Development of an artificial skin for learning physical and social interactions with a humanoid robot
Développement d'une peau artificielle pour l'apprentissage d'interactions physiques et sociales sur un robot humanoïde
Résumé
Touch is considered one of the primary senses to model in a robot to enable it to generate more flexible and agile behaviors such as catching an object, touching (or being touched by) a person. Even if today's touch sensors are still very limited in comparison to human skin, combined with vision, sound and proprioception, the development of new sensors close to human skin could multiply the interaction capabilities of a robot. to interact directly with a person safely and share with him his physical and social environment. Unlike human skin, the main touch sensors are able to detect pressure and weight variations on small areas only. In addition, these are often very rigid and do not have the elastic properties of deformation of human skin. The work of this thesis is based on the development of a tactile interface close to "artificial skin" in terms of surface coverage (which can reach several tens of square centimeters) and location of contact points of tens of millinewtons. The work of this thesis is based on two main aspects: (i) aspects of engineering including the development of a prototype artificial skin designed for a humanoid robot to give it a tactile perception, and (ii) cognitive aspects that 'support the integration of multiple sensory feedbacks (tactile, visual, proprioceptive) in order to have a robot that can physically interact with people. The developed tactile prototype is based on the reconstruction of the electric field on the surface of a conductive material, following the principle of Electrical Impedance Tomography (TIE). As a new idea, we have implemented artificial neural network learning techniques to reconstruct information without the use of costly matrix inversion analytical techniques. Moreover, I show that the use of artificial neural networks makes it possible to have a much more biomimetic system, essential to understand the perception of touch. On the other hand, we improved our prototype by modeling fast and slow adaptive mechanoreceptors. Fast adaptive receivers are the speed sensors of the applied stimulus. Among these are Meissner corpuscles which are capable of detecting low pressures and whose response frequency is between 30 and 40 Hz. The slow adoptive receptors are intensity receptors of the applied stimulus. For example, Merkel's discs detect static pressure and respond to stimuli with a frequency of 15 Hz. We then tackled the problem of integrating tactile and motor information. After covering a manipulator arm with the artificial skin, we had a neural network learn its body diagram and adapt its compliance by tactile feedback. The operation of the motor is based on the admittance control of the robot arm. Experiments show that neural networks can control the adaptive interaction between the robot arm and the human by estimating the learned torque according to the position where the tactile force was applied during the learning phase. Finally, we were interested in the problematic representation of the body at the neuronal level, how humans perceive their own body through all the senses (visual, tactile and proprioceptive). We proposed a biological model at the level of the parietal cortex which is based on the integration of multiple sensory feedbacks of the robot's body (its arm) and on the synchronization of visual and proprioceptive feedbacks. Our results show the learning of a body image with the emergence of neurons that encode visual-tactile spatial information relative to the movement of the arm and centered either on the robotic arm or centered on the object.
Le toucher est considéré comme l'un des sens primordiaux à modéliser chez un robot afin de lui permettre de générer des comportements plus souples et plus agiles comme attraper un objet, toucher (ou être touché par) une personne. Même si les capteurs tactiles actuels sont encore très limités en comparaison à la peau humaine, combinés à la vision, au son et à la proprioception, le développement de nouveaux capteurs proches de la peau humaine pourrait démultiplier les capacités d'interactions d'un robot afin d'interagir directement avec une personne en toute sécurité et de partager avec lui son environnement physique et social. A la différence de la peau humaine, les principaux capteurs tactiles sont capables de détecter des variations de pression et de poids sur de petites surfaces uniquement. De plus, ceux-ci sont souvent très rigides et n'ont pas les propriétés élastiques de déformation de la peau humaine. Les travaux de cette thèse se basent sur la développement d'une interface tactile proche de "peau artificielle" en termes de surface de recouvrement (qui peuvent atteindre plusieurs dizaines de centimètres carrés) et de localisation des points de contact de quelques dizaines de millinewtons. Les travaux de cette thèse se basent sur deux aspects principaux: (i) aspects d'ingénierie comprenant le développement d'un prototype de peau artificielle conçue pour un robot humanoïde afin de lui conférer une perception tactile, et (ii) aspects cognitifs qui s'appuient sur l'intégration de multiples rétroactions sensorielles (tactile, visuelle, proprioceptive) dans le but d'avoir un robot qui puisse interagir physiquement avec les personnes. Le prototype tactile développé est basé sur la reconstruction du champ électrique à la surface d'un matériau conducteur, suivant le principe de la Tomographie d'Impédance Électrique (TIE). Comme nouvelle idée, nous avons implémenté des techniques d'apprentissage par réseau de neurones artificiels afin de reconstruire l'information sans utiliser les techniques analytiques d'inversion de matrice coûteuse en temps de calcul. De plus, je montre que l'utilisation de réseaux de neurones artificiels permet d'avoir un système beaucoup plus biomimétique, indispensable pour comprendre la perception du toucher. D'autre part, nous avons amélioré notre prototype en modélisant des mécanorécepteurs adaptifs rapides et lents. Les récepteurs adaptatifs rapides sont les capteurs de vitesse du stimulus appliqué. Parmi ceux-ci se trouvent les corpuscules de Meissner qui sont capables de détecter de faibles pressions et dont la fréquence de réponse est comprise entre 30 et 40 Hz. Les récepteurs adoptifs lents sont des récepteurs d'intensité du stimulus appliqué. Par exemple, les disques de Merkel détectent la pression statique et répondent aux stimuli avec une fréquence de 15 Hz. Nous avons ensuite abordé le problème de l'intégration des informations tactiles et motrices. Après avoir recouvert un bras manipulateur avec la peau artificielle, nous avons fait apprendre un réseau de neurones son schéma corporel et à adapter sa compliance par retour tactile. Le fonctionnement du moteur est basé sur le contrôle par l'admittance du bras du robot. Des expériences montrent que les réseaux de neurones peuvent contrôler l'interaction adaptative entre le bras du robot avec l'humain grâce à l'estimation du couple appris selon la position où la force tactile avait été appliquée lors de la phase d'apprentissage. Enfin, on s'est intéressé à la problématique de la représentation du corps au niveau neuronal, comment les êtres humains perçoivent leur propre corps à travers tous les sens (visuel, tactile et proprioceptif). Nous avons proposé un modèle biologique au niveau du cortex pariétal qui s'appuie sur l'intégration de multiples rétroactions sensorielles du corps du robot (son bras) et sur la synchronisation des rétroactions visuelles et proprioceptives. Nos résultats montrent l'apprentissage d'une image corporelle avec l'émergence de neurones qui codent une information spatiale visuo-tactile relative au déplacement du bras et centrée soit sur le bras robotique soit centrée sur l'objet.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...