Thèse Développement d'Une Architecture d'Apprentissage par Renforcement Profond pour la Manipulation Robotique de Plantes Déformables dans des Tâches de Récolte H/F

Doctorat_Gouv

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Olivier LY
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

Dans le domaine agricole, les tâches fortement consommatrices de main-d'oeuvre telles que la récolte, l'arrosage, la taille ou encore la mise en place de protections contre le froid deviennent de plus en plus difficiles à pourvoir. Les robots agricoles constituent une alternative prometteuse pour automatiser ces opérations de manière flexible, rapide et économiquement viable [1, 2, 3]. Ces processus nécessitent toutefois une manipulation précise d'objets déformables (OD), tels que des objets unidimensionnels comme les tiges de plantes, des objets bidimensionnels comme les bâches plastiques, ou encore des objets tridimensionnels comme les légumes. La manipulation de ces objets demeure néanmoins un défi majeur en raison de leur comportement non linéaire et difficilement prévisible [4, 5].

Les modèles de déformation existants sont généralement conçus pour des types spécifiques d'objets déformables, ce qui limite fortement leur capacité de généralisation [6]. Des modèles simplifiés sont souvent utilisés en pratique, mais ils manquent de précision et de flexibilité [7]. Afin de dépasser ces limites, des approches sans modèle explicite, telles que l'apprentissage par renforcement profond (Deep Reinforcement Learning - DRL), ont démontré un fort potentiel, en permettant aux robots d'apprendre des stratégies de manipulation par interaction avec leur environnement [8, 9]. Toutefois, les architectures actuelles de DRL présentent encore des problèmes de passage à l'échelle et de généralisation lorsqu'elles sont appliquées à différents types d'objets déformables. Cette thèse vise à répondre à ces défis. L'objectif est de développer une architecture DRL capable de passer à l'échelle et de généraliser à différents types d'objets déformables rencontrés en agriculture.

This PhD project is part of the research activities of the Rhoban team at the LaBRI laboratory (University of Bordeaux), which specializes in autonomous robotics and robot learning. The team has extensive experience in designing autonomous robots and applying reinforcement learning to robotic manipulation.
The thesis will be carried out in collaboration with the CHART laboratory at the University of Nottingham (United Kingdom), which has recognized expertise in deformable object manipulation and robotic applications for assistance and rehabilitation. This collaboration will enable scientific exchange on learning methods for handling soft objects and advanced robotic architectures.

This PhD position is proposed by the Rhoban team [10], affiliated with the LaBRI laboratory [11] and the University of Bordeaux in France. The successful candidate will focus on dualarm robotic manipulation, leveraging multi-agent DRL techniques, sensor feedback integration, and adaptive control strategies to create a flexible and generalizable framework applicable to agricultural tasks. This research will contribute to advancing state-of-the-art in robotic manipulation for agricultural automation, supporting the development of sustainable and efficient farming practices.

The thesis will be based on an approach combining deep reinforcement learning, experimental robotics, and simulation-based validation.
Initially, a state-of-the-art study will be conducted on robotic manipulation of deformable objects and recent deep reinforcement learning architectures. This analysis will help identify the current limitations in terms of generalization and scalability.
Subsequently, new DRL architectures will be developed for the robotic manipulation of deformable objects. This work may include the use of multi-agent approaches, action space decomposition, and the integration of sensor feedback (vision, proprioception).
The proposed methods will first be evaluated in robotic simulation environments before being transferred to real robotic platforms. Scenarios inspired by agricultural applications, such as manipulating plant stems or handling soft objects, will be used to assess the robustness and generalization capabilities of the developed approaches.