Chapitre 6 Validation modèle inverse 163
6.2. Tests corps entier en simulation 167
Pour éviter de devoir traiter à la fois la validation de notre méthode et les difficultés inhérentes aux essais réels (comme la qualité du système de référence ou la présence de perturbateurs tels ceux cités aux paragraphes 2.1.4 et 3.3.2.2), nous avons choisi de tester les algorithmes de reconstruction sur des mouvements simulés. Une première approche aurait été d’exciter les articulations avec des angles aléatoires. Mais cette sollicitation n’est pas fonctionnelle car le réglage des filtres de Kalman doit se faire en fonction des caractéristiques réelles du mouvement humain, notamment pour la fonction d’évolution et sa covariance. De ce fait, nous proposons une seconde approche qui consiste à utiliser une base de données de gestes humains (voir description ci-dessous). A l’aide de cette base, nous pouvons tester les algorithmes avec différentes configurations de capteurs. Aux mesures simulées sont ajoutés des bruits ayant les caractéristiques de ceux des capteurs que nous utilisons : les MotionPodTM de Movea.
6.2.1.
Base de données de gestes : exemple du format BVH
Il existe sur internet de nombreuses bases de gestes issues de séances de captation, sous différents formats et proposant de nombreux types de mouvements. Afin de tester nos algorithmes nous avons identifié une base adaptée aux gestes réels. Pour le format, notre choix s’est arrêté sur le BVH (Biovision Hierarchy), format développé par Biovision, une entreprise de captation de mouvement aujourd’hui disparue. Son avantage est de donner directement les coordonnées articulaires ainsi que le squelette auquel elles sont associées, alors que de nombreux formats décrivent uniquement des positions spatiales. Cela nous a permis de nous focaliser uniquement sur la partie inertielle-magnétique et d’éviter les prétraitements des données optiques
Chapitre 6 : Validation modèle inverse
• la première partie, repérée par le mot clé « HIERARCHY » comprend l’enchaînement des repères (en commençant par « ROOT » : la racine) avec leurs degrés de liberté relatifs (angles relatifs et/ou distance relative) et leurs positions relatives,
• la seconde, repérée par le mot clé « MOTION », est l’ensemble des valeurs prises par les variables précédemment définies à chaque instant de temps.
La fréquence d’échantillonnage et le nombre de période sont donnés avant ce tableau. Pour un exemple de tel fichier voir en annexe (Annexe - 0).
Ce format permet également de définir un geste comme ayant ou non un point fixe. Pour cela, il suffit simplement de ne pas prendre en compte la translation du point de base. Cette possibilité enrichie les possibilités de test que l’on peut réaliser.
La base que nous avons choisie a été récupérée sur [MOCAPDATA].
6.2.2.
Description succincte de la base de geste
Le squelette des mouvements que nous avons choisi décrit 22 segments dont voici les noms :
Numéro du segment Nom du segment
1 hanches
2 vers la colonne vertébrale 3 colonne vertébrale 4 colonne vertébrale 1
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
7 l'épaule gauche 8 bras gauche 9 avant-bras gauche 10 la main gauche 11 l'épaule droite 12 bras droit 13 avant-bras droit 14 main droite 15 fémur gauche 16 la jambe gauche 17 le pied gauche 18 base orteil gauche
19 fémur droit
20 la jambe droite 21 le pied droit 22 base orteil droit
Tableau 8 : Description des segments du squelette BVH
Avec l’aide de Movea, une série de douze gestes permettant de couvrir les différentes applications finales a été identifiée pour réaliser nos tests de validation. Ces gestes regroupent des balancements (« Swing ») et des mouvements de boxe (« Dodge » : esquive, « Hook » : crochet, « Block » : blocage, « Cross », direct, « Uppercut » : uppercut).
Chapitre 6 : Validation modèle inverse
Les colonnes du tableau sont séparées selon l’option point fixe ou non. Pour chaque option, on donne le maximum de l’accélération propre subie par l’ensemble des capteurs, ainsi que le pourcentage de points vérifiant l’hypothèse pseudo-statiques (calculés grâce à notre détection statique).
On constate que même les gestes de faible amplitude (« swing » balancement en français) ont des accélérations propres de l’ordre du G et donc bien supérieures à une valeur acceptable pour utiliser un algorithme pseudo-statique.
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
Nom du mouvement Point Fixe Mode Libre
Accélération maximum Pourcentage statique Accélération maximum Pourcentage statique Male1_A3_SwingArms 0.3 26.9 0.4 13.7 Female1_A03_Swing 0.4 64.5 0.4 48.2 Male2_E20_DodgeRight 8.5 12.3 7.5 4.0 Male2_E19_DodgeLeft 5.6 21.0 5.0 6.9 Male2_E5_HookLeft 0.9 11.0 1.4 2.4 Male2_E14_BlockRightLow 0.7 23.2 1.1 12.0 Male2_E10_BodyHookRight 5.1 26.6 5.3 16.4 Male2_E6_HookRight 5.7 13.3 4.8 5.9 Male2_E3_CrossLeft 9.5 12.8 9.2 5.3 Male2_E8_UppercutRight 10.6 6.2 9.9 0.3 Male2_E4_CrossRight 8.7 13.1 8.7 7.4 Male2_E9_BodyHookLeft 8.2 14.9 7.4 6.0
Tableau 9 : Caractéristique de la base de geste
De plus, les caractéristiques d’accélération maximale et de pourcentage de points statiques ne sont naturellement pas liées. En effet, lors de gestes atteignant des accélérations grandes, certains segments peuvent rester immobiles.
Chapitre 6 : Validation modèle inverse
Fig. 56 : Caractéristique de la base de geste
Enfin, on peut remarquer que pour certains gestes l’accélération propre maximale est supérieure en mode fixe à celle calculée en mode libre. Cela est dû à la façon dont sont construites les données BVH : elles sont décrites à partir d’une translation du bassin suivie uniquement des rotations. Aussi, lorsqu’on choisit le mode fixe, on annule cette translation qui peut avoir une dérivée seconde dans la même direction et de sens inverse que l’accélération maximale. Donc, si on la supprime, on augmentera artificiellement l’accélération maximale.
6.2.3.
Systèmes testés
Plusieurs systèmes de reconstruction corps entier sont évalués : • Accéléromètres et magnétomètres triaxes (noté AM),
• AM avec au moins un gyromètre triaxe sur un segment (noté AM+xG), • AM avec un gyromètre triaxe par segment (noté AMG).
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
Pour les différents systèmes, nous avons simulés notre système sur la sélection de fichiers BVH. Nous utilisons comme critères l’erreur de distance moyenne sur l’essai et la marge à 95 % (une distance telle que 95 % des points de l’essai est une erreur inférieure). Pour évaluer les résultats nous donnons la moyenne de ces critères sur la sélection, ainsi que les valeurs extrêmes.
6.2.3.1. Configuration AM
Aux termes des essais réalisés, il s’avère que la captation de mouvement bi-modalités AM ne donne pas de résultats satisfaisants, que ce soit avec ou sans point fixe. On observe une dérive qui apparait dès 1 ou 2 secondes d’acquisition-estimation. Ainsi sur les exemples les plus courts, le résultat final peut paraitre satisfaisant mais cela est dû au fait que le système fonctionne sur une petite durée. Pour un rappel sur les critères utilisés voir 4.2.1.2.2 ou ci- dessus. Configuration Moyenne du critère moyen Moyenne de la marge à 95% Minimum du critère moyen Minimum de la marge à 95% Maximum du critère moyen Maximum de la marge à 95% Point fixe 9.4 41.4 1.1 4.8 34.2 97.4 Sans point fixe 10.4 40.9 0.8 2.7 36.9 101.8
Tableau 10 : Statistique sur la base d'exemple BVH On étudie les statistiques des critères moyenne d'erreur de reconstruction et marge à 95 %
On peut remarquer que les deux moyennes (mode point fixe ou non) ne sont pas très différentes. Cela est dû aux exemples les plus divergents : une fois que le système a décroché et en l’absence de point statique, il ne peut recoller à la solution. Lorsque le
Chapitre 6 : Validation modèle inverse
système diverge la solution devient aléatoire et donc la valeur de l’erreur aussi.
Par ailleurs, pour chacun des deux modes, il est possible sur chaque exemple de faire converger le système de résolution mais les réglages des covariances du filtres de Kalman semblent dépendre du type de mouvement. Ce n’est donc pas satisfaisant d’un point de vue généricité de la méthode. On peut par contre imaginer différents réglages pour différents type de gestes bien identifiés pour des applications spécifiques.
Fig. 57 : Moyenne par segment de l'erreur en distance Chaque courbe représente un exemple
De plus, on voit sur la Fig. 57 le comportement précis des reconstructions : on s’aperçoit que le système suit jusqu’à décrocher au bout d’un certain temps (200-300 échantillons soit 1-1,5 seconde) lorsqu’on n’active pas les recalages statiques. Cela peut être suffisant pour certaines applications comme les jeux vidéo, surtout lorsque le mode statique (qui permet de recoller à la solution pour un segment lorsque le système le détecte comme statique) sera
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
pas inenvisageable de réussir à concevoir un système fonctionnel AM sans point fixe, mais actuellement si l’on veut commercialiser un système il faut obligatoirement y ajouter quelques gyromètres. Nous évoquons cette configuration dans la partie suivante.
6.2.3.2. Configuration AM+xG : étude du nombre de gyromètre
Dans cette configuration, nous évaluons l’apport de gyromètres triaxes positionnés à différents endroits du corps, notamment au point de base du squelette ainsi qu’aux extrémités du corps (main, pied et tête). Nous proposons plusieurs systèmes que nous nommerons par le nombre de gyromètres triaxes présents sur le corps (par exemple AM+6G correspond à un système AM sur chaque segment et un gyromètre triaxe à chaque extrémité (2 pieds, 2 mains et la tête) plus un au segment de base (le bassin)). Tous les mouvements dans cette partie, on une accélération au point de base et donc sont résolus dans l’hypothèse sans point fixe.
Tout d’abord, il est intéressant d’étudier l’apport des gyromètres sur la reconstruction. Pour cela nous avons étudié plusieurs configurations afin d’évaluer leurs possibilités. Les gyromètres ont été placés soit aux extrémités, soit sur le point de base du squelette. Nous avons essayé de balayer les différentes configurations envisageables, tout en restant symétrique par rapport au corps : si on met un gyromètre sur une main, l’autre en portera un aussi. Ainsi au total nous avons comparé 8 combinaisons différentes, dont voici les résultats présentés en tableau.
Dans les quatre premières colonnes, la croix verte veut dire que le segment possède un gyromètre triaxe, le rond rouge qu’il n’en possède pas.
Comme nous pouvons le voir, plus on met de gyromètres, plus la reconstruction est de bonne qualité (1ère ligne du tableau). Cependant, certains semblent plus importants que
d’autres. Notamment ceux situés sur les mains puis celui du bassin (ligne 2). Ceux des pieds semblent moins importants que ceux des mains, mais cela est dû au type de
Chapitre 6 : Validation modèle inverse
mouvements : en effet la sélections de mouvement est un recueil de gestes de boxe dont la dynamique est forte au niveau des bras et des mains. Si l’on s’intéressait à des gestes de footballeurs, par exemple, les gyromètres au niveau des pieds seraient sans doute les plus importants.
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
Tableau 11 : Performance de l'algorithme en fonction des gyromètres Toutes les valeurs sont en cm.
Chapitre 6 : Validation modèle inverse
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
6.2.3.3. Configuration AM+6G
La meilleure configuration testée est formée d’un réseau AM avec six gyromètres, un sur chaque extrémité (mains, pieds, tête) et un au point de base du squelette (bassin). Nous pouvons noter que cette solution répond bien à nos objectifs : le prix de la configuration capteurs (hors coût calculateur et interface) de la solution AM sur 22 segments est de 30 €, celle AMG (c'est-à-dire un gyromètre sur chaque segment) est de 100 € et celle AM+6G de 43 €. On voit donc bien l’intérêt économique d’une telle solution : ce n’est que 30 % plus cher que la solution AM (au lieu de 300 % plus cher pour la solution AMG) et cela permet d’atteindre les mouvements dynamiques.
Les résultats sont très satisfaisants, les erreurs moyennes de reconstruction en distance sont pour l’ensemble des douze fichiers de tests inférieures au centimètre (voir ci-dessus).
Les marges à 95% sont toutes inférieures à 10 cm, ce qui veut dire que moins de 5% des points ont une erreur supérieure.
Chapitre 6 : Validation modèle inverse
Fig. 59 : Résultat de l'algorithme pour les fichiers de la base BVH Chaque couleur représentant un tirage aléatoire des bruits capteurs
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
6.1.2). Sur celui-ci, nous pouvons voir qu’il n’y a aucune erreur supérieure à 4 cm, ce à quoi on pouvait s’attendre en regardant la marge à 95% pour cet exemple. De plus, on peut voir que naturellement l’erreur se concentre sur certains segments : ceux qui bougent le plus et ceux qui sont aux extrémités. En regardant les segments 15 à 18 (voir Fig. 60) sur la vue de profil, on voit une erreur croissante, ce qui est logique car ces segments sont le fémur, la jambe et le pied (gauche), or une erreur sur la reconstruction du fémur provoque une erreur sur la reconstruction des deux autres par effet de bras de levier.
Fig. 60 : Critère de distance par segment et par échantillons
Influence de la durée
Comme on peut le remarquer les exemples de la base BVH sont courts (tous de moins de 10 secondes). Etant donné nos traitements, on voit bien qu’un décrochage est fatal. C'est-à- dire que si l’on a une mauvaise estimation à un instant t, on aura toujours une mauvaise estimation tant qu’on ne repasse pas par une estimation statique. Pour tester la robustesse de nos algorithmes nous avons choisi de concaténer plusieurs fois le même geste pour simuler des durées de gestes plus longues. On peut voir sur la Fig. 61 que pour l’un des exemples d’une vingtaine de secondes nous n’avons pas de soucis de divergence, alors que nous n’avons pas activé de recalage statique, mais pour l’autre une divergence se produit au bout de 3000 échantillons soit environ 15 secondes.
Chapitre 6 : Validation modèle inverse
Fig. 61 : Profil d'erreur de reconstruction de deux exemples longs : un stable, un divergeant On voit en trois dimensions le profil d’erreur (en distance). Selon une composante horizontale, on parcourt les segments (22 segments), selon l’autre, on a les
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
Apport des différents éléments de l’algorithme
Dans ce paragraphe, nous illustrons l’apport des différents algorithmes que nous proposons au Chapitre 5 sur une configuration AM+6G. Nous comparons les mêmes critères que pour l’étude de l’ajout des gyromètres.
On peut voir que toutes les méthodes apportent des résultats significatifs, à part « Norme YPR » (c'est-à-dire la mise à l’échelle des dérivées premières et secondes angulaires, voir
Tableau 12 : Résultat de l'algorithme en fonction des méthodes activées. Toutes les valeurs sont en cm. Dans les quatre premières colonnes, la croix verte veut dire que l’algorithme est actif, le rond rouge qu’il est inactif. Norme YPR correspond à la normalisation des dérivées, Norme Acc à la normalisation des accéléromètres, Modif Q au réglage dynamique de la covariance de prédiction et Détermine Acc à la détermination de l’accélération d’ensemble
Chapitre 6 : Validation modèle inverse
5.3.3.4), qui n’a une influence limitée et non significative. On voit quand même une différence plus importante sur le pire cas (Maximum du critère moyen et maximum de la marge à 95 % : différence entre ligne 1 et 2 pour les 2 dernières colonnes). Cette méthode n’est donc pas forcément utile. Par contre toutes les autres montrent bien leur pertinence : certes on peut penser que les critères moyens (colonne 5) semble acceptables mais lorsqu’on s’intéresse au maximums (les 2 dernières colonnes et surtout la dernière), on voit que les valeurs sont bien plus grandes, c'est-à-dire que certains exemples ont « décrochés ». Ce n’est pas précisé dans le tableau, mais si on désactive trop d’algorithmes, la résolution diverge très rapidement, c’est pour cela qu’on ne donne pas les résultats.
6.2.3.4. Configuration AMG
Cette configuration, un capteur AMG à chaque segment, a été testée par Frédéric Mansour, étudiant en DRT au CEA. Elle est totalement fonctionnelle d’après la littérature (voir 1.4.3.2). Pour rappel, l’objectif de la présente étude est d’évaluer si l’approche bas coût à l’aide d’un squelette géométrique (multipoint) permet d’améliorer la précision et la stabilité du système par rapport à un algorithme monopoint type AGM (remarque : lorsque l’on parle d’AGM, il s’agit de l’algorithme monopoint et lorsqu’on parle de AMG il s’agit de l’algorithme multipoint). Un algorithme AGM monopoint performant a été développé dans le cadre de la collaboration CEA-Movea par Cindy Bassompierre (voir 1.4.3). Nous donnons ici à titre comparatif les résultats obtenus en appliquant cet algorithme à notre base de gestes.
Système de reconstruction cinématique corps entier : fusion et exploitation de données issues de MEMS Pierre Grenet – Juin 2011
Chapitre 6 : Validation modèle inverse
Configuration Moyenne du critère moyen Moyenne de la marge à 95% Minimum du critère moyen Minimum de la marge à 95% Maximum du critère moyen Maximum de la marge à 95% AMG multipoint 0.1 0.5 0.1 0.2 0.5 1.8 AM+6G multipoint 0.6 2.2 0.3 1.2 0.9 3.3 AGM monopoint 2.6 7.0 0.9 2.2 7.7 19.9
Tableau 13 : Comparaison entre algorithme AMG multipoint et AGM monopoint Toutes les valeurs sont en cm.
Dans ce tableau, on voit très clairement l’apport de notre solution (utilisation d’un modèle géométrique). En effet, la solution AM+6G multipoint est plus performante que la solution AGM monopoint alors qu’elle utilise moins de capteurs.