ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
L’importance du toucher en robotique - Par : Samuel Rispal, Vincent Duchaine,

L’importance du toucher en robotique


Samuel Rispal
Samuel Rispal est chargé de projet à l'École de l'innovation citoyenne. Il a obtenu un M.Sc.A. en génie électrique à l'ÉTS. Il a aussi été président de DécliQ à l'ÉTS. Il se spécialise en intelligence artificielle et en capteurs tactiles.
Programme : Génie électrique 

Vincent Duchaine
Vincent Duchaine Profil de l'auteur(e)
Vincent Duchaine est professeur au Département de génie de la production automatisée à l’ÉTS. Spécialiste en robotique, mécatronique et capteurs tactiles, il dirige aussi 2 programmes d’innovation: avec McGill et Concordia, et avec ESG UQAM.

toucher

Que se passerait-il si nous perdions le sens du toucher? C’est ce qui est arrivé à un homme par suite d’un accident [1]. CoRo logoComme il ne sentait plus son corps ni le sol, il lui a fallu plusieurs mois pour réapprendre à marcher et à manipuler des objets. Les objets autour de lui devaient être très solides, car il ne maîtrisait plus sa force et devait toujours regarder ce qu’il faisait; ses gestes sont demeurés très imprécis. Cet exemple représente bien les limites des bras robotiques qui ne disposent pas de capteurs tactiles. Un bras robotique qui disposerait du sens du toucher pourrait réaliser des tâches beaucoup plus complexes. D’où l’idée de développer des capteurs tactiles pour donner aux robots le sens du toucher.

toucher

Source [Img1]

Objectif de recherche

Les capteurs tactiles permettent d’obtenir des informations de bas niveau : les forces et leur variation. Dans notre utilisation quotidienne des objets, nous n’avons jamais à nous dire « j’appuie avec une force de 3 Newtons, c’est bon, l’objet ne me glissera pas des mains ». Nous réalisons tous nos mouvements par réflexes naturels sans avoir à réfléchir au comment. Dans le cadre de ce mémoire, l’objectif de recherche était de concevoir un capteur tactile capable d’acquérir le type de texture et de rugosité d’un objet par le toucher afin de permettre, dans des recherches futures, d’utiliser ces informations pour améliorer la manipulation des objets.

Détection de textures

Dans notre étude, nous avons cherché à reproduire pour un robot ce que l’humain ressent en touchant différentes textures. Nous avons utilisé un capteur tactile de type capacitif à haute fréquence (~1000 hertz) pour caractériser les textures. Plusieurs études dans ce domaine ont déjà été réalisées et obtiennent des niveaux de reconnaissance supérieurs à 90 %.

Afin de proposer une solution pouvant s’appliquer à toute situation pouvant survenir dans l’utilisation quotidienne d’un robot, nous avons retenu trois innovations :

  1. Deux mouvements d’acquisition, inspirés de mouvements communs de l’être humain, permettant l’adaptation à différentes situations (voir figure 1). Le premier consiste en un mouvement linéaire et le second, en un mouvement d’exploration circulaire;
  2. L’utilisation d’algorithmes génétiques pour optimiser les variables de notre algorithme;
  3. Un système de vote permettant d’optimiser les résultats.
Toucher

Figure 1 a) Mouvement de courts glissements linéaires                             b) Mouvement d’exploration circulaire

Notre algorithme est composé de quatre étapes :

  1. Acquisition;
  2. Prétraitement;
  3. Extraction des déterminants;
  4. Apprentissage.
toucher

Figure 2 Étapes composant l’algorithme développé

L’acquisition consiste à frotter le capteur sur différentes textures. Ce geste simple implique un certain nombre de paramètres : la forme du déplacement, la vitesse d’acquisition et la force appliquée entre la texture et le capteur. Pour réaliser un apprentissage, nous réalisons plusieurs acquisitions pour former deux ensembles : l’ensemble d’apprentissage (qui sera utilisé pour faire apprendre les textures à l’algorithme) et l’ensemble d’expérimentation (qui permet de vérifier la qualité de l’apprentissage).

Les prétraitements sont un ensemble visant à uniformiser le signal pour limiter les erreurs de traitement. Un algorithme d’apprentissage nécessite en entrée des informations sur l’acquisition permettant de différencier les textures. Pour cela, ces informations, appelées discriminants, sont choisies avec soin afin de pouvoir différencier les textures avec un minimum d’informations. Ensuite, un algorithme d’apprentissage de type réseau de neurones est utilisé pour reconnaître la  texture.

Pour optimiser les résultats, nous utilisons un système de vote majoritaire. Ce système fonctionne de la façon suivante : avant les prétraitements, nous découpons l’acquisition en cinq parts égales, chacune étant soumise aux processus de prétraitement, de sélection des discriminants et d’apprentissage. En sortie, nous obtenons donc cinq suppositions de la texture à identifier. Chaque supposition est considérée comme un vote et la majorité l’emporte.

Court glissement linéaire

Nous avons expérimenté le court glissement linéaire décrit ci-dessus avec plusieurs vitesses et forces d’acquisition sur les quatre textures de la figure 3.

toucher

Figure 3 Quatre textures pour l’expérimentation d’un court glissement linéaire

Nous avons réalisé 1 800 essais (apprentissage et expérimentation confondus) sur ces quatre textures. Le taux de reconnaissance obtenu pour l’algorithme de 85 %. Ce taux a été augmenté à 98,2 % grâce à l’utilisation du vote majoritaire. Les textures difficiles à différencier lors de cette expérimentation ont été les textures (b) et (c) dont les stries sont identiques sauf en ce qui a trait à la profondeur.

Mouvement rotatif

Le mouvement rotatif a été mis à l’essai sur les cinq textures de la figure 4. Nous cherchions à expérimenter l’invariance à l’orientation de la texture au moment de l’acquisition, en passant dans le sens des stries ou le sens inverse.

toucher

Figure 4 Cinq textures pour l’expérimentation du mouvement rotatif

Au moyen de ces nouvelles textures, nous avons réalisé 2 250 essais (apprentissage et expérimentation confondus). Le taux de reconnaissance des textures obtenu est de 93 %. Nous avons refait l’expérimentation de ces textures en employant le court glissement linéaire : nous avons obtenu un taux de reconnaissance de 87 %.

Analyse préliminaire des résultats obtenus

Ces résultats nous permettent de réaliser que la reconnaissance des textures est aujourd’hui relativement maîtrisée grâce à des algorithmes efficaces. Néanmoins, son intégration dans la vie « normale » d’un robot nécessite encore de la recherche et du développement. De plus, ce type de traitement amène un problème non négligeable : chaque texture doit avoir été apprise avant d’être reconnue. C’est pourquoi nous proposons une seconde phase d’expérimentation : l’estimation de la rugosité.

Estimation de la rugosité

À notre connaissance, l’estimation de la texture n’a jamais été étudiée au moyen d’un capteur tactile. Notre objectif est d’utiliser un indice simple pour améliorer la manipulation d’objets. De plus, l’estimation de textures nécessite uniquement l’apprentissage sur un ensemble limité de textures; les autres textures s’apprennent ensuite automatiquement.

toucher

Figure 5  25 textures choisies pour l’estimation de la rugosité

Des 25 textures choisies (figure 5), dix ont servi à l’apprentissage et dix autres, à l’expérimentation (les cinq dernières textures étaient trop étalées pour que l’on puisse leur donner une valeur). L’algorithme utilisé est relativement similaire à l’algorithme précédent : il se compose des mêmes étapes que pour la reconnaissance des textures.

Dans les deux figures ci-dessous, le rectangle représente l’écart type (50 % des résultats d’acquisition sont contenus dans ce rectangle) et le segment, les valeurs extrêmes obtenues pour chaque texture (200 acquisitions ont été réalisées pour chacune des textures). L’erreur moyenne à l’apprentissage est de plus de 0,5 indice de rugosité (figure 6). Lors de l’expérimentation, cette erreur a atteint 1,65 indice de rugosité et un écart type important (figure 7). Cela implique qu’un indice de rugosité de 5 pouvait facilement être perçu comme un indice de 8 et vice versa. Cette erreur importante est principalement causée par le fait que nous n’avions pas assez de textures : en réalisant l’apprentissage sur une seule texture, nous n’avons pu apprendre que sa texture et non son niveau de rugosité.

toucher

Figure 6 Ensemble d’apprentissage

toucher

Figure 7 Ensemble d’expérimentation

Conclusion

Dans cette recherche, nous avons établi un algorithme, choisi deux mouvements simples d’acquisition de textures et mis en place un système de vote pour optimiser la reconnaissance de textures. Les expérimentations réalisées nous ont permis d’obtenir des taux de reconnaissance variant entre 87 % et 98,2 % à l’aide d’un capteur capacitif. Il faut toutefois débuter par l’apprentissage des textures avant de pouvoir les reconnaître. Nous avons ensuite expérimenté la reconnaissance de la rugosité. Nous avons utilisé une échelle de rugosité de 10 pour 10 textures. Les résultats obtenus ne nous ont pas permis d’estimer la rugosité des textures avec une précision acceptable. Nous avons tiré un certain nombre de leçons pour les recherches futures :

  1. Nous pensons qu’une échelle de rugosité de 5 (au lieu de 10) aurait plus de sens pour l’être humain et les capteurs;
  2. Il faudrait accroître le nombre de textures pour apprendre à estimer une rugosité. Nous estimons qu’une future expérimentation pourrait contenir 40 textures (25 pour l’apprentissage et 15 pour l’expérimentation) afin de réaliser l’apprentissage des rugosités.

Dans quelques années, nous pouvons espérer voir des robots qui soient capables d’estimer la rugosité en saisissant un matériau et utiliser cette information pour mieux manipuler les objets.

Information supplémentaire

Pour de plus amples informations sur ce sujet, nous vous recommandons de lire le mémoire de recherche suivant :

logoDiscrimination de textures et quantification de rugosité par algorithme d’apprentissage

Rispal, Samuel et Vincent Duchaine, École de technologie supérieure, 2 octobre 2014.

Samuel Rispal

Profil de l'auteur(e)

Samuel Rispal est chargé de projet à l'École de l'innovation citoyenne. Il a obtenu un M.Sc.A. en génie électrique à l'ÉTS. Il a aussi été président de DécliQ à l'ÉTS. Il se spécialise en intelligence artificielle et en capteurs tactiles.

Programme : Génie électrique 

Profil de l'auteur(e)

Vincent Duchaine

Profil de l'auteur(e)

Vincent Duchaine est professeur au Département de génie de la production automatisée à l’ÉTS. Spécialiste en robotique, mécatronique et capteurs tactiles, il dirige aussi 2 programmes d’innovation: avec McGill et Concordia, et avec ESG UQAM.

Programme : Génie de la production automatisée 

Laboratoires de recherche : CoRo – Laboratoire de commande et de robotique 

Profil de l'auteur(e)