Résumé
Dans cette thèse, nous développons des stratégies d'assistance à la chirurgie minimalement invasive robotisée et plus précisément à la coelioscopie et à l'endoscopie flexible. Différents défis rendent l'exécution automatique de tâches complexes en MIS : d'une part, l'environnement est non structuré et déformable ; d'autre part, les capteurs extéroceptifs sont limités et leur mesure parfois indisponible. De plus, les outils chirurgicaux utilisés sont souvent flexibles, ce qui rend leur positionnement précis compliqué. Dans la première partie de ce document, nous présentons de nouvelles approches pour réaliser l'identification en ligne du modèle du jeu mécanique présent dans les transmissions à câble utilisées par les endoscopes flexibles. Le jeu dans les transmissions à câbles dégrade la précision du positionnement en boucle ouverte et augmente la charge cognitive du praticien qui devra le compenser. Cependant, sa compensation par la commande nécessite une identification précise du modèle, qui devrait idéalement être effectuée in-situ, c'est-à-dire juste avant ou durant la procédure chirurgicale. Nous proposons plusieurs méthodes qui peuvent être appliquées à différentes architectures de robots et dans différents scénarios pertinents pour des applications médicales. Les algorithmes sont évalués à travers des simulations et évalués expérimentalement sur une plateforme endoscopique robotisée. Dans une seconde partie, nous étudions l'apprentissage en ligne des paramètres des modèles de la tâche et du robot afin de générer une assistance à l'opérateur qui pourra s'améliorer en cours d'utilisation. Nous considérons le cas du guidage haptique lors de la téléopération à distance d'un robot, un scénario classique en robotique chirurgicale. Dans ce contexte, nous évitons d'être dépendant de capteurs extéroceptifs et exploitons la présence de l'opérateur pour extraire les informations nécessaires à l'apprentissage. Les algorithmes que nous proposons sont évalués dans différents scénarios télérobotiques simulés et réels, démontrant l'applicabilité des méthodes aux problèmes d'apprentissage en ligne pour l'assistance à la téléopération.