Approche neuromimétique modulaire pour la commande d'un système robotvision

par Gilles Hermann

Thèse de doctorat en Électronique, électrotechnique, automatisme

Sous la direction de Jean-Philippe Urban.

Soutenue en 2004

à Mulhouse .


  • Résumé

    Les travaux du laboratoire se concentrent autour du contrôle neuromimétique d'une plate-forme robot-vision. Dans ce cadre, ce travail de thèse concerne l'application des réseaux de neurones artificiels à la commande d'un bras robotique par asservissement visuel. Cette étude porte plus particulièrement sur l'apprentissage modulaire, afin de réaliser des ontrôleurs neuromimétiques. Nous avons utilisé des cartes auto-organisatrices pour apprendre des fonctions robotiques. Celles-ci ont été choisies pour la simplicité de leur algorithme et leur capacité de généralisation, avantages qui nous permettent d'exécuter un apprentissage en temps réel. Cependant, ces cartes souffrent de la dimensionnalité de l'espace d'entrées, liée à la complexité de la tâche à accomplir. Face à ce problème de dimensionnalité, nous proposons de décomposer la tâche en modules, chacun de ceci étant alors constitué de réseaux de neurones artificiels de dimensionnalité plus petite. La décomposition séquentielle rend la phase d'apprentissage de la structure complète plus délicate. En effet, toutes les entrées et toutes les sorties désirées de chacun des modules ne sont pas disponibles. L'apprentissage est alors rendu possible en introduisant d'autres modules dans le flux inverse, capables de faire d'autres estimations des variables intermédiaires introduites. L'apprentissage devient alors bidirectionnel. L'approche modulaire proposée peut être considérée comme un contrôleur neuromimétique. L'asservissement visuel à été validé sur deux tâches robotiques complexes : la détermination de la configuration angulaire d'un robot trois axes et l'estimation de l'orientation de l'effecteur d'un robot quatre axes.


  • Résumé

    The laboratory works on the neural network control of a robot-vision system. This thesis concerns the application of artificial neural networks to control a robotic arm with visual servoing. The study focuses on modular learning to carry out neural networks controllers. We used self organizing maps to learn robotic functions which had been chosen for the simplicity of their algorithm as well as their capacity of generalization. These advantages enable us to have an online learning process, in real time. However these map can't deal properly with the important size of the input space following from the complexity of the task. To resolve the dimensionality problem we propose to divide the task into modules, each of them being composed of small-size artificial neural networks. With a sequential decomposition the learning phase of the whole structure becomes more difficult. Indeed not all desired inputs and outputs (which are examples for the learning process) of each module are available. Therefore a learning process is enabled by introducing the modules into the inverse flow which can estimate other introduced intermediary variables. The learning process in then bidirectional. The modular approach can therefore be considered as a neural network controller. The visual servoing has been validated on two complex robotic tasks: determining the angular configuration of a three-axis-robot and estimating the effector orientation of a four-axis-robot.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 146 f.
  • Notes : Publication autorisée par le jury
  • Annexes : 116 ref.

Où se trouve cette thèse ?

  • Bibliothèque : Université de Haute-Alsace (Mulhouse). Service Commun de Documentation. Section Sciences et Techniques.
  • Disponible pour le PEB
  • Cote : Th 04 HER
  • Bibliothèque : Université de Haute-Alsace (Mulhouse). Service Commun de Documentation. Section Sciences et Techniques.
  • Non disponible pour le PEB
  • Cote : Th 04 HER
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.