Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Grace aux avancées technologiques de la robotique, il est désormais possible d'améliorer les conditions de travail pouvant être pénibles et risquées pour la santé des humains ainsi que leur sécurité. De ce fait, l'introduction d'un robot collaboratif en particulier sur les postes de travail manuel nécessitant un effort répétitif, dans un environnement multitâche, permet de réduire la charge biomécanique sur l’opérateur. Il est devenu donc possible de réassigner les tâches les plus ergonomiques aux travailleurs. Autrement dit, un partage cohérent des activités de production à l'aide d'un robot collaboratif pourrait réduire le développement des troubles musculo-squelettiques (TMS) en suppléant son co-travailleur humain dans une tâche répétitive caractérisée par une posture contraignante. D'ailleurs, une proportion importante d’arrêts de travail est due à l’incapacité physique des travailleurs affectés d’un TMS. Le but de ce projet de maitrise est de réduire les TMS dus à des postures contraignantes en utilisant un robot collaboratif. Pour ce faire, nous proposons un modèle d’interactivité humain-robot (une troisième main robotique autonome) pour assister l’opérateur au travail à risque pour un TMS. Bien que l’interaction robotique ait été largement étudiée, sa mise en oeuvre dans l’ordonnancement des tâches reste assez complexe en ce qui concerne la conceptualisation technologique du partage des tâches entre le robot et l’humain. Nous proposons dans ce projet d’adapter la méthode d'interaction homme-robot en utilisant les gestes du pied. Dans cette optique, nous nous proposons d’étudier la reconnaissance de gestes du pied de l'opérateur pour des fins de télécommande des actions du robot collaboratif qui agit comme une troisième main robotique. Le système de reconnaissance de gestes proposé est un réseau de neurones convolutif (CNN) à apprentissage supervisé. Les classes à reconnaitre sont des gestes différents du pied réalisés par l'opérateur sur une chaîne de montage. Dans un premier temps nous avons développé un circuit électronique pour l'acquisition de données, composé principalement par des capteurs inertiels et de force, incorporés dans une semelle de chaussure dans le but d'éviter de gêner les opérateurs lors du travail et communicant sans fil avec l’ordinateur de stockage des données. Ensuite, nous avons proposé un algorithme sur l’environnement MatLAB pour le prétraitement des signaux acquis et l’extraction d’un ensemble de caractéristiques permettant de bien compresser l’information discriminatoire entre les différentes classes. Pour l’extraction des caractéristiques, nous avons proposé une méthode temporelle, qui sélectionne huit (8) caractéristiques relatives aux mouvements du pied et à la pression du pied par rapport au sol lors de la réalisation du geste. Nous avons également proposé une autre méthode, dite statistique, qui regroupe les caractéristiques globales du mouvement et de la pression du pied. Dans le but de réduire le nombre de ces caractéristiques et d’en retenir que les plus pertinentes, nous avons utilisé l'analyse de variance ANOVA qui a permis de sélectionner trois (3) caractéristiques pertinentes. Enfin, nous avons codé les caractéristiques retenues en images qui ont été utilisées comme entrées du CNN pour la classification des gestes du pied. Nous avons testé trois (3) ensembles d'images, un ensemble issu de la méthode temporelle et deux issus de la méthode statistique. Les caractéristiques de la méthode temporelle ne nous ont pas donné les meilleurs résultats de classification (60%). Nos résultats ont été améliorés en appliquant la méthode statistique avec les trois (3) caractéristiques sélectionnées. Nous avons obtenu un bon taux de reconnaissance de 74%, soit quatre (4) gestes sur les cinq (5) choisis en utilisant le premier ensemble d'images des gestes pour l'entrainement d'un CNN codé en C++. Les résultats de classification obtenus à la fin sont de 100% en utilisant le deuxième ensemble d'images des gestes issu de la méthode statistique. Nous avons réussi à trouver une architecture optimisée du CNN codé en python, ayant la même structure de Faster R-CNN de Tensorflow.