Grâce à leur fiabilité et précision, les bras robotiques sont devenus des outils essentiels dans un large éventail d'industries québécoises. Cependant, ils rencontrent encore des difficultés dans l'exécution de tâches complexes impliquant la manipulation d'objets, telles que l'insertion de pièces dans des assemblages ou le vissage de boulons. Ces opérations exigent une coordination fine et une sensibilité aux forces externes, ce qui est difficile à modéliser avec précision.
Ce projet vise à rendre les bras robotiques encore plus polyvalents en leur permettant d'exécuter des manipulations complexes. Pour ce faire, nous utiliserons le Residual Policy Learning, une méthode d'apprentissage par renforcement où le robot n'apprend pas la tâche de zéro, mais améliore une stratégie existante.
Dans un premier temps, le robot sera entraîné en simulation pour exécuter l'insertion d'une tige. L'apprentissage en simulation permet de minimiser les risques de défaillance avant l'implémentation dans le monde réel. Ensuite, la stratégie apprise sera transférée sur un bras robotique réel. Les résultats préliminaires indiquent que la méthode proposée surpasse, en simulation, les approches traditionnelles. Le bras robotique apprend à effectuer la tâche avec plus de précision et moins de force, réduisant les risques de dommage matériel.
Cette recherche constitue une avancée vers la réalisation de tâches d'assemblage complexes par des robots, ouvrant la voie à leur plus grande intégration en industrie.