Discrimination de textures et quantification de rugosité par algorithme d'apprentissage

Rispal, Samuel (2014). Discrimination de textures et quantification de rugosité par algorithme d'apprentissage. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (3MB) | Prévisualisation
Prévisualisation	PDF Télécharger (430kB) | Prévisualisation

Résumé

Alors que la recherche en robotique progresse sur la manipulation d’objets, nous nous sommes intéressés à trouver des informations qui pourraient permettre d’améliorer la dextérité du robot si ce dernier en avait connaissance avant la manipulation. Nous supposons que lorsqu’une personne observe un objet, elle intègre en même temps un cetain nombre de ses caractéristiques (forme, texture, rugosité, fragilité, déformabilité...). Ces informations conditionnent son mouvement et lui permettent de mieux manipuler l’objet. En allant dans ce sens, nous cherchons à donner au toucher un moyen d’acquérir ce type d’informations. Pour cela, l’objectif de notre étude est de proposer un algorithme léger et utilisant des mouvements d’acquisition rapides pour permettre à un robot de distinguer des textures et d’estimer la rugostié. Cet algorithme a pour objectif de pouvoir être utilisé en temps réel.

Dans un premier temps, nous sommes repartis de différentes études sur la discrimination de textures. Nous avons réalisé trois études visant à reconnaître différentes textures malgré des vitesses, des forces ou une orientation d’acquisition différentes. Nous avons aussi fait une étude sur 10 textures fines visant à différencier des textures proches. Pour chaque simulation (RNA ou SVM), optimisée par algorithme génétique, la reconnaissance dépasse 90%. Nous avons noté l’interêt d’utiliser des algorithmes génétiques pour optimiser la simulation. Néanmoins, ces algorithmes sont limités car il est nécessaire d’apprendre une texture avant de pouvoir la reconnaitre.

Dans une seconde étude, nous avons cherché à estimer la rugosité d’un matériau en se basant sur une échelle humaine : nous avons demandé à 30 personnes de donner un indice de rugosité allant de 1 à 10 pour 25 textures. Ensuite, nous avons créé un algorithme cherchant à estimer la rugosité en étalonant notre échelle avec les résultats de nos participants. Nous avons pu voir que l’homme a du mal à définir de manière précise la rugosité sur une échelle de 1 à 10. Malgré quatre propositions d’architecture et différents traitements, l’algorithme a aussi eu des difficultés à généraliser les résultats avec uniquement 25 textures. Une étude avec plus de textures serait nécessaire.

Résumé traduit

During the last years, the research on robotic object’s manipulation made interesting progresses. In order to improve robot’s dexterity, this essay proposes a new approach to find information about the robot’s neighborhood using tactile sensors.We focus on two main properties : textures discrimination and roughness estimation.

We propose three experiments on textures discrimination : the first one discriminates 4 textures with different speeds and strengths between the sensor and the texture during the acquisition. The second one proposes a way to recognize a texture in spite of the initial orientation of the sensor on the texture. The last one discriminates 10 smooth textures showing the sensor’s accuracy. For each experience, the simulations using ANN or SVM and optimized by genetic algorithm have results higher than 90% of recognition. The use of genetic algorithm has an interesting impact and allow to find the best value for different variables. The limit of this kind of algorithm is the necessity of learning each texture you need to recognize.

In our second study, we look for a scale to estimate any texture’s roughness based on human roughness feeling. To create this scale we asked 30 people to classify 25 textures chosen from the smoothest to the roughest on a scale from 1 to 10. Then, we create an algorithm to estimate the roughness using these results. We conclude human roughness feeling have difficulties to estimate roughness with precision on a scale from 1 to 10. Despite using 4 different algorithms, we have troubles to generalize the algorithm on unknown textures. A new study with more textures should be necessary.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie électrique". Bibliographie : pages 79-83.
Mots-clés libres:	Capteurs tactiles. Rugosité. Algorithmes génétiques. Apprentissage Modèles mathématiques. Toucher. algorithme d’apprentissage
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duchaine, Vincent
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	02 déc. 2014 17:01
Dernière modification:	02 déc. 2014 17:01
URI:	https://espace.etsmtl.ca/id/eprint/1401

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt