Assas Recherche | Segmentation et reconaissance des gestes pour l'interaction homme-robot cognitive

Segmentation et reconaissance des gestes pour l'interaction homme-robot cognitive (Document en Français, Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Simao Miguel

Simao, Miguel

Nom

Simao

Prénom

Miguel

Nationalité

Date de soutenance : 17-12-2018

Directeur(s) de thèse : Gibaru Olivier

Gibaru, Olivier

Nom

Gibaru

Prénom

Olivier

- Neto Pedro

Neto, Pedro

Nom

Neto

Prénom

Pedro

Etablissement de soutenance : Paris, ENSAM

Paris, ENSAM

Nom

Paris, ENSAM

- Universidade de Coimbra (Portugal)

Universidade de Coimbra (Portugal)

Nom

Universidade de Coimbra (Portugal)

Laboratoire : LISPEN

LISPEN

Nom

LISPEN

- Laboratoire d’Ingénierie des Systèmes Physiques et Numériques

Laboratoire d’Ingénierie des Systèmes Physiques et Numériques

Nom

Laboratoire d’Ingénierie des Systèmes Physiques et Numériques

Ecole doctorale : École doctorale Sciences des métiers de l'ingénieur (Paris)

École doctorale Sciences des métiers de l'ingénieur (Paris)

Nom

École doctorale Sciences des métiers de l'ingénieur (Paris)

Informations générales

Discipline : Mécanique-matériaux
Classification : Sciences de l'ingénieur

Mots-clés libres : Interaction homme-Robot, Robotique collaborative, Segmentation non supervisée, Reconaissance de formes en ligne, Aprentissage supervisée, Aprentissage en profondeur
Mots-clés :

Interaction homme-robot
Acquisition des connaissances (systèmes experts)

Résumé : Cette thèse présente un cadre formel pour l'interaction Homme-robot (HRI), qui reconnaître un important lexique de gestes statiques et dynamiques mesurés par des capteurs portatifs. Gestes statiques et dynamiques sont classés séparément grâce à un processus de segmentation. Les tests expérimentaux sur la base de données de gestes UC2017 ont montré une haute précision de classification. La classification pas à pas en ligne utilisant des données brutes est fait avec des réseaux de neurones profonds « Long-Short Term Memory » (LSTM) et à convolution (CNN), et sont plus performants que les modèles statiques entraînés avec des caractéristiques spécialement conçues, au détriment du temps d'entraînement et d'inférence. La classification en ligne des gestes permet une classification prédictive avec réussit. Le rejet des gestes hors vocabulaire est proposé par apprentissage semi-supervisé par un réseau de neurones du type « Auxiliary Conditional Generative Adversarial Networks ». Le réseau propose a atteint une haute précision de rejet de les gestes non entraînés de la base de données UC2018 DualMyo.

Informations techniques

Type de contenu : Text, Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2018ENAM0048
Type de ressource : Thèse

Fiche descriptive