Modélisation et commande avec apprentissage d'endoscopes flexibles robotisés
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Aleluia Porto, Rafael
Date de soutenance : 14-01-2021

Directeur(s) de thèse : Mathelin, Michel de

Président : Laroche, Edouard
Rapporteur(s) : Redarce, Tanneguy - Tamadazte, Brahim
Membre(s) du jury : Zemiti, Nabil - Nageotte, Florent

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Automatique, vision et robotique
Classification : Sciences de l'ingénieur

Mots-clés libres : Robots continus, Modélisation, Apprentissage automatique, Modèles hybrides, Robotique médicale
Mots-clés :
  • Robotique en médecine
  • Systèmes non linéaires
  • Apprentissage automatique
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD007
Type de ressource : Thèse