Note ABES Modelling and control of robotic flexible endoscopes using machine learning Modélisation et commande avec apprentissage d'endoscopes flexibles robotisés Robots continus Modélisation Apprentissage automatique Modèles hybrides Robotique médicale Continuum robots Modeling Machine learning Hybrid models Medical robotics 629.89 Robotique en médecine Systèmes non linéaires Apprentissage automatique Dans le contexte des chirurgies mini-invasives, les endoscopes flexibles et les instruments chirurgicaux à câble sont des outils essentiels. Dans les systèmes robotiques, la transmission par câble permet de contrôler les effecteurs distaux à l’intérieur du patient à partir de moteurs situés du côté proximal. Cependant, des non-linéarités sont introduites en raison de l'interaction entre les câbles et les gaines à l'intérieur des outils endoscopiques. Dans cette thèse, un nouveau modèle cinématique inverse (MCI) qui peut prendre en compte des non-linéarités complexes est proposé pour les systèmes flexibles, ainsi qu'une extension pour tout type de système robotique. Le concept des techniques développées consiste à combiner la modélisation géométrique avec des techniques d'apprentissage automatique. Cela permet d'obtenir un MCI précis, efficace et capable de gérer les effets d'hystérésis. La précision est améliorée par rapport à d'autres approches basées sur l'apprentissage, avec une phase d'entraînement plus rapide, comme l'ont montré les expériences menées sur la plateforme STRAS. In the context of minimally invasive surgeries, flexible endoscopes and cable-driven flexible instruments are essential tools. In robotic systems, cable transmission allows to control distal effectors inside the patient from external motors located at the proximal side. However, non-linearities are introduced due to the interaction between the cables and the sheaths inside the endoscopic tool’s shafts. In this thesis, a novel position inverse kinematic model (PIKM) that can consider complex non-linearities is proposed for both coupled and uncoupled flexible systems, as well as an extension for any kind of robotic system. The core concept of the developed techniques is to combine classic kinematics with machine learning techniques. This allows for a precise, yet efficient, PIKM that can handle hysteresis effects. The positioning accuracy is improved compared to other learning-based approaches with a faster training phase as has been shown on experiments on the STRAS platform. Electronic Thesis or Dissertation Text en PDF 53300850 Université de Strasbourg Strasbourg 2022-12-31 https://theses.hal.science/tel-03663365 application/pdf 53367852 https://publication-theses.unistra.fr/public/theses_doctorat/2021/AleluiaPorto_Rafael_2021_ED269.pdf http://www.theses.fr/2021STRAD007/abes https://theses.hal.science/tel-03663365 https://theses.hal.science/tel-03663365 https://theses.hal.science/tel-03663365 Aleluia Porto Rafael 1992-05-15 FR 261550950 https://theses.fr/2021STRAD007 2021STRAD007 https://doi.org/10.70675/7c52b394z9420z4d9ezb9c9z4acf6a1893de 2021-01-14 Automatique, vision et robotique Strasbourg 131056549 Doctorat Docteur es non oui Mathelin Michel de MADS_DIRECTEUR_DE_THESE_1 079382983 Laroche Edouard MADS_PRESIDENT_DU_JURY 168812339 Zemiti Nabil MADS_MEMBRE_DU_JURY_1 110353900 Nageotte Florent MADS_MEMBRE_DU_JURY_2 098492519 Redarce Tanneguy MADS_RAPPORTEUR_1 079153178 Tamadazte Brahim MADS_RAPPORTEUR_2 14491347X École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 217648 ddc:620 Mathelin Michel de Laroche Edouard Zemiti Nabil Nageotte Florent Redarce Tanneguy Tamadazte Brahim École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 53300850