Des capteurs variés pour simuler les mécanorécepteurs humains
Afin de simuler les mécanorécepteurs humains, les scientifiques ont développé de nombreux capteurs basés sur des principes physiques différents et mesurant des grandeurs différentes. La plupart des capteurs tactiles sont des capteurs statiques donnant l’image de la répartition des pressions à sa surface à une fréquence d’acquisition assez faible. Du côté des capteurs dynamiques, le premier capteur tactile dynamique a été réalisé par Howe et Cutkosky (1989) en 1989. Ils utilisent un matériel piézoélectrique qui leur permet d’obtenir un capteur relativement performant. Ce capteur a une fréquence d’acquisition de 1000hz. Dans un second article en 93, Howe et Cutkosky (1993) propose une étude expliquant la méthode de test du capteur en fréquence. Suite à cette première étude, de nombreux capteurs statiques, dynamiques, combinant les deux, ont été créés. Néanmoins, Siciliano et Khatib (2008) affirment qu’actuellement aucun capteur tactile n’est équivalent aux mécanorécepteurs humains. Dans un article plus récent, Dahiya et al. (2010) présente l’ensemble des technologies utilisées pour réaliser des capteurs tactiles. Voici un bref résumé distinguant le type de capteur (S : statique, D : dynamique) pouvant être fabriqué avec chaque technologie :
Les capteurs piézo-résistifs (S) : Ces capteurs font varier la valeur d’une résistance en fonction du point d’application de la force et de l’amplitude de cette force. Le phénomène de piézorésistance, consistant à faire varier une résistance en fonction de la pression appliquée sur une surface, est réalisé avec des MEMS (Microelectromechanical systems), des microsystèmes électromécaniques. Ils sont souvent utilisés pour leur coût faible, leur bonne précision et leur faible bruit. Leur inconvénient majeur est leur importante consommation de courant. Par exemple, Wisitsoraat et al. (2006) propose un capteur piézoélectrique à base de MEMS permettant de mesurer des efforts très faibles (< 300μ). Afin de réduire les coûts de fabrication, un substitut à l’utilisation du silicium est proposé.
Les capteurs à effet tunnel (S) : Cette technologie datant du début des années 2000 utilise des matériaux composites à tunnels quantiques (QTC : Quantum tunnelling composite). Ces matériaux ont la propriété de pouvoir passer d’isolant parfait à des métaux conducteurs en fonction de la pression qui est exercée à leur surface. Ces capteurs, développés très récemment, bien que prometteurs, sont encore assez complexes à intégrer à un robot. Bien que des premiers capteurs utilisant cette technologie aient été créés ( Stiehl et Breaeal (2006)), aucun test poussé ou application n’ont été réalisés avec eux. Par contre, Lantada et al. (2010) propose récemment une caractérisation plus précise pour des capteurs futurs.
a. Mode image tactile Dans ce mode, nous pouvons estimer la force appliquée sur chaque taxel. Le capteur mesure un nombre de comptes qui est proportionnelle à la valeur de la capacité. Comme nous avons pu voir dans la formule 1.3, la capacité n’est par contre pas proportionnelle à la force appliquée. Nous avons donc, dans un premier temps, estimé la courbe de la force en fonction du nombre de comptes. Pour cela, le banc de la figure 1.5 est utilisé. Il est composé d’une jauge de force Mark-10 (modèle : M4-10) fixé à un banc de la même marque. Cette jauge permet de mesurer des forces de 0.5N à 50N avec une précision de 0.2% de la valeur mesurée. Pour mesurer le déplacement vertical du banc (en mm), nous utilisons un indicateur de position Mitutoyo (modèle : ID S112T) permettant d’estimer des déplacements entre 0 et 12mm avec une erreur de 1μm. Afin d’étudier le capteur, quatre courbes ont été réalisées : la première en appuyant uniquement sur un seule taxel, la seconde en appuyant sur tous les taxels, et les deux autres en appuyant sur la moitié droite et la moitié gauche des taxels (6 taxels à chaque fois).
La figure 1.6 illustre les zones d’appui (la partie 3 illustre à la fois chacune des deux moitiés). En faisant varier la force appliquée de 0.01N/taxel à 10N/taxel, nous obtenons la courbe 1.7. La figure 1.7 montre que la fonction entre la force appliquée et le nombre de comptes de chaque taxel est légérement différente suivant le nombre de taxels pris en compte. Le procédé de fabrication engendre une erreur relativement importante (elle sera quantifiée par la suite) entre chaque taxel. Les différences entre les courbes sont aussi dues au bruit interne du capteur, à son hystérésis et à des effets de bord. Nous reviendrons sur ces effets dans la partie suivante. L’incertitude créée par ces différents facteurs est estimée dans la figure 1.8. L’erreur relative au nombre de comptes est calculé par la différence entre la courbe moyenne de la force en fonction du nombre de capteur et la valeur quand on appuye sur un taxel unique. L’erreur sur la force ajoute l’imprécision de mesure entre la valeur obtenue par le capteur et la force affichée sur le banc de test.
D’après la courbe de l’incertitude de mesure, nous pouvons voir que l’erreur est importante dans les petites mesures. Ceci est dû au bruit interne du capteur qui est important face à la valeur mesurée. Dans les forces élevées, c’est l’hystérésis du capteur qui fausse la mesure car la force de réaction de la mousse entre les deux armatures varie dans le temps. Dans la bande passante variant entre 0.4N/taxel et 7N/taxel, l’erreur reste par contre de l’ordre de 5%. Globalement, pour connaître la force à partir du nombre de comptes, il faudrait connaître la caractéristique de chaque taxel. Sur une main équipée de 7 capteurs, cela représente 84 taxels. L’option souvent prise sera de faire différentes mesures de caractéristiques puis d’utiliser une moyenne pour estimer la force. La courbe d’incertitude de la force (mesure + calcul) estime l’erreur total d’un tel procédé. Nous pouvons voir que globalement, cela ajoute 5 %.
Caractérisation : Etude de l’exactitude des informations mesurées
Caractériser le signal dynamique est assez complexe. Pour cela, nous avons utilisé un transducteur vibrotactile commercialisé par TactileLabs sous le nom de Haptuator (site web: http: //www.tactilelabs.com/products/haptics/haptuator/).Contrairement aux transducteurs communément utilisés, c’est-à-dire des moteurs à masse excentrique où l’amplitude de la vibration est couplée à la fréquence, l’Haptuator permet de contrôler la fréquence et l’amplitude grâce à un aimant stimulé magnétiquement comme le présentent Yao et Hayward (2010). Il permet donc de créer des vibration de 50hz à 500hz. La figure 1.15 est une photo de ce dispositif. Figure 1.15 Photo de l’haptuator En le posant sur le capteur, celui-ci obtient le type de signal de la figure 1.16. Sa transformée de Fourier, également montrée sur la figure 1.16, est particulièrement intéressante à voir. On peut voir la réaction du capteur pour deux fréquences (réglées sur un générateur basse fréquence). La fréquence est fidèlement redonnée par le capteur. Il y a peu de bruit et d’harmoniques. Suite à divers tests, on s’aperçoit que la sensibilité du capteur est supérieure à celle de l’être humain en fréquence et en intensité. En fréquence, comme Vallbo et Johansson (1984) l’indiquent, l’humain est limité à détecter des pics de fréquence entre 200 et 300hz alors que le capteur détecte des signaux jusqu’à 500hz. En intensité, nous avons réalisé une petite expérience : en réglant l’Haptuator de manière à ce que l’être humain ne ressente pas la vibration, le capteur arrive encore aisément à l’identifier. La figure 1.17 montre le signal obtenu par le capteur avec une intensité non détectable par la main humaine. Il est donc possible de détecter des signaux de 0 à 500hz même avec une intensité très faible. Néanmoins il reste complexe d’évaluer la réponse à chaque fréquence car l’intensité de l’Haptuator varie en fonction la fréquence.
|
Table des matières
INTRODUCTION
CHAPITRE 1 DE LA MAIN HUMAINE À LA MAIN ROBOTISÉE
1.1 La sensibilité humaine : 4 mécanorécepteurs différents travaillant en corrélation
1.2 Des capteurs variés pour simuler les mécanorécepteurs humains
1.3 Un capteur multi-utilisation et ultra sensible
1.3.1 Information statique : une vision 3D des forces
1.3.1.1 Principe : Estimer la capacité pour retrouver les forces
1.3.1.2 Caractérisation : Etude de l’exactitude des informations mesurées
1.3.1.3 Conclusion : Forces et faiblesses
1.3.2 Information dynamique : Mieux connaître les interactions à haute fréquence
1.3.2.1 Principe : Estimer les écarts de capacité pour trouver les variations des forces
1.3.2.2 Caractérisation : Etude de l’exactitude des informations mesurées
1.3.2.3 Conclusion : Forces et faiblesses
CHAPITRE 2 RECONNAISSANCE DE TEXTURES À L’AIDE D’ALGORITHMES D’APPRENTISSAGE
2.1 Recherche documentaire
2.1.1 Qu’est ce qu’une texture ?
2.1.2 Les différentes méthodes pour reconnaitre une texture
2.2 Approche
2.3 Principe de l’algorithme
2.3.1 Acquisition
2.3.2 Pré-traitements
2.3.3 Sélection des discriminants
2.3.4 Apprentissage
2.3.5 Optimisation par algorithme génétique
2.4 Mouvements de courts glissements linéaires (MCGL)
2.4.1 Protocole expérimental
2.4.2 Résultats
2.5 Mouvements d’exploration circulaire (MEC
2.5.1 Protocole expérimental
2.5.2 Résultats
2.6 Étude finale : différenciation de textures fines
2.6.1 Protocole expérimental
2.6.2 Résultats
2.7 Discussion
CHAPITRE 3 QUANTIFICATION DE LA RUGOSITÉ À L’ÉCHELLE HUMAINE
3.1 Approche proposée
3.2 Étude de l’évaluation de la rugosité par l’être humain
3.2.1 Présentation de l’étude
3.2.2 Présentation des textures
3.2.3 Résultats de l’expérience
3.2.4 Hypothèse pour la simulation
3.3 Principe de l’algorithme
3.3.1 Acquisition
3.3.2 Pré-traitements
3.3.3 Sélection des discriminants
3.3.4 Apprentissage
3.3.5 Optimisation par l’algorithme génétique
3.4 Résultats
3.4.1 RNA unique
3.4.2 RNA3
3.4.3 SVM10
3.5 Discussion
CONCLUSION
BIBLIOGRAPHIE
Télécharger le rapport complet
