Apprentissage par Renforcement pour la Manipulation Robotique

Ce projet explore l’apprentissage par renforcement pour entraîner un bras robotique simulé à interagir dynamiquement avec des boîtes, en réponse à des événements complexes. En combinant l’environnement événementiel Open the Chests et la simulation physique avec PyBullet, l’agent apprend à identifier des séquences d’événements et à choisir de manière autonome la boîte adéquate à manipuler dans un contexte de prise de décision séquentielle.

Technologies utilisées

• PyBullet : Simulation physique du bras robotique.

• Open the Chests (OtC) : Environnement événementiel pour l'entraînement du robot. Créé par nos professeures Sao Mai Nguyen et Ivelina Stoyanova.

• Stable-Baselines3 (SB3)

  Algorithmes/Modèles utilisés

• PPO (Proximal Policy Optimization) – Apprentissage bras robotique.

• DQN (Deep Q-Network)

• GRU (Gated Recurrent Unit)

Composants

• Environnement de simulation : bras KUKA + 3 coffres.
• Espace d'action : translation 3D limitée pour stabilité.
• Contrôle moteur : cinématique inverse.
• Récompense : basée sur la distance et le contact avec la cible.

Instructions pour exécuter

1. Installer les dépendances :

pip install pybullet stable-baselines3 gym numpy matplotlib

Equipe

Lily Daganaud, Candice Bouqin-Renoux, Sarah Garcia, Ines Lalou