Inj DJERRAH DJALAL PDF

RpubliqueAlgrienneDmocratiqueetPopulaire
MinistredelEnseignementSuprieuretdelaRechercheScientifique
UniversitdeBatna
FacultdesSciencesdelIngnieur
DpartementdElectronique
Thse
Prpareau
LaboratoiredElectroniqueAvance(LEA)Batna
Par:
DjarahDjalal
Ingnieurdtatenlectronique
Envuedelobtentiondudiplmede:
Magisterenrobotique
Thme
Application des Rseaux de Neurones

Pour la Gestion d'un Systme de Perception
Pour un Robot Mobile D'intrieur
Soutenule:/../2006
MembresduJury
AmeddahDjamel
PrsidentdeJury
MatredeConfrencesUniversitdeBatna
LoucheneAhmed
Rapporteur
BaarirZineddine
Examinateur
MatredeConfrencesUniversitdeBiskra
BenoudjitNabil
Examinateur
Application des Rseaux de Neurones

Pour la Gestion d'un Systme de
Perception
Pour un Robot Mobile D'intrieur
Ddicace
Alammoiredemonpre.
Atoutemafamilleetmesamis.
REMERCIEMENTS
Ce travail a t effectu au sein du laboratoire dElectronique

Avance LEA LUniversit Batna , dirig par Monsieur Ahmed
LouchenematredeconfrenceslUniversitdeBatnaquejedsirele
remercier,pourmavoirdirigetsoutenuaucoursdelaralisationdece
travail.
Sa disponibilit et ses conseils ont t indispensables la
concrtisation de ce travail, Je remercie galement mes coquipiers de
travail qui partageaient le mme laboratoire et avec lesquels jai eu des
discussionsdesplusintressantesetfructueusessurcetravail.
SOMMAIRE
IntroductionGnrale
01
Chapitre1
Prsentationgnraledesrseauxdeneurones
03
1.1.Introduction
03
1.2.RseauxdeNeurones
04
1.2.1.neuronesartificiels
04
1.2.1.1Prsentation
04
1.2.1.2.Descriptionmathmatique
04
1.2.1.3Lesvariantes
05
1.2.2.LesdiffrentstypesdesRNA
05
1.2.2.1.Lesrsauxfeddforward
06
aLesperceptrons
06
*Leperceptronmonocouche
06
*Leperceptronmulticouches(PMC)
06
bLesrseauxfonctionradiale
06
1.2.2.2.Lesrseauxfeedback
07
aLescartesautoorganisatricesdeKohonen
07
bLesrseauxdeHopfield
07
cLesARTs
08
1.2.3.LapprentissagedesRNA
08
1.2.3.1.Lestypesdapprentissage
09
*Lemodesupervis
09
*Lerenforcement
09
*Lemodenonsupervis(ouautoorganisationnel)
09
*Lemodehybride
09
1.2.3.2.Lesrglesdapprentissage
10
*Rgle decorrectionderreurs
10
*Apprentissagedeboltzmann
10
*RgledeHebb
10
*Rgledapprentissageparcomptitions
10
1.2.4.Quelquesexemplesdapplications
13
1.2.4.1.Lacatgorisationdedonnes
13
1.2.4.2.Lapproximationdefonctions
13
1.2.4.3.Problmesdeprdiction/prvision
13
1.2.4.4.Loptimisation
13
1.2.4.5.Mmoireadressableparlecontenu
14
1.2.4.6.Lecontrle
14
1.2.4.7.Laclassificationdedonnes
14
1.3.Reconnaissancedesformes
15
1.3.1.Mthodeclassique
15
1.3.2.Mthodesmodernesouparrseauxdeneurones
15
1.3.3.MethodeparsriedeRNditetypedediabolo
17
1.4Conclusion
18
Chapitre2
SystmeDePerceptionPourRobotMobile
19
2.1.Introduction
19
2.2.perception
19
2.2.1.capteursenrobotiquemobile
20
2.2.1.1.lescapteursproprioceptifs
20
2.2.1.2.lescapteursextroceptifs
25
aTlmtresultrason
26
bTlmtresinfrarouge
27
cTlmtreslaser
28
dModleprobabiliste
30
2.2.1.3.lesCameras
31
aCamerassimples
31
bCamerasstroscopiques
33
cCameraspanoramiques
33
2.2.1.4Autrescapteurs
35
aLescapteurstactiles
35
blesboussoles
36
clesbalises
36
dleGPS
37
2.3.Evitementdobstacles
37
2.4.Conclusion
38
Chapitre3
DescriptionduRseaudeNeuronesDvelopp
39
3.1.Introduction
39
3.2.Acquisitiondesdonnes
41
3.2.1Collectedesdonnes
41
3.2.2.Analysedesdonnes
46
3.2.3.Lamiseenformedesdonnes
48
3.2.4.Sparationdesbasesdesdonnes
49
3.3Conceptiondurseaudeneurones
49
3.3.1.Choixdunrseaudeneurones
49
3.3.1.1.Utilisationdelaboiteoutilsmatlabrseaudeneurones
50
3.3.2.Lapprentissagedurseaudeneurones
53
3.3.2.1.Basesdapprentissage
54
3.3.2.2Convergence
56
3.3.3.Validationettest
61
3.3.3.1.Exemplesdebasedetest
61
3.3.3.2.Etapesdevalidation
64
aTauxdereconnaissance
64
bRsolutiondesindcisions
66
cTestdinvariancepardformation,translationethomothtie
66
c1Dformation
66
c2Translation
68
c3Homothtie
69
dMatricedeconfusion
72
3.5.Conclusion
73
ConclusionGnrale
ConclusionGnrale
74
Bibliographie
Bibliographie
Introduction Gnrale
Introduction
Introduction
Lapplication des modles connexionnistes dans des domaines aussi varis
quelecontrledesystmes,larobotique,lconomieoulessciencescognitives,a
permisdemettreenvidencelapuissancedecesmodlesnonlinaires.
La puissance dun robot mobile autonome rside dans son autonomie;
lexcutiondunetrajectoireestassuresanslaidedunagentexterne.Pourdoter
une telle machine de cette capacit, elle doit tre en mesure de se comporter
dunefaonintelligentedansdessituationsimprvues.Eneffet,dessystmesde
perceptions capables de fournir au robot le maximum dinformation sur son
environnementdvolutionsontindispensables.
Les mthodes modernes de contrle et de traitement, telles que la logique
floueetlesrseauxdeneurones,nousontincitschoisirlunedellespourla
gestiondunsystmedeperceptionpourrobotmobiledintrieur.Lesrseauxde
neuronessontmieuxadaptsauxproblmesdeclassification.Ilsagitdedduire
la forme de lobstacle se trouvant sur le chemin du robot pour soit gnrer les
commandes pour son vitement, soit procder la modlisation de
lenvironnement.
Dans le prsent travail, nous sommes limits une classification
gomtrique des obstacles qui entrent dans une zone critique du champs de
visiondusystmedeperception.Lesdonnesdentredurseausontobtenues
par la simulation dun tlmtre laser mont en tourelle et plac lavant du
robotmobile.
Le mmoire rsumant le travail ralis est organis autour de quatre
grandesparties.La premire partie est une prsentation gnraliste des rseaux
de neuronesetde leursperformances en reconnaissance de formes;ceniveau
on a essay dintroduire le sujet en insistant sur le vocabulaire et les notions
ncessaires la comprhension de la suite. Le lecteurquinestpas familier des
Introduction
rseaux de neurones pourra lutiliser comme une base pour entamer des
travauxdanscedomaine.
La seconde partieestuneprsentationgnraledessystmesdeperception
dans le domaine de la robotique mobile ainsi que quelques notions sur lvitement
dobstaclelorsdelexcutiondunetrajectoireseradonn.
La troisime partie constitue le coeur du mmoire : elle contient la
descriptiondtaille delaconceptiondurseaudeneuronesutilis.Lesrsultats
des programmes de simulation dun tlmtre dvelopps pour la collecte
dinformationsurlenvironnementdurobotsontaussiprsentsdanscettepartie.
Uneconclusiongnraleavecdesperspectivesrsumeraleprsentmmoire.
CHAPITRE 1
Prsentation Gnrale des

Rseaux de Neurones
Chapitre 1
Prsentation Gnrale des rseaux de neurones
PrsentationGnralesdesRseauxdeNeurones
1.1.Introduction
Ce chapitre prsente le fonctionnement gnral dun rseau de neurones
ainsi que desexemples de performances que lon peut obtenir en reconnaissance
de formes. Il ne sagit pas de la prsentation dun travail personnel, mais de
lintroduction des connaissances
et
du
vocabulaire ncessaires
la
comprhension des parties suivantes de ce document. Les notions utilises

ultrieurement se trouvent toutes dans ces pages qui pourront ainsi servir de
rfrence. Le lecteur familier des rseaux de neurones ne trouvera ici rien de
nouveau.
Pourquoi des neurones artificiels? Capter une image, la numriser, la
segmenter en lments de contours, dtecter un objet mobile, le reconnatre
quellequesoitsapositionetestimersaprofondeur.Capterlesondunevoixau
milieu dun brouhaha et du bruit ambiant et reconnatre les mots qui sont
prononcs. Capter et analyser les deux cents signaux issus dun processus
industriel et en dduire si tout est conforme ou si une avarie se prpare : voici
quelques problmes pourtant courants dans les sciences de linformatique mais
dont les solutions, encore incompltes, impliquent de multiples efforts de
recherchedanslacommunautscientifique.
Les caractristiques essentielles des rseaux de neurones rels que nous
conserverons dans les modles mathmatiques tudis, concernent le grand
nombredeconnexions,lanonlinaritdesrelationsentresortieetlafacultde
plasticit ou dadaptabilit. Ces caractristiques, mme simplifies, leur
confrent dj de multiples possibilits en traitement des signaux et des
informationsainsiquelafacultdapprendreclasser,reconnatredesformes
ouraliserdestchescomplexes.
Chapitre 1
1.2.RseauxDeNeurones
1.2.1.NeuronesArtificiels
Par dfinition, un rseau de neurones est un assemblage dlments,
dunitsoudenoeudsprocesseurspourlequelunsousgroupefaituntraitement
indpendantetpasselersultatundeuximesousgroupe[3].Lescapacitsde
traitementdurseausontstocksdanslesforces(oupoids)desconnectionsinter
units qui est obtenu par un processus dadaptation ou dapprentissage a un
ensemble de patrons de rfrence. Ces rseaux sont un type dintelligence
artificielle qui tente dimiter le fonctionnement dun cerveau humain. Au lieu
dutiliser un model digital, dans lequel toutes les oprations manipulent des
zrosetdesuns,unrseauneuroniqueprocdeencrantdesconnectionsentre
lesnoeudsdetraitementlquivalentinformatiquedunneurone.Lorganisation
etlespoidsdterminentlessorties.
1.2.1.1.Prsentation
Leneuroneformelestdoncunemodlisationmathmatiquequireprendles
grandsprincipesdufonctionnementduneuronebiologiqueetparticulirement,
la sommation des entres. Sachant quau niveau biologique, les synapses nont
pas toutes la mme valeur [2], [4], [5] (pour simplifier disons que les
connexions entre les neurones sont plus ou moins fortes), les auteurs ont donc
cr un algorithme qui pondre la somme de ses entres par des poids
synaptiques(coefficientsdepondration).
1.2.1.2.Descriptionmathmatique
On peut donc dire que pour un nombre compris entre j (=1) et un nombre
quelconquen,leneuroneformelvacalculerlasommedesesentres(x1,...,xn),
pondresparlespoidssynaptiques(w1,...,wn)etlacomparesonseuiltta.
Silersultatestsuprieurauseuil,alorsonrenvoie1,sinononrenvoie0[5].
Laformulemathmatiquescritcomme:
Chapitre 1
w x )
y= f(
j =1
1.2.1.3.Lesvariantes
(a)
(b)
(c)
Figure 1.1. Les fonctions dactivation
(a) : fonction a seuil, (b) : sigmode, (c) : gaussienne
Dans sa premire version, le neurone formel tait donc implment avec

unefonctionseuil(a),maisdenombreusesversionsexistent.Ainsileneurone
de McCulloch et Pitts a t gnralis de diffrentes manires, en choisissant
dautres fonctions dactivations[3],comme des sigmodes (b) ou des gaussiennes
(c)telquilestillustrparlafigure11.
Il est not que les fonctions dactivation sigmodes sont de loin les plus
utilisesdanslesrseauxdeneuronesartificiels.
1.2.2.LesDiffrentsTypesDesRNA
On va reprendre ici la classification prcdente en sparant les rseaux
feedforwardetlesrseauxfeedback[2].Pourcequiestdesmodesetdes
rglesdapprentissageonessayededonnerunaperuquenousjugeonssuffisent
auniveaudessectionssuivantes.
Chapitre 1
1.2.2.1.Lesrseauxfeedforward:
aLesPerceptrons
o
LePerceptronmonocouche
Cest historiquement le premier RNA, cest le Perceptron de Rosenblatt.

Cest un rseau simple, puisque il ne se compose que dune couche dentre et
dunecouchedesortie.Ilestcalqu,labase,surlesystmevisueletdecefaitil
a t connu dans un but premier de reconnaissance des formes. Cependant, il
peut aussi tre utilis pour faire de la classification et pour rsoudre des
oprationslogiquessimples(telleETouOU).Saprincipalelimiteestquilne
peut rsoudre que des problmes linairement sparables. Il suit gnralement
unapprentissagesupervisselonlargledecorrectiondelerreur[3](ouselonla
rgledeHebb).
o
LePerceptronmulticouches(PMC):
Cest une extension du prcdent, avec une ou plusieurs couches caches

entrelentreetlasortie.Chaqueneuronedansunecoucheestconnecttousles
neurones de la couche prcdente et de la couche suivante (except pour les
couchesdentreetdesortie)etilnyapasdeconnexionsentrelescellulesdune
mme couche. Les fonctions dactivation utilises dans ce type de rseaux sont
principalementlesfonctionsseuilousigmodes.Ilpeutrsoudredesproblmes
non linairement sparables et des problmes logiques plus compliqus, et
notamment le fameux problme du XOR [4]. Il suit aussi un apprentissage
supervisselonlargledecorrectiondelerreur.
bLesrseauxfonctionradiale
Ce sont les rseaux que lon nomme aussi RBF (pour Radial Basic
Functions). Larchitecture est la mme que pour les PMC cependant, les
fonctions de base utilises ici sont des fonctions Gaussiennes. Les RBF seront
donc employs dans les mmes types de problmes que les PMC savoir, en
Chapitre 1
classificationetenapproximationdefonctions,particulirement.Lapprentissage
leplusutilispourlesRBFestlemodehybride[5]etlesrglessontsoit,largle
decorrectiondelerreursoit,largledapprentissageparcomptition.
1.2.2.2.Lesrseauxfeedback:
aLescartesautoorganisatricesdeKohonen:
Cetypederseau,aussiappelSOMSelfOrganisedMaps,estunrseau
apprentissagenonsupervise,unapprentissagequitablitunecartediscrte,
ordonne topologiquement en fonction de patterns dentre. Le rseau forme
ainsiunesortedetreilliso,chaquenoeuddutreillisestunneuroneassociun
vecteur depoids. La correspondance entre chaque vecteur de poids est calcule
pour chaque entre. Par la suite, le vecteur de poids ayant la meilleure
corrlation,ainsiquecertainsdesesvoisins,vonttremodifisafindaugmenter
encorecettecorrlation[3].
LesLVQ(pourLearningVectorQuantization)sontuncasparticulierdes
SOM,oseullenoeudayantlameilleurecorrlationestadapt.Onparle,pour
ce type de rseau o seul le vainqueur est slectionn, de rseaux
comptition.
bLesrseauxdeHopfield:
Les rseaux de Hopfield sont donc des rseaux rcurrents et entirement
connects. Dans ce type de rseau, chaque neurone est connect chaque autre
neuroneetilnyaaucunediffrenciationentrelesneuronesdentreetdesortie.
Ilsfonctionnentcommeunemmoireassociativenonlinaireetsontcapablesde
trouver un objet stock en fonction de reprsentations partielles ou bruites.
LapplicationprincipaledesrseauxdeHopfieldest lentrept deconnaissances
mais aussi la rsolution de problmes doptimisation. Le mode dapprentissage
utilisiciestlemodenonsupervis.
Chapitre 1
c.LesARTs:
Les rseaux ART Adaptative Resonance Theory sont des rseaux
apprentissageparcomptition.Leproblmemajeurquilseposedanscetypede
rseauxestledilemmestabilit/plasticit.Eneffet,dansunapprentissagepar
comptition, rien ne garantit que les catgories formes vont rester stables. La
seulepossibilit,pourassurerlastabilit,seraitquelecoefficientdapprentissage
tende vers zro, mais le rseau perdrait alors sa plasticit [2]. Les ART ont t
connus spcifiquement pour contourner ce problme. Dans ce genre de rseau,
les vecteurs de poids ne seront adapts que si lentre fournie est suffisamment
proche,dunprototypedjconnuparlerseau.Onparleraalorsdersonance.A
linverse,silentresloignetropdesprototypesexistants,unenouvellecatgorie
vaalorssecrer,avecpourprototype,lentrequiaengendrsacration.Ilest
noter quil existe deux principaux types de rseaux ART : les ART1 pour des
entres binaires et les ART2 pour des entres continues. Le mode
dapprentissagedesARTpeuttresupervisounon.
1.2.3.LapprentissagedesRNA
PourunRNA,lapprentissagepeuttreconsidrcommeleproblmedela
mise jour des poids des connexions au sein du rseau [6], afin de russir la
tchequiluiestdemande.
Lapprentissage est lacaractristique principale des RNA et il peut se faire
dediffrentesmaniresetselondiffrentesrgles.
Chapitre 1
1.2.3.1.LesTypesDapprentissage:
o
Lemodesupervis:
Danscettesortedapprentissage,lerseausadapteparcomparaisonentrele
rsultatquilacalcul,enfonctiondesentresfournies,etlarponseattendueen
sortie[20].Ainsi,lerseauvasemodifierjusquacequiltrouvelabonnesortie,
cestdirecelleattendue,correspondantuneentredonne.
o
Lerenforcement:
Le renforcement est en fait une sorte dapprentissage supervis et certains

auteurs le classe dailleurs, dans la catgorie des modes superviss. Dans cette
approchelerseaudoitapprendrelacorrlationentre/sortieviauneestimation
de son erreur, cestdire du rapport chec/succs. Le rseau va donc tendre
maximiser un index de performance [21] qui lui est fourni, appel signal de
renforcement.Lesystmetantcapableici,desavoirsilarponsequilfournitest
correcteounon,maisilneconnatpaslabonnerponse.
o
Lemodenonsupervis(ouautoorganisationnel):
Dans ce cas, lapprentissage est bas sur des probabilits. Le rseau va se

modifier en fonction des rgularits statistiques de lentre et tablir des
catgories, en attribuant et en optimisant une valeur de qualit, aux catgories
reconnues.
o
Lemodehybride:
Le mode hybride reprend en fait les deux autres approches, puisque une
partiedespoidsvatredtermineparapprentissagesupervisetlautrepartie
parapprentissagenonsupervis.
Chapitre 1
1.2.3.2.LesRglesdapprentissage:
o
Rgledecorrectionderreurs:
Cette rgle sinscrit dans le paradigme dapprentissage supervis, cest

dire,danslecasoonfournitaurseau,uneentreetlasortiecorrespondante.Si
onconsidrey,lasortiecalculeparlerseauetd,lasortiedsire,leprincipede
cette rgle est dutiliser lerreur (dy), afin de modifier les connexions et de
diminuerainsilerreurglobaledusystme.Lerseauvadoncsadapterjusquce
queysoitgald.
o
ApprentissagedeBoltzmann:
Cequilfautsavoirtoutdabord,cestquelesrseauxdeBoltzmannsontdes
rseauxsymtriquesrcurrentsetquilspossdentdeuxsousgroupesdecellules,
le premier tant reli lenvironnement (cellules dites visibles) et le second ne
ltant pas (cellules dites caches). Cette rgle dapprentissage est de type
stochastique (= qui relve partiellement du hasard) et elle consiste ajuster les
poidsdesconnexions,detellesortequeltatdescellulesvisiblessatisfasseune
distributionprobabilistesouhaite.
o
RgledeHebb:
Cette rgle, base sur des donnes biologiques, modlise le fait que si des
neurones, de part et dautre dune synapse, sont activs de faon synchrone et
rpte, la force de la connexion synaptique va aller croissant. Il est noter ici
que lapprentissage est localis, cestdire que la modification dun poids
synaptiquewijnedpendquedelactivationdunneuroneietdunautreneurone
j.
o
Rgledapprentissageparcomptitions:
Laparticularitdecettergle,cestquicilapprentissageneconcernequun
seul neurone. Le principe de cet apprentissage est de regrouper les donnes en
catgories.Lespatronssimilairesvontdonctrerangsdansunemmeclasse,en
10
Chapitre 1
se basant sur les corrlations des donnes, et seront reprsents par un seul
neurone,onparledewinnertakeall.
Dansunrseaucomptitionsimple,chaqueneuronedesortieestconnect
aux neurones de la couche dentre, aux autres cellules de la couche de sortie
(connexions inhibitrices) et ellemme (connexion excitatrice) [3]. La sortie va
doncdpendredelacomptitionentrelesconnexionsinhibitricesetexcitatrices.
11
Chapitre 1
Paradigme
Rgle dapprentissage
Architecture
Algorithme
Tches
Supervis
Correction derreur
Perception simple ou multicouches
Classification, approximation de
fonctions, prdiction, contrle
Bolzman
Rcurrente
Hebb
Multi-couches non boucls
Par comptition
comptition
Perception rtro
propagation, adaline,
madaline
Apprentissage de
Boltzmann
Analyse de discri- minants
linaires
LVQ
ART
ARTMap
Correction derreur
Multi-couches non boucls
Projection de Sammon
Hebb
comptition
Par comptition
Cartes de Kohonen
Analyse en composantes
principales
VQ
Analyse de donnes, compression de

donnes
Catgorisation, compression de
donnes
ART
SOM
Catgorisation, analyse de donnes
ART-1, ART-2
Catgorisation
RBF
Classification, approximation de
fonctions, prdiction, contrle
Non
supervis
Hybride
Correction derreur et
par comptition
RBF
12
Classification
Analyse de donnes, classification
Catgorisation au sein dune classe,
compression de donnes
Classification, catgorisation au sein
dune classe
Analyse de donnes
Chapitre 1
1.2.4.Quelquesexemplesdapplications
En dehors de la recherche fondamentale en intelligence artificielle et de la
tentativedemodlisationducerveau,lesRNAsontutilissconcrtementdansde
nombreuxcasdiffrents,dontnousallonsvoirquelquesexemples.
1.2.4.1.Lacatgorisationdedonnes:
Le problme ici est de rassembler des donnes similaires en une mme
catgorie. Les RNA apprentissage nonsupervis ralisent ce type de tache et
serontdoncemploysdanslacompressiondedonnesoulexplorationdanalyse
dedonnesparexemple.
1.2.4.2.Lapproximationdefonctions:
Les capacits de classification et de catgorisation des RNA sont encore
exploites ici, puisquils servent parfois approximer une fonction inconnue
(dontonconnatparcontrelespairesdentrs/sorties)unefonctionconnue.Ce
type de difficults est trs frquent dans le travail de modlisation ou dans le
domainedelingnierie.
1.2.4.3.Problmesdeprdiction/prvision:
Les RNA sont galement utiliss lorsquil faut, partir de donnes
recueilliesuntempst,prdirelesdonnesuntempst+1.LesRNAintressent
donc les domaines de la science et de lingnierie mais aussi lconomie de
marchsoulamtorologie.
1.2.4.4.Loptimisation:
Pourfairedeloptimisation,leproblmeestsoit,demaximiserlesuccssoit,
deminimiserlerreur.Encoreunefois,lesrseauxapprentissagenonsupervis
sont particulirement adapts pour ce type de tache et vont donc intresser des
domainesaussidiffrentsquelesmathmatiques,lesstatistiques,lingnierie,la
mdecineoulconomie.
13
Chapitre 1
1.2.4.5.Mmoireadressableparlecontenu:
Les RNA sont capables de rappeler une donne, partir dune donn
dentrepartielleoubruite.Ilsreprsententdoncunemmoireassociative(ou
contenuadressable)pourlaquelleuneinformationestaccessibleviasoncontenu
[6]. Les RNA peuvent donc savrer utiles dans ltablissement dune base de
donnesmultimdiaparexemple.
1.2.4.6.Lecontrle:
Considrons un systme dynamique pour lequel on veuille contrler la
sortie. Les RNA vont tre capables de comparer la sortie du systme avec un
modlecontrleetdadaptercesystme,pourretrouverlabonnesortie.
1.2.4.7.Laclassificationdedonnes:
Undesgrandsproblmesdelaclassificationdedonnes,estdassocierun
patterndentre,unpatterndesortie,parmidenombreuxpatternsprspcifis.
Comme nous lavons vu, les RNA sont capables dapprendre lassociation
entre/sortieetsontdonctoutafaitaptesrsoudrecetypedeproblme.Dufait
de cette capacit, les RNA vont donc tre utiliss par exemple dans, la
reconnaissancedecaractres[8],[10],lareconnaissancevocale,laclassificationde
courbes dlectroencphalogramme, la classification de cellules sanguines ou
encorelacartedescriptiveduncircuitimprim.
14
Chapitre 1
1.3.Reconnaissancedesformes
ILyaplusieurstechniquespourlareconnaissancedeformeoubiendordre
gnral la classification, on cite trois mthodes avec un exemple pour bien
comprendrecestechniques.
1.3.1.Mthodeclassique
La premire, la plus classique, consiste simplement mesurer la distance
euclidienne entre limage de test et toutes les images prsentes dans la base
dapprentissage afin den dterminer la plus faible. Lavantage principal rside
dans une programmation extrmement rapide et un temps daccs aux
informationsutilesimmdiat[9],[11](pasdencessitdapprentissage).Deplus,
lincrmentation est facile puisque pour de nouvelles donnes ou personnes
ajouter la base, seules les transformations en image nettes de rfrences sont
ncessaires. Par contre linconvnient majeur rside dans le temps de calcul
ncessaireauparcoursdetouteslesimagesdelabasepoureffectuerlecalculde
distancequidpenddelatailledesimagesetdunombredindividus.
1.3.2.Mthodesmodernesouparrseaudeneurones
La seconde repose sur un rseau de neurone discriminant. La mthode du
rseau discriminant repose sur lutilisation dun unique rseau de neurones
donnant en sortie la classe dappartenance (dans cet exemple le nom de la
personne)duneimageinconnueenentre.Ilestcomposdunecouchedentre,
dune couche cache et de plusieurs sorties pour autant de personnes
discriminer.
Ilyadoncautantdecellulesdentresquedepixelscomposantlesimages.
Ceciimpliquequetouteslesimagessontdetaillesidentiques.Afinderduirela
complexitdurseaux.
15
Chapitre 1
La couche cache est compose dun nombre plus ou moins important de

neurones(entre10et100)dontdpendraletempsncessairelapprentissageet
lersultat.
Classe 1
Classe 2
Classe N
Figure1.2 structuredunrseaudeclassification.
Le principal avantage par rapport au calcul des distances euclidiennes

rsidedansletempsdecalculncessairelidentification.Eneffet,celuicinest
li qu la complexit du rseau de neurones. Mais mme avec de nombreuses
cellules sur la couche cache, la propagation de lentre vers la sortie se fait de
manire quasiinstantane (enms). La taille des donnes stockes estgalement
fortementrduite,puisquelerseau(enKo)remplacetoutbesoindimages.
Par contre, cette mthode ncessite un trs long apprentissage qui dpend
dunombredeneuronessurlacouchecacheetsurtoutdunombredeclassesen
sortie. Avec 33 personnes discriminer et 120 neurones sur la couche cache, il
fautcompterunminimumde48heuresdecalculsavecunP4pourlesrseauxles
plussimples!!CeciestduundveloppementdelapplicationsousMatlab,ce
quipermetdesprerungainconsquentenC.Onimaginealorsladifficultpour
ajouterunenouvellepersonnelabase.Danscecas,unrapprentissagetotaldu
rseauestncessaire.Unautretypederseauadoncttest.
16
Chapitre 1
1.3.3.MthodeparsriedeRNditetypediabolo
Latroisimemthodeestainsibasesurunesriederseauxdeneurones
de type diabolo. Plutt que de chercher discriminer chaque classe, une
modlisation de chaque individu est ici ralise. La particularit de ce rseau
rside dans un nombre de sorties identique au nombre dentres, le but tant
alors dobtenir une sortie la plus proche possible de lentre dans le cas dune
imageappartenantlabonneclasse.Chaquepersonneestdoncstockedansun
rseaupropre(entre50et200Ko).
Concrtement, chaque nouvelle image tester est propage dans les
diffrentsrseauxdiabolospuisunemesurededistanceentrelevecteurdentre
et de sortie est ralise. Puisquil sagit dun rseau modlisateur, plus cette
distanceserafaible,meilleurseralaprobabilitdappartenancelaclasseteste.
Lamesurelaplusfaibleestalorsretenuepourlechoixdelapersonne.
Classe 1
Classe 2
min
Classe N
Figure1.3 Reconnaissancedesformesonutilisantunrseautypediabolo
17
Chapitre 1
Le temps de calcul ncessaire lidentification est lgrement plus lev

quaveclamthodeprcdentemaisrestetoutfaitfaibleencomparaisondela
mthodedecalculdesdistanceseuclidienneschaqueimage.Legrandavantage
apport par lutilisation de rseaux modlisateurs rside dans la simplicit et la
rapiditdincrmentation.
Seul lapprentissage du rseau de la nouvelle personne est ainsi ncessaire
pouragrandirlabase.Deplus,lesrseauxtantindpendantslesunsdesautres,
unapprentissageenparallledevientpossibleaugmentantlarapiditdestestsde
configuration, surtout si lon ajoute cela une complexit rduite de
larchitecture. Enfin, les rsultats didentification sont meilleurs avec cette
mthodequaveclaprcdente.
1.4.Conclusion
Apres cette prsentation gnrale on a pu montrer que les rseaux de
neuronesreposentPrsentsurdesbasesmathmatiquessolidesquipermettent
denvisagerdesapplicationsdanspresquetoutlesdomainesycomprisindustriel
et grande chelle, notamment dans le domaine de la classification . Si la
rsolution des Problmes difficiles ncessite toujours et ncessitera encore trs
longtemps Beaucoup de travail et un ventail tendu de connaissances en
statistiques,traitementdusignal,automatique,etc.ilnestpasdouteuxqueles
rseaux de neurones peuvent allger considrablement la tche de toute
personne travaillant dans ces domaines en permettant une approche efficace et
gnriquedesproblmesnonlinaires.
18
CHAPITRE 2
SystmeDePerceptionPour
RobotMobile
Chapitre 2
Systme De Perception Pour Robot Mobile
SystmedePerceptionPourRobotMobile
2.1.Introduction
La dtection dobstacle est un des problmes clef de la robotique, tout robot
mobile devant voluer dans un environnement dynamique doit tre capable de
dtecter et viter les obstacles de manire autonome, cest un exemple simple et
intressant vu que le sujet sur le quel nous travaillons touche principalement le
domaine de la robotique et plus prcisment lvitement dobstacle ce dernier
ncessite une bonne perception, ce qui nous a pouss a dtaill cette notion
(Perception)danscequisuit
22Perception
Lanotiondeperceptionenrobotiquemobileestrelativelacapacitdusystme
recueillir, traiter et mettre en forme des informations utiles au robot pour agir et
ragir dans le monde qui lentoure [15], [17]. Alors que pour des taches de
manipulation on peut considrer que lenvironnement du robot est relativement
structure,cenestpluslecaslorsquilsagitdenaviguerdemanireautonomedans
des lieux trs partiellement connus. Aussi, pour extraire les informations utiles a
laccomplissement de sa tache, il est ncessaire que le robot dispose de nombreux
capteurs mesurant aussi bien son tat interne que lenvironnement dans lequel il
volue. Lechoix des capteurs dpend bien videmment de lapplication envisage.
Poursefocalisersurleproblmedenavigation,nousallonsnousrestreindredansce
chapitreauxcapteursutilescettetche.Dansunsecondtemps,nousexpliquerons
commentutiliserlesdonnesissuesdecescapteurspourobtenirunereprsentation
fiabledeltatdusystmeetdelenvironnement.
19
Chapitre 2
2.2.1.Capteursenrobotiquemobile
En robotique mobile, on classe traditionnellement les capteurs en deux
catgories selon quils mesurent ltat du robot luimme ou ltat de son
environnement. Dans le premier cas, a limage de la perception chez les tres
vivants, on parle de proprioception et donc de capteurs proprioceptifs. On trouve par
exempledanscettecatgorielescapteursdepositionoudevitessedesrouesetles
capteurs de charge de la batterie. Les capteurs renseignant sur ltat de
lenvironnement,doncdecequiestextrieuraurobotluimme,sonteuxappelles
capteurs extroceptifs. Il sagit de capteurs donnant la distance du robot
lenvironnement, la temprature, signalant la mise en contact du robot avec
lenvironnement,etc.
Ltude dtaille des capteurs, qui relve la fois de la physique, de
llectronique et du traitement du signal, ne sera pas vue ici. Nous nous
contenteronsdexpliquerlesprincipesdefonctionnementdescapteursprsents.On
tachera simplement de garder lesprit que les dfauts inhrents aux diffrents
systmes de mesure utilises (bruit, erreurs ou checs de mesures, difficult de
modlisation) influent fortement sur la perception que le robot a de
lenvironnement.
Nousprsentonsdanscettesectionlescapteurslespluscourammentutilissen
robotiquemobilepourlesbesoinsdelanavigation.
2.2.1.1.Lescapteursproprioceptifs
Les capteurs proprioceptifs permettent une mesure de certaines paramtres
internesausystmeluimme[16].Danslecasdelarobotiquemobile,cescapteurs
sont souvent utiliss pour estimer la position courante du robot lors de son
dplacement;cestcequiestconnudanslalittratureparodomtrie
20
Chapitre 2
Lodomtrie
Elle permet destimer le dplacement partir de la mesure de rotation des
roues(oududplacementdespattes).Lamesurederotationestengnraleffectue
par un codeur optique dispos sur laxe de la roue, ou sur le systme de
transmission(parexemplesurlasortiedelaboitedevitesse).Leproblmemajeur
decettemesureestquelestimationdudplacementfourniedpendtrsfortement
de la qualit du contact entre la roue et le sol [16]. Elle peut tre relativement
correcte pour une plateforme deux roues motrices sur un sol plan de qualit
uniforme,maisestengnralquasimentinutilisableseulepourunrobotchenille
parexemple.Notonscependantquelerreurdecesmthodesseretrouveengnral
principalementsurlestimationdeladirectiondurobot,tandisquelamesuredela
distanceparcourueestsouventdemeilleurequalit.
Ces modles vont donner, en fonction de la mesure ralise, la probabilit du
dplacementrel.Ilexistediverstypesdemodles,maislesplussimplesetlesplus
utiliss sont des modles de bruit gaussiens sur la direction et la longueur du
dplacement,ainsiquesurlechangementdedirectiondurobot.Lecartstypesde
ces diffrentes gaussiennes dpendent de la valeur de la mesure : lerreur sur la
longueurdudplacementestparexempleproportionnellecettelongueur(Figure
2.1).
21
Chapitre 2
Figure 2.1- Exemple de modle probabiliste simple de

lodomtrie. Le niveau de gris reprsente la
probabilit de la position aprs un
dplacement rectiligne vers la droite. Le
modle utilise un bruit gaussien sur la
longueur du dplacement et sur la direction
du dplacement.
Ilestbiensrpossibledutiliserdesmodlesbeaucoupplusfinsdelodomtrie,
parexempleenfaisantunehypothsedebruitgaussiensurlamesurederotationde
chaqueroue,etenendduisantlerreurdedplacementdurobot.
Commenousleverronsauchapitresurlalocalisation,cesmodlesprobabilistes
peuvent tre utiliss pour gnrer des positions possibles du robot selon la
distribution de probabilit dduite de la mesure de lodomtrie. Lapplication
successive de plusieurs modles probabilistes dduits de plusieurs mesures
dodomtrie permet de les combiner et destimer la distribution de probabilit de
positionfinaledurobot(Figure2.2).
22
Chapitre 2
Figure 2.2. Exemple de combinaison de mesures pour les

modles probabilistes de lodomtrie
Lessystmesradardoppler
Aulieudemesurerledplacementpardesmesuressurlesroues,ilestpossible
dutiliser un petit radar point vers le sol qui permet de mesurer la vitesse du
vhicule par effet Doppler. Ce systme prsente lavantage dtre beaucoup plus
prcis que la mesure passant par les roues, et dtre indpendant des drapages
possiblesdecesroues[15],maisestengnralpluscheretencombrant.Ilestdeplus
trs rare sur les petites platesformes car il ne peut mesurer de faibles vitesses de
dplacement.
Lessystmesinertiels
Lamesurededplacementpotentiellementlaplusfiableprovientdelamesure
des acclrations de la plateforme par des capteurs inertiels. Cette mesure est
potentiellementfiablecarellenedpendpasdelanaturelocaledelenvironnement,
23
Chapitre 2
cependant les capteurs inertiels sont tous entachs de bruit de mesure qui produit
unedrivedelestimationdelapositionaucoursdutemps[15].
La qualit des mesures inertielles dpend trs fortement du type de capteurs
utiliss. Historiquement, les premiers capteurs ont t raliss base de systmes
mcaniquesetpeuventfournirdesmesuresextrmementprcises,auprixduncot
et dune masse trs levs. Ces dernires annes ont vu apparatre de nouvelles
technologiesdecapteurs,notammentbasssurlestechniquesdemicrolectronique,
qui ont permis la ralisation de capteurs inertiels bas cot et lapparition de ces
capteurs dans des produits grand public. La prcision de ces capteurs est toutefois
de quelques ordres de grandeur plus faible, ce qui rend leur utilisation isole
quasimentimpossible.Cescapteursfournissenttoutefoisuntrsboncomplment
lodomtrie,notammentpourlestimationdeladirection.
Lacclration en translation de la plateforme est mesure par des
acclromtres linaires. On dispose en gnral deux acclromtres pour prendre
des mesures dans deux directions perpendiculaires du plan de dplacement du
robot.
Untroisimepeuttredisposverticalementafindemesurerlapositionentrois
dimensions.
Lacclrationangulaireestmesurepardesgyromtres.Ondisposeengnral
un gyromtre selon laxe vertical, qui permet ainsi de mesurer langle de lacet du
robot.Deuxautresgyromtrespeuventtrepositionnsselondeuxaxesduplande
dplacementafindestimerladirectionentroisdimensions.
Ilestgalementpossibledemesurerlarotationdurobotparrapportunaxede
rfrenceenutilisantungyroscope.Cettemesureseffectueengnralparrapport
un axe de rfrence mis en rotation et isol mcaniquement le plus possible du
24
Chapitre 2
robot,cequirendsadirectionindpendantedeladirectiondurobot.Cettemesure
peuttremoinsbruitequelintgration dusignaldacclrationmaisdpendtrs
fortement de la qualit de la ralisation mcanique du systme, qui dpend trs
directementduprixdugyroscope.
Lensemble de ces lments (3 acclromtres et 3 gyromtres) peut tre runi
pourformerunecentraleinertiellequipermetdestimercompltementlessixdegrs
de liberts de la position dans un espace 3 dimensions. Les centrales inertielles
bas cot sont cependant aujourdhui de qualit insuffisante pour une utilisation
isole,tandisquelescentralesdequalitcorrecterestenttrschres.Cedomaineest
cependant en volution rapide avec larrive de nouvelles technologies et
lapparition de centrales bas cot de qualit correcte devrait se faire dans les
prochainesannes.
Lutilisationdesdonnesfourniesparcetypedesenseurspasseaussiengnral
parunmodleprobabiliste,quipeuttredutypedeceluiprsentpourlodomtrie.
2.2.1.2.Capteursextroceptifs
Quellequesoitlatechnologieutilisepoureffectuerlamesuretelemetrique,le
capteurretournegnralementdeuxinformations.Lapremiredonnelanglede
gisement,cestdireladirectiondanslaquelleatfaitelamesure.Laseconde
donneladistanceaucorpsayantrflchilondemise[17].Cettetechniquede
mesurepermetdoncdepositionnerlesobjetsprsentsdanslascneparrapportau
robot.Elleseprtetrsbienauxenvironnementsdintrieur,structures,comportant
desformesrguliresetstatiquescommedesmurs,quiparailleurs,possdent
gnralementdebonnespropritsderflexion.
Il existe diffrents types de tlmtres, qui permettent de mesurer la distance
lenvironnement,utilisantdiversprincipesphysiques.
25
Chapitre 2
aTlmtresultrason
Lestlmtresultrasonsonthistoriquementlespremiersavoirtutiliss.Il
utilisentlamesuredutempsderetourduneondesonorerflchieparlesobstacles
pourestimerladistance[16](Figure2.3).Cestlmtressonttrssimpleetpeucher,
etsontdonctrsrpandus,maispossdentdenombreuxinconvnients.
Figure 2.3. Principe du tlmtre ultrasons.

M
P( scan Obstacles) = P (mesurei dis tan ceobstacles )

i =1
Enpremierlieu,deuxtlmtresvoisinsnepeuventtreutilisssimultanment,
carilestimpossibledesavoirparlequeldesdeuxtlmtresuneonderflchieat
mise (phnomne de crosstalk). Un robot possdant plusieurs tlmtres doit
donclesactiverlunaprslautre,cequientraneuntauxderafrachissementglobal
desmesuresrelativementfaible.
Ces tlmtres possdent une zone aveugle, de quelques dizaines de
centimtres,endessousdelaquelleilsnepeuventdtecterlesobstacles.Cettezone
est due une temporisation entre lmission de londe sonore et le dbut de la
dtectiondelonderflchiequiestncessairepournepasperturbercettemesure.
26
Chapitre 2
De plus, londe rflchie est trs sensible aux conditions environnementales

locales. Ainsi, si langle entre lobstacle et la direction de londe sonore est trop
faible,ilnyaurapasderetourdelondesonoreetlobstacleneserapasperu.
Londederetourdpendgalementdelatexturedelobstacle.Unmurcouvert
demoquettepourraparexemplenepastredtect.
Les tlmtres ultrason dtectent les obstacles se situant dans un cne
relativement large (dangle au sommet denviron 30 degrs). Cette caractristique
peut tre la fois un avantage et un inconvnient. Cest un inconvnient car un
obstacle dtect nest pas localis en angle lintrieur du cne de dtection, et on
obtientdoncunemesuredelapositionrelativementimprcise.Cestparcontreun
avantage car des lments relativement fins (les pieds de table ou de chaise par
exemple)sontdtectsdanscecne,alorsquilspourraientnepastredtectspar
destlmtresayantunangledouverturetrsfin[15].
bTlmtresinfrarouge
Cestlmtrespossdentlavantagedavoiruncnededtectionbeaucoupplus
restreint. Il utilisent une lumire infrarouge au lieu dune onde sonore pour la
dtection et peuvent tre bass sur diffrentes techniques qui permettent de
recueillirplusoumoinsdinformation[16].Ilestpossibledemesurersimplementle
retouroulenonretourduneimpulsioncode,cequipermetdedtecterlaprsence
oulabsencedunobstacledansunecertaineportiondelespace.
Il est galement possible de raliser une triangulation sur le faisceau de retour
delondelumineuse,cequipermetdavoirunemesuredeladistancedelobstacle.
Les inconvnients de ces tlmtres sont lis leur porte, en gnral
relativement restreinte, et leur sensibilit aux fortes sources de lumires qui
contiennentunfortrayonnementinfrarouge.Unprojecteurdutypedeceuxutiliss
27
Chapitre 2
pourlatlvisionpointsurlerobot,parexemple,satureengnralcompltement
lercepteuretempchetoutedtectiondobstacle.Ilssontgalementtrssensibles
la couleur et la nature de la surface de lobstacle (par exemple, ils dtectent
difficilementlesvitres).
cTlmtreslaser
Les tlmtres les plus utiliss lheure actuelle pour des applications de
cartographie et de localisation sont les tlmtres laser balayage. Ils utilisent un
faisceaulasermisenrotationafindebalayerunplan,engnralhorizontal,etqui
permetdemesurerladistancedesobjetsquicoupentceplan(Figure2.4).
Cette mesure peut tre ralise selon diffrentes techniques (mesure du temps
deretour,interfromtrie...).
Balayage
contoursdtects
Figure 2.4. Illustration dun tlmtre Laser.

Les tlmtres les plus courant ont une bonne rsolution angulaire car ils
permettentdobtenirunemesurededistancetoutlesdemidegrs,surunezonede
180ou360degrsselonlesmodles[15].Lamesureestdeplusrelativementprcise
28
Chapitre 2
(avec un bruit de lordre de quelques centimtres) une distance relativement

grande(plusieursdizainesdemtres).Lafrquencedacquisitionestengnralde
lordre de la dizaine de Hertz, voire proche de la centaine pour certains modles.
Ces tlmtres sont trs utiliss en environnement intrieur car ils fournissent des
donnes abondantes et prcises sur la position des objets caractristiques de
lenvironnement tels que les murs. Ils possdent toutefois un certain nombre
dinconvnients.
En premier lieu, leur zone de perception est restreinte un plan et ne permet
doncpasdedtecterlesobstaclessitushorsdeceplan(unpetitobjetposausol
par exemple). Ils ne peuvent pas non plus dtecter les objets ne r flchissant pas
correctementlalumiredulaser(enpremierlieulesvitres,maisaussicertainsobjets
trsrflchissants,telsquelesobjetschroms).Pourlimitercesinconvnients,ilest
possibledelesutiliserenconjonctionavecdescapteursultrasonquiontuncne
dedtectionpluslargeetquipeuventdtecterlesvitres.
Enfin, la plupart des algorithmes de cartographie et de localisation existants
supposentqueleplandemesuredutlmtrelaserrestehorizontalethauteur
Constante,cequinestplusvraiencasdesolirrgulierou,danslamajoritdes
cas,enextrieur.
A lheure actuelle, des tlmtres laser balayant lespace selon deux axes
commencentapparatre.Ilspermettentainsidobteniruneimagededistanceselon
unanglesolidedelordredequelquesdizainesdedegrsdanslesdeuxdimensions.
Ces tlmtres restent toutefois chers et fragile du fait de la mcanique
ncessaire au balayage. De plus, la frquence dacquisition est relativement faible
(de lordre de quelques Hertz), ce qui pose problme lorsque le robot est en
mouvement.
29
Chapitre 2
Dessystmessansbalayagepermettantdobteniruneimagedeprofondeurest
galement en cours de dveloppement. Il restent aujourdhui du domaine de la
recherchemaissontduntrsgrandintrtpotentielpourlarobotiquemobile.
dModleprobabiliste
Les modles probabilistes associs ces capteurs permettent de donner la
probabilit de la mesure en fonction de la distance relle de lobstacle. Les
probabilitssontestimespourchacunedesmesuresindividuellesprisesdepuisune
position,puisagglomresparproduit:
M
P(scan Obstacles)= P(mesurei distance obstacles)

i=1
Pour estimer la probabilit dune mesure individuelle, il est possible dutiliser

une simple loi gaussienne comme modle probabiliste, mais les modles sont en
gnral un peu plus volus et utilisent une combinaison de lois qui modlisent
diversphnomnes(Figure2.5):
lamesureeffectivedelobstaclevis,modlisparunegaussienneengnral.
laperceptiondunobstacleimprvu,modlisparuneloidcroissante
lanonperceptiondelobstaclequidonneunemesureladistancemaximaledu
tlmtre,modlisparunpic.
30
Chapitre 2
Perception de lobstacle
Perception dun obstacle

imprvu
Retour de la valeur maximale
Distance relle
Modle du tlmtre
Figure 2.5. Modle probabiliste de tlmtre.

Lesparamtresdecettecombinaisondeloispeuventtrerglsmanuellement
ou estims partir dun ensemble de mesures, par exemple en utilisant un
algorithmedemaximisationdelesprance.Cesmodlespeuventtreadaptstous
lestypesdetlmtres.
2.2.1.3.Lescamras
Lutilisation dune camra pour percevoir lenvironnement est une mthode
attractive car elle semble proche des mthodes utilises par les humains. Le
traitement des donnes volumineuses et complexes fournies par ces capteurs reste
cependant difficilelheureactuelle,mmesicelaresteunevoie derecherchetrs
explore.
aCamrassimples
Une camra standard peut tre utilise de diffrentes manires pour la
navigationdunrobotmobile.Ellepeuttreutilisepourdtecterdesamersvisuels
(despointsparticuliersquiserventderepre,telsquedesportesoudesaffiches)
partir desquels il sera possible de calculer la position du robot. Si ces amers sont
simplement ponctuels, ou de petite taille, il sera en gnral simplement possible
31
Chapitre 2
destimer leur direction. Dans le cas ou les amers sont des objets connus en 2 ou 3
dimensions,ilseraengnralpossibledestimercompltementlapositiondurobot
parrapportlaleur.Ellepeutgalementtreutilisepourdtecterdesguidesde
navigationpourlerobot,telsquedesroutesoudescouloirs.
Ilestgalementpossibledutiliserglobalementuneimagepourcaractriserune
position ou un point de vue dans lenvironnement. Il faudra alors comparer cette
imageauxnouvellesimagesacquisesparlerobotpoursavoirsilerobotestrevenu
cetteposition.Cettecomparaisonpeutfaireappeldetrsnombreusestechniques,
notammentcellesutilisesdansledomainedelindexationdimage.
Figure 2.6. Illustration du principe de base du flot optique.

Lorsque le robot est en mouvement, il est galement possible de tirer parti du
flot optique (le mouvement apparent des objets dans limage, voir (Figure 2.6), afin
davoiruneestimationdeladistancedesobjets.Eneffet,lesobjetslesplusproches
ontundplacementapparentplusimportantquelesobjetslointains.Cettemthode
permet notamment de raliser un vitement dobstacles ou de raliser une
32
Chapitre 2
reconstruction tridimensionnelle de lenvironnement (par des techniques connues

souslenomdestructurefrom.motion).
bCamrasstroscopiques
Lorsque lon dispose de deux camras observant la mme partie de
lenvironnementpartirdedeuxpointsdevuediffrents,ilestpossibledestimerla
distance des objets et davoir ainsi une image de profondeur, qui peut tre utilise
pour lvitement dobstacles ou la cartographie [15]. Cette mthode suppose
toutefoisunminimumdlmentssaillantsdanslenvironnement(ouunminimum
detexture)etpeuttrelimite,parexempledansunenvironnementdontlesmurs
sontpeintsdecouleursuniformes.Laqualitdelareconstructionrisquegalement
dedpendrefortementdesconditionsdeluminosit.
cCamraspanoramiques
Figure 2.7. Principe des camras panoramiques avec

lemploi dun miroir en forme parabolique
Les camras panoramiques (catadioptriques) sont constitues dune camra

standardpointantversunmiroirdervolution(parexempleunsimplecne,ouun
33
Chapitre 2
profilpluscomplexequipeutsadapterlarsolutionexactequelonveutobtenir
sur le panorama) (Figure 2.7). Limage recueillie permet davoir une vision de
lenvironnement sur 360 degrs autour de la camera. Le secteur angulaire vertical
observ dpend de la forme du miroir et peut tre adapt aux besoins de chaque
application.
Cetypedecamraesttrspratiquepourlanavigationcaruneimageprisepar
unecamerapanoramiqueorienteverticalementpermetdecaractriseruneposition,
indpendamment de la direction du robot. En effet, pour une position donne et
pourdeuxorientationsdiffrentes,lammeimageseraformeparlacamra,une
rotation autour du centre prs, tandis que pour une camra standard, oriente
horizontalement,lascneseraitdiffrente.
Ces camras sont donc trs pratiques lorsque lon caractrise une position de
manireglobale,maispeuventaussitreutilisespourdtecterdesamersoupour
estimer le flux optique. Dans ce cas, toutefois, comme la gomtrie de limage
formeestrelativementcomplexeetcommelarsolutionobtenuevarienormment
selonladirectionobserve,lesalgorithmesdoiventtreadapts,cequipose
Un certain nombre de problmes. Concernant le flux optique, cependant, les
camras panoramiques possdent lavantage de contenir toujours le point
dexpansion et le point de contraction dans limage, ce qui rend lestimation du
mouvementbeaucoupplusaise(Figure2.8).
34
Chapitre 2
Figure 2.8. Illustration du flux optique sur une image

panoramique dans le cas dune camra en
translation.
2.2.1.4.Autrescapteurs
aLescapteurstactiles
Les robots peuvent tre quips de capteurs tactiles, qui sont le plus souvent
utilisspourdesarrtsdurgencelorsquilrencontreunobstaclequinavaitpast
dtectparlerestedusystmedeperception[16].
.
Ces capteurs peuvent tre de simples contacteurs rpartis sur le pourtour du
robot. Ils ne dtectent alors le contact quau dernier moment. Il est galement
possible dutiliser des petites tiges arques autour du robot pour servir
35
Chapitre 2
dintermdiairecescontacteurs,cequipermetunedtectionunpeuplusprcoce
etdonneainsiplusdemargepourarrterlerobot.
bLesboussoles
Les boussoles permettent, par la mesure du champ magntique terrestre, de
dduireladirectiondunord.Cescapteurspeuventutiliserdiffrentestechnologies
etontlavantagedefournirunedirectionderfrencestableaucoursdutemps(au
contrairedesgyroscopesquidrivent).
Ces capteurs sont toutefois trs dlicats utiliser en intrieur car ils sont trs
sensiblesauxmassesmtalliquesprsentesdanslastructuredesbtiments[17].En
pratique,onlesutilisedoncprincipalementenextrieurenapportantleplusgrand
soinleurpositionnementsurlerobotpourviterlesinfluencesdescomposantsdu
robot,notammentlesmoteurslectriques.
cLesbalises
Danscertainesapplications,ilestgalementpossibledutiliserdesbalisesdont
onconnatlaposition,etquipourronttrefacilementdtectesparlerobot,afinde
facilitersalocalisation.
Destechniquestrsdiversespeuventtreutilisespourcesbalises.Onpeutpar
exempleutiliserunsignalradio,misdemanireomnidirectionnelparlabalise.
Le robot sera alors quip dune antenne directionnelle qui lui permettra de
dtecter la direction des diffrentes balises, afin de dduire sa position par
triangulation.Onpeutgalementutiliserdescodescouleursoudescodesbarresqui
pourronttredtectsparunecamra.
36
Chapitre 2
dLeGPS
Les besoins de localisation tant omniprsents dans de trs nombreux secteurs
delavieactuelle,lidedavoirunsystmedelocalisationleplusuniverselpossible
a donn lieu lapparition du Global Positioning System. Cest un systme de
balisesdontonaplaclesbalisessurdessatellitesenorbiteterrestreetquiestpar
consquent accessible de quasiment partout la surface du globe. Ce systme
permet donc davoir une mesure de sa position dans un repre global couvrant la
terre avec une prcision variant de quelques dizaines de mtres quelques
centimtressuivantlesquipements.
Ce systme est cependant loin de rsoudre tous les problmes de localisation
des robots mobiles. Il fonctionne en effet difficilement dans des environnements
urbains, et nest pas utilisable lintrieur des btiments. Sa prcision est de plus
souventtropfaiblepourquunrobotterrestrepuisseutilisercesinformationsseules.
En pratique, il est souvent coupl un systme inertiel qui permet de palier aux
pertesdusignalGPSetilneremplacedetoutefaonpaslescapteursdurobotqui
lui permettent de percevoir son environnement immdiat, qui constitue la source
dinformationprincipalepourlanavigationcourtterme(parexemplelvitement
dobstacles,paroppositionlanavigationlongtermequiconsisterejoindreun
butdistant).
2.3.Evitementdobstacles
Lvitement dobstacles est un comportement de base prsent dans quasiment
touslesrobotsmobiles.Ilestindispensablepourpermettreaurobotdefonctionner
dansunenvironnementdynamiqueetpourgrerlescartsentrelemodleinterne
etlemonderel.
37
Chapitre 2
Les mthodes utilises sont efficaces condition davoir une perception

correcte de lenvironnement. Elles seront par exemple trs efficaces avec un
tlmtre laser, mais donneront des rsultats plus bruits avec des sonars. Pour
limiterceproblme,ilestpossibledappliquercesmthodessurunereprsentation
locale (cestdire de lenvironnement proche du robot et centre sur le robot) de
lenvironnement qui sera construite en fonction des donnes de quelques instants
prcdents.Cettereprsentationintermdiairepermettradefiltrerunegrandepartie
dubruitdesdonnesindividuelles(enparticulierpourlessonars).
2.4.Conclusion
Onaessaydanscechapitredenepasfaireunetudedtaillesurlescapteurs,qui
relve a la fois de la physique, de llectronique et du traitement du signal, Nous
nous somme contenter dexpliquer les principes de fonctionnement des capteurs
prsents.EtOntacherasimplementdegarderaLespritquelesdfautsinhrents
aux diffrents systmes de mesure utilises (bruit, erreurs Ou checs de mesures,
difficult de modlisation) influent fortement sur la perception que le robot a de
lenvironnement et donc peuvent entraner des perturbations et mauvaises
estimationsdecommandesurlesactionneursdurobotmobile.
38
CHAPITRE 3
DescriptionduRseaude
NeuronesDvelopp
Chapitre-3
Description du rseau de neurones dvelopp
DescriptionduRseaudeNeuronesDvelopp
31.Introduction
Vu son importance, ce chapitre est scind en deux parties. La premire concerne la
prsentation dtaille de la structure du rseau de neurones conu pour notre application.
Au sein de cette partie, nous avons prsent la simulation du principe de fonctionnement
du systme de perception o un tlmtre laser a t retenu. En ce qui concerne la
deuxime partie, un ensemble de tests montrant lefficacit du systme dvelopp a t
montr.
Le travail que nous prsentons dans ce chapitre est le fruit de plusieurs
tapesderflexionetdemiseenplacedesolutionlogicielles.Lapremiretape
consisteslectionnerlesrseauxdeneuronesadquats(MLP).Lasecondesagit
de trouver les bons paramtres dimplmentation pour chacun des rseaux.
Ensuite, nous avons labor un espace de travail, nous permettant de tester
facilement les diffrents paramtres du problme concernant les ensembles
dapprentissage et le capteur du systme de perception utilis. Ce qui nous a
permisdedterminerlesparamtresquidonnentdesperformancesoptimalesau
systme dvelopp. Une comparaison en termes de performances et
dapprentissagedesdiffrentstypesdestructuresMLPseraprsentelafinde
cechapitre.
Commeilpeutdduit,ladeuximepartieetaussibienimportantequela
premireilsagitbiendelalgorithmeutilispourlapprentissagedurseaude
neuronesquiseradtailldanslunedessectionsquisuivent.Lecycleclassique
de dveloppement des rseaux de neurones peut tre spar en sept tapes
structuressuivantlordredonncidessous:
AcquisitionDesDonnes
9 collectedesdonnes
9 analysedesdonnes
39
Chapitre-3
9 lamiseenformedesdonnes
9 sparationdesbasesdesdonnes
12ConceptionDuRseauDeNeurones
9 choixdunrseaudeneurones
9 lapprentissagedurseaudeneurones
9 validationsettest
Larchitecture du systme conu peut tre schmatise dune faon
simplifiesuivantlesynoptiquedonnparlafigure31.
Flux dinformations sur

lenvironnement du robot
Et
Acquisition de
donnes
Rseau de
Neurones
MLP
Classification des
obstacles
Modlisation de
lenvironnement
Pilotage
du robot mobile
Figure3.1Schmasynoptiquedusystmeconu
40
Chapitre-3
32Acquisitiondesdonnes
321Collectedesdonnes
Lobjectif de cette tape est de recueillir des donnes, la fois pour

dvelopperlerseaudeneuronesetpourletester.Danslecasdapplicationssur
desdonnesrelles,lobjectifestderassemblerunnombrededonnessuffisant
pourconstituerunebasereprsentativedesdonnessusceptiblesdinterveniren
phasedutilisationdusystmeneuronal.Lafonctionralisersultantduncalcul
statistique,lemodlequilconstituenadevaliditquedansledomaineoonla
ajust. En dautres termes, la prsentation de donnes trs diffrentes de celles
qui ont t utilises lors de lapprentissage peut entraner une sortie totalement
imprvisible.Dansnotreapplicationlacollectedesdonnessefaittraversun
simple systme de perception, qui assure cette collecte, conu autour dun
capteurlaser.
En se basant sur le principe de fonctionnement dun tlmtre laser, un
modleatsimul.Ilsagitdunetourelleplacelavantdurobotmobile.Une
rotationde180unpasprfixpermetdecollecterunensemblebiendtermin
de mesures. Ces mesures donne une ide satisfaisante sur une zone de
manuvrabilitdontlasurfacebalayedpenddurobotmobileetdesanature
demouvement.Pourplusdeclartunensembledexemplesatchoisiafinde
montrer les valeurs issues du tlmtre laser et leur correspondant en mode
rduitpourdiffrenteszonesutilesdedtection.
Exemple1
Zonededtection:170cm
Balayage180unpasde1
41
Chapitre-3
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure32.Balayagedutlmtrelasercasdelexemple1
Mesure De Distance Avec Un Pas De Balayage De 1
MB
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
MB
170
170
170
170
170
170
170
170
170
170
170
97.0
97.0
97.0
97.0
97.0
97.0
97.0
97.0
97.0
97.0
97.0
98.0
98.0
98.0
98.0
98.0
99.0
99.0
99.0
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5706
0.5765
0.5765
0.5765
0.5765
0.5765
0.5824
0.5824
0.5824
MB
100
101
101
101
102
103
103
104
105
105
106
107
108
109
110
111
112
114
114
117
118
121
124
127
129
134
138
142
145
151
MN
0.5882
0.5941
0.5941
0.5941
0.6000
0.6059
0.6059
0.6118
0.6176
0.6176
0.6235
0.6294
0.6353
0.6412
0.6471
0.6529
0.6588
0.6706
0.6706
0.6882
0.6941
0.7118
0.7294
0.7471
0.7588
0.7882
0.8118
0.8353
0.8529
0.8882
MB
155
159
153
149
143
139
135
131
128
126
123
118
117
114
114
112
111
110
108
108
106
106
105
104
104
103
102
102
101
100
MN
0.9118
0.9353
0.9000
0.8765
0.8412
0.8176
0.7941
0.7706
0.7529
0.7412
0.7235
0.6941
0.6882
0.6706
0.6706
0.6588
0.6529
0.6471
0.6353
0.6353
0.6235
0.6235
0.6176
0.6118
0.6118
0.6059
0.6000
0.6000
0.5941
0.5882
MB
100
100
99.0
99.0
99.0
98.0
97.0
97.0
97.0
97.0
97.0
96.0
96.0
97.0
97.0
96.0
96.0
96.0
96.0
97.0
100
170
170
170
170
170
170
170
170
170
MN
0.5882
0.5882
0.5824
0.5824
0.5824
0.5765
0.5706
0.5706
0.5706
0.5706
0.5706
0.5647
0.5647
0.5706
0.5706
0.5647
0.5647
0.5647
0.5647
0.5706
0.5882
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
MB
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
170
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
Tableau 3.1 mesuresetvaleursrduitescorrespondantespourexemple1
42
Chapitre-3
MB : valeur brute
MN : valeur normalise
Exemple2
Zonededtection:190cm
Balayage180unpasde2
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.3balayagedutlmtrelasercasdelexemple2
Mesure De Distance Avec Un Pas De Balayage De 2

MB
190
190
190
190
190
190
190
190
190
190
190
190
190
190
190
190
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
MB
190
190
190
190
190
190
190
190
190
190
190
190
190
190
84.0
88.0
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4421
0.4632
MB
94.0
101
110
120
133
149
150
149
148
147
146
146
146
146
146
146
MN
0.4947
0.5316
0.5789
0.6316
0.7000
0.7842
0.7895
0.7842
0.7789
0.7737
0.7684
0.7684
0.7684
0.7684
0.7684
0.7684
MB
146
147
148
149
150
151
153
155
147
136
126
118
111
104
99.0
94.0
MN
0.7684
0.7737
0.7789
0.7842
0.7895
0.7947
0.8053
0.8158
0.7737
0.7158
0.6632
0.6211
0.5842
0.5474
0.5211
0.4947
MB
92.0
190
190
190
190
190
190
190
190
190
190
190
190
190
190
190
MN
0.4842
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
MB
190
190
190
190
190
190
190
190
190
190
190
Tableau 3.2 mesuresetvaleursrduitescorrespondantespourexemple2
43
MN
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
Chapitre-3
On essaie de montrer par les quatre figures allant de 34 37 diffrentes

situationsdecasdobstaclesnondtectsetdecasdedtectiondobstaclesavec
confusiondanslareconnaissancedeformes.
Exemple3
Cas dobstacle en dehors de la zone utile de dtection choisie suivant les
dimensionsdurobotmobile.Ilestnoterquelazoneutilededtectionpeuten
gnraletrediffrentedelaportedutlmtre.
Capteur
Croisement
Environnement
du robot
Figure 3.4 balayagedutlmtrelasercasdelexemple3
Exemple4
Casdobstacleestpartiellementdtectdanslazoneutilededtection.Dansce
cas prcis, il se peut quil y ait confusion entre formes dobstacles dune mme
classe.
44
Chapitre-3
Capteur
Croisement
Environnement
du robot

Exemple5
Casdobstacleplacentirementdanslazoneutilededtection.Cecasamontr
lagrandeprobabilitaveclaquellelaformedelobstacleauseindesaclasse
puissetredtermine.
Capteur
Croisement
Environnement
du robot
Figure 3.6balayagedutlmtrelasercasdelexemple5
45
Chapitre-3
Exemple5
Casdobstacleplactoutprsdurobotmobile,cestlecasolaformeest
entirement rate. Cependant, en pratique cest un cas qui ne peut tre rsolu
quenfaisantappelauxcapteurstactiles.
Croisement
Capteur laser
plac lavant du
robot
Environnement
du robot

Unefoislacollectedesdonnesestfaite,unprtraitementdesdonnesainsi
obtenues doit tre effectu afin de prsenter lentre du rseau de neurones
facilementmaniables.
322analysedesdonnes
Ilestsouventprfrabledeffectueruneanalysedesdonnesdemanire
dterminer les caractristiques discriminantes pour dtecter ou diffrencier ces
donnes.CesCaractristiquesconstituentlentredurseaudeneurones.Notons
que cette tude nest pas spcifique aux rseaux de neurones, quelque soit la
mthodededtectionoudeclassificationutilise.
46
Chapitre-3
Il est gnralement ncessaire de prsenter des caractristiques

reprsentatives.Cettedterminationdescaractristiquesadesconsquencesla
foissurlatailledurseaudoncletempsdesimulation,surlesperformancesdu
systme pour une capacit de sparation avec un taux de dtection et sur le
temps dapprentissage. Une tude statistique sur les donnes peut permettre
dcartercellesquisontaberrantesetredondantes.
Dans le cas dun problme de classification, il appartient
lexprimentateur de dterminer le nombre de classes auxquelles ses donnes
appartiennent et surtout de dterminer pour chaque donne sa classe
dappartenance. Dans le cas notre application, les obstacles dans un
environnementdintrieurprennentdiffrentesformespouvanttrerpartiessur
diffrentesclasses.
Citonscouloir,impasse,coin,pice,mur,anglegauche,entre,angledroit,
croisement, croisement en T et sortie comme exemples de formes dobstacles
pouvantobstruerlechemindunrobotmobiledintrieur.
Cependant, la modlisation dont on parle sur les diffrentes formes
dobstacles nest pas fige, dautres formes peuvent facilement tre ajoutes ou
supprimes.Deplus,onpeutdistinguerlesformesquiappartiennentlamme
classe soit en utilisant des fonctions telle que lhistogramme pour voir les
distributions des formes, soit en faisant un prtraitement aprs essai de test
derreur.
47
Chapitre-3
Impasses
Coins
passages
Plans
Tableau3.3Lesdiffrentesclassesconstituantlabasedapprentissage
323lamiseenformedesdonnes
Demaniregnrale,pourlamiseenformedesdonnespourunrseaude
neurones, les bases de donnes doivent subir un prtraitement afin dtre
adaptesauxentresetsortiesdurseaudeneurones.Unprtraitementcourant
consiste effectuer une normalisation approprie, qui tienne compte de
lamplitudedesvaleursacceptesparlerseau.Nousreviendronsparlasuitesur
les avantages et inconvnients de la normalisation. Dans notre cas la
normalisation se fait par division de toutes les valeurs de distances du vecteur
dist par la valeur du rayon de la zone utile de dtection dobstacle a fin de
ramenertouteslesvaleursdanslintervallerduitnormalis[0,1].
48
Chapitre-3
324Sparationdesbasesdedonnes
Afin de dvelopper une application base de rseaux de neurones, il est
ncessaire de disposer de deux bases de donnes : une base pour effectuer
lapprentissage du rseau et une autre pour le tester afin de dterminer ses
performancespourlecontrledesaphasedapprentissage.Certes,ilnyapasde
rglespourladterminationdecepartagedemanirequantitatif.Cependant,il
rsultesouventdun compromistenantcomptedunombrededonnesdonton
disposeetdutempsimpartipoureffectuerlapprentissage.
Chaquebasedoitcependantsatisfaireauxcontraintesdereprsentativitde
chaqueclassededonnesetelledoitgnralementreflterladistributionrelle;
cestdirelaprobabilitdoccurrencedesdiversesclasses.
Avant de dtailler ces deux tapes importantes dans la conception dun
rseaudeneuronesilesttoutefoisimportantdepasserlaconceptiondurseau.
33ConceptionduRseaudeNeurones
331choixdunrseaudeneurones
Il existe un grand nombre de types de rseaux de neurones, avec pour
chacun ses avantages et ses inconvnients. Le choix dun rseau est troitement
liauxcritres:
la tche effectuer (classification, association, contrle de processus,

sparationaveugledesources...),
lanaturedesdonnes
dventuelles contraintes dutilisation temps rel (certains types de

rseauxdeneurones,telsquelamachinedeBoltzmann[AZENCOTTet
al., 1992], ncessitant des tirages alatoires et un nombre de cycles de
calculsindfiniavantstabilisationdursultatensortie,prsententplusde
contraintesquedautresrseauxpouruneutilisationtempsrel),
49
Chapitre-3
desdiffrentstypesderseauxdeneuronesdisponiblesdanslelogicielde
simulation que lon compte utiliser ou le dveloppement de son propre
programme.
Cechoixestaussifonctiondelamatriseoudelaconnaissancequelonade
certains rseaux, ou encore du temps dont on dispose pour tester une

architecture prtendue plus performante. Dans notre cas on a utilis la toolbox
dumatlabvuquellepossdedesfonctionsetdesalgorithmestrspuissants
dans ce domaine rseaux de neurones et plus prcisment la classification, ce
quenousallonsledtaillerparlasuite
3311UtilisationdelaBoteoutilsMatlabRseauxdeNeurones
Il sagit dune structure hirarchique; certains membres de la structure de
basesonteuxmmesdesstructuresrelativementcomplexes.Cettestructurepeut
trevisualiselorsdelacrationdurseauxouplustard.
CrationdunRseauMLP
9 La fonction de cration dun rseau est spcifique au modle de rseau
utilis(newc,newlvq,etc).
9 Pour les rseaux multicouches, la cration du rseau est faite par la
commandedelafonctionnewff:
reseau=newff(PR,[S1S2........SN1],{TF1TF2......TFN1},BTF,BLF,PF);
Avec:
PR:Plagedesvariationsdesentres(affichageparminmax(p)).
Si:Nombredesneuronesdanslacouchei,pourN1couches.
TFi:fonctiondactivationdanslacouchei,pardfautlafonction
dactivationesttansig,ellepeuttre:
Hardlim:FonctionsHeaviside.
hardlims:Fonctionssigne.
logsig:Fonctionlogarithmesigmode.
50
Chapitre-3
tansig:Fonctiontangentesigmode.
pureline:fonctionlinaire.
satlins:Fonctionlinaireaseuil.
BTF:lalgorithmedapprentissageparpaquetsdurseau,la
fonctionBTFpeuttre:
trainlm:apprentissageparlalgorithmedeLevenbergMarquardt
trainbfg:apprentissageparlalgorithmeBFGS.
trainoss:apprentissageparlalgorithmeonestepBFGSMethod
trainbr:versiondetrainlmavecmodrationautomatiquedes
poids.
trainrp:apprentissageparlalgorithmeRPROP.
trainscg:apprentissageparscaledconjuguategradient(SCG)
traincgf:apprentissageparlamthodedugradient
conjugu+FLETCHERREEVES.
traincp:apprentissageparlamthodedugradient
conjugu+POLAKRIBIERE.
BLF:lalgorithmedapprentissageincrmentaldurseau,la
fonctionBLFpeuttre:
Learngd:Lalgorithmedapprentissageseraladescentede
gradienttauxdapprentissagefixe.
Learngdm:versiondelearngdavecmoment.
PF:fonctionducot.
mae:erreurabsoluemoyenne
mse:erreurquadratiquemoyenne
msereg:versiondemseavecmodrationsdespoids
sse:sommedescarrsdeserreurs
51
Chapitre-3
Apprentissage
Ilexiste2typesdapprentissage:
Incrmental : fonction adapt. Apprentissage incrmental ( on line);

lespoidssontmodifischaqueprsentationduneentre.
Parpaquets:fonctiontrain.Apprentissageparpaquets(offline,batch
mode); les poids sont modifis uniquement aprs prsentation de
touteslesentres.
Simulation(ouactivation)dunrseau
A=sim(net,p);onetestlepointeurretournparunefonctiondecration
derseau.
Onvamaintenantparlersurlapprentissage,uneproprittrsimportante
dans les rseaux de neurones, aprs quon a opt pour la fonction NEWFF
commestructure gnrale du rseau. Lasomme descarrs deserreurs SSE qui
est utilise comme fonction du cot, est bien adapte notre application de
classification. Lapprentissage est vraisemblablement la proprit la plus
intressante des rseaux neuronaux, cependant il existe plusieurs algorithmes
utiliss pour faire lapprentissage des rseaux multicouches. En gnral, les
mthodes du second ordre assurent une convergence plus rapide que celle du
premierordrepourlesrseauxdontlapprentissageestparpaquets.Cependant,
pour les rseaux dont lapprentissage est incrmental les mthodes du premier
ordre assurent une convergence plus rapide que celle du second ordre. Citons
quelquesalgorithmesdapprentissage:
Lalgorithme de LevenbergMarquardt est le plus rapide et il assure la

meilleureconvergenceversunminimumdelerreurquadratiquepourles
problmes dapproximation des fonctions o le nombre des poids du
rseau est infrieur cents. Quand le nombre de poids augmente
lefficacitdelalgorithmeLMdiminue,carlatailleduHessienaugmente
52
Chapitre-3
et ncessite une trs grande place dans la mmoire, cet algorithme est
moinsadaptauxproblmesdeclassification.
LalgorithmeRPROPestleplusrapideetassurelameilleureconvergence
vers un minimum de lerreur quadratique pour les problmes de
classification. Cependant, cet algorithme est mal adapt aux problmes
dapproximations des fonctions; il ncessite une place mmoire trs
modeste.
Lesalgorithmesdugradientconjugu,enparticulierSCG,performantsur
des varits des problmes, spcifiquement dans le cas o la taille du
rseauestgrande.LalgorithmeSCGestaussirapidequelalgorithmeLM
dans les problmes dapproximation des fonctions par contre il est plus
rapide que le LM dans le cas des rseaux de grandes tailles.). Il est aussi
rapide que lalgorithme RPROP pour les problmes de classification.
lalgorithmeSCGncessiterelativementuneplacemmoiretrsmodeste.
Cesontcesparamtresquinousontencouragutilisercesalgorithmes.
332lapprentissagedurseaudeneurones
Tous les modles de rseaux de neurones requirent un apprentissage.
Plusieurstypesdapprentissagespeuventtreadaptsunmmetypederseau
deneurones.Lescritresdechoixsontsouventlarapiditdeconvergenceoules
performancesdegnralisation.Lecritredarrtdelapprentissageestsouvent
calcul partir dune fonction de cot, caractrisant lcart entre les valeurs de
sortieobtenuesetlesvaleursderfrences;ilsagitdesrponsessouhaitespour
chaque exemple prsent. La technique de validation croise, qui sera prcise
parlasuite,permetunarrtadquatdelapprentissagepourobtenirdebonnes
performances de gnralisation. Certains algorithmes dapprentissage se
chargent de la dtermination des paramtres architecturaux du rseau de
neurones. Si on nutilise pas ces techniques, lobtention des paramtres
architecturaux optimaux se fera par comparaison des performances obtenues
53
Chapitre-3
pour diffrentes architectures de rseaux de neurones. Des contraintes dues

lventuelle ralisation matrielle du rseau peuvent tre introduites lors de
lapprentissage.
3321basesdapprentissage
Le choix de la base dapprentissage est trs important dans la conception
ainsi que dans les rsultats obtenus par le rseau. On avait mentionn cette
importance dans la partie analyse des donnes de ce chapitre parce quun
mauvais choix de cette base peut entraner beaucoup de problmes sur les
performances du systme comme sa capacit de sparation et son taux de
dtection,etsurletempsdedveloppement(tempsdapprentissage).Unetude
statistiquesurlesdonnespeutpermettredcartercellesquisontaberranteset
redondantesdanslecasdunproblmedeclassification.Pournotreapplication,
onadivislabasedapprentissageenquatreclassescommeilestillustrdansle
(tableau3.3).Lesdiffrentesclassesquiconstituentlesbasesdapprentissages
sont:
Classepassage:Couloir,croisement,croisenT,etc.
Classeimpasse: formesenUetV
Classecoin: UetVmiroits
Classeplan:murhorizontalouinclin.
Ce sont ces formes dobstacles qui sont simules; les 91 valeurs issues du
tlmtre laser lors de leur dtection, aprs traitement et adaptation, forment le
vecteur dentres de notre rseau de neurones. Toutes les situations exploites
durantltapedapprentissageconstituentlabaseDATA_OBS.Lesfigures38et
39 montrent deux exemples de simulation de dtection dun mur et dimpasse
respectivement et dont les valeurs de mesures correspondantes seront utilises
pourlapprentissagedurseau.
Laporteutilededtectiondobstacleestlimiteauxcasdesdeuxexemples
unrayonde190cmavecuneprcisiondebalayagede2.
54
Chapitre-3
Casdedtectiondunmur:
Capteur laser
plac lavant du
robot
Obstacle
Environnement
du robot
Figure3.8casdedtectiondemurpourapprentissage
Casdedtectionduneimpasseenformedecoin:
Coin
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.9casdedtectiondimpassepourapprentissage
55
Chapitre-3
Une caractristique trs importante prendre en considration lors de

dveloppementdesrseauxdeneuronesestdevoircommentlesrponsesdeces
dernierstendentverslesrsultatsattendusetsurtoutavecquellevitesse;cestla
propritconvergence.
3322Convergence
Dans la plupart des travaux utilisant les rseaux de neurones type MLP,
lalgorithme dapprentissage le plus utilis est celui bas sur la rgle de
rtropropagationdugradient.Sonprincipedefonctionnementconsisteminimiser
la fonction du cot E donne par lquation 31. Cest ce qui nous a encourags
testercetalgorithmequiadonndebonsrsultatsdanslecasdenotreapplication.
E= (d k -s k ) 2
(31)
La gradient intervient dans la modification des poids des cellules suivant

lquation
w ijt+1 =w ijt -
w ij
(32)
Sachantlasortiedechaquecelluleauniveaudesacoucheestdfiniecomme
unefonctiondactivationappliqueaupotentieldecettemmecellule.Cepotentiel
dpend des cellules prcdentes avec des coefficients appels poids comme il est
donnparlquation33.
si =f(pi ) Avec pi = w ijx j
(33)
Par un changement de variables dans lexpression du gradient du cot, on

arrivelexpressiondonneparlquation34.
E E pi
=
w ij pi w ij
(34)
Enremplaantpiparsonexpressionen(33),onobtientlexpressionsimplifie
donneparlquation35.
56
Chapitre-3
E E
=
xj
w ij pi
(35)
Lalgorithme utilis dans notre application est le RPROP. Son principe de

fonctionnement consiste retenir que les valeurs des poids au moment de
changementdesigne.Cestcettepropritquiarenducetalgorithmerapideetbien
adapt aux applications de la classification qui exigent un espace mmoire
important.
Certes il ny a pas que le choix de lalgorithme qui permet damliorer la
vitesse dapprentissage dun rseau de neurones selon lapplication, mais le taux
dapprentissageetlenombredeneuronesdanslescouchescachesontaussiuneffet
sur ce critre. Les courbes donnes sur les quatre figures 310 313 illustrent
commentlenombredeneuronesetletauxdapprentissageagissentsurlafonction
cotE.
Leprogrammedapprentissageestconfigurcommesuit:
net = newff(minmax(P),[Nnc Nns],{fcl fs},trainrp); avec P: les entres, Nnc:
nombre de neurones de la couche cache, Nns: nombre de
neuronesdelacouchedesortie,fcl:fonctiondactivationpourles
neurones de la couche cache, fs: fonction dactivation pour les
neurones de la couche sortie, trainrp: algorithme RPROP
dapprentissagechoisi.
net.trainParam.epochs=5000;
Nombremaximaldesitrations.
net.trainParam.goal=0.000001;
SeuildelafonctioncotE
net.trainParam.mc=0.95;
mc:momentutilis
net.trainParam.lr=.;
:tauxdapprentissage
57
Chapitre-3
Fonction de cot E
Performance 5.665e-007,
1
10
10
-1
10
-2
10
-3
10
-4
10
-5
10
Seuil de la fonction de cot choisie 10-6
-6
10
-7
10
10
20
30
40
50
60
Nombre ditrations
Figure3.10EvolutiondelafonctioncotE,
Nombredeneuronesdanslacouchecache=20
Tauxdapprentissage=0,35.
58
Chapitre-3
Fonction de cot E
Performance 1.72797e-007,
2
10
10
-2
10
-4
10
-6
10
10
20
30
40
50
Nombre ditrations
60
70
59
Fonction de cot E
Chapitre-3
Performance 8.40376e-007
10
-1
10
-2
10
-3
10
-4
10
-5
10

-6
10
-7
10
10
20
30
40
50
60
Nombre ditrations
60
70
Chapitre-3
Performance 7.30967e-007
Fonction de cot E
10
-1
10
-2
10
-3
10
-4
10
-5
10

-6
10
-7
10
10
20
30
40
50
60
Nombre ditrations
70
80
333validationsettest
3331exemplesdebasedetest
Une fois le rseau de neurones entran (aprs apprentissage), il est
ncessairedeletestersurunebasededonnesdiffrentesdecellesutilisespour
apprentissage.Cetestpermetlafoisdapprcierlesperformancesdusystme
neuronal et de dtecter le type de donnes qui pose problme. Si les
performances ne sont pas satisfaisantes, il faudra soit modifier larchitecture du
rseau, soit modifier la base dapprentissage (caractristiques discriminantes ou
reprsentativitdesdonnesdechaqueclasse).
61
Chapitre-3
Lesfigures314et315montrentdeuxexemplesdetest.Lepremierexempleest
choisitelquilmontreuneconfusionentreplaninclinetcouloir.Lesecondest
choisi comme lassociation dun couloir et dun coin. IL a t remarqu lors de
lopration de test que la confusion au niveau du premier exemple dpend du
degr dinclinaison du mur suprieur du couloir. Le deuxime est dans les cas
dtectcommeimpasseenformedecoin.
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.14reprsenteUnobstaclesousformedeCouloir
dformpourletest
62
Chapitre-3
ordre
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Valeur
rduite
de la
mesures
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
ordre
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Valeur
rduite
de la
mesures
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.4421
0.4632
0.4947
0.5316
0.5789
0.6316
0.7000
0.7842
ordre
Valeur
rduite
de la
mesures
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.7789
0.7368
0.6947
0.6684
0.6316
0.6053
ordre
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
Valeur
rduite
de la
mesures
Valeur
rduite
de la
mesures
ordre
0.5842
0.5632
0.5474
0.5316
0.5105
0.5000
0.4842
0.4842
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
Tableau 3-4 Valeur rduites des donnes issues du tlmtre

Cas de la configuration de lexemple figure 3-14
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.15obstacledetestenformecouloir+coin
63
Chapitre-3
ordre
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Valeur
rduite
de la
mesures
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
ordre
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Valeur
rduite
de la
mesures
0.6158
0.6263
0.6474
0.6684
0.6895
0.7158
0.7474
0.7789
0.7842
0.7632
0.7474
0.7316
0.7316
0.7421
0.7474
0.7632
0.7684
0.7842
0.7947
Valeur
rduite
de la
mesures
ordre
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
0.8158
0.8316
0.8526
0.8737
0.8947
0.9263
0.9526
0.9842
1.0000
0.9789
0.9316
0.8947
0.8632
0.8368
0.8105
0.7842
0.7632
0.7421
0.7211
ordre
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
Valeur
rduite
de la
mesures
ordre
0.7000
0.7053
0.7158
0.7316
0.7474
0.7579
0.7211
0.6895
0.6579
0.6316
0.6105
0.5895
0.5684
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
Valeur
rduite
de la
mesures
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
Tableau 3-5 Valeur rduites des donnes issues du tlmtre

Cas de la configuration de lexemple figure 3-15
3332Etapesdevalidation
Pour la vrification de la robustesse et la performance du rseau de
neurones dvelopp, dans le cas de notre application de classification
nous avons jug utile de le faire passer par les tapes de test
suivantes:
aTauxdereconnaissance
Danscettepartie,ilsagitdedterminerleparamtrequipermetdedterminerle
pourcentage de classification sans erreur. Ceci est dfini comme tant le taux
derreur dont lexpression :
taux d'erreur=
nombre de cas mal classs
nombre total de cas
Une valeur du rapport gale lunit indique un taux de reconnaissance de

100%. Dans le cas de nos essais nous avons essay de tester le degr
64
Chapitre-3
didentification dlments au sein dune mme classe, ce qui a conduit aux

rsultats du tableau 36. On sest limit un nombre de 5 formes pour
lapprentissageet5pour5autrespourlaclassification.
Mur
Coin
Impasse
Apprentissage
Gnralisation
Couloir
Croisement
Apprentissage
Gnralisation
Pice
angle_D
angle_G
Apprentissage
Gnralisation
Entre
Sortie
Apprentissage
Gnralisation
Tableau3.6 Taux de reconnaissance des situations

Pour dautres formes gomtriques et toujours dans le mme contexte du
tauxdereconnaissance,nousavonspris3lmentspourlabasedapprentissage
et5autrespourlaclassification;lesrsultatsobtenussontrsumssurletableau
37.
Nous pouvons constat que le taux de reconnaissance nest pas le mme
pourtouteslesformes.Certainessontplusdifficilesreconnatrequedautres.
65
Chapitre-3
Mur
sommet
Impasse
Apprentissage
Gnralisation
Apprentissage
Planinclin
droite
3
Planinclin
gauche
3
Gnralisation
Couloir
3
4
Tableau3.7 Taux de reconnaissance de quelques formes gomtriques

Qui constituent les bases des donnes
bRsolutiondesindcisions
Que doit rpondre le rseau lorsquil se trouve dans des situations
dindcision?Unesolutioninsisteinclurecessituationsdindcisiondanslune
des classes entre lesquelles le rseau hsite. Si on veut rsoudre la plupart des
conflits laspect couloir est le plus commun dans la majorit des situations. La
classecouloirseraitdsigneencasdeconflit.
cTestsdinvariancepardformation,translationethomothtie
Le rseau permet jusqu un certain point de reconnatre des formes
indpendamment de transformations telles que translation, homothtie et
dformation.Pourdesformesgomtriques simples cetteinvariancesevrifie
assezbien.
c1Dformation:
Danscetest,laperformancedurseauestobtenueparunedformationdes
formes qui constituent les bases dapprentissage (formes bruites) et cest ainsi
que le rseau peut reconnatre lobjet de la figure 3.16 Comme appartenant la
mmeclassequelobjetdelafigure3.15
66
Chapitre-3
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.15ImpasseenUdurantlapprentissage
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.16FormereconnuecommeunUlorsdelavalidation
67
Chapitre-3
c2Translation:
Dans ce test, la performance du rseau est vrifie par tester la
reconnaissance lors de dplacement du capteur (robot mobile) visvis de
lobstacle. Cest ainsi que le rseau peut reconnatre lobjet de la figure 3.18
commeappartenantlammeclassequelobjetdelafigure3.17pourdiffrentes
distancessparantlarobotdelobstacle.Ilestremarquericiquelobstaclereste
toujourslintrieurdelazonecritiquedereconnaissancedeformes..
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.17FormeenTdurantlapprentissage
68
Chapitre-3
Capteur laser
plac lavant
du robot
Obstacle
Environnement
du robot
Figure3.18reconnaissancedunTaprssonloignementducapteur
c3Homothtie:
Ladaptation au changement des tailles de lenvironnementest une
technique qui nous permet de bien tester la robustesse du rseau de neurones
utilis ainsi que toute la mthodologie suivie pour le test du systme de
perceptionmisenuvre.
Dans ce test la performance du rseau est teste par la multiplication des
dimensionsdesobstaclespardesfacteursdhomothtie.Lesfacteursretenuspour
les tests sont: 0.7, 0.8, 0.9, 1.1 et 1.2 ce qui correspond respectivement un
rtrcissement et un grossissement des obstacles. Les figures 3.19 et 3.20
montrent les configurations utilises pour la reconnaissance de la forme de
lobstacleaprssamultiplicationparlesfacteursdhomothtiede0,7etde1,2.
69
Chapitre-3
Obstacle
Capteur laser
plac lavant
du robot
Environnement
du robot
Figure3.18Formedobstacledurantlapprentissage
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.19Reconnaissancedelaformedobstacledelafigure318
Facteurdhomothtie=0,7.
70
Chapitre-3
Obstacle
Capteur laser
plac lavant du
robot
Environnement
du robot
Figure3.20Reconnaissancedelaformedobstacledelafigure318
Facteurdhomothtie=1,2.
Le tableau 38 montre le taux de reconnaissance de diffrentes formes pour 5

valeursdefacteurdhomothtie.Cinqvaleurspourlefacteurdhomothtieontt
choisiespourmontrerlecasdegrossissementetrtrcissementdesobstacles.
Facteursdhomothtie
0.8
0.9
1
1.1
1.2
Facteursdhomothtie
0.8
0.9
1
1.1
1.2
Couloir
5
5
5
5
5
Coin
5
5
5
5
5
71
Mur
5
5
5
5
5
Croisement
5
5
5
5
5
Impasse
5
5
5
5
5
UNT
5
5
5
5
5
Chapitre-3
Facteursdhomothtie
Pice
0.8
5
0.9
5
1
5
1.1
5
1.2
5
Facteursdhomothtie
Entre
0.8
5
0.9
5
1
5
1.1
5
1.2
5
Angle_D
Angle_G
4
4
5
5
5
5
5
5
4
3
Sortie
5
5
5
5
5
Tableau3.8 Tauxdereconnaissancedunemmeformedobstaclepour
diffrentesdimensions
Les rsultats montrs dans le tableau 38 montrent des taux de
reconnaissancetrsintressants.Onconstatequelerseaudeneurones,quenous
avons conu, ragit bien lors de la multiplication par des facteurs dhomothtie
qui simulent des changements des dimensions des formes dobstacles pour le
robot.
d MatriceDeConfusion
Lobjectif de ce test est de rsumer, sous forme dune matrice, les cas de
confusionentrelesdiffrentesformesquepeuventprendrelesobstaclesdansun
environnementdintrieur.
Lebutdelamatricedeconfusionestdevoiretsentirlechevauchementetle
conflitdessituations.
72
Chapitre-3
Couloir
Impasse
Entre
Pice
Croisement
UNT
mur
coin
Couloir
100%
6.66%
0%
0%
0%
0%
0%
0%
Impasse
0%
93.34%
0%
0%
0%
0%
0%
0%
Entre
0%
0%
93.34
0%
0%
0%
0%
0%
Pice
0%
0%
0%
100%
0%
0%
0%
0%
Croisement
0%
0%
0%
0%
86.67%
6.66%
0%
0%
UNT
0%
0%
6.66%
0%
13.33%
93.34%
6.66%
0%
Mur
0%
0%
0%
0%
0%
0%
93.34
0%
Coin
0%
0%
0%
0%
0%
0%
0%
100%
Tableau 3.9 lamatricedeconfusiondesdiffrentessituations

On remarque que le taux derreur peut tre considr comme ngligeable
pourles8formeschoisies.
35Conclusion
Aprstouscestests,lesrsultatsobtenusmontrentquelesystmeconu
structureetalgorithmedapprentissageestrobustefacedessituationsbruites
cequiprouvelabonnegnralisationdurseau.Nouspouvonsconclurequela
fiabilit, robustesse et les bonnes performances pour un rseau de neurones
dpendent de sa structure et de lalgorithme dapprentissage utilis tout en
tenantcomptedutypedapplication.
Les rsultats que nous avons obtenus et que nous avons prsents dans ce
chapitresontassezsatisfaisantsdupointdevuereconnaissancedeforme.
Le dveloppement dun rseau de neurones se scinde en deux parties. La
premirepartieconcernelarchitecturerseau.Ladeuximepartieestconsacre
au dimensionnement du rseau: les entres, le nombre de couches caches, le
nombredeneuronespourchaquecouchecacheainsiquelenombredeneurone
spourlacouchedesortie.Cestaussiauniveaudecettedeuximepartiequeles
fonctions dactivation de chaque couche et ainsi que leurs paramtres seront
slectionnes.
73
Conclusion Gnrale
Conclusiongnrale
ConclusionGnrale
Lobjectif principal de ce travail est le dveloppement dune approche qui

permetunrobotmobiledintrieurdidentifierlaformedesobstaclessetrouvant
sursonchemin.Bienquebeaucoupdetravauxdanscedomaineonttraliss,le
critre crucial prendre en considration concerne la navigation en temps rel. Le
problme que nous nous sommes poss est de trouver loutil ou la mthode qui
permet de rpartir les diffrentes formes dobstacles en classe; le choix de
lapplicationdesrseauxdeneuronessestimpos.
Ledveloppementdecetteapprocheatfondsurdeuxtapes.Enpremier,
niveauconceptuel,ilsagitdeproposerunearchitecturepourlerseaudeneurones
quil faut utiliser pour la classification des formes dobstacles dun environnement
dintrieur.Ensecond,niveaudemiseenuvredusystme,danscettepartielebut
est de trouver le moyen permettant le test et la gnralisation. Du moment que le
travail ralis sest limit un travail de simulation, la simulation dun tlmtre
laser,montentourellelavantdurobot,atralise.
Pour lopration de classement, nous avons essay de maintenir la structure
proposelasimplepossible.Eneffet,aulieuderserverparchaqueclasseunesortie
du rseau ce qui augmente considrablement le nombre de neurones dans cette
dernire,nousavonslimitceniveaulenombredeneurones4pouvantdcoder
24 soit 16 formes possibles. Cest ainsi que le rseau conu a pu discriminer un
nombreimportantdeformestoutenmaintenantunestructuresimple.
Les composantes du vecteur dentre, que ce soit pour lapprentissage ou la
gnralisation, sont issues des valeurs des distances sparant le robot mobile de
73
Conclusiongnrale
lobstacle se trouvant dans la zone critique de perception dlimite au pralable

suivantlesdimensionsetlamanoeuvrabilitdurobot.
Les rsultats obtenus montrent, quavec un nombre restreint de formes dobstacles
lorsdelapprentissage,unebonneclassificationaucoursdestestsdegnralisation.
Cependant,lafonctionprincipaledunrobotmobileestdatteindresonobjectif,ilest
doncncessairedintgrercemoduledansuncontrlepourpermettredegnrerla
commande adquate pour le contournement de lobstacle suivant sa forme. Cette
dernire ide, nous lavons ajout dans cette conclusion comme des perspectives
pourdestravauxfuturs.
74
Bibliographie
Bibliographie
[1]
l. Mesbahi a. Benyettou f. Hendel n.e berrached, Reactive navigation of

mobile robot by temporal radial basis function approach; 0-7803-8560-8/04/
IEEE, 2004
[2]
Marc parizeau, Rseaux de neurones, dition 2004
[3]
Jian-kang wuNeural networks and simulation methods; Editeur: CRC Press

(Dc 1993) ISBN 0-8247-9181-9(acid-free paper)
[4]
Simon haykin Neural networks a comprehensive foundation ISBN0-13908385-5 prentice hall international, Inc pages: 34-78, second edition, 1999
[5]
Ben J.A.krose P.patrick van der smagt, An introduction to neural networks

university of amsterdam faculty of mathematics and computer science: pages 3342, Fifth edition january 1993
[6]
Shih-chi huang and yih-fang huang, Learning algorithms for perceptrons

using back-propagation with selective update paper, 1990
[7]
Xiao li, Jeff bilmes and Jonathan malkin, Maximum margin learning and
adaptation of mlp classifers, edition 2005
[8]
M.talibi-alaoui,R.touahni et A.sbihi, Classification des images couleurs par

association des transformations morphologiques aux cartes de kohonen ; 2004
[9]
Bernard Dubuisson, Diagnostic et reconnaissance des formes Herms, paris,

1990 ISBN 2-86601-240-2
[10]
Le cum and bengio, Pattern recognition and neural network, 1995
[11]
Publi sous la direction de Murat Kunt, Reconnaissance de formes et analyse de

scne ; Presses polytechniques et universitaires romandes, 2000
[12]
S. A. Alan, Recognition of environment and reactive navigation of an

autonomous mobile robot by network of neurons, Thesis of Doctorate, Evry Val
dEssonne, 1996.
[13]
D.T. Lin, The adaptive Time delay Neural Network Characterization and
Application to Pattern Recognition, Prediction and signal processing, Thesis
Report PHD, University of Maryland, 1994.
[14]
herve Abdi, Dominique Valentin, et Betty Edelman, neural networks, juin

1999
[15]
David FILLIAT, robotique mobile, cours c10-2 ENSTA pages : 36-48 octobre
2004
[16]
A. C. Victorino, P. Rives et J.-J. Borrelly. Mobile Robot Navigation Using a

Sensor-Based Control Strategy , In IEEE International Conference on Robotics
and Automation, may 2001
[17]
Bernard BAYLE Robotique mobile document de lEcole Nationale

Suprieure de Physique de Strasbourg pages : 21 et pages 31-35, anne 20052006
[18]
H.Takahiko, Decision rule for pattern classification by intergrating, interval

featuresvalues,IEEEtransactiononpatternanalysisandmachineintelligence,
vol20,n4,1998.
[19]
G. Von Wichert . Mobile robot localization using a selforganised

visualenvironment representation. Robotics and Autonomous System 1998
pages:185194
[20]
R. C. Luo and M. G. Kay Multisensor integration and fusion in intelligent

Systems IEEE Transactions on Systems, Man, and Cybernetics, pages :901
931,anne1989.
[21]
R. Greiner and R. Isukapalli. Learning to select useful landmarks. IEEE

Transactions on Systems, Man, and CyberneticsPart B, Special Issue on
LearningAutonomousRobots,1996.
[22]
G. Dudek and P. MacKenzie. Modelbased map construction for robot

localizationInProceedingsofVisionInterface,anne1993
[23]
Vania ANDRONOVA Utilisation de donnes mto et des rseaux de

neuronespourlaprdictiondevitessesdevent ProjetdefindtudeMaster2nd
anne Le18juillet2006

Inj DJERRAH DJALAL PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Inj DJERRAH DJALAL PDF

Uploaded by

Copyright:

Available Formats

RpubliqueAlgrienneDmocratiqueetPopulaire

Application des Rseaux de Neurones

Application des Rseaux de Neurones

Ce travail a t effectu au sein du laboratoire dElectronique

Prsentation Gnrale des

Prsentation Gnrale des rseaux de neurones

comprhension des parties suivantes de ce document. Les notions utilises

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Dans sa premire version, le neurone formel tait donc implment avec

Prsentation Gnrale des rseaux de neurones

Cest historiquement le premier RNA, cest le Perceptron de Rosenblatt.

Cest une extension du prcdent, avec une ou plusieurs couches caches

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Le renforcement est en fait une sorte dapprentissage supervis et certains

Dans ce cas, lapprentissage est bas sur des probabilits. Le rseau va se

Prsentation Gnrale des rseaux de neurones

Cette rgle sinscrit dans le paradigme dapprentissage supervis, cest

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Perception simple ou multicouches

Multi-couches non boucls

Multi-couches non boucls

Analyse de donnes, compression de

Catgorisation, analyse de donnes

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

La couche cache est compose dun nombre plus ou moins important de

Le principal avantage par rapport au calcul des distances euclidiennes

Prsentation Gnrale des rseaux de neurones

Prsentation Gnrale des rseaux de neurones

Le temps de calcul ncessaire lidentification est lgrement plus lev

Systme De Perception Pour Robot Mobile

Systme De Perception Pour Robot Mobile

Systme De Perception Pour Robot Mobile

Systme De Perception Pour Robot Mobile

Figure 2.1- Exemple de modle probabiliste simple de

Systme De Perception Pour Robot Mobile

Figure 2.2. Exemple de combinaison de mesures pour les

Systme De Perception Pour Robot Mobile

Systme De Perception Pour Robot Mobile

Systme De Perception Pour Robot Mobile

Figure 2.3. Principe du tlmtre ultrasons.

P( scan Obstacles) = P (mesurei dis tan ceobstacles )

Systme De Perception Pour Robot Mobile

De plus, londe rflchie est trs sensible aux conditions environnementales

Systme De Perception Pour Robot Mobile

Figure 2.4. Illustration dun tlmtre Laser.

Systme De Perception Pour Robot Mobile

(avec un bruit de lordre de quelques centimtres) une distance relativement

Systme De Perception Pour Robot Mobile

P(scan Obstacles)= P(mesurei distance obstacles)

Pour estimer la probabilit dune mesure individuelle, il est possible dutiliser

Systme De Perception Pour Robot Mobile

Perception dun obstacle

Retour de la valeur maximale

Figure 2.5. Modle probabiliste de tlmtre.

Systme De Perception Pour Robot Mobile

Figure 2.6. Illustration du principe de base du flot optique.