Une approche neuronale du contrôle robotique utilisant la vision binoculaire par reconstruction tridimensionnelle

Abstract

Nous formalisons et validons une approche novatrice du controle robotique utilisant la vision par apprentissage par l'exemple. Dediee a la coordination sensori-motrice d'un systeme de vision binoculaire et d'un systeme robotique (bras manipulateur) independants, cette approche ne necessite ni connaissance a priori de la geometrie du systeme robot-vision, ni recours a un quelconque dispositif d'etalonnage externe. L'apprentissage par l'exemple est l'apanage des techniques neuromimetiques, qui associent la statistique et l'optimisation contrainte et non contrainte. La structure neuromimetique adoptee pour le controle robotique visuel comporte deux modules sequentiels : ○ un module de reconstruction de l'espace 3D, dans lequel evolue le bras manipulateur, a partir des images binoculaires, ○ un module de commande robotique hybride en position/vitesse. La commande robotique est asservie dans l'espace reconstruit a partir du premier module. Le module de reconstruction 3D associe deux techniques statistiques du traitement du signal : l'analyse en composantes principales (ACP) et l'analyse en composantes independantes (ACI). Le controle robotique est realise alternativement a partir de l'apprentissage des modeles geometriques direct et inverse du manipulateur. Nous proposons HYPSOM («HYPerplan-based Self-Organizing Map»), un reseau novateur d'hyperplans auto-organises, en vue de l'apprentissage indifferencie de ces modeles. Le reseau HYPSOM est plus generalement adapte a l'approximation lineaire locale de fonctions scalaires multivariables. Notre approche neuronale du controle robotique par la vision binoculaire est validee dans le contexte de la simulation logicielle 3D du systeme robot-vision.