Positionnement de notre approche dans le domaine IHR

Comme nous pouvons le constater, la plupart des travaux sur les gestes expressifs se sont souvent tournés vers la danse ou la musique. Ces séquences de danse ont tendance à être continues, sans la restriction articielle de devoir commencer et nir avec une pose neutre. Pour cela, la plupart des travaux se sont concentrés sur l'analyse des gestes expressifs sans passer par l'entrainement et la classication. D'autres limites dans ces travaux sont apparues au niveau de la construction de leurs bases de mouvements qui nécessitent toujours des cours d'entrainement et aussi des experts du domaine. Dans le cadre d'une Interaction Homme-Robot (IHR), nous avons trouvé quelques articles qui ont impliqué le modèle de LMA à des ns diérentes. Certains ont utilisé ce modèle pour caractériser les trajectoires des robots, à l'instar de [Knight and Simmons, 2014] qui ont gé-néré des trajectoires de mouvement expressif du robot en se basant sur la composante Eort de LMA. Ils ont extrait 3 mesures (position x,y et orientation θ) et ont créé un vecteur descrip-teur de mouvement basé sur ces caractéristiques pour quantier chaque facdescrip-teur de la composante

Eort. Finalement, ils ont étudié la relation entre 6 émotions et les paramètres de l'Eort. Les même auteurs [Knight et al., 2016] ont quantié le facteur Espace de la composante Eort pour étudier l'interprétation des gens sur les attitudes du robot par rapport à son point d'arrivée (hé-sitation, direct, perdu la trace de but) à travers les caractéristiques de la trajectoire de son mou-vement. [Sharma et al., 2013] se sont basés sur la composante Eort de LMA pour caractériser la trajectoire du mouvement d'un robot volant. Ils ont recruté un artiste entrainé à Laban pour créer un ensemble de mouvements pour chaque combinaison de paramètres de l'Eort ( espace, temps, poids et ux). Les 4 paramètres avec leurs deux qualités extrêmes donnent alors 16 combinaisons. Puis, ils ont adopté le modèle de Circumplex pour associer l'aect perçu à partir de mouvements ro-botiques sur les deux dimensions : valence et excitation. Un autre type de recherche dans le domaine IHR basé sur le modèle LMA consiste à générer des gestes expressifs au robot humanoïde en va-riant les paramètres des facteurs de LMA. Nous pouvons citer [Kim et al., 2012] qui ont proposé un modèle computationnel des facteurs de poids et de temps et l'ont appliqué à des plates-formes robo-tisées pour développer une méthode de diversication des mouvements gestuels du robot Darwin-OP. Aussi, [Masuda and Kato, 2010,Masuda et al., 2010] ont utilisé les qualités de Laban pour donner des gestes expressifs (plaisir, colère, tristesse et relaxation) au robot humanoïde KHR-2HV. Leur méthode consiste à ajouter une émotion cible à des mouvements corporels arbitraires d'un robot de forme humaine tout en modiant les paramètres de Laban. D'autres chercheurs ont considéré que l'interprétation et la reconnaissance du mouvement de la personne par un robot rend l'inter-action Homme-Robot plus naturelle. Ils ont donc appliqué le modèle LMA pour la caractérisation des gestes de l'utilisateur, tels que [Kim et al., 2013] qui ont représenté les mouvements émotion-nels du corps humain avec les trois facteurs de la composante Eort. Ils ont quantié les trois facteurs (espace, poids et temps) pour caractériser deux mouvement émotionnels (se réjouit et se plaint). Finalement, nous citons le travail de [Lourens et al., 2010,Barakova and Lourens, 2010] qui ont considéré que la perception et l'interprétation du comportement non verbal par un robot est importante pour une interaction naturelle Homme-Robot. Deux caractéristiques (l'accélération et la fréquence) sont extraites pour quantier la composante Eort an de caractériser le geste "faire un signe avec une main" eectué avec 4 émotions (joie, colère, tristesse et politesse). Leur objectif est de développer un robot NAO capable de reconnaître et imiter les mouvements humains et ainsi assurer une interaction naturelle avec des enfants autistes dans le cadre d'un jeu collectif. Les même auteurs [Kim et al., 2014] ont développé récemment un framework pour l'entraînement assisté par robot des enfants atteints de troubles du spectre autistique (TSA) (Voir Figure 2.26). Leur frame-work est créé à l'aide du logiciel Choregraphe développé par la société Aldebaran, qui permet de

2.4. NOTRE APPROCHE

créer les comportement du robot NAO avec un langage graphique.

Figure 2.26  Enfants avec TSA jouant avec le robot NAO.

L'objectif de notre travail de thèse est proche de ce dernier, nous envisageons à développer un système de reconnaissance des gestes expressifs an d'assurer une interaction naturelle entre l'homme et le ro-bot NAO. L'idée ici est d'avoir un roro-bot capable de reconnaitre le mouvement de la personne et aussi son état d'une manière automatique. [Lourens et al., 2010,Barakova and Lourens, 2010] ont étudié la variation des caractéristiques dans le même mouvement eectué avec 4 émotions. Dans notre cas, nous développons un système de reconnaissance des gestes automatique qui permet de classier les gestes. Nous considérons plusieurs gestes eectués avec 4 émotions. Puis, nous quantions toutes les composantes de LMA (corps, espace, forme et eort) an de décrire l'aspect quantitatif et qualitatif du mouvement. Notre descripteur de mouvement est capable de diérencier des mouvements mais aussi les émotions exprimées par un même mouvement. Nous avons construit une base de données des gestes expressifs accessible au public, facile à utiliser et à enrichir par n'importe quelle personne. Cette base est composée de 5 gestes expressifs. Chaque geste est eectué avec diérentes émotions. Nous évaluons notre descripteur de mouvement sur des bases publiques ainsi que sur notre base construite. Un algorithme de sélection des caractéristiques est développé pour étudier l'importance de chaque paramètre de mouvement pour discriminer chaque émotion. Une deuxième évaluation de notre système est réalisée avec une approche humaine basée sur les avis des hommes dans la percep-tion des émopercep-tions et dans l'estimapercep-tion du descripteur proposé. Finalement, pour déduire la robustesse et l'adéquation de notre système, nous comparons les résultats de notre système de reconnaissance automatique avec les résultats issus de l'approche humaine.

Chapitre 3

Reconnaissance des gestes dynamiques