) and Artificial Potential Function (APF) concepts for the mobile platform navigation. Then, an adaptive neural network controller is proposed for the manipulator part. The latter includes two sub-controllers. The first one, associated with the arm kinematics, and based on Distal Supervised Learning (DSL) scheme, deals with stationary behaviors of the manipulator; while the second, associated with the arm kinetics, and based on adaptive control, is applied to the non stationary behaviors. Finally, the two controllers are coordinated by a neural network system to control the Robotino XT. The performance of each controller is assessed by conducting real-time experiments.