Annonce

Les commentaires sont clos.

Thèse au CEA LIST « Planification de trajectoire par apprentissage par renforcement profond pour une couverture optimale d’un équipement industriel »

29 Juillet 2021


Catégorie : Doctorant


Recherche de candidat pour une thèse au CEA LIST.

Afin d’acquérir des relevés 3D de sites ou dispositifs industriels, on utilise couramment des scanners lidar mobiles placé sur des véhicules autonomes ou des drones. Le but de cette thèse est de déterminer a priori, connaissant un modèle géométrique, le meilleur chemin pour optimiser la qualité du scan (par minimisation des occlusions et du bruit, et obtention d’une densité de points suffisante et homogène), tout en évitant des obstacles statiques et en minimisant la distance totale parcourue. On utilisera pour résoudre ce problème de planification de trajectoire pour une couverture optimale des approches basées sur de l’apprentissage par renforcement profond utilisant des simulations d’environnements potentiellement très complexes. On procèdera à des comparaisons de qualité de résultats par rapport à des parcours exhaustifs, ou des parcours issus de méthodes d’optimisation par méta heuristique. Enfin, on cherchera le moyen d’adapter très rapidement le chemin optimal obtenu a priori aux conditions réelles, mon modélisées, du site ou dispositif industriel à scanner.

 

« Planification de trajectoire par apprentissage par renforcement profondpour une couverture optimale d’un équipement industriel »

 

Afin d’acquérir des relevés 3D de sites ou dispositifs industriels, on utilise couramment des scanners lidar mobiles placé sur des véhicules autonomes ou des drones. Le but de cette thèse est de déterminer a priori, connaissant un modèle géométrique, le meilleur chemin pour optimiser la qualité du scan (par minimisation des occlusions et du bruit, et obtention d’une densité de points suffisante et homogène), tout en évitant des obstacles statiques et en minimisant la distance totale parcourue. On utilisera pour résoudre ce problème de planification de trajectoire pour une couverture optimale des approches basées sur de l’apprentissage par renforcement profond utilisant des simulations d’environnements potentiellement très complexes. On procèdera à des comparaisons de qualité de résultats par rapport à des parcours exhaustifs, ou des parcours issus de méthodes d’optimisation par méta heuristique. Enfin, on cherchera le moyen d’adapter très rapidement le chemin optimal obtenu a priori aux conditions réelles, mon modélisées, du site ou dispositif industriel à scanner.

« Path planning by deep reinforcement learning for optimal coverage of an industrial equipment »

In order to acquire 3D surveys of industrial sites or devices, mobile lidar scanners placed on autonomous vehicles or drones are commonly used. The goal of this thesis is to determine a priori, knowing a geometric model, the best path to follow to optimize the quality of the scan (by minimizing occlusions and noise, and obtaining a sufficient and homogeneous density of points), while avoiding static obstacles and minimizing the total distance traveled. To solve this problem of scan coverage path planning, we will use approaches based on deep reinforcement learning fed with simulations of potentially very complex environments. We will carry out quality comparisons of results compared with exhaustive paths, or paths resulting from meta heuristic optimization methods. Finally, we will look for a way to very quickly adapt the optimal path obtained a priori to the real, non-modelized, conditions of the site or industrial device to be scanned.

Présentation du laboratoire d’accueil

Au cœur du Plateau de Saclay (Île-de-France), l’institut CEA LIST focalise ses recherches sur les systèmes numériques intelligents. Porteurs d’enjeux économiques et sociétaux majeurs, ses programmes de R&D sont centrés sur les systèmes interactifs (intelligence ambiante), les systèmes embarqués (architectures, ingénierie logicielle et systèmes), les capteurs et le traitement du signal (contrôle industriel, santé, sécurité, métrologie). Dédiés à la recherche technologique, les 700 ingénieurs-chercheurs et techniciens de l’Institut ont pour objectif de favoriser l’innovation et son transfert autour de partenariats industriels pérennes. La culture projet et l’excellence scientifique des équipes de l’Institut sont au coeur de cette ambition.

Au sein du CEA LIST, le Laboratoire de Simulation Interactive (LSI) développe une plateforme de simulation multi-physique interactive mettant en jeu un ou plusieurs utilisateurs en exploitant les technologies de Réalité Virtuelle (RV) et de Réalité Mixte (RM). Cette plateforme, dénommée XDE Physics, permet de simuler la manipulation et les interactions de l’ensemble des systèmes, pièces rigides, articulées ou déformables (câbles) directement sur les maquettes numériques. Elle permet également de valider des scénarios incluant l’opérateur pour étudier l’ergonomie du poste de travail par l’introduction de son avatar dans la simulation dynamique. Centrées sur les noyaux de simulation interactive, les activités de l’équipe vont jusqu’à la mise au point d’applicatifs, répondant aux contextes

Profil du candidat

Formation Master 2 recherche / école d’ingénieur.

Connaissance en apprentissage par renforcement profond, géométrie algorithmique 3D. Maitrise des outils / librairies pour l’apprentissage. De bonnes connaissances en acquisition et traitement de nuages de points 3D, en C# for Unity ou en C++/Cuda, seraient un plus. Rigueur dans la démarche, des qualités rédactionnelles et dans la communication sont exigées.

Rémunération en fonction du cursus du candidat et selon les grilles CEA.

Modalité de candidature

Envoyer aux contacts ci-dessous CV détaillé du/de la candidat(e),

Lettre de motivation expliquant l’intérêt du/de la candidat(e) pour le sujet.

Contacts

gilles.rougeron@cea.fr, claude.andriot@cea.fr

Reference

  1. Almadhoun R, Taha T, Seneviratne L, Dias J, Cai G. A survey on inspecting structures using robotic systems. International Journal of Advanced Robotic Systems. December 2016. doi:10.1177/1729881416663664
  2. P. T. Kyaw, A. Paing, T. T. Thu, R. E. Mohan, A. Vu Le and P. Veerajagadheswar, Coverage Path Planning for Decomposition Reconfigurable Grid-Maps Using Deep Reinforcement Learning Based Travelling Salesman Problem, in IEEE Access, vol. 8, pp. 225945-225956, 2020, doi: 10.1109/ACCESS.2020.3045027.
  3. Apuroop KGS, Le AV, Elara MR, Sheu BJ. Reinforcement Learning-Based Complete Area Coverage Path Planning for a Modified hTrihex Robot. Sensors. 2021; 21(4):1067. https://doi.org/10.3390/s21041067
  4. Landgraf C, Meese B, Pabst M, Martius G, Huber MF, A Reinforcement Learning Approach to View Planning for Automated Inspection Tasks, Sensors. 2021; 21(6):2030. https://doi.org/10.3390/s21062030