Please wait, Page is Loading...
 

Contribution à la gestion de la perte du signal perceptuel

Comme indiqué sur la page "Contribution à l’évitement d’occultation", la réalisation d’une tâche de navigation référencée vision requiert de préserver l’intégrité du robot (i.e. mouvement sans collision) tout en garantissant la visibilité des informations visuelles. Pour répondre à cette problèmatique, nous avons proposé différentes stratégies de commande permettant d’éviter à la fois les collisions et les occultations. Mais ces méthodes ne sont envisageables que lorsque l’évitement conjoint de ces deux phénomènes est possible sans générer des minima locaux (ie. une commande quasi nulle autre part qu’en la situation finale désirée) ou des situations de blocage de la mission (cf. figure 1).

ECC07robot

Fig.1: La tache de navigation référencée vision échoue si on ne tolère pas la perte du motif visuel..

Ainsi, certaines tâches robotiques ne peuvent être réalisées qu’au prix d’une perte temporaire du signal visuel. Aussi chercher à éviter systématiquement les occultations n’est pas toujours la stratégie la plus pertinente. C’est pourquoi, nous avons cherché à étendre les travaux précédents en développant des méthodes capables de prédire les indices visuels lorsque ceux-ci sont indisponibles. De cette maniére, il est possible de réaliser une tâche de navigation référencée vision en tolérant les pertes partielles ou totales du motif d’intérêt.

À ce titre, j’ai proposé un ensemble de méthodes permettant d’estimer le motif visuel lorsqu’il n’est plus possible de l’extraire de l’image. Pour cela, je me suis appuyé sur le lien vision-mouvement, c’est-à-dire sur la relation existant entre la variation des données sensorielles dans l’image et le mouvement de la caméra. J’ai ainsi montré que le problème de la reconstruction des informations visuelles pouvait se ramener à la résolution d’un système d’équations différentielles exprimées à partir de ce lien. J’ai alors proposé plusieurs méthodes de résolution analytiques et numériques. Les premières offrent des solutions très précises, mais restreintes à un contexte applicatif donné. Les secondes conduisent à des solutions approchées mais présentent l’avantage d’être exploitables dans un cadre plus général. Il devient ainsi possible d’obtenir une estimation de tout type de primitives visuelles, et ceci quelle que soit la structure du système robotique portant la caméra. La validité et la pertinence de nos algorithmes ont été démontrées dans le cadre de diverses tâches de navigation référencées vision au cours desquelles le motif visuel devait être entièrement perdu pour que la mission puisse être convenablement réalisée folio06 folio07icinco folio07ecc. Différents exemples de tâches de ce type ont été considérés. Tout d’abord, je me suis intéressé à la réalisation d’un asservissement visuel canonique pendant lequel la perte est due à une panne de la caméra ou un défaut du processus de traitement d’images. Ce premier exemple applicatif a permis de mettre en lumière l’intérêt d’utiliser nos algorithmes pour reconstruire le motif visuel de manière à pouvoir continuer à exécuter la mission, malgré la perte de ce dernier folio06 folio07icinco. À partir de ces premiers résultats très concluants, j’ai proposé d’exploiter nos algorithmes pour prédire les valeurs des indices visuels entre deux acquisitions des mesures visuelles (parfois coûteuse en temps). Il est ainsi possible de rafraîchir la loi de commande à une fréquence plus élevée et d’améliorer significativement les performances de l’asservissement. Par la suite, je me suis focalisé sur l’exécution d’une tâche référencée vision dans un environnement encombré d’obstacles susceptibles d’occulter la caméra. Pour cela, j’ai étendu les stratégies de commande, présentées précédemment, de manière à y intégrer les techniques d’estimation développées. Là encore, les résultats obtenus ont montré la validité de ces dernières dans un contexte plus exigeant folio07icinco folio07ecc. Enfin, j’ai également proposé une comparaison des différents algorithmes élaborés, et donné quelques éléments permettant de sélectionner les méthodes les mieux adaptées en fonction du contexte applicatif.

Démos

Ci-dessous vous pouvez visualiser des expérimentations des stratégies que j’ai proposé.

  1. Il s’agit, dans cette vidéo, de réaliser une simple tâche de positionnement référencée vision en dépit de la perte total du signal visuel.

    Asservissement visuel seul avec perte total du motif visuel

    Show the movie on Youtube

  2. Il s’agit, dans cette vidéo, de réaliser une tâche de navigation référencée vision dans un environnement encombré d’obstacle, tout en gérant la perte total du signal visuel.

    Asservissement visuel et évitement d'obstacle, avec perte total du motif visuel

    Show the movie on Youtube

  3. (en) This video show the problem of executing a vision-based task in a cluttered environment. During such a task, two unexpected events may occur: the image total loss due to a camera occlusion or failure, and the robot collision with an obstacle.

Treating image loss during a vision-based navigation task

Show the movie on Youtube


Références

folio06  BIB:folio06
  D. Folio and V. Cadenat. Technical report:06594:"Using simple numerical schemes to compute visual features whenever unavailable". LAASToulouse, France. September 2006.
folio07ecc  BIB:folio07ecc
  D. Folio and V. Cadenat. "A new controller to perform safe vision-based navigation tasks amidst possibly occluding obstacles". European Control Conference (ECC'07). July 2007.
folio07icinco  BIB:folio07icinco
  D. Folio and V. Cadenat. "Using simple numerical schemes to compute visual features whenever unavailable". IFAC International Conference on Informatics in Control, Automation and Robotics (ICINCO'07). May 2007.

  • Add This
  • Add
  • Get
  • Google

robotique/cv