Thèse soutenue

Reconnaissance de tâches par commande inverse
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Sovannara Hak
Direction : Jean-Paul LaumondNicolas Mansard
Type : Thèse de doctorat
Discipline(s) : Automatique et Robotique
Date : Soutenance le 02/11/2011
Etablissement(s) : Toulouse, INSA
Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
Jury : Président / Présidente : Rachid Alami
Examinateurs / Examinatrices : Jean-Paul Laumond, Nicolas Mansard, Olivier Strasse
Rapporteurs / Rapporteuses : Aude Billard, Bernard Espiau

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

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