Using tactile sensors and IMUs with an unsupervised feature-learning approach for robotic grasp stability assessment

Résumé

Dans un monde où l’industrie créé un besoin pour des machines automatisées d’autant plus intelligeantes, la saisie d’objets avec un robot est toujours loin de rivaliser avec celle d’un humain. Malgrés les innovations récentes dans les dommaines de la vision par ordinateur et de la planification de saisie robotique, le défi est toujours grand quand il vient à la saisie d’objets jamais vu auparavant par le robot. Plusieurs chercheurs essaies de combiner la vision par ordinateur avec de l’information tactile afin d’augmenter les performances des machines intelligeantes modernes. Dans ce mémoire, nous présenterons une nouvelle approche pour améliorer la saisie robotique à l’aide de capteurs tactiles et d’un algorithme d’apprentissage non-supervisé. En utilisant un banc d’essaies et des capteurs tactiles développés au laboratoire de commande et de robotique (CoRo) de l’ÉTS, nous avons développé une série de classificateurs qui prédisent la stabilité d’une prise robotique. Notre méthode est une amélioration des résultats obtenus avec une approche où les caractéristiques de haut niveau sont façonnés à la main. Nous avons collecté des données à partir de 100 objets différents pour un total de 1000 tentatives de prises robotisées. Notre système optimal a été en mesure de reconnaitre les échecs 84.23% des fois.

Date	30 juil. 2018
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Vincent Duchaine (Directeur(-trice))