Dans cette thèse, on considère le problème de planification multi-objective de trajectoire des manipulateurs robotiques. D'abord, le problème de planification hors ligne est étudié. À partir des modèles cinématique et dynamique du robot, et ceux de l'espace de travail et de la tâche, le problème est formulé dans le cadre du calcul variationnel, comme un programme non linéaire sous contraintes. La technique du Lagrangien augmenté est appliquée à une représentation découplée de la dynamique du robot afin de résoudre le problème résultant de commande optimale. Cette étude est développée pour deux classes de manipulateurs robotiques;​ les robots sériels redondants et les robots parallèles. Les différences principales, par rapport au problème de planification de trajectoire, entre les robots sériels et parallèles sont revues et l'approche proposée tient compte de ces différences. Des simulations réalisées sur des modèles de ces robots montrent l'efficacité de cette approche comparée à celles développées jusqu'à date, notamment les approches utilisant les méthodes de pénalité ou celles basées uniquement sur la cinématique du robot.

La deuxième partie de cette thèse concerne le problème de planification en-ligne de trajectoire des robots manipulateurs. Pour surpasser la complexité élevée des approches conventionnelles de commande optimale en boucles ouvertes ou fermées, nous avons proposé d'utiliser un système d'inférence neuro-floue dirigé par les données (Data-Driven Neuro-Fuzzy Inference System). La ligne directrice de cette approche est jalonnée en trois étapes:​ D'abord, diverses techniques sont utilisées pour générer hors ligne un ensemble de trajectoires couvrant suffisamment l'espace de travail du robot. Ensuite, ces données sont groupées par une technique de groupement de données appelée "Subtractive Clustering". Ceci nous permet par la même, l'initialisation des paramètres d'un réseau neuro-flou. Dans la 3^ème étape, ces paramètres sont optimisés en entraînant le réseau en question. Une fois construit et optimisé, ce réseau est utilisé dans une phase de généralisation pour la planification en-ligne de trajectoire, avec une complexité moindre. Des études de simulation et des comparaisons ont été effectuées pour les différentes techniques et les résultats sont très encourageants.

The multi-objective trajectory-planning problem for robotic manipulators is considered in this thesis. In the first part, the offline-planning problem is formulated in a variation calculus framework. Optimised criteria are robot travelling time and electrical and kinetic energy, and a measure of manipulability to avoid singularities. The optimisation process is done under several constraints such as actuator limitations and passing through imposed poses. The resulting constrained non-linear and non- convex optimal control problem is solved using an augmented Lagrangian with decoupling technique. This approach has been implemented on two categories of robotic manipulators;​ a serial redundant manipulator and a parallel manipulator. The simulations gave very good results - as compared to only kinematic based planning and approaches based on penalty methods - in time and energy minimisation and constraints satisfaction.

The second part considers the online motion planning. Because of the limitations of conventional techniques, a data-driven neuro-fuzzy approach is developed. In a prior pre-processing step, a multi-objective trajectory planning is performed using an offline methodology to generate as many as needed trajectories covering the workspace and satisfying constraints related to robot kinematics and dynamics, task and workspace. The obtained dataset is partitioned using a subtractive clustering algorithm, initializing by the same token, for a data-driven neuro-fuzzy system parameters. Then, the neuro-fuzzy system is trained and optimized to capture the dynamic multi-objective behaviour of the robot. This system allows online motion planning with lower time consumption in a generalization phase. Simulations on a 3 DOF planar serial redundant manipulator show the robustness and high generalization capabilities of the proposed system. These results show also its advantages for time-energy minimization, redundancy resolution, and singularity avoidance – as compared to other approaches.