Prétraitement des données
• Nettoyer les données -Valeurs manquantes -Valeurs aberrantes -Valeurs bruitées • Transformer les données
-Numériser
-Normaliser
FIGURE3.12 – Démarche de développent d’un modèle basée sur les SVMs
3.1.2.3 SVR et réseaux de neurones
Bien qu’il existe une certaine équivalence entre les SVMs et les réseaux de neurones régularisésKECMAN[2005b], les méthodes d’apprentissage restent différentes. En effet, l’apprentissage SVM apporte un certain nombre de réponses aux problèmes soulevés par l’apprentissage standard de réseaux de neurones.
• L’apprentissage correspond à un problème d’optimisation convexe ce qui entraîne l’unicité de la solution. En effet, la convexité est une propriété très importante des ma-chines à vecteurs de support qui garantit l’unicité de minimum global contrairement au perceptron multicouche qui souffre de l’existence de plusieurs minima locaux. • La fonction de sortie est douce (régularisation intrinsèque).
• Le problème de la dimension de données (Curse of dimensionnality) est évité grâce à l’utilisation des noyaux permettant de résoudre le problème linéaire par une projec-tion implicite dans un espace de dimension supérieure.
• L’inconvénient majeur est qu’il est difficile de choisir la structure du réseau de neu-rones (nombre de couches, nombre de neuneu-rones dans les couches cachées, procédure d’optimisation) alors que la taille de la machine à vecteurs de support est obtenue au-tomatiquement par la sélection de vecteurs de support.
CONCLUSION
Dans ce chapitre, nous avons mis en exergue deux techniques de régression non li-néaire : les réseaux de neurones et la régression à vecteurs de support. Ces techniques permettent de faire une meilleure utilisation des mesures disponibles que les techniques de régression non linéaires conventionnelles. Elles apparaissent comme une puissante méthode de calibration. En effet ces deux techniques possèdent une propriété très im-portante qui est à l’origine de leur intérêt pratique dans des domaines très différents : ce sont des approximateurs universels parcimonieux. De plus, elles ont l’aptitude à estimer les données en sortie d’un système sans avoir connaissance à priori de son modèle ana-lytique. En conclusion ces deux techniques semblent être une solution intéressante pour la calibration des systèmes de tracking n’ayant pas un modèle mathématique bien défini.
Mise en place d’un protocole
expérimental pour la caractérisation du
Scalable-SPIDAR
Résumé
Dans les chapitres précédents traitant la calibration des interfaces rencontrées en réalité virtuelle, nous avons déjà abordé le thème de caractérisation. Dans ce chapitre, nous proposons la mise en place d’un protocole de collecte de données permettant la caractérisation d’un système de tracking à échelle humaine : Le Scalable-SPIDAR. Pour ce protocole, nous pointons le plus de la réalité virtuelle dans la cratérisation des systèmes de tracking et démontrons que la multimoda-lité peut être une des solutions pour pallier certaines impossibimultimoda-lités techniques. Ce protocole répond notamment aux trois critères suivants : fiabilité, validité et commodité. Nous estimons louable l’idée de se servir des concepts et techniques de réalité virtuelle pour développer des protocoles de caractérisation des inter-faces employées en réalité virtuelle.
Sommaire
Introduction. . . 94 4.1 Plateforme expérimentale. . . 94 4.2 Problèmes rencontrés dans le Scalable-SPIDAR . . . 96 4.3 Cratérisation du Scalable-SPIDAR . . . 98
4.3.1 L’initialisation multimodale du Scalable-SPIDAR . . . 99
4.3.1.1 Paramètres multimodaux . . . 100
4.3.1.2 Déroulement de l’initialisation du Scalable-SPIDAR . . . . 101
4.3.2 Protocole expérimental . . . 102
4.3.2.1 Evaluation de l’ancien protocole . . . 105
4.3.2.2 Protocole expérimental mis en place . . . 106
4.3.2.3 Déroulement du nouveau protocole . . . 109
4.3.2.4 Bilan de notre protocole de collecte de données . . . 111
INTRODUCTION
Comme nous l’avons vu dans le premier chapitre, il existe une série d’interfaces ma-térielles utilisées en réalité virtuelle. Leur présence est fondamentale pour permettre à l’utilisateur d’interagir avec l’environnement virtuel. Néanmoins, comme nous l’avons vu dans le deuxième chapitre, ces interfaces et en particulier les systèmes de tracking, sont souvent loin de procurer des solutions fiables et satisfaisantes. En effet, elles sont sou-vent entachées d’erreurs dues à plusieurs contraintes notamment celles liées à la tech-nologie utilisée et l’environnement dans lequel elles sont situées. En outre, il n’existe pas de technique générique ou universelle pour calibrer un système de tracking. Il faut donc recourir à une caractérisation de chacun des systèmes avant même de décider quelle ap-proche adopter. Cette caractérisation nous permet de mettre l’accent sur les avantages et les inconvénients du système de tracking. L’objectif des recherches menées dans le do-maine de calibration des interfaces de réalité virtuelle et plus particulièrement des sys-tèmes de tracking est de proposer une procédure complète permettant la caractérisation et la compensation des erreurs de tracking. Actuellement, nous distinguons deux catégo-ries de protocoles. Une première catégorie qui utilise des supports physiques ou virtuels pour l’acquisition des mesures de référence et une deuxième catégorie qui fait appel à un système de tracking secondaire pour la collecte des mesures de référence.
Dans ce chapitre, nous proposons un protocole expérimental original d’acquisition des données de position d’une interface à retour d’effort à grande échelle : le Scalable-SPIDAR. Le protocole proposé repose sur une stratégie de tracking hybride et permet, d’une part, de récolter d’une manière précise et guidée les mesures de position et d’autre part de caractériser les erreurs de position du Scalable-SPIDAR.
4.1 PL ATEFORME EXPÉRIMENTALE
Comme nous l’avons mentionné, cette thèse a été accompagnée par la mise au point d’une plateforme expérimentale pour le tracking hybride. La plateforme proposée est ba-sée sur un système de tracking optique infrarouge ARTtrack1 de Advanced Real-time Tra-cking. Ce dispositif, dit à " capture passive" est composé dans notre cas de deux camé-ras qui émettent des flashs infrarouges renvoyés par des sphères réfléchissantes appelées également marqueurs. Chaque caméra du système récupère une image de la position des marqueurs selon un point de vue différent. Ces images sont alors envoyées à un PC qui effectue une opération de triangulation afin de situer en trois dimensions chaque mar-queur. Grâce à la détection des distances invariantes entre marqueurs 3D dans l’espace, reconnues lors de la triangulation, le système identifie des corps (systèmes de plusieurs marqueurs) ce qui conduit à connaître la position de certaines parties du corps de l’utili-sateur comme les lunettes et donc la tête de l’utill’utili-sateur, ses bras ou encore ses mains. Ce système a l’avantage d’offrir une très bonne précision de l’ordre de dixième de millimètre et d’avoir un grand volume de travail (un cube d’environ trois mètres de côté par exemple pour le système ARTtrack1). Néanmoins, ce système souffre d’un inconvénient majeur : la perte de suivi. Les indices visuels du système peuvent être occultés partiellement ou tota-lement (corps humain, fumée. . . ). Il est indispensable dans ce cas de basculer sur un autre système de tracking à grande échelle : le Scalable-SPIDAR. En effet, une interface à câbles à retour d’effort à grande échelle a été intégrée au sein de notre plateforme pour garantir la continuité des données et apporter un supplément de tangibilité et donc de réalité. En
effet, l’utilisation d’une interface à retour d’effort dans des applications de réalité virtuelle apporte un complément important à la restitution visuelle pour améliorer les qualités de perception, d’immersion et d’intelligibilité par l’utilisateur d’un environnement virtuel et pour lui donner la possibilité d’interagir physiquement avec les objets qui le constituent .
Le Scalable-SPIDAR est à la fois un système de tracking, il nous fournit la position et l’orientation de la main de l’utilisateur dans l’espace, mais aussi une interface à retour haptique. Il est composé d’une structure cubique sur laquelle des couples moteur/encod eur sont montés à chacune de ses extrémités. A chacun des moteurs est attaché un câble, les huit câbles convergent vers un effecteur qui peut être un anneau, une croix, ou une sphère. Au démarrage de ce système chacun des moteurs enroule son câble respectif afin d’exercer une tension minimale sur chacun d’eux. La somme vectorielle de toutes ces tensions fournit la tension exercée sur l’effecteur. Lorsque nous bougeons l’effecteur, la quantité de câble enroulée perçue par les huits encodeurs permet de dresser un système de huit équations à six inconnues qui lorsqu’il est résolu nous informe sur la position et l’orientation de l’effecteur. Pour exercer une force sur l’effecteur, il suffit de faire varier le couple de chacun des moteurs et ainsi de modifier la tension sur chacun des câbles et par conséquent la tension résultante sur l’effecteur engendrant ainsi un déplacement de celui-ci. Une des forces du Scalable-SPIDAR est le volume important couvert par l’espace de travail. En effet, comme nous l’avons vu dans le chapitre 1,KUNZLERet RUNDE[2005] ont démontré que le Scalable-SPIDAR offre un plus indéniable pour l’immersion et peut s’intégrer facilement au sein des environnements virtuels à échelle humaine. La sensation d’immersion est aussi meilleure que celle-ci offerte par les autres interfaces, car une fois devant l’écran, l’utilisateur distingue plus les câbles ce qui permet d’ignorer la présence du Scalable-SPIDAR. Ainsi, il est considéré comme transparent puisqu’il n’entrave pas les déplacements de l’utilisateur et n’induit pas une inertie qui pénalise ses mouvements. Entre autre, il offre un retour d’effort suffisamment puissant pour garantir une résistance forte (si l’objet dur) et d’une grande réactivité à la pression de l’utilisateur (passage d’une zone vide puis contact avec l’objet). Comme nous l’avons déjà mentionné, le Scalable-SPIDAR est doté d’un écran de grande taille qui offre une immersion de bonne qualité. Un tel couplage entre les informations visuelles et haptiques peut largement améliorer l’interaction de l’utilisateur avec les objets virtuels. Il s’avère très important pour garantir une bonne coordination œil-main lors de la manipulation des objets qui composent l’en-vironnement virtuel. Toujours pour l’aspect immersif, la plateforme expérimentale per-met aussi un rendu sonore grâce à un système d’enceintes. Celui-ci est prévu pour une spatialisation du son. Le rendu sonore est exploité pour renforcer les signaux qui sont an-noncés par la modalité visuelle. La figure4.1décrit la plateforme expérimentale employée dans notre étude.
Néanmoins, le Scalable-SPIDAR souffre d’un problème majeur de répétabilité et de précision. En effet, les mesures obtenues sont souvent entachées d’erreurs. Ces erreurs sont dues essentiellement à la procédure d’initialisation adoptée et d’autre part aux in-certitudes d’origine géométriques qui sont liés à la précision cinématique du modèle de l’interface : les imprécisions de conception ou de fabrication. Nous proposons dans la section suivante une étude détaillée de problèmes rencontrés dans le Scalable-SPIDAR afin de déceler les origines d’incertitudes sur son comportement.