Développement d'un système collaboratif de tennis de table basé sur un bras robotique de bureau intégrant l'intelligence artificielle

RÉSUMÉ: Le marché mondial de la robotique connaît une forte croissance. L’intégration de systèmes robotiques avancés et de l’intelligence artificielle (IA) transforme de nombreux domaines. En particulier, le développement des robots collaboratifs, ou cobots offre de nouvelles opportunités. Cependant, leur coût élevé constitue un frein majeur à leur adoption. Par ailleurs, les robots personnels souffrent de performances limitées. Ils sont moins rapides et moins précis, avec une charge maximale et des espaces de travail restreints, ce qui limite leurs applications. L’utilisation de l’IA et de l’apprentissage machine augmente les capacités des cobots et robots personnels, ouvrant ainsi de nouvelles opportunités pour les systèmes robotiques. Associée aux nouvelles techniques d’impression 3D, l’IA devrait permettre de réduire l’écart de performance entre les systèmes robotiques personnels abordables et les cobots traditionnels, notamment en matière de dextérité, rapidité et précision. Le laboratoire dirigé par le professeur Maxime Raison s’est attaqué à la problématique du coût en développant un bras robotique de bureau personnel. Ce robot, équipé d’un préhenseur adaptatif, dispose de cinq degrés de liberté. Il est portable et personnalisable, pour un coût en matériel inférieur à 3,000$ grâce à l’utilisation de l’impression 3D. D’autre part, le tennis de table est un sujet de recherche en robotique depuis les années 1980. Ce sport constitue en effet un défi de taille pour les chercheurs en robotique en raison des exigences élevées en matière de dextérité d’agilité, de rapidité et de précision nécessaires pour prédire et intercepter les trajectoires de la balle. Ces exigences en font un excellent banc d’essai, régulièrement utilisé pour tester et démontrer les performances des nouvelles technologies. L’objectif de cette thèse est de développer un système collaboratif de tennis de table, basé sur le prototype du laboratoire du professeur Maxime Raison afin de démontrer les performances atteignables par des bras robotiques de bureau, intégrant l’intelligence artificielle. Tout d’abord, une méthode combinant les deux approches classiques - apprentissage machine et modèle dynamique – a été développée pour la prédiction de la trajectoire de la balle. Elle a permis d’augmenter la précision de la prédiction de 9% par rapport aux autoencodeurs « Gated-Recurrent Unit » (GRU-TAE) de la littérature. Ensuite, une structure de contrôle a été conçue pour le suivi de trajectoires rapides à haute dynamique, sans nécessiter de connaissance préalable sur le modèle dynamique du robot. La structure développée permet d’obtenir une erreur moyenne de suivi inférieur à 2° dans l’ensemble de l’espace de travail. Elle peut être appliquée à des systèmes différents pour des applications variées en suivant les guidelines fournies. Enfin, le système complet capable de jouer au tennis de table a été implémenté autour du prototype du laboratoire du professeur Maxime Raison, en intégrant les méthodes les plus performantes identifiées dans la littérature. Le système final est capable de réaliser des échanges avec un utilisateur collaboratif, en renvoyant jusqu’à 81.4% des balles grâce à une optimisation simultanée de la position de la base du robot et du point visé lors du retour. Si ces résultats se rapprochent de ceux obtenus dans la littérature avec des cobots traditionnels (88%), les travaux menés ont également mis en lumière plusieurs limitations liées à l’utilisation d’un bras robotique de bureau. La robustesse et les performances du système sont notamment affectées par la grande difficulté de réaliser des trajectoires rectilignes avec la raquette et les vitesses et couples maximaux des moteurs. En conclusion, ce système représente une étape supplémentaire dans la démocratisation des bras robotiques personnels et de bureau. Les travaux menés ont montré que l’intégration de l’apprentissage machine, en complément des méthodes traditionnelles basées sur les modèles dynamiques, permet d’améliorer les performances des robots personnels. Les perspectives de cette recherche incluent l’utilisation d’une architecture physique spécifiquement optimisée pour le tennis de table, permettant de réaliser plus facilement les mouvements rectilignes ainsi que l’extension des applications des bras robotiques de bureau à d’autres domaines, tout en continuant à accroitre leurs performances. ABSTRACT: The global robotics market is experiencing significant growth. The integration of advanced robotic systems and artificial intelligence (AI) is transforming numerous fields. In particular, the development of collaborative robots, or cobots, offers new opportunities. However, their high cost is a major barrier to widespread adoption. Meanwhile, personal robots suffer from limited performance. They are slower and less accurate, with restricted payload capacities and workspaces, which restricts their applications. The use of AI and machine learning is enhancing the capabilities of cobots and personal robots, opening up new possibilities for robotic systems. Combined with emerging 3D printing techniques, AI is expected to narrow the performance gap between affordable personal robotic systems and traditional cobots, particularly in terms of dexterity, speed, and precision. The laboratory led by Professor Maxime Raison has addressed the cost issue by developing a personal desktop robotic arm. This robot, equipped with an adaptive gripper, has five degrees of freedom. It is portable and customizable, with a material cost under $3,000 thanks to 3D printing. Furthermore, table tennis has been a topic of robotics research since the 1980s. This sport presents a significant challenge for robotics researchers due to the high demands for dexterity, agility, speed, and precision required to predict and intercept the ball's trajectory. These demands make it an excellent testing ground, frequently used to evaluate and demonstrate new technological capabilities. The goal of this thesis is to develop a collaborative table tennis system based on the prototype from Professor Maxime Raison's laboratory to demonstrate the achievable performance of personal desktop robotic arms integrating AI. First, a method combining two classic approaches—machine learning and dynamic modeling—was developed for ball trajectory prediction. This method increased prediction accuracy by 9% compared to Gated-Recurrent Unit Autoencoder (GRU-TAE) methods from the literature. Then, a control structure was designed for tracking fast, high-dynamic trajectories without any prior knowledge of the robot’s dynamic model. The developed structure achieves an average tracking error below 2° across the entire workspace. It can be applied to different systems for various applications by following the guidelines provided. Finally, the complete system capable of playing table tennis was implemented using the laboratory prototype, integrating the most effective methods identified in the literature. The final system can engage in rallies with a collaborative user, returning up to 81.4% of shots by optimizing the robot base position and the target point during returns. While these results approach those obtained in the literature with traditional cobots (88%), the conducted work also highlighted several limitations related to using a desktop robotic arm. The system robustness and performance are notably affected by the difficulty of executing straight-line trajectories with the racket, as well as the motors maximum speeds and torques. In conclusion, the developed system represents a step forward integrating the most effective methods identified in the literature. The work demonstrated that integrating machine learning methods, alongside traditional model-based methods using dynamic equations, enhances the performance of personal robots. Future research prospects include designing a physical architecture specifically optimized for table tennis, facilitating linear movements, and extending the applications of desktop robotic arms to other fields while continuing to enhance their performance.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.