Détection robotique

La détection robotique est une branche de la science robotique destinée à donner aux robots des capacités de détection, de sorte que les robots ressemblent davantage à des êtres humains. La détection robotique donne principalement aux robots la capacité de voir, de toucher, d’entendre et de se déplacer et utilise des algorithmes nécessitant un retour d’environnement.

Vision
Méthode
Le système de détection visuelle peut être basé sur tout, de la caméra, du sonar et du laser traditionnels à la nouvelle technologie d’identification par radiofréquence (RFID), qui transmet des signaux radio à une étiquette sur un objet qui émet un code d’identification. Les quatre méthodes visent trois procédures: sensation, estimation et correspondance.

Traitement d’image
La qualité d’image est importante dans les applications nécessitant une excellente vision robotique. Un algorithme basé sur la transformation en ondelettes permettant de fusionner des images de différents spectres et de différents foyers améliore la qualité de l’image. Les robots peuvent collecter des informations plus précises à partir de l’image améliorée résultante.

Usage
Les capteurs visuels aident les robots à identifier les environs et à prendre les mesures appropriées. Les robots analysent l’image de l’environnement immédiat importé du capteur visuel. Le résultat est comparé à l’image idéale intermédiaire ou finale, de sorte qu’un mouvement approprié puisse être déterminé pour atteindre l’objectif intermédiaire ou final.

Toucher
Traitement de signal
Les signaux sensoriels tactiles peuvent être générés par les propres mouvements du robot. Il est important d’identifier uniquement les signaux tactiles externes pour des opérations précises. Les solutions précédentes utilisaient le filtre de Wiener, qui repose sur la connaissance préalable des statistiques de signaux supposées stationnaires. La solution récente applique un filtre adaptatif à la logique du robot. Il permet au robot de prédire les signaux du capteur résultant de ses mouvements internes, en filtrant ces faux signaux. La nouvelle méthode améliore la détection des contacts et réduit les fausses interprétations.

Usage
Les motifs tactiles permettent aux robots d’interpréter les émotions humaines dans des applications interactives. Quatre caractéristiques mesurables (force, temps de contact, répétition et changement de zone de contact) peuvent efficacement catégoriser les motifs tactiles via le classifieur d’arbre de décision temporel afin de prendre en compte le délai et de les associer aux émotions humaines avec une précision pouvant atteindre 83%. L’indice de cohérence est appliqué à la fin pour évaluer le niveau de confiance du système afin d’éviter des réactions incohérentes.

Les robots utilisent des signaux tactiles pour cartographier le profil d’une surface dans un environnement hostile tel qu’une conduite d’eau. Traditionnellement, un chemin prédéterminé était programmé dans le robot. Actuellement, avec l’intégration de capteurs tactiles, les robots acquièrent d’abord un point de données aléatoire; l’algorithme du robot déterminera alors la position idéale de la mesure suivante en fonction d’un ensemble de primitives géométriques prédéfinies. Cela améliore l’efficacité de 42%.

Au cours des dernières années, l’utilisation du toucher comme stimulant pour les interactions a fait l’objet de nombreuses études. En 2010, le robot-joint PARO a été construit, qui réagit à de nombreux stimuli dus aux interactions humaines, notamment au toucher. Les avantages thérapeutiques d’une telle interaction homme-robot sont toujours à l’étude, mais ont donné des résultats très positifs.

Audition

Traitement de signal
Des capteurs audio précis nécessitent une faible contribution de bruit interne. Traditionnellement, les capteurs audio combinent des matrices acoustiques et des microphones pour réduire le niveau de bruit interne. Les solutions récentes combinent également des dispositifs piézoélectriques. Ces dispositifs passifs utilisent l’effet piézoélectrique pour transformer la force en tension, de sorte que les vibrations à l’origine du bruit interne puissent être éliminées. En moyenne, le bruit interne jusqu’à environ 7dB peut être réduit.

Les robots peuvent interpréter le bruit parasite comme des instructions de parole. Le système de détection d’activité vocale (VAD) actuel utilise la méthode de centre complexe de cercle de spectre (CSCC) et un transformateur de faisceau à rapport signal / bruit maximal (SNR). Parce que les humains regardent généralement leurs partenaires lors de conversations, le système VAD doté de deux microphones permet au robot de localiser le discours d’instruction en comparant les forces de signal des deux microphones. Le système actuel est capable de gérer le bruit de fond généré par les téléviseurs et les appareils de son provenant des côtés.

Usage
Les robots peuvent percevoir des émotions à travers notre façon de parler. Les caractéristiques acoustiques et linguistiques sont généralement utilisées pour caractériser les émotions. La combinaison de sept fonctions acoustiques et de quatre fonctions linguistiques améliore les performances de reconnaissance par rapport à l’utilisation d’un seul ensemble de fonctions.

Caractéristique acoustique
Durée
Énergie
Pas
Spectre
Cepstral
Qualité de la voix
Ondelettes

Caractéristique linguistique
Sac de mots
Partie du discours
Sémantique supérieure
Varia

Mouvement

Usage
Les robots automatisés ont besoin d’un système de guidage pour déterminer le chemin idéal pour effectuer leur tâche. Cependant, à l’échelle moléculaire, les nano-robots ne disposent pas d’un tel système de guidage car les molécules individuelles ne peuvent pas stocker de mouvements ni de programmes complexes. Par conséquent, le seul moyen d’obtenir un mouvement dans un tel environnement est de remplacer les capteurs par des réactions chimiques. Actuellement, une araignée moléculaire dotée d’une molécule de streptavidine sous forme de corps inerte et de trois pattes catalytiques est capable de démarrer, de suivre, de tourner et de s’arrêter lorsqu’elle rencontre différents origami d’ADN. Les nano-robots basés sur l’ADN peuvent se déplacer sur 100 nm à une vitesse de 3 nm / min.

Dans une opération TSI, qui est un moyen efficace d’identifier les tumeurs et potentiellement le cancer en mesurant la pression répartie au niveau de la surface de contact du capteur, une force excessive peut provoquer des dommages et potentiellement détruire les tissus. L’application du contrôle robotique pour déterminer le chemin de fonctionnement idéal peut réduire les forces maximales de 35% et gagner une augmentation de 50% de la précision par rapport aux médecins humains.

Performance
Une exploration robotique efficace économise du temps et des ressources. L’efficacité se mesure à l’optimalité et à la compétitivité. L’exploration optimale des limites n’est possible que lorsqu’un robot possède une zone de détection carrée, commence à la limite et utilise la métrique de Manhattan. Dans les géométries et paramètres complexes, une zone de détection carrée est plus efficace et peut améliorer la compétitivité quels que soient le système de mesure et le point de départ.