Figure 1. Configuration du syst\u00e8me : (a) utilisateur \u00e0 suivre, (b) SUMMIT-XL avec roues mecanum, (c) Hokuyo URG-04-LX-UG01 Laser Rangefinder<\/em><\/figcaption><\/figure>\n\n\n\nLe contexte<\/h3>\n\n\n\n Les robots mobiles sont de plus en plus omnipr\u00e9sents dans divers environnements, tels que les centres commerciaux, les h\u00f4pitaux, les entrep\u00f4ts et les usines. Nombre de t\u00e2ches dans ces applications sont partag\u00e9es entre les robots et les op\u00e9rateurs humains par la voix, la vid\u00e9o, l’interaction par la force, etc., soit parce que l’expertise ou l’agilit\u00e9 humaine inh\u00e9rente est requise pour certaines t\u00e2ches, soit parce que le robot peut fournir une assistance potentielle \u00e0 l’op\u00e9rateur. Dans ce projet, nous nous concentrons sur l’\u00e9tude du suivi automatique de l’utilisateur par le robot mobile bas\u00e9 sur le LiDAR 2D. Les algorithmes communs de suivi \u00e0 l’arri\u00e8re maintiennent le robot \u00e0 une distance de l’utilisateur. Certaines \u00e9tudes ont montr\u00e9 que les gens pr\u00e9f\u00e8rent voir les robots dans leur champ de vision, et peuvent se sentir mal \u00e0 l’aise et en danger lorsque les robots apparaissent derri\u00e8re eux. En outre, les services sp\u00e9cifiques exigent que les robots se pr\u00e9sentent devant les utilisateurs. Par exemple, les robots d’assistance agissent comme des chiens d’aveugle pour fournir une aide \u00e0 la navigation aux malvoyants. Par cons\u00e9quent, le suivi frontal devient progressivement populaire.<\/p>\n\n\n\n
Les objectifs<\/h3>\n\n\n\n Les objectifs scientifiques de ce projet sont les suivants :<\/p>\n\n\n\n
– Construire un tracker de pose humaine (orientation et position) bas\u00e9 sur le LiDAR 2D \u00e0 hauteur du genou pour les robots mobiles en \u00e9tudiant la marche humaine ;<\/p>\n\n\n\n
– Collecter des scans LiDAR de diff\u00e9rents volontaires ainsi que des donn\u00e9es de v\u00e9rit\u00e9 terrain sur l’orientation humaine afin de construire un mod\u00e8le bas\u00e9 sur les donn\u00e9es pour am\u00e9liorer l’estimation de l’orientation humaine ;<\/p>\n\n\n\n
– R\u00e9soudre le probl\u00e8me des jambes se cachant l’une et l’autre lors du balayage en mod\u00e9lisant la marche ou en utilisant des techniques d’apprentissage automatique ;<\/p>\n\n\n\n
– D\u00e9velopper un g\u00e9n\u00e9rateur de mouvement permettant au robot de se d\u00e9placer devant l’utilisateur en toute s\u00e9curit\u00e9 et de mani\u00e8re naturelle.<\/p>\n\n\n\n
Les r\u00e9sultats<\/h3>\n\n\n\n Douze volontaires (trois femmes et neuf hommes) ont \u00e9t\u00e9 invit\u00e9s \u00e0 participer \u00e0 l’exp\u00e9rience de suivi frontal, et le tracker de posture humaine bas\u00e9 sur la marche humaine a montr\u00e9 de bonnes performances. Les analyses quantitatives ont r\u00e9v\u00e9l\u00e9 que l’erreur absolue moyenne (MAE) de position \u00e9tait d’environ 4 cm et que la MAE d’orientation \u00e9tait inf\u00e9rieure \u00e0 12 degr\u00e9s pour la marche complexe.<\/p>\n\n\n\n
Les donn\u00e9es collect\u00e9es pendant six heures sur cinq volontaires (une femme et quatre hommes) ont \u00e9t\u00e9 utilis\u00e9es pour construire des mod\u00e8les permettant d’am\u00e9liorer l’estimation de l’orientation. Gr\u00e2ce \u00e0 la r\u00e9solution du probl\u00e8me de retard, le mod\u00e8le personnalis\u00e9 a permis d’obtenir une MAE de 4 \u00e0 7 degr\u00e9s pour les cinq volontaires.<\/p>\n\n\n\n\n\t\t\t\n\t\t\t\tFigure 2. Comparaison de mod\u00e8les personnalis\u00e9s bas\u00e9s sur l’apprentissage (courbes vertes) et de mod\u00e8les inspir\u00e9s de la marche humaine (courbes orange) pour l’estimation de l’orientation humaine dans diff\u00e9rents sc\u00e9narios<\/em><\/figcaption><\/figure>\n\n\n\nLe g\u00e9n\u00e9rateur de mouvement \u00e0 suivi frontal permet au robot de venir naturellement devant l’utilisateur, toujours \u00e0 une distance de s\u00e9curit\u00e9 d’un m\u00e8tre au cours de l’exp\u00e9rience. Voir la vid\u00e9o<\/a> pour plus de d\u00e9tails. <\/p>\n\n\n\nPublications <\/h3>\n\n\n\n – 2D LiDAR-Based Human Pose Tracking for a Mobile Robot, ICINCO 2023,<\/p>\n\n\n\n
– Human Orientation Estimation from 2D Point Clouds Using Deep Neural Networks in Robotic Following Tasks, soumis \u00e0 IROS 2024,<\/p>\n\n\n\n
– Large Workspace Frontal Human Following for Mobile Robots Utilizing 2D LiDAR, soumis \u00e0 JIRS.<\/p>\n","protected":false},"featured_media":10938,"template":"","isir_project_types":[236],"isir_teams":[264,266],"class_list":["post-10933","isir_projects","type-isir_projects","status-publish","has-post-thumbnail","hentry","isir_project_types-all-projects-fr","isir_teams-asimov","isir_teams-iris"],"_links":{"self":[{"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/isir_projects\/10933","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/isir_projects"}],"about":[{"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/types\/isir_projects"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/media\/10938"}],"wp:attachment":[{"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/media?parent=10933"}],"wp:term":[{"taxonomy":"isir_project_types","embeddable":true,"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/isir_project_types?post=10933"},{"taxonomy":"isir_teams","embeddable":true,"href":"https:\/\/www.isir.upmc.fr\/wp-json\/wp\/v2\/isir_teams?post=10933"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/www.isir.upmc.fr\/wp-content\/uploads\/2024\/04\/Fig-1-FHF.png\")