Pedneault, Nicolas (2017). Reconnaissance d'objets tridimensionnels à partir de données tactiles. Mémoire. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 117 p.
Prévisualisation |
PDF
Télécharger (4MB) | Prévisualisation |
Résumé
Les percées technologiques du dernier siècle en matière d'électronique et de miniaturisation ont véritablement permis le développement d'appareils et d’instruments ne permettant pas seulement de décupler l'acuité des sens humains, mais de les reproduire de manière synthétique. Les capteurs développés pour reproduire le toucher demeurent tous néanmoins limités en matière de reconnaissance d'objets, d'où la nécessité de développer de nouveaux types de capteurs d'un côté, et de l'autre, d'améliorer de manière intelligente le processus d'acquisition, d'interprétation et d'intégration des données collectées. Ce projet vise, en premier lieu, l'amélioration du processus d'acquisition des données tactiles sous forme « d'empreintes » tactiles. Pour identifier les endroits sur la surface d'un objet tridimensionnel (les points d'intérêt), sur lesquels seront collectés les empreintes tactiles, nous utiliserons une approche informée, sous forme d'algorithmes visuels de détection de points d'intérêt. L'approche informée présuppose l'utilisation de connaissances extraites par d'autres sens, la vision dans le cas présent, et ayant comme objectif la maximisation du gain d'information sur l'objet pour guider le processus d'acquisition, au lieu de toucher l'objet à l'aveuglette (approche non-informée). En s'inspirant de l'expérience humaine en matière de toucher et de vision qui démontrent l'utilité de la vue pour saisir et manipuler des objets, tous les algorithmes utilisés, sauf un, sont inspirés directement de l'attention visuelle humaine pour identifier les régions qui attirent l'attention. En deuxième lieu, puisque l'acquisition de données réelles aux endroits identifiés nécessiterait énormément de temps, nous simulerons celle-ci, dans une première étape, à l'aide d'objets virtuels, sur lesquels nous récolterons des empreintes en croisant un plan virtuel, représentant la surface d'un capteur tactile, avec leurs surfaces. Ce plan subira ensuite de légères translations successives vers l'intérieur de l'objet pour simuler l'interaction avec un capteur réel, et les points d'intersection de ce plan avec l'objet virtuel seront enregistrés, créant une série de courbes de niveaux. Chacune des séries de courbes de niveaux deviendra une empreinte locale sur l'objet virtuel. En troisième lieu, nous tenterons de reconnaître de manière autonome les objets pour lesquels nous aurons obtenus les empreintes. Diverses techniques d'apprentissage, telle que les réseaux de neurones, l'apprentissage profond, les réseaux bayésiens, les arbres, les forêts d'arbres et le boosting d'arbres de décision, les machines de vecteurs de support (support vector machines) ainsi que la technique de K plus-proches voisins seront mises à profit et comparées pour atteindre ce but. Finalement, des données réelles (profils locaux de pression) sont également récoltées sur un nombre réduit d'objets réels en utilisant un capteur résistif sensible à la force pour valider les résultats obtenus.
Type de document: | Thèse (Mémoire) |
---|---|
Directeur de mémoire/thèse: | Cretu, Ana-Maria |
Informations complémentaires: | Comprend des références bibliographiques : p. 81-87. |
Départements et école, unités de recherche et services: | Informatique et ingénierie |
Date de dépôt: | 24 nov. 2017 17:50 |
Dernière modification: | 27 nov. 2017 19:37 |
URI: | https://di.uqo.ca/id/eprint/948 |
Gestion Actions (Identification requise)
Dernière vérification avant le dépôt |