Précédent : Localisation d'un robot mobile au Remonter : Acquisition et exploitation de données Suivant : Programmation de systèmes robotiques

Statégies perceptives

Participants : David Djian, Patrick Rives, Penny Probert (OXFORD)

Cette action de recherche s'inscrit dans le cadre du projet INTER-PRC VISION INTENTIONELLE ET ACTION soutenu par le MRT, et au sein d'une collaboration avec le Groupe de Robotique de l'Université d'Oxford. Dans le cadre de cette coopération, David Djian a passé 18 mois de sa thèse à Oxford en bénéficiant d'une bourse européenne CHM. Dans cet axe de recherche, nous nous intéressons aux stratégies de perception actives [7, 8]. Ces stratégies sont définies par :

• un but  : par exemple, identifier des objets présents dans le champ de vision,
• un ensemble d'observateurs dont le champ d'observation peut être piloté (caméra mobile ou régions d'intérêt dans l'image) et qui sont définis par l'association d'un type de capteur et d'un algorithme de traitement spécifique suivant le concept des capteurs logiques,
• une stratégie de perception permettant de définir où observer à l'instant (k+1) sachant ce qui a été observé jusqu'à l'instant (k),
• un mécanisme de décision permettant de mettre à jour l'état de la tâche de perception.

Cette approche est particulièrement adaptée au système de vision temps réel développé dans le projet et décrit dans la section 3.5. Elle est également totalement compatible avec les formalismes développés dans l'axe Programmation de systèmes robotiques complexes de la section 3.3.

Son originalité est de définir les actions utiles à la perception directement au niveau du modèle de la scène. Le formalisme des capteurs logiques permet de rendre la méthode facilement adaptable à différents types de capteurs physiques. Enfin, nous avons développé un mécanisme de décision probabiliste implémenté au moyen de réseaux bayésiens. Ce choix a été dicté par la volonté de prendre en compte explicitement les incertitudes liées aux capteurs ainsi que de manipuler la connaissance de manière rigoureuse grâce à un modèle générique (les probabilités conditionnelles). Le travail réalisé cet année a porté sur deux points :

• étendre les résultats obtenus l'année dernière sur des objets simples, ( porte, fenêtre) à des objets plus complexes (chaise), ceci a nécessité d'adjoindre un niveau de modélisation permettant la description de ces objets.
• développer des méthodes d'apprentissage supervisé à partir de vues réelles afin de construire les tables de probabilités conditionnelles utilisées par les réseaux bayésiens (figure 2 ).

 
Figure 2: Ensemble d'apprentissage pour une porte.  

 
Figure 3: Reconnaissance de portes.

Précédent : Localisation d'un robot mobile au Remonter : Acquisition et exploitation de données Suivant : Programmation de systèmes robotiques