Approche neuromimétique modulaire pour la commande d'un système robot-vision
Résumé
The laboratory works on the neural network control of a robot-vision system. This thesis concerns the application of artificial neural networks to control a robotic arm with visual servoing. The study focuses on modular learning to carry out neural networks controllers. We used self organizing maps to learn robotic functions which had been chosen for the simplicity of their algorithm as well as their capacity of generalization. These advantages enable us to have an online learning process, in real time. However these map can't deal properly with the important size of the input space following from the complexity of the task. To resolve the dimensionality problem we propose to divide the task into modules, each of them being composed of small-size artificial neural networks. With a sequential decomposition the learning phase of the whole structure becomes more difficult. Indeed not all desired inputs and outputs (which are examples for the learning process) of each module are available. Therefore a learning process is enabled by introducing the modules into the inverse flow which can estimate other introduced intermediary variables. The learning process in then bidirectional. The modular approach can therefore be considered as a neural network controller. The visual servoing has been validated on two complex robotic tasks: determining the angular configuration of a three- axis-robot and estimating the effector orientation of a four-axis-robot.
Les travaux du laboratoire se concentrent autour du contrôle neuromimétique d'une plate-forme robot-vision. Dans ce cadre, ce travail de thèse concerne l'application des réseaux de neurones artificiels à la commande d'un bras robotique par asservissement visuel. Cette étude porte plus particulièrement sur l'apprentissage modulaire afin de réaliser des contrôleurs neuromimétiques.
Asservissement visuel par apprentissage
Les mouvements d'un bras robotique sont contrôlés par asservissement visuel. Les informations sont fournies par deux caméras montées sur une tête robotique. La position de chaque objet est alors définie par ses coordonnées dans les images -- gauches et droites -- et par les positions angulaires des caméras.
L'approche classique de l'asservissement visuel se base sur une modélisation mathématique du système robot-vision. Un contrôle précis exige une bonne connaissance des différents paramètres des modèles et une prise en compte des erreurs de calibration des capteurs et du robot. Dans cette thèse, nous évaluons une approche alternative à l'approche modèle et proposons une approche non paramétrique qui "apprend" la transformation reliant l'espace des images à l'espace des commandes angulaires à l'aide de réseaux de neurones artificiels.
Les réseaux de neurones
Les réseaux de neurones se sont révélés être de très bons estimateurs. La complexité de notre tâche, notamment sa dimensionalité et ses caractéristiques non linéaires, rend leur implémentation non triviale. En effet, il est difficile de superviser l'apprentissage des réseaux de grandes tailles. De plus, les temps d'apprentissage et de réponse peuvent devenir prohibitifs.
Le choix du réseau de neurones a été guidé par la nécessité d'un apprentissage en ligne, en temps réel, stable, et rapide. Nous avons retenu les cartes auto-organisatrices de Kohonen (SOM, pour Self Organizing Map) qui répondent à ces contraintes. Les notions de compétition entre neurones et de voisinage qu'elles impliquent permettent un apprentissage rapide et efficace. Des variantes ont été développées, comme la carte de Kohonen étendue. Associées à des ADALINEs (ADAptative LINear Elements), ces cartes fournissent des sorties linéaires. Elles sont donc capables de discrétiser n'importe quel espace (notamment le volume de travail du robot) et de le linéariser sans connaissance a priori.
La modularité
Face à ce problème de dimensionnalité, nous proposons de décomposer la tâche en modules. Chacun de ces modules est alors constitué de réseaux de neurones de faibles dimensions. La modularité peut être vue de deux manières différentes.
La première approche met plusieurs modules en parallèle. Chacun de ceux-ci reçoit les mêmes entrées et calcule une sortie. Un module supplémentaire, un superviseur, est ajouté à l'architecture. Il reçoit les mêmes entrées et a pour rôle de sélectionner le module, ou l'ensemble de modules pondérés de manière convenable, afin d'obtenir la meilleure sortie possible.
La seconde approche, que nous avons adoptée, décompose la tâche complexe en une série de sous-problèmes. Comme l'apprentissage de chaque module nécessite un jeu d'apprentissage, la difficulté est de superviser les modules internes. En effet, les entrées et les sorties désirées de ces modules ne sont pas accessibles. Il est de ce fait nécessaire d'utiliser des structures d'aide à l'apprentissage telles que la bidirectionnalité. Des modules supplémentaires, spécialisés dans l'estimation de ces grandeurs intermédiaires, sont alors insérés dans l'architecture modulaire.
Les résultats
L'apprentissage modulaire proposé peut alors être considéré comme un contrôleur neuromimétique. L'asservissement visuel est validé en simulation avec un robot trois axes et quatre axes. L'objectif est la poursuite de cibles mobiles dans un espace tridimensionnel, sans utiliser le modèle du système défini au préalable et sans connaissance a priori, ni sur les mouvements de la cible, ni sur les mouvements des caméras.
L'approche modulaire a été validée en simulation. Nous avons montré dans ce travail que l'apprentissage modulaire est possible et efficace. Face à des tâches complexes, où l'apprentissage par un réseau unique est difficile, voire même impossible, l'apprentissage modulaire apporte une solution.
Asservissement visuel par apprentissage
Les mouvements d'un bras robotique sont contrôlés par asservissement visuel. Les informations sont fournies par deux caméras montées sur une tête robotique. La position de chaque objet est alors définie par ses coordonnées dans les images -- gauches et droites -- et par les positions angulaires des caméras.
L'approche classique de l'asservissement visuel se base sur une modélisation mathématique du système robot-vision. Un contrôle précis exige une bonne connaissance des différents paramètres des modèles et une prise en compte des erreurs de calibration des capteurs et du robot. Dans cette thèse, nous évaluons une approche alternative à l'approche modèle et proposons une approche non paramétrique qui "apprend" la transformation reliant l'espace des images à l'espace des commandes angulaires à l'aide de réseaux de neurones artificiels.
Les réseaux de neurones
Les réseaux de neurones se sont révélés être de très bons estimateurs. La complexité de notre tâche, notamment sa dimensionalité et ses caractéristiques non linéaires, rend leur implémentation non triviale. En effet, il est difficile de superviser l'apprentissage des réseaux de grandes tailles. De plus, les temps d'apprentissage et de réponse peuvent devenir prohibitifs.
Le choix du réseau de neurones a été guidé par la nécessité d'un apprentissage en ligne, en temps réel, stable, et rapide. Nous avons retenu les cartes auto-organisatrices de Kohonen (SOM, pour Self Organizing Map) qui répondent à ces contraintes. Les notions de compétition entre neurones et de voisinage qu'elles impliquent permettent un apprentissage rapide et efficace. Des variantes ont été développées, comme la carte de Kohonen étendue. Associées à des ADALINEs (ADAptative LINear Elements), ces cartes fournissent des sorties linéaires. Elles sont donc capables de discrétiser n'importe quel espace (notamment le volume de travail du robot) et de le linéariser sans connaissance a priori.
La modularité
Face à ce problème de dimensionnalité, nous proposons de décomposer la tâche en modules. Chacun de ces modules est alors constitué de réseaux de neurones de faibles dimensions. La modularité peut être vue de deux manières différentes.
La première approche met plusieurs modules en parallèle. Chacun de ceux-ci reçoit les mêmes entrées et calcule une sortie. Un module supplémentaire, un superviseur, est ajouté à l'architecture. Il reçoit les mêmes entrées et a pour rôle de sélectionner le module, ou l'ensemble de modules pondérés de manière convenable, afin d'obtenir la meilleure sortie possible.
La seconde approche, que nous avons adoptée, décompose la tâche complexe en une série de sous-problèmes. Comme l'apprentissage de chaque module nécessite un jeu d'apprentissage, la difficulté est de superviser les modules internes. En effet, les entrées et les sorties désirées de ces modules ne sont pas accessibles. Il est de ce fait nécessaire d'utiliser des structures d'aide à l'apprentissage telles que la bidirectionnalité. Des modules supplémentaires, spécialisés dans l'estimation de ces grandeurs intermédiaires, sont alors insérés dans l'architecture modulaire.
Les résultats
L'apprentissage modulaire proposé peut alors être considéré comme un contrôleur neuromimétique. L'asservissement visuel est validé en simulation avec un robot trois axes et quatre axes. L'objectif est la poursuite de cibles mobiles dans un espace tridimensionnel, sans utiliser le modèle du système défini au préalable et sans connaissance a priori, ni sur les mouvements de la cible, ni sur les mouvements des caméras.
L'approche modulaire a été validée en simulation. Nous avons montré dans ce travail que l'apprentissage modulaire est possible et efficace. Face à des tâches complexes, où l'apprentissage par un réseau unique est difficile, voire même impossible, l'apprentissage modulaire apporte une solution.