Projet : ICARE - icare

<body bgcolor="#FFFFFF" text="#000000" link="#9944EE" vlink= "#0000FF" alink="#00FF00">  <a name="CHILD_LINKS" id= "CHILD_LINKS"><strong>Sous-sections</strong></a> <ul> <li><a name="tex2html163" href= "fonde_perception_mn.html#SECTION00033100000000000000" target="main" id="tex2html163"><small>Modélisation géométrique</small></a></li> <li><a name="tex2html164" href= "fonde_perception_mn.html#SECTION00033200000000000000" target="main" id="tex2html164"><small>Reconnaissance de structures connues</small></a></li> </ul> <hr /> <h2><a name="SECTION00033000000000000000" id= "SECTION00033000000000000000">Perception pour la modélisation</a></h2> <a name="ICARE_fondements_perception" id= "ICARE_fondements_perception"></a> <p><br /> <br /> <span class="textbf">Participants :</span> Patrick Rives, Jean-Jacques Borrelly, Alessandro Corrêa-Victorino, FranÇois-Xavier Espiau.<br /> <br /></p> <p><strong>Mots clés :</strong> <i>perception active, traitement d'images, télémétrie laser, reconstruction 3D, cartographie .</i></p> <h3>Résumé :</h3> <div class="ABSTRACT"> <i>La réalisation d'une tâche en robotique nécessite de savoir acquérir et manipuler des modèles de l'environnement à partir des informations fournies par des capteurs extéroceptifs. Parfois, la finalité même de la tâche est la construction de ces modèles. D'autres fois, ces modèles serviront d'entrée à un module de planification ou seront utilisés directement dans des boucles de commande. Dans tous les cas, la fiabilité des représentations, et donc des fonctions de perception ayant permis de les construire, est une condition essentielle à la bonne réalisation de la tâche. Tout comme les humains, les robots évoluent dans un monde physique tridimensionnel sur lequel ils exercent des actions régies par les lois de la physique. Cette caractéristique se retrouve dans les modèles manipulés qui seront le plus souvent des représentations tridimensionnelles surfaciques ou volumiques, décrites dans un repère de l'espace euclidien et soumises à l'action du groupe des déplacements <span class= "MATH"><i>SE</i>3</span>. Malheureusement, les capteurs extéroceptifs utilisés en robotique sont rarement capables de nous fournir directement des modèles de ce type et une grande part du travail de modélisation sera de passer de la mesure brute fournie par les capteurs au modèle nécessaire à l'exécution de la tâche. L'éventail des problèmes de perception en robotique est très large, avec deux types de problèmes que l'on peut qualifier de canoniques :</i> <ul> <li><b>la modélisation géométrique :</b> il s'agira, à partir des mesures fournies par les capteurs de construire une représentation géométrique de l'environnement, c'est le problème de l'estimation de la structure géométrique,</li> <li><b>la reconnaissance de structures connues :</b> il s'agira de découvrir à partir des mesures capteur, la présence dans l'environnement de structures particulières souvent décrites par un modèle caractérisant une classe générique d'objet.</li> </ul> </div> <h3><a name="SECTION00033100000000000000" id= "SECTION00033100000000000000">Modélisation géométrique</a></h3> <p>Historiquement, le problème de la modélisation géométrique est lié à la manipulation d'objets par des robots industriels à poste fixe. Il s'agissait alors de reconstruire des objets géométriques de forme relativement simple, dont on possédait souvent un modèle et qui se trouvaient dans un volume de travail limité en dimension. Les approches étaient le plus souvent pilotées par les modèles de faÇon à exploiter, au mieux, la connaissance a priori sur l'application. L'essor de la robotique mobile a fait apparaître de nouvelles problématiques du fait que :</p> <ul> <li>l'espace dans lequel évolue le robot est de grande dimension et la localisation du robot dans cet espace est le plus souvent incertaine,</li> <li>les modèles à reconstruire peuvent provenir d'objets naturels non structurés dont l'observation complète nécessite de déplacer le capteur et de fusionner plusieurs perceptions partielles,</li> <li>les déplacements du robot entre les différents points de vue ne sont pas connus précisément, voire sont soumis à des termes de dérives.</li> </ul> <p>Dans ces conditions, les approches pilotées par le modèle se révèlent le plus souvent inefficaces. Il est donc important de formaliser des méthodes de reconstruction robustes s'appuyant au maximum sur les données en ne conservant de l'aspect modèle que des propriétés élémentaires telles que, par exemple, la contrainte de rigidité globale. Le succès de ces méthodes dépendra fortement de la qualité des algorithmes d'extraction des mesures.</p> <p>Au sein du projet ICARE, nous nous intéressons à deux modalités sensorielles très répandues en robotique mobile : la télémétrie et la vision. Les approches que nous développons sont basées sur la détection robuste de primitives géométriques locales, stables et caractéristiques de l'environnement. La cohérence entre ces primitives locales est assurée par une contrainte globale de rigidité exprimée sous forme d'un graphe. Le modèle obtenu est mis à jour durant le déplacement du robot par le biais de techniques de filtrage robustes.</p> <h3><a name="SECTION00033200000000000000" id= "SECTION00033200000000000000"></a> <a name="recfor" id= "recfor"></a><br /> Reconnaissance de structures connues</h3> <p>La reconnaissance des formes et l'analyse de scène sont des thèmes de recherches difficiles qui ont suscité des travaux depuis de nombreuses années dans le domaine de la perception. Dans le contexte de la robotique mobile d'intervention, cette fonction de reconnaissance fait partie des fonctions de bases nécessaires au robot dans l'exécution de sa tâche. Par exemple, après un accident ou une catastrophe naturelle, le robot devra être capable d'identifier des passages (portes, couloirs, escaliers...) lui permettant de continuer son exploration et de maintenir une description topologique de son environnement. Il peut avoir également à retrouver certains objets dans son environnement (opération de déminage, par exemple). Sur le plan scientifique, cette thématique est extrêmement riche du fait qu'elle nécessite de définir des modèles incomplets et incertains et de gérer la connaissance a priori et acquise au cours du temps par les capteurs. L'aspect modélisation devra à la fois prendre en compte la variabilité géométrique des classes de modèles (portes, couloirs...) et fournir des représentations invariantes vis à vis de l'observation (prise en compte des occlusions et des différents ``aspects'' géométriques). Dans ce contexte viendront s'insérer naturellement les problèmes d'apprentissage des modèles. L'aspect décision devra manipuler l'incertitude sur les capteurs et les modèles et s'appuyer sur une stratégie de reconnaissance.</p> <p>Dans ce contexte, nous avons développé une approche basée sur l'utilisation de réseaux bayésiens et d'une stratégie de perception active [<a href="bibliographie_Toc.html#rfia98" target="contents">2</a>] afin de rechercher et d'identifier des structures caractéristiques de l'environnement (portes, fenêtres) pouvant servir d'amers ou caractériser des points de passage entre lieux d'un modèle topologique.</p> </body>