Date : 2011
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : français / French
Accès en ligne / online access
Accès en ligne / online access
Résumé / Abstract : Des méthodes efficaces s'appuyant sur des outils statistiques pour réaliser dela reconnaissance de mouvement ont été développé. Ces méthodes reposent surl'apprentissage de primitives situé dans des espaces approprié, par exemplel'espace latent de l'espace articulaire et/ou d'espace de tâches adéquat. Lesprimitives apprises sont souvent séquentielle: un mouvement est segmenté selonl'axe des temps. Dans le cas d'un robot humanoïde, le mouvement peut êtredécomposé en plusieurs sous-tâches simultanées. Par exemple dans un scénario deserveur, le robot doit placer une assiette sur la table avec une main tout enmaintenant son plateau horizontal avec son autre main. La reconnaissance nepeut donc pas se limiter à une seule et unique tâche par segment de tempsconsécutif. La méthode présenté dans ces travaux utilise la connaissance destâches que le robot est capable d'accomplir, ainsi que des contrôleurs quigénèreront les mouvements pour réaliser une rétro ingénierie sur un mouvementobservé. Cette analyse est destinée à reconnaître des tâches qui ont été exécutéde manière simultanées. La méthode repose sur la fonction de tâche et lesprojections dans l'espace nul des tâches afin de découpler les contrôleurs.L'approche a été appliqué avec succès sur un vrai robot pour distinguer desmouvements visuellement très proches, mais sémantiquement différents
Résumé / Abstract : Efficient methods to perform motion recognition have been developed usingstatistical tools. Those methods rely on primitives learning in a suitablespace, for example the latent space of the joint angle and/or adequate taskspaces. The learned primitives are often sequential : a motion is segmentedaccording to the time axis. When working with a humanoid robot, a motion can bedecomposed into simultaneous sub-tasks. For example in a waiter scenario, therobot has to keep some plates horizontal with one of his arms, while placing aplate on the table with its free hand. Recognition can thus not be limited toone task per consecutive segment of time. The method presented in this worktakes advantage of the knowledge of what tasks the robot is able to do and howthe motion is generated from this set of known controllers to perform a reverseengineering of an observed motion. This analysis is intended to recognizesimultaneous tasks that have been used to generate a motion. The method relieson the task-function formalism and the projection operation into the null spaceof a task to decouple the controllers. The approach is successfully applied ona real robot to disambiguate motion in different scenarios where two motionslook similar but have different purposes