Contact force sensing from motion tracking / Tu-Hoa Pham ; sous la direction de Abderrahmane Kheddar

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Toucher

Analyse du mouvement

Mécanique humaine

Robots humanoïdes

Kheddar, Abderrahmane (Directeur de thèse / thesis advisor)

Puech, William (19..-.... ; auteur en traitement du signal) (Président du jury de soutenance / praeses)

Marchand, Éric (1970-.... ; chercheur en informatique) (Rapporteur de la thèse / thesis reporter)

Perdereau, Véronique (19..-....) (Rapporteur de la thèse / thesis reporter)

Argyros, Antonis A. (Membre du jury / opponent)

Rogez, Grégory (Membre du jury / opponent)

Université de Montpellier (2015-2021) (Organisme de soutenance / degree-grantor)

École Doctorale Information, Structures, Systèmes (Montpellier ; 2015) (Ecole doctorale associée à la thèse / doctoral school)

Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....) (Laboratoire associé à la thèse / thesis associated laboratory)

Résumé / Abstract : Le sens du toucher joue un rôle fondamental dans la façon dont nous percevons notre environnement, nous déplaçons, et interagissons délibérément avec d'autres objets ou êtres vivants. Ainsi, les forces de contact informent à la fois sur l'action réalisée et sa motivation. Néanmoins, l'utilisation de capteurs de force traditionnels est coûteuse, lourde, et intrusive. Dans cette thèse, nous examinons la perception haptique par la capture de mouvement. Ce problème est difficile du fait qu'un mouvement donné peut généralement être causé par une infinité de distributions de forces possibles, en multi-contact. Dans ce type de situations, l'optimisation sous contraintes physiques seule ne permet que de calculer des distributions de forces plausibles, plutôt que fidèles à celles appliquées en réalité. D'un autre côté, les méthodes d'apprentissage de type `boîte noire' pour la modélisation de structures cinématiquement et dynamiquement complexes sont sujettes à des limitations en termes de capacité de généralisation. Nous proposons une formulation du problème de la distribution de forces exploitant ces deux approches ensemble plutôt que séparément. Nous capturons ainsi la variabilité dans la façon dont on contrôle instinctivement les forces de contact tout en nous assurant de leur compatibilité avec le mouvement observé. Nous présentons notre approche à la fois pour la manipulation et les interactions corps complet avec l'environnement. Nous validons systématiquement nos résultats avec des mesures de référence et fournissons des données exhausives pour encourager et évaluer les travaux futurs sur ce nouveau sujet.

Résumé / Abstract : The human sense of touch is of fundamental importance in the way we perceive our environment, move ourselves, and purposefully interact with other objects or beings. Thus, contact forces are informative on both the realized task and the underlying intent. However, monitoring them with force transducers is a costly, cumbersome and intrusive process. In this thesis, we investigate the capture of haptic information from motion tracking. This is a challenging problem, as a given motion can generally be caused by an infinity of possible force distributions in multi-contact. In such scenarios, physics-based optimization alone may only capture force distributions that are physically compatible with a given motion, rather than those really applied. In contrast, machine learning techniques for the black-box modelling of kinematically and dynamically complex structures are often prone to generalization issues. We propose a formulation of the force distribution problem utilizing both approaches jointly rather than separately. We thus capture the variability in the way humans instinctively regulate contact forces while also ensuring their compatibility with the observed motion. We present our approach on both manipulation and whole-body interaction with the environment. We consistently back our findings with ground-truth measurements and provide extensive datasets to encourage and serve as benchmarks for future research on this new topic.