Chercheur Doctorant H/F
Sujet de thèse : Optimisation de planifications de trajectoires de multi-bras robotiques à l’aide de l’intelligence artificielle et du jumeau numérique.
En un coup d’œil :
- Type de contrat : CDD
- Durée : à temps plein
- Date de publication : Publié le
- Rémunération : à partir de 28000 € jusqu’à 28000
- Lieu : Reims, France
- Référence : Réf. ygckpy
- Postulez (Ouvre un nouvel onglet)
Le poste proposé

Travaux de recherche
Résumé de la thèse
La planification de trajectoires des bras robotiques est un domaine de recherche très actif avec l’essor de l’Industrie 5.0 où les bras robotiques d’une plateforme se multiplient, impliquant des calculs souvent complexes. Ce travail de thèse vise à développer une planification de trajectoires de multi-bras robotisés opérant dans un espace commun en combinant les méthodes classiques, l’intelligence artificielle et les jumeaux numériques. L’objectif est d’optimiser la consommation d’énergie et la réactivité en temps-réel aux environnements dynamiques tout en évitant les collisions.
Contexte scientifique
Cette thèse s’inscrit dans la thématique de recherche « Aide à la décision pour les systèmes de production » (DSPS) de l’équipe « Ingénierie et Outils Numériques » au sein du laboratoire CESI LINEACT. Il se déploie dans le domaine applicatif de l’Industrie 5.0 qui vise à soutenir la transformation numérique débutée par l’Industrie 4.0 en renforçant la collaboration entre les humains et les machines dans l’environnement industriel. L’objectif de l’Industrie 5.0 est de fournir des systèmes de production centrés sur l’Humain, durables et résilients aux perturbations. La thèse vise à progresser sur l’une des questions de recherche de la thématique DSPS autour de la conception de tel système en utilisant des techniques de la recherche opérationnelle et de l’intelligence artificielle (IA). Elle se concentre sur les problématiques de durabilité en proposant des approches permettant de réduire la consommation d’énergie lors de la production et sur les problématiques de résilience en proposant des approches robustes à l’environnement de production dynamique. Cette thèse est portée par le CESI LINEACT en partenariat avec le laboratoire CReSTIC de l’Université de Reims Champagne-Ardenne (URCA).
Sujet de thèse
Le recours à des plateformes robotisées est devenu courant dans l’industrie afin de réaliser des tâches répétitives sur de longues périodes de production [10]. Si les études autour de la modélisation et du contrôle d’un seul bras de robots sont nombreuses dans l’état de l’art, des verrous scientifiques et technologiques demeurent lorsqu’il s’agit de coopération de plusieurs bras de robots évoluant dans une zone de travail partagée [5]. Un premier objectif est alors de trouver une trajectoire physiquement réalisable pour atteindre une cible en évitant tout risque de collision entre les bras de robots et en se basant sur la configuration initiale des bras de robots. Cependant, la planification efficace des mouvements pour de tels systèmes robotisés reste un défi en raison du nombre de degrés de liberté souvent important. De plus, la prise en compte d’un environnement dynamique nécessite une adaptation en temps réel de la trajectoire ce qui reste à ce jour un problème ouvert en vue d’une implémentation sur un système réel [8]. L’utilisation du jumeau numérique permet d’entraîner le modèle IA de manière plus efficace et sans usure matériel [9, 1].
Parmi les méthodes classiques devenues des solutions de référence dans la planification de trajectoires pour les bras robotiques, on retrouve l’algorithme de Dijkstra et ses extensions (A*, D*), ainsi que l’arbre d’exploration rapide (RRT) et sa variante principale (RRT*) [7]. Cependant, les bras de robots évoluant dans un environnement dynamique (présence éventuelle de personnes, imprévu de production, etc.), ces algorithmes peinent à proposer une mise à jour de la trajectoire en temps réel, car leur temps d’exécution croît de façon exponentielle avec le nombre d’articulations des bras robotiques [5]. De plus, peu d’auteurs prennent en compte l’aspect énergétique comme objectif d’optimisation lors de la réalisation des tâches robotiques ou alors il se concentre sur un bras unique [1].
La planification de trajectoire doit alors répondre à un triple objectif :
1. Définir les mouvements de chaque bras de robot afin d’exécuter une tâche en minimisant les déplacements et la consommation d’énergie,
2. Garantir que les mouvements de chaque bras de robot n’entraînent pas de collisions,
3. Être capable de s’adapter en temps réel afin de prendre en compte l’aspect dynamique de l’environnement de travail.
Les verrous scientifiques et méthodologiques que nous souhaitons lever sont :
— Planification de la trajectoire de plusieurs bras robotiques opérant dans un espace partagé sans collision et en temps réel,
— Optimisation de la trajectoire selon des critères énergétiques et de productivité.
Programme de travail
La méthodologie envisagée pour lever les verrous scientifiques mentionnés est la suivante :
1. Planification distribuée intégrant les méthodes classiques et les techniques d’IA : les méthodes classiques assurent une exhaustivité théorique, tandis que les techniques d’IA, notamment l’apprentissage par renforcement, apportent une réactivité efficace en temps réel. Les modèles séquentiels de réseaux de neurones sont employés pour s’adapter aux environnements dynamiques sans augmenter la complexité de manière exponentielle.
2. Optimisation de la trajectoire en prenant en compte le nombre de collision et la consommation énergétique, les critères sont intégrés dans la fonction de récompense pendant l’entrainement.
3. Implémentation sur un jumeau numérique et validation sur un système temps-réel :
la planification est simulée au travers du jumeau numérique pour accélérer la procédure d’entrainement et réduire l’usure des robots. Finalement, les résultats sont
validés sur un système dynamique en temps-réel.
Le planning prévisionnel des travaux de thèse est illustré dans la Figure 1.
L’ensemble des travaux aboutiront à une production technique évaluée en simulation et sur plateformes en condition d’opérations réelles.
Production scientifique/technique attendue
Les travaux donneront lieu à des publications dans des conférences et journaux internationaux de premier rang.
D’un point de vue théorique, l’objectif est de développer des algorithmes de planification de trajectoires implémentables en temps réel afin de prendre en compte une évolution des bras de robots dans un environnement dynamique, et cela, grâce au recours à l’IA. D’un point de vue applicatif, la validation expérimentale permettra de confirmer l’intérêt de l’approche proposée, et alors de développer des interactions avec le milieu industriel pour une mise en place à plus grande échelle.
Présentation du Laboratoire
CESI LINEACT (UR 7527), Laboratoire d’Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports. Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.
— L’équipe 1 ”Apprendre et Innover” relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l’environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs…) sur les processus d’apprentissage, de créativité et d’innovation.
— L’équipe 2 ”Ingénierie et Outils Numériques” relève principalement des Sciences du Numérique et de l’Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.
Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l’Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.
Le profil souhaité
Votre Recrutement
Votre candidature devra comporter :
— un Curriculum-Vitae détaillé. En cas de rupture dans le cursus universitaire, merci de fournir une explication ;
— une lettre de motivation explicitant ses motivations à poursuivre une thèse de doctorat ;
— les résultats post-bac et les bulletins de notes correspondants ;
— les éventuelles lettres de recommandation ;
— toute autre pièce que vous jugerez utile.
Les candidatures seront traitées selon leur ordre d’arrivée, aussi cette offre de thèse expirera dès lors qu’un candidat aura été sélectionné.
Compétences
Compétences scientifiques et techniques dans un ou plusieurs de ces domaines :
— Solides compétences en mathématiques (optimisations convexe et non-convexe, algèbre linéaire, probabilité, …),
— Modélisation et contrôle de systèmes robotiques,
— Compétences en automatique (planification de trajectoires, contrôle/commande de
systèmes dynamiques, outils d’optimisation, …),
— Compétences en programmation (Python, ROS, MATLAB/Simulink, …),
— Compétences en informatique/IA (environnement Linux, apprentissage automatique, apprentissage par renforcement …),
— Compétences rédactionnelles en français et en anglais.
Compétences relationnelles :
— Être autonome, avoir un esprit d’initiative et de curiosité,
— Savoir travailler en équipe et avoir un bon relationnel,
— Être rigoureux.
Les modalités du contrat
— CDD 36 mois
— 6 semaines de congés payés (au prorata du temps travaillé)
— 14 RTT (au prorata du temps travaillé)
— Tickets restaurant
— Mutuelle entreprise
— Prime participation/intéressement
— Ordinateur portable
Références
[1] A Vatankhah Barenji, Xinlai Liu, Hanyang Guo et Zhi Li. “A digital twin-driven approach towards smart manufacturing: reduced energy consumption for a robotic
cellular”. In : International Journal of Computer Integrated Manufacturing 34.7-8 (2020), p. 1-16.
[2] Mejdi Dallel, Vincent Havard, Yohan Dupuis et David Baudry. “Digital twin of an industrial workstation: A novel method of an auto-labeled data generator using virtual reality for human action recognition in the context of human–robot collaboration”. In : Engineering applications of artificial intelligence 118 (2023), p. 105655.
[3] Yuehua Ding, Jean-François Dollinger, Vincent Vauchey et Mourad Zghal. “WiFi-Visual Data Fusion For Indoor Robot Localization”. In : 2024 IEEE-RAS 23rd International Conference on Humanoid Robots (Humanoids). IEEE. 2024, p. 135-140.
[4] Yassine Feddoul, Nicolas Ragot, Fabrice Duval, Vincent Havard, David Baudry et Ahlem Assila. “Exploring human-machine collaboration in industry: A syste matic literature review of digital twin and robotics interfaced with extended reality technologies”. In : The international journal of advanced manufacturing technology 129.5 (2023), p. 1917-1932.
[5] Huy Ha, Jingxi Xu et Shuran Song. “Learning a decentralized multi-arm motion planner”. In : arXiv preprint arXiv:2011.02608 (2020).
[6] Pierre Hémono, Ahmed Nait Chabane et M’hammed Sahnoun. “Multi objective optimization of human–robot collaboration: A case study in aerospace assembly
line”. In : Computers & Operations Research 174 (2025), p. 106874.
[7] Sertac Karaman et Emilio Frazzoli. “Sampling-based algorithms for optimal motion planning”. In : The international journal of robotics research 30.7 (2011),
p. 846-894.
[8] Niki Kousi, Christos Gkournelos, Sotiris Aivaliotis, Christos Giannoulis, George Michalos et Sotiris Makris. “Digital twin for adaptation of robots’ be havior in flexible robotic assembly lines”. In : Procedia manufacturing 28 (2019), p. 121-126.
[9] Marius Matulis et Carlo Harvey. “A robot arm digital twin utilising reinforcement learning”. In : Computers & Graphics 95 (2021), p. 106-114.
[10] Ashwin Misra, Anuj Agrawal et Vihaan Misra. “Robotics in Industry 4.0”. In : Handbook of Smart Materials, Technologies, and Devices: Applications of Industry
4.0 (2021), p. 1-35.
[11] Alexandre Parant, Laurent Arcese, Sinuhé Martinez-Martinez et Arthur Marguery. “Cooperation and synchronization of robotic tasks using a digital twin”. In : ICINCO 2024. 2024.
[12] Mame Cheikh Sow, Ahlem Assila, David Garcia, Sinuhé Martinez, Mourad Zghal et David Baudry. “Towards the development of a digital twin for micro learning factory: A proof of concept”. In : International Conference on Extended Reality. Springer. 2023, p. 284-298