2 réponses à ce sujet

[IRforum]

Bonjour à tous,

 

Actuellement je suis en train de préparer mes sujets pour le Grand Oral sur les mathématiques et la NSI (Numérique et Sciences Informatiques).

J'ai choisis le sujet de la robotique et je souhaites aborder les thèmes de la probabilité et du repérage/vecteurs dans l'espace.

 

je voudrais savoir tout d'abord si ces 2 thèmes peuvent être mis en relation ou si je ne dois aborder qu'un seul thème. je sais que le repérage dans l'espace peut être utilisé dans la conception assistée par ordinateur mais concernant la probabilité je n'ai pas assez d'informations pour aborder un sujet précis lié à la robotique. 

 

je souhaiterais également dans la limite du possibles avoir des conseils, des exemples des thèmes choisis qu'on peut appliquer en robotique et pour finir des sources (sites, livres, etc...) me permettant d'approfondir mes recherches.

 

Merci d'avance pour votre aide.

 

Cordialement.

[Sandro]

Bonjour,

la combinaison robotique + probablilités + repérage/vecteurs dans l'espace me fait avant tout penser à la localisation basée sur des capteurs qui ne fournissent bien souvent qu'une information partielle (soit bruitée, soit incertaine).

 

On y trouve plusieurs sous-thèmes :

- la fusion de données bruitées, souvent avec un filtre de kalman : Par exemple, on combine les données GPS (fortement bruitées, mais sans dérives) avec un IMU (ie capteur inertiel : accéléromètre + gyroscope) (données très précises à court therme, mais sujet à d'importantes dérives sur le moyen et long therme). Dans l'approche des filtres de kalman, on considère à chaque étape que la position est représenté par une distribution gaussienne des coordonnées (en 2D ou 3D, voir souvent en plus de dimensions si on ajoute la vitesse et l'orientation dans le vecteur état). Chaque étape consiste à estimer le nouvel état (position moyenne et matrice de probabilités) en fonction soit du "processus", soit des nouvelles mesures

- la localisation sur une carte, à partir de données limitées (par exemple, on sait si la route tourne à gauche ou à droite, mais on n'a pas de mesure de la position absolue) : il y a alors divers algorithmes probabilistes pour déterminer la position du robot, par exemple les "filtres à particules". NB : il me semble qu'on considère rarement les coordonnées comme des vecteurs dans ce genre d’applications, plus comme des points dans l'espace.

- la localisation sans carte préexistante (SLAM) : on essaye de retrouver un objet d'une mesure (souvent image) à la prochaine, de manière a estimer les déplacements. Ou à une échelle de temps plus longue, de retrouver des points déjà vu pour faire de la fermeture de boucles. Vu qu'on n'est jamais "sûr" de reconnaitre un objet, il faut adopter une approche probabiliste (sinon la moindre fausse détection trompe complètement le robot.

 

Si tu veux choisir un seul sous thème, je te suggère les filtres de kalman, qui adaptent vraiment le point de vue vectoriel, et dont les distribution de probabilités gaussiennes sont le coeur.

[IRforum]

Bonjour,

la combinaison robotique + probablilités + repérage/vecteurs dans l'espace me fait avant tout penser à la localisation basée sur des capteurs qui ne fournissent bien souvent qu'une information partielle (soit bruitée, soit incertaine).

 

On y trouve plusieurs sous-thèmes :

- la fusion de données bruitées, souvent avec un filtre de kalman : Par exemple, on combine les données GPS (fortement bruitées, mais sans dérives) avec un IMU (ie capteur inertiel : accéléromètre + gyroscope) (données très précises à court therme, mais sujet à d'importantes dérives sur le moyen et long therme). Dans l'approche des filtres de kalman, on considère à chaque étape que la position est représenté par une distribution gaussienne des coordonnées (en 2D ou 3D, voir souvent en plus de dimensions si on ajoute la vitesse et l'orientation dans le vecteur état). Chaque étape consiste à estimer le nouvel état (position moyenne et matrice de probabilités) en fonction soit du "processus", soit des nouvelles mesures

- la localisation sur une carte, à partir de données limitées (par exemple, on sait si la route tourne à gauche ou à droite, mais on n'a pas de mesure de la position absolue) : il y a alors divers algorithmes probabilistes pour déterminer la position du robot, par exemple les "filtres à particules". NB : il me semble qu'on considère rarement les coordonnées comme des vecteurs dans ce genre d’applications, plus comme des points dans l'espace.

- la localisation sans carte préexistante (SLAM) : on essaye de retrouver un objet d'une mesure (souvent image) à la prochaine, de manière a estimer les déplacements. Ou à une échelle de temps plus longue, de retrouver des points déjà vu pour faire de la fermeture de boucles. Vu qu'on n'est jamais "sûr" de reconnaitre un objet, il faut adopter une approche probabiliste (sinon la moindre fausse détection trompe complètement le robot.

 

Si tu veux choisir un seul sous thème, je te suggère les filtres de kalman, qui adaptent vraiment le point de vue vectoriel, et dont les distribution de probabilités gaussiennes sont le coeur.

 

Tout d'abord, je vous remercie pour votre réponse et le temps que vous avez pris pour l'écrire.

 

En regardant les sous-thèmes que vous m'avez proposé j'ai fais des recherches pour essayer de comprendre cependant, je pense que ces sous-thèmes sont un peu trop complexes pour moi. Par exemple, je ne pense pas être capable de présenter le premier sous thème en 5 minutes et de manière assez simplifier pour les deux examinateurs. je garderais votre réponse pour faire d'autres recherches sur le sujet si je n'ai aucune alternative.

 

Dans la limite du possible pourriez-vous me proposer d'autres sujets plus accessibles ? Je pensais à quelque chose de plus simple concernant la conception assistée par ordinateur où lors de simulations ou de tests virtuels, le robot doit par exemple suivre un parcours en ayant des choix à faire et en prenant une décision avec le taux de réussite le plus élevé.