Des méthodes efficaces s'appuyant sur des outils statistiques pour réaliser de la reconnaissance de mouvement ont été développé. Ces méthodes reposent sur l'apprentissage de primitives situé dans des espaces approprié, par exemple l'espace latent de l'espace articulaire et/ou d'espace de tâches adéquat. Les primitives apprises sont souvent séquentielle: un mouvement est segmenté selon l'axe des temps. Dans le cas d'un robot humanoïde, le mouvement peut être décomposé en plusieurs sous-tâches simultanées. Par exemple dans un scénario de serveur, le robot doit placer une assiette sur la table avec une main tout en maintenant son plateau horizontal avec son autre main. La reconnaissance ne peut donc pas se limiter à une seule et unique tâche par segment de temps consécutif. La méthode présenté dans ces travaux utilise la connaissance des tâches que le robot est capable d'accomplir, ainsi que des contrôleurs qui génèreront les mouvements pour réaliser une rétro ingénierie sur un mouvement observé. Cette analyse est destinée à reconnaître des tâches qui ont été exécutées de manière simultanées. La méthode repose sur la fonction de tâche et les projection dans l'espace nul des tâches afin de découpler les contrôleurs. L'approche a été appliquée avec succès sur un vrai robot pour distinguer des mouvements visuellement très proches, mais sémantiquement différents.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00662863 |
| Date | 02 November 2011 |
| Creators | Hak, Sovannara |
| Publisher | INSA de Toulouse |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | fra |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0014 seconds