Soutenance Apprentissage de fonctions visuelles pour un robot mobile par programmation génétique Antoine . Manzanera
From: Antoine.Manzanera AT ensta.fr
To: rilk-conf AT rilk.com
Cc:
Subject: Soutenance Apprentissage de fonctions visuelles pour un robot mobile par programmation génétique
Date: Thu, 13 Nov 2008 14:31:29 +0100
Barate Renaud
sountient sa these
Apprentissage de fonctions visuelles pour un robot mobile par programmation
génétique.
le 26/11/2008
a ENSTA - 32 Bd Victor 75015 PARIS / salle Lagrange.
Directeur: Antoine Manzanera
Jean Louchet
Directeur: Antoine.Manzanera@ensta.fr
Jury: Jacques Blanc-Talon
Pierre Collet
Jean Louchet
Antoine Manzanera
Maurice Milgram
Fawzi Nashashibi
Labo: ENSTA / UEI - Paris
URL: http://www.ensta.fr/%7Ebarate/papers/2008-Barate-These.pdf
Mot-clef: Vision - Robotique - Apprentissage - Evitement d'obstacles -
Programmation Génétique
Resume: En robotique mobile, les techniques d’apprentissage qui utilisent la
vision artificielle représentent le plus souvent l’image par un ensemble de
descripteurs visuels. Ces descripteurs sont extraits en utilisant une méthode
fixée à l’avance ce qui compromet les capacités d’adaptation du système à un
environnement visuel changeant. Nous proposons une méthode permettant de
décrire et d’apprendre des algorithmes de vision de manière globale, depuis
l’image perçue jusqu’à la décision finale.
L’application visée est la fonction d’évitement d’obstacles, indispensable à
tout robot mobile. Nous décrivons de manière formelle la structure des
algorithmes d’évitement d’obstacles basés sur la vision en utilisant une
grammaire. Notre système utilise ensuite cette grammaire et des techniques de
programmation génétique pour apprendre automatiquement des contrôleurs
adaptés à un contexte visuel donné.
Nous utilisons un environnement de simulation pour tester notre approche et
mesurer les performances des algorithmes évolués. Nous proposons plusieurs
techniques permettant d’accélérer l’évolution et d’améliorer les performances
et les capacités de généralisation des contrôleurs évolués. Nous comparons
notamment plusieurs méthodes d’évolution guidée et nous en présentons une
nouvelle basée sur l’imitation d’un comportement enregistré. Par la suite
nous validons ces méthodes sur un robot réel se déplaçant dans un
environnement intérieur. Nous indiquons finalement comment ce système peut
être adapté à d’autres applications utilisant la
vision et nous proposons des pistes pour l’adaptation d’un comportement en
temps réel sur le robot.
Keyword: Vision - Robotics - Machine learning - Obstacle avoidance - Genetic
programming
Abstract: Existing techniques used to learn artificial vision for mobile
robots generally represent an
image with a set of visual features that are computed with a hard-coded
method. This impairs
the system’s adaptability to a changing visual environment. We propose a
method to describe
and learn vision algorithms globally, from the perceived image to the final
decision.
The target application is the obstacle avoidance function, which is
necessary for any mo-
bile robot. We formally describe the structure of vision-based obstacle
avoidance algorithms
with a grammar. Our system uses this grammar and genetic programming
techniques to learn
controllers adapted to a given visual context automatically.
We use a simulation environment to test this approach and evaluate the
performance of the
evolved algorithms. We propose several techniques to speed up the evolution
and improve the
performance and generalization abilities of evolved controllers. In
particular, we compare seve-
ral methods that can be used to guide the evolution and we introduce a new
one based on the
imitation of a recorded behavior. Next we validate these methods on a mobile
robot moving in
an indoor environment. Finally, we indicate how this system can be adapted
for other vision-
based applications and we give some hints for the online adaptation of the
robot’s behavior.
