Thse de doctorat

Universit Pierre et Marie Curie

Spcialit : Robotique
cole doctorale : (ED 391) Sciences mcaniques, acoustique et
lectronique
prsente par
Consuelo Granata
pour obtenir le grade de :
Docteur de lUniversit Pierre et Marie Curie
CONTRIBUTION A LA CONCEPTION DINTERFACES
ET DE COMPORTEMENTS INTERACTIFS POUR DES
ROBOTS PERSONNELS
ralise lInstitut des Systmes Intelligents et de Robotique
soutenue le
devant le jury compos de :
Rapporteur : Rachid Alami - Directeur de Recherche CNRS, LAAS
Dominique Duhaut - Professeur, Universit de Bretagne Sud
Co-encadrant : Mohamed Chetouani - Matre de Confrence, UPMC
Examinateur : Eric Lucet - Chef de projet, Robosoft
Patrick Malla - Directeur du Dveloppement au CNR-Sant
Raja Chatila - Directeur de Recherche CNRS, UPMC
Anne-Sophie Rigaud - Professeur, Hpital Broca
Directeur de thse : Philippe Bidaud - Professeur, UPMC
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table des matires
1 Introduction 3
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 La robotique dassistance . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Robots mnagers . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Robots espions . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Robots jouets . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Robots pour lassistance la mobilit . . . . . . . . . . . . . 10
1.2.5 Robots mobiles pour lassistance cognitive . . . . . . . . . . 13
1.2.6 Robots humanodes . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1 Morphologie . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 Mobilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.4 Communication . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Positionnement et cadre du travail . . . . . . . . . . . . . . . . . . 25
1.5 Le robot Kompa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6 Structure du document . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Conception dune interface graphique ddie aux personnes ges
avec troubles cognitifs 29
2.1 Problmatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Conception initiale . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Conception du prototype . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.1 Methodologie . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2 Tches values . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.3 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
ii
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
3 Dtection de personne et estimation de son tat 56
3.1 Dtection de personnes . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.2 Dtecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.3 Lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.1.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . 60
3.2 Estimation de ltat de la personne . . . . . . . . . . . . . . . . . . 67
3.3 Filtre de Kalman tendu (EKF) . . . . . . . . . . . . . . . . . . . . 68
3.3.1 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Modlisation des bruits . . . . . . . . . . . . . . . . . . . . . 69
3.3.3 tape de prdiction . . . . . . . . . . . . . . . . . . . . . . . 71
3.3.4 tape de correction . . . . . . . . . . . . . . . . . . . . . . . 72
3.3.5 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.4 Rgression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5 Dtecteur de personne par fusion des donnes . . . . . . . . . . . . 81
3.5.1 Dtecteur des jambes . . . . . . . . . . . . . . . . . . . . . . 85
3.5.2 Dtecteur du corps . . . . . . . . . . . . . . . . . . . . . . . 87
3.5.3 Fusion des grilles . . . . . . . . . . . . . . . . . . . . . . . . 88
3.5.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . . . . . 88
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4 Environnement logiciel pour la synthse de comportements inter-
actifs 95
4.1 Pourquoi la logique oue pour la prise de dcision ? . . . . . . . . . 96
4.2 Suivi de personnes . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Environnement logiciel pour le suivi de personne . . . . . . . . . . . 97
4.4 Niveau de perception . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.5 Niveau de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.5.1 Slection de stratgies . . . . . . . . . . . . . . . . . . . . . 99
4.6 Niveau de contrle . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.6.1 Modle cinmatique du robot Kompa . . . . . . . . . . . . 109
4.6.2 volution en environnement dgag . . . . . . . . . . . . . . 110
4.6.3 volution en environnement encombr . . . . . . . . . . . . 111
4.7 Expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.7.1 volution en environnement dgag . . . . . . . . . . . . . . 112
4.7.2 volution en environnement encombr . . . . . . . . . . . . 114
4.7.3 Recherche de la personne . . . . . . . . . . . . . . . . . . . . 115
4.7.4 Slection des stratgies . . . . . . . . . . . . . . . . . . . . . 118
iii
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
4.7.5 Raccourci . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5 Scnario dutilisation 124
5.1 Cadre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.2 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6 Conclusion 135
6.1 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
A Mise en oeuvre du logiciel de SLAM 138
B Le moteur de dcision SpirOps AI 144
iv
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table des gures
1.1 Robots existant sur une chelle de complexit et de temps. . . . . . 6
1.2 Robots dassistance existant ordonns en fonction de leur typologie. 7
1.3 Robots daide aux tches mnagres. De gauche droite : Roomba,
Navibot, Robomow et Protac. . . . . . . . . . . . . . . . . . . . . . 7
1.4 Les robots espions Rovio (gauche) et Spykee (droite). . . . . . . . . 8
1.5 Le robot phoque Paro. . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Direntes expressions du robot iCat. . . . . . . . . . . . . . . . . 9
1.7 Le robot chien Aibo. . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8 Robots dassistance la marche RobuWalker (gauche) et Pam-Aid
(droite). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.9 Robots dassistance la mobilit portant lutilisateur. De gauche
droite : Ri-Man, i-foot, Yurina et Mobility Robot. . . . . . . . . . . 11
1.10 Les deux versions du robot Pamm : la SmartCane (gauche) et le
SmartWalker (droite). . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.11 Robots dassistance cognitive. De gauche droite : Pearl, Compa-
nionAble, Morpha, Cogniron et Ava. . . . . . . . . . . . . . . . . . 14
1.12 Le robot humanode Romeo (Aldebaran Robotics). . . . . . . . . . 15
1.13 Caractristiques principales dun robot dassistance. . . . . . . . . 16
1.14 Reprsentation graphique de la thorie de Mori concernant la fami-
liarit du robot par rapport son aspect et son mouvement. . . . . 17
1.15 Deux robots utiliss dans ltude de Lohse : Barthoc (gauche) et
Biron (droite). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.16 Le robot Robovie. . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.17 Le robot mobile Kompa de Robosoft. . . . . . . . . . . . . . . . . 26
2.1 Modle de conception itrative propose par Kies. . . . . . . . . . . 31
2.2 Schma de principe de la conception initiale. . . . . . . . . . . . . . 32
2.3 Une personne ge et le robot Kompa pendant la phase de concep-
tion initiale de la GUI. . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Images des bases de donnes Alario&Ferrand et Lexique [1, 2]. . . . 34
v
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
2.5 Images 1,6 extraites de la base de donnes BoardMaker ; Images 2,
3, 4, 5 de la base de donnes Fotolia. . . . . . . . . . . . . . . . . . 34
2.6 Pour la fonctionnalit agenda 1. Image de la base de donnes Alario-
Ferrand ; 2, 3, 4, 5. Images choisies dans la base de donnes Fotolia ;
6. Image de BoardMaker. . . . . . . . . . . . . . . . . . . . . . . . . 35
2.7 Images slectionnes pour leur pertinence. La plupart dentre-elles
(47/120), na pas t retenue ni pour la consistance ni pour la convi-
vialit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.8 Pourcentage des photos et dessins choisis selon les trois critres ana-
lyss. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9 Pour la fonctionnalit liste des courses : 1. Grande icne sans le nom
de lobjet ; 2. Icne plus petite incluant le nom de lobjet. . . . . . . 39
2.10 Menu principal du prototype de linterface. . . . . . . . . . . . . . . 39
2.11 Un participant aux tests dutilisabilit de la GUI. . . . . . . . . . . 43
2.12 a. Page principale de la fonction agenda ; b. Calendrier pour slec-
tionner la date du RDV; c. Bouton pour lajout de lvnement ; d.
Fentre pop-up pour lajout des dtails et pour la conrmation nale. 44
2.13 a. Page principale de la fonction liste des courses ; b. Menu des ca-
tgories des produits ; c. Contrle numrique up/down pour slec-
tionner la quantit dsire des produits et bouton plus pour ajouter
le produit slectionn dans la liste. . . . . . . . . . . . . . . . . . . 45
2.14 Pourcentages dinterprtation correcte, didentication et dicnes
juges consistantes pour le menu principal. . . . . . . . . . . . . . . 48
2.15 valuation des caractristiques gnrales des icnes du menu principal. 49
2.16 Rsultat du modle mixte danalyse de la variance pour lge, en
considrant Shop1T versus Shop2T comme variable intra-sujet. 52
2.17 Rsultat du modle mixte danalyse de la variance pour lexprience
informatique, en considrant Shop1T versus Shop2T comme
variable intra-sujet. . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1 Plan de dtection (plan laser) du robot Kompa. . . . . . . . . . . . 58
3.2 A gauche : tape de segmentation du dtecteur de personne. Au
centre : tape de classication. A droite : tape de couplage. . . . . 60
3.3 Environnements exprimentaux utiliss pour la mise au point du
dtecteur des personnes. . . . . . . . . . . . . . . . . . . . . . . . . 61
3.4 A gauche : Pourcentages de dtections correctes des blobs comme
possibles jambes avec les trois seuils. A droite : Nombre moyen des
jambes dans la vrit terrain. . . . . . . . . . . . . . . . . . . . . . 62
vi
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
3.5 A gauche : Pourcentages de fausses dtections en fonction des dis-
tances pour les trois seuils choisis. A droite : Nombre moyen des
blobs dtects. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.6 A gauche : Pourcentages de dtections des jambes (couples) cor-
rectes avec les 3 seuils. A droite : Nombre moyen des couples de
jambes dans la vrit terrain. . . . . . . . . . . . . . . . . . . . . . 64
3.7 A gauche : Pourcentages de faux positifs dans la dtection des
jambes (couples). A droite : nombre total de couples de jambes
dtectes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.8 En haut : Probabilit dintersection entre un rayon laser et une
jambe en fonction de la distance. En bas : Nombre des possibles
rayons laser qui trouvent un intersection avec une jambe en fonction
de la distance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.9 Pourcentages de dtections correctes des couples des jambes pour
chaque participant. . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.10 Nombre total des couples des jambes pour chaque participant (vrit
terrain). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.11 Position de dpart et direction de la marche de la personne-cible
pour les tests du ltre vitesse impose. . . . . . . . . . . . . . . . 73
3.12 Trajectoire (en haut) et vitesse (en bas) de la personne donnes par
le ltre pendant le test 60 BMP. . . . . . . . . . . . . . . . . . . . 74
3.13 Trajectoire (en haut) et vitesse (en bas) de la personne donnes par
le ltre pendant le test 100 BMP. . . . . . . . . . . . . . . . . . . 75
3.14 Test vitesse naturelle : P1= perte de dtection cause par une oc-
cultation; P3= dtection retrouve ( environ 0.4 m de la position
prdite par le ltre). . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.15 Trajectoires gomtriques (droite) et prols de vitesse (gauche) dune
personne participant ltude de Quang Cuong [3] (reproduit sans
autorisation). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.16 Dtection de virage. . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.17 Test vitesse naturelle avec rduction de vitesse dans les virages :
P1= perte de dtection cause par une occultation; P2= rduction
de la vitesse ; P3= dtection retrouve (proche de la position prdite
par le ltre). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.18 Dirents rsultats de rgression de la mme courbe obtenus avec
direntes valeurs du coecient de pnalisation P. . . . . . . . . . 80
3.19 Trois exemples de rgression par P-spline en utilisant P = 10
3
. . . . 80
vii
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
3.20 Dirents rsultats de P-spline obtenus avec le coecient de pna-
lisation P = 10
3
et en considrant dirents nombre de nuds. . . . 81
3.21 Trajectoire dune personne lisse par lalgorithme de P-spline. . . . 82
3.22 Reprsentation de la grille relative au laser. . . . . . . . . . . . . . . 85
3.23 Points virtuels ajouts aux extrmits des blobs dtects. . . . . . . 86
3.24 Masque appliqu dans lopration 3 pour le couplage des jambes. . . 87
3.25 Les trois zones utilises pour la fusion des deux grilles de probabilit. 89
3.26 Photos des 15 participants slectionns pour la cration de la base
de donnes de tests. . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.27 Les quatre zones dinteraction HRP dnies par Hall [4]. . . . . . . 90
3.28 A gauche : Densit des cellules des grilles de probabilit en fonction
des distances de HRP. A droite : Pourcentages de lerreur relative
moyen en distance. . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.29 Courbe ROC pour les trois dtecteurs. . . . . . . . . . . . . . . . . 92
3.30 Courbe ROC dans lespace personnel. . . . . . . . . . . . . . . . . . 92
3.31 Courbe ROC dans lespace public. . . . . . . . . . . . . . . . . . . . 93
3.32 Courbe ROC dans lespace sociale. . . . . . . . . . . . . . . . . . . 93
4.1 Architecture globale de lenvironnement logiciel propos. . . . . . . 98
4.2 Schma gnrale du moteur dcisionnel. . . . . . . . . . . . . . . . . 101
4.3 Calcul du PCP utilis pour la stratgie GoToUser. . . . . . . . . . 102
4.4 Exemple des rgles associes la stratgie GoToUser. . . . . . . . . 102
4.5 Exemple des rgles associes la stratgie FollowUser. . . . . . . . 103
4.6 Exemple des rgles associe la stratgie GlobalSearch. . . . . . . . 104
4.7 Exemple des rgles associe la stratgie LocalSearch. . . . . . . . 105
4.8 En haut : Exemple de suivi dune personne qui sorte dune pice.
En bas : Stratgies slectionnes par le robot en fonction de sa
perception, pour rester connect la personne suivie. . . . . . . . . 106
4.9 Exemple de poids correspondant aux quatre stratgies dnies pour
le contrle MODM. . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.10 Modle cinmatique du robot Kompa . . . . . . . . . . . . . . . . 109
4.11 Trajectoire circulaire pour rejoindre le point cible. . . . . . . . . . . 111
4.12 En haut : Carte de lenvironnement utilise pour les expriences.
En bas : Photo de lenvironnement des tests. . . . . . . . . . . . . . 113
4.13 Suivi de personne en environnement dgag. . . . . . . . . . . . . . 113
4.14 Trajectoires de la personne et du robot en environnement dgag :
sur la trajectoire de la personne, les points cible pour le robot, s-
lectionns par le moteur dcisionnel. . . . . . . . . . . . . . . . . . . 114
4.15 Suivi de personne en environnement encombr. . . . . . . . . . . . . 115
viii
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
4.16 Dformation de la trajectoire du robot en prsence dun risque de
collision. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.17 Poids utiliss pour la combinaison de la trajectoire circulaire et de
la trajectoire hors-collision. . . . . . . . . . . . . . . . . . . . . . . 116
4.18 Dformation des vitesses relatives au suivi de trajectoire hors-collision
caus par w
c
= 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.19 Recherche de la personne. . . . . . . . . . . . . . . . . . . . . . . . 117
4.20 Trajectoire du robot qui cherche la personne en ayant aucune infor-
mation a priori sur sa position. . . . . . . . . . . . . . . . . . . . . 118
4.21 Stratgies slectionnes par le robot pendant la recherche de la per-
sonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.22 Suivi dune personne qui passe parmi des obstacles. . . . . . . . . . 120
4.23 Trajectoires de la personne et du robot. . . . . . . . . . . . . . . . 120
4.24 Slection des stratgies et taux de conance de dtection pendant
lexprience. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.25 Exemple de situation candidate pour le choix dun raccourci. . . . . 121
4.26 Le robot parcourt un raccourci pour atteindre la personne. . . . . . 122
5.1 Rgles correspondant laction "Aller la chambre". . . . . . . . . 125
5.2 Rgles correspondant laction "Rveil". . . . . . . . . . . . . . . 126
5.3 Rgles correspondant laction "Recherche". . . . . . . . . . . . . 127
5.4 Rgles correspondant laction "Alarme". . . . . . . . . . . . . . . 128
5.5 Rgles correspondant laction "Rappel mdicaments". . . . . . . 129
5.6 Rgles correspondant laction "Aller vers". . . . . . . . . . . . . . 129
5.7 Rgles correspondant laction "Aller en charge". . . . . . . . . . 131
5.8 Rgles correspondant laction "Rappel exercice". . . . . . . . . . 131
5.9 Rgles correspondant laction "Rappel RDV". . . . . . . . . . . . 133
A.1 Exemple de carte construite travers la fonction Mapper. . . . . . 139
A.2 Architecture du logiciel relative lutilisation de la fonction Mapper. 141
A.3 Interface graphique dveloppe pour lutilisation de fonction Map-
per. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
A.4 Interface graphique dveloppe pour faire dplacer le robot. . . . . 142
A.5 Architecture du logiciel relative lutilisation des fonctions Localizer
et Planner. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.1 Interface graphique pour ldition du moteur dcisionnel. . . . . . . 145
B.2 Complexit de SpirOps et des machines tats nis en fonction du
nombre de conditions. . . . . . . . . . . . . . . . . . . . . . . . . . 147
ix
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Liste des tableaux
2.1 Donnes dmographiques relatives au groupe des MCI et au groupe
des personnes avec capacits cognitives normales. . . . . . . . . . . 42
2.2 Liste des variables dpendantes pour les tches Agenda et Liste des
courses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3 Rsultats de la MANOVA pour la dure dexcution. . . . . . . . . 53
2.4 Rsultats de la MANOVA pour le nombre des fautes commises. . . 54
3.1 Distribution du nombre dobservations en fonction des distances de
HRP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.1 Liste dinformations donnes en entr au moteur dcisionnel. . . . . 100
x
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Rsum
Ce travail de thse sinscrit dans le contexte dun certain nombre de projets qui
visent la conception, le dveloppement et lvaluation de systmes robotiques mo-
biles pour lautonomie des personnes domicile. Dune manire gnrale, lobjet de
ces systmes robotiques est dexploiter leur mobilit pour se placer proximit des
personnes an de pouvoir mettre leur disposition un certain nombre de services
et raliser galement des fonctions de surveillance, danalyse et de stimulation de
leur activit. Deux aspects complmentaires mais nanmoins distincts sont consi-
drs dans ce travail de thse :
La dnition dune interface graphique qui permet aux utilisateurs daccder
aisment aux fonctionnalits du robot,
La mobilit du systme, portant cette interface, dans des environnements
intrieurs encombrs, relativement la personne et dans un certain contexte.
Le type dinterface propose pour linteraction est un aspect trs important
notamment en raison de la population cible : des sniors, non experts, sourants
souvent de troubles cognitifs. Les rgles gnrales pour la conception dune in-
terface sont indpendantes de la technologie et doivent sinspires des principes
relevant de la psychologie cognitive et des sciences sociales.
Lide de base qui a motiv cette partie du travail est la dicult de perception
et de comprhension ainsi que la consquente surcharge cognitive de la popula-
tion laquelle linterface sadresse. An de rendre cette interface parfaitement
adapte chaque utilisateur, une mthode de slection dicnes a t propose et
exprimente avec les patients de lhpital griatrique Broca. La mthode utilise
dans la mise au point consist observer les attitudes de lutilisateur vis--vis
des fonctionnalits oertes par linterface pour extraire le support visuel le mieux
adapt lutilisateur spcique. Aprs la ralisation du prototype, une valuation
dutilisabilit auprs de la population des utilisateurs a t ralise sur la forme
dun test dutilisabilit. Ce test a montr un taux lev didentication correcte et
a conrm que les icnes choisies reprsentent assez bien les fonctionnalits testes.
Les problmes relatifs la mobilit autonome du support de linterface sont par-
ticulirement complexes. Ils reposent sur deux questions centrales qui sont dune
part la localisation de la personne dans lespace dvolution du robot et dautre part
la dnition de comportements dinteraction. La prise en compte dans la dnition
des trajectoires du robot du comportement de la personne, constitue un problme
particulirement dicile qui suppose que ltat de la personne soit bien " estim
1
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
", quil soit analys et quil soit galement mis au regard de lenvironnement local
ainsi que de lactivit courante de la personne. Pour la dtection et la localisation
de la personne, un dtecteur des jambes par laser 2D a t implment. La vitesse
de la personne et sa trajectoire sont calcules en appliquant un ltre de Kalman
tendu sur les donnes issues du laser. Ce ltre permet non seulement de lisser
les trajectoires de lutilisateur (notamment les irrgularits causes par les erreurs
de perception et celles intrinsques la nature de la marche humaine), mais aussi
destimer ltat de la personne malgr des occultations, trs frquentes dans un en-
vironnement encombr tel quun environnement domestique. Enn, pour rpondre
au besoin de donner au robot un comportement exible par rapport lutilisateur,
au contexte et aux vnements qui se produisent de faon imprvisible, nous avons
implment un moteur de dcision exploitant le logiciel SpirOps. Les entres de
ce moteur dcisionnel sont des informations extraites des dirents capteurs. Ces
informations sont exploites avec des mthodes de logique oue utilisant une base
des rgles que nous avons dnie et paramtre pour produire en sortie du moteur
des valeurs dintrt associs chaque action que le robot peut excuter. Le robot
peut alors dcider dynamiquement quelle est laction la plus logique et adquate
raliser dans les direntes situations. Les mouvements du robot sont tablis avec
une combinaison pondre des trajectoires circulaires et des trajectoires calcules
par un algorithme de SLAM implment sur la plate-forme.
2
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 1
Introduction
1.1 Contexte
Le vieillissement de la population est un phnomne de plus en plus tendu
dans le monde entier. On value quen 2040 il y aura trois fois plus de personnes
ges de plus de 85 ans quaujourdhui. Actuellement en France, prs dun million
de personnes ges de plus de 60 ans sont dpendantes. Parmi les 8 millions de
personnes vivant seules en France, plus de la moiti a plus de 60 ans et presque
40% a plus de 80 ans. Fournir des aides physiques et cognitives cette tranche de
la population, pour prvenir les changements physiques et cognitifs lis au vieillis-
sement, comme les maladies de Parkinson et Alzheimer, les lsions crbrales, les
infarctus etc., prsente un vritable intrt. Selon une estimation rcente : 26.6
millions de personnes souraient de la maladie dAlzheimer dans le monde en 2006
et ce chire augmentera pour atteindre 100 millions avant 2050. Chaque anne en
Europe, environ un million de personnes sont touches par un infarctus et presque
quatre cent mille survivent avec une forme dinvalidit neurologique. Par ailleurs,
plus dun tiers des dcs pour maladie cardiaque chez la population ge peut tre
attribue linactivit physique. Aujourdhui, la moiti des adultes gs sourent
de problmes locomoteurs en raison de manque dexercice. Lactivit physique est
connue comme lun des facteurs qui contribue le plus lamlioration des per-
formances cognitives et au ralentissement du dclin cognitif li lge. Il a t
dmontr que lintensit de lactivit physique est signicativement associe aux
fonctions cognitives (raisonnement, mmoire, exibilit mentale, etc.). Beaucoup
dtudes ont dmontr limpact positif de lactivit physique sur le maintien des
fonctions cognitives [5, 6, 7].
Actuellement, les troubles cognitifs sont un des problmes de sant majeurs
3
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
auxquels les personnes ges sont confrontes. Les troubles cognitifs lgers (MCI
de langlais Mild Cognitive Impairement), comme les troubles de la mmoire et
les troubles attentionnels, aectent la capacit dorganisation, de concentration et
de planication, sans retentissement sur les activits de la vie quotidienne et sans
dmence. Par contre, les personnes aectes par ces troubles ont un risque lev
de dmence (les pourcentages de passage la dmence sont entre 10% et 15% en
un an et entre 25% et 30% en trois ans [8, 9, 10]).
Le dclin cognitif li lge aecte de nombreux aspects de la sant dune personne
et de sa qualit de vie. Il est souvent responsable de lisolement social [11], donc
de solitude et de dpression. Luanaigh [12] a mis en vidence le lien fort entre
dpression et solitude.
Le maintien domicile est une condition souhaite par la majorit des per-
sonnes ges car considr comme une solution pour conserver une bonne qualit
de vie. Dans ce contexte, la robotique dassistance pourrait rpondre des besoins
lis au vieillissement en proposant des fonctions de stimulation physique et cogni-
tive et de conservation du lien social. Le maintien domicile et la prvention de
toutes les problmatiques lies au vieillissement constituent un bienfait pour les
personnes ges, mais aussi pour les nancements de la sant publique. Vincent
et al [13] ont men une tude cot-bnce sur la mise en place dun systme de
tlsurveillance pour les personnes ges domicile. Ce systme permettait sim-
plement un contact tlphonique entre les personnes ges et une inrmire situe
dans un centre dappels. Ils ont montr que ce systme rduisait la dure dhospi-
talisation de 13 4 jours, ainsi que les visites hospitalires domicile (de 18 10
visites par sujet), permettant ainsi une conomie de 17% des cots sanitaires les
trois premiers mois et de 39% les trois mois suivants.
Lutilisation de moyens technologiques pour le maintien domicile ou en mai-
son non mdicalise chez les personnes ges est rcente, mais pas tout fait
nouvelle. Dun ct ils existent des systmes embarqus composs par des capteurs
combinant par exemple acclromtres, dtecteurs de mouvements et dispositifs
capables de mesurer les signes vitaux [14, 15]. Dautres systmes, xes, oprent la
tlsurveillance ou la tlmdecine [16, 13, 17, 18, 19, 20].
En ce qui concerne plus particulirement la robotique dassistance ddie aux
personnes ges, la diusion grande chelle est empche essentiellement par trois
problmatiques majeures : rticence lutilisation des nouvelles technologies par
les personnes ges [21], manque dvaluation du rapport cot/bnce et matu-
4
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
rit des technologies utilises. Nanmoins, lABI Research a indiqu que le march
de la robotique personnelle aura une valeur de 15 milliards de dollars dici 2015.
Pour comprendre ce potentiel, il faut savoir que le march de la robotique person-
nelle daujourdhui est souvent compar au march des ordinateurs personnels en
1977. La recherche dans le domaine de la robotique dassistance est focalise sur
les dirents besoins de la population laquelle elle sadresse : assistance physique
(aide la mobilit) [22], bien-tre motionnel (pour viter isolement et dpression)
[23] et assistance cognitive (stimulation pour le maintien des facults intellectuels)
[24]. Les investissements en robotique dassistance sont justis par la rduction
des cots plusieurs niveaux. Laide la mobilit apporte par un robot dimi-
nuerait, pour les personnes mobilit rduite, le besoin daides pour des fonctions
de la vie quotidienne. Les robots peuvent supporter des programmes de stimu-
lation cognitive et physique, voire de rducation fonctionnelle, an de prvenir
les consquences du manque dactivit. Ils peuvent galement servir de relev de
paramtres physiologiques pour un suivi rgulier de la sant des patients.
1.2 La robotique dassistance
Le terme robotique dassistance est trs vaste et englobe de nombreux robots
dont les nalits sont trs direntes. Un robot dassistance peut tre une machine
utilise pour de la rducation fonctionnelle, un robot animalode pour le divertis-
sement, un assistant pour les tches mnagres, etc.
La technologie dont nous disposons aujourdhui, nest pas tout fait prte pour
assurer ces robots lautonomie totale pendant lachvement des tches de com-
plexit leve comme le partage de lespace avec les humaines, le maintien de
linteraction, la comprhension des intentions et des besoins de lutilisateur etc.
Les robots quon peut trouver domicile au service des utilisateurs non experts
sont des robots de basse complexit comme les robots espions, les machines daide
aux tches mnagres et des robots jouets. Les machines plus complexes et sophis-
tiques restent des prototypes utiliss pour la recherche et comme plates-formes
essentiellement dexprimentation.
La gure 1.1 reprsente lvolution exponentielle prvue en terme de la com-
plexit des robots dassistance (en termes de fonctions et de mcanique). En eet,
aujourdhui nous ne sommes pas en mesure dquiper les robots humanodes de
comportements robustes au point dinteragir avec les humains, mais leur richesse
leur donne un potentiel daction trs important (dplacement en marchant, mani-
pulation dobjets, gestes et expressivit ect.).
5
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.1 Robots existant sur une chelle de complexit et de temps.
La gure 1.2 rpertorie un certain nombre des robots dassistance existants en
fonction de leur typologie. Les caractristiques de ces dirents types de robots
sont dtailles dans les paragraphes suivants.
Dans ce qui suit, nous allons considrer un certain nombre de robots person-
nels actuels dans lobjectif dextraire certaines fonctions et den comprendre leur
nalit.
1.2.1 Robots mnagers
Les robots daide aux tches mnagres (gure 1.3) sont les plus diuss et
les plus utiliss par le grand public. Il sagit daspirateurs (e.g. le Roomba et le
Navibot), des tondeuses (e.g. Robomow) et des robots de nettoyage des piscines
(e.g. Protac) qui se dplacent de faon autonome.
6
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.2 Robots dassistance existant ordonns en fonction de leur typologie.
Figure 1.3 Robots daide aux tches mnagres. De gauche droite : Roomba, Navibot,
Robomow et Protac.
7
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
1.2.2 Robots espions
Les robots "espions" comme Rovio et Spykee (gure 1.4) sont des plates-formes
mobiles contrles distance (par accs wi), donc sans aucun niveau dautono-
mie. Ils sont utiliss pour la vidosurveillance, mais aussi comme bases mobiles de
certains capteurs i.e. camra, microphones, lecteur MP3 et haut-parleurs.
Figure 1.4 Les robots espions Rovio (gauche) et Spykee (droite).
1.2.3 Robots jouets
Les robots jouets sont souvent caractriss par une forme animalode qui invite
une certaine empathie. Ils peuvent avoir comme objectif de stimuler les fonc-
tions cognitives des utilisateurs et de crer avec eux un lien aectif. Le robot Paro
(gure 1.5), par exemple, dvelopp par Takanori Shibata et ses collaborateurs
du National Institute of Advanced Industrial Sciences and Techniques, a laspect
dune phoque. Il ragit aux stimulations externes, comme la voix et le contact, avec
des sons et de petits mouvements du corps. Il a t utilis pour direntes tudes
avec diverses populations, y compris les enfants et les personnes ges sourant
de dciences cognitives. Paro rduit le stress des patients et de leurs soignants,
stimule linteraction entre les patients et les soignants, amliore la relaxation des
patients, leur motivation et la socialisation. En 2003 le laboratoire Valoria a men,
dans le cadre du projet Maph (Media actif pour le Handicap), une tude avec le
robot Paro en collaboration avec le centre de rducation de Kerpape. Cette exp-
rience a mis en lumire les eets positifs du robot sur les utilisateurs mais aussi les
limitations dans la conception de la machine. Des volutions ont t investigues
dans le projet ANR EmotiRob (2007-2009) [25]. Plus rcemment, Wada et al. [26]
ont mis au point plusieurs expriences qui montrent que la thrapie du robot a
un fort potentiel pour amliorer ltat de lactivit crbrale chez les patients souf-
frant de dmence. Il a t montr que linteraction avec un robot rend les personnes
8
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
ges plus actives et plus communicatives [27]. Au-del, Shibata [28] a valu une
inuence positive du robot phoque sur la dpression chez les personnes ges sur
la base des chelles griatriques et biologiques de dpression.
Figure 1.5 Le robot phoque Paro.
ICat (gure 1.6) est une plate-forme conue par Philips et quipe de plusieurs
servomoteurs pour le contrle de direntes parties du visage telles que les sourcils,
les yeux, les paupires, la bouche et la position de la tte. Il a t dvelopp pour
tudier linuence des expressions sur linteraction homme-machine. Lin et al. [29]
ont men une tude avec liCat sur le soutien aux enfants pour la gestion de leurs
activits quotidiennes. Dans cette tude, le robot a t propos avec trois compor-
tements dirents : motivateur, ducateur et ami. Les enfants qui ont particip
cette exprience ont valu positivement linuence du robot, surtout dans le rle
dami.
Figure 1.6 Direntes expressions du robot iCat.
Aibo (de "compagnon" en japonais) gure 1.7) est un chien robotique conu et
fabriqu par Sony. Il y a eu plusieurs modles dirents depuis son introduction en
1999. Aibo est capable de marcher, dobserver son environnement par sa camra,
et de reconnatre des commandes vocales. Comme raction aux stimulations ex-
9
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
ternes, il allume des lumires sur sa tte, il lit des chiers audio et il produit des
mouvements avec le corps (par exemple il sait remuer la queue). Linteraction avec
Aibo a montr des bienfaits sur les capacits de langage et de communication et
ce robot a t jug comme un outil pertinent de rhabilitation pour le traitement
des patients aects par forte dmence [30].
Figure 1.7 Le robot chien Aibo.
1.2.4 Robots pour lassistance la mobilit
Les robots conus pour assister lutilisateur pendant les dplacements peuvent
tre classs en deux catgories : les robots qui assistent la marche (type dambu-
lateur) et les robots qui transportent lutilisateur. Des exemples de robots relevant
la premire catgorie sont RobuWalker, Pam-Aid (gure 1.8) et Pamm (gure
1.10), des robots appartenant la deuxime sont Ri-Man, i-foot, Yurina et Mobi-
lity Robot (gure 1.9).
Le robot Pam-Aid, dont la version commercialise porte le nom de Guido, est
un support de navigation qui permet dviter les obstacles, la fois statiques et
mobiles, avec trois niveaux dutilisation. Sous contrle de lutilisateur, le systme
avertit des obstacles dtects. Avec un contrle sans surveillance, le systme na-
vigue, en vitant les obstacles. Avec le contrle partag le systme minimise le
risque de collision en ajustant le chemin de lutilisateur.
Le robot RobuWalker est un dambulateur intelligent conu pour assister luti-
lisateur pendant la marche et pendant la phase de verticalisation, monitorant si-
multanment la frquence cardiaque de la personne et son niveau de fatigue. Le
10
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.8 Robots dassistance la marche RobuWalker (gauche) et Pam-Aid (droite).
Figure 1.9 Robots dassistance la mobilit portant lutilisateur. De gauche droite :
Ri-Man, i-foot, Yurina et Mobility Robot.
11
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
RobuWalker est quip de capteurs de force dans les poignes, assurant la stabili-
sation de la posture pendant la verticalisation, la locomotion et la navigation.
Deux prototypes du systme daide la marche Pamm (gure 1.10) ont t d-
velopps au MIT. Une premire version est le systme non-holonome SmartCane.
Une deuxime version, le SmartWalker, est une plate forme holonome pour les per-
sonnes avec des dicults motrices plus importantes. Les deux systmes peuvent
fonctionner dans les environnements intrieurs connus avec des obstacles alatoires
tels que des meubles et des personnes. Des capteurs embarqus suivent les signes
vitaux de lutilisateur. Le systme communique via une liaison sans l avec un ordi-
nateur qui met jour les informations sur la sant et la localisation de la personne.
Figure 1.10 Les deux versions du robot Pamm : la SmartCane (gauche) et le Smart-
Walker (droite).
Parmi les robots dassistance pouvant transporter physiquement lutilisateur,
lune des plates-formes la plus utilise en recherche est Ri-Man, dveloppe au
centre de recherche du bio-mimtisme de Rikenil. Ri-Man est un robot mobile
quip de deux bras qui peut soulever et dplacer un mannequin de douze kilo-
grammes en contrlant ses actions grce des capteurs positionns tout au long
de ses bras et de son corps. Pour assurer la scurit physique et le confort dans les
contacts homme-robot, le corps du Ri-Man est recouvert dun matriel souple et
les liaisons mcaniques sont physiquement isoles. Le robot est capable de locali-
ser des sources sonores en utilisant deux microphones placs dans sa tte combins
avec des recteurs qui agissent comme des oreilles humaines. La position du vi-
sage de la personne est extraite en utilisant les informations visuelles obtenues par
12
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
des camras en strovision. En intgrant les informations auditives et visuelles, la
personne qui donne des instructions au robot est identie. Des capteurs olfactifs
sont placs sur labdomen de la machine et permettent didentier certaines odeurs.
Un des rares robots de ce type qui ne restent pas conns la recherche est
la plate forme mobile Yurina de Japan Logic Machine. Ce robot est actuellement
utilis dans un hpital dOsaka. Il peut soulever les patients de leur lit et les
transporter comme un fauteuil roulant. Il ore trois interfaces de contrle : interface
vocale, interface graphique et manette.
1.2.5 Robots mobiles pour lassistance cognitive
Les robots mobiles pour lassistance cognitive sont les plus nombreux parmi
lensemble des robots ddis lassistance des personnes. Dans cette catgorie
nous navons pas class les robots humanodes (qui sont traits part).
Ces robots sont des plates-formes mobiles qui disposent dun certain nombre de
capacit dinteraction. Ils peuvent tre diviss en deux groupes : les robots sans et
avec bras pour la manipulation dobjets. Ici nous dtaillons seulement quelques-
uns des robots existants et des projets qui les concernent. Les fonctionnalits de
ces robots sont assez rcurrentes.
Dans le cadre du projet Nursebot, le robot mobile Pearl (gure 1.11) a t
dvelopp avec lobjectif daider les personnes ges aectes par de troubles cog-
nitifs et/ou physiques lgers. Les tches du robot consistent notamment rappeler
lutilisateur les rendez-vous, la prise des mdicaments, lheure des repas etc. et
laccompagner pendant les dplacements dans son environnement. Des expri-
mentations menes dans une maison de retraite ont mis en vidence un vritable
intrt et une certaine excitation des personnes ges utiliser et interagir avec le
robot [31, 32].
Le projet CompanionAble dmarr en 2008, combine laction dun robot mobile
(gure 1.11) et de Smart Homes (maisons intelligentes) pour assister et stimuler
les personnes ges sourant de dmence et dpression an de les aider dans lor-
ganisation des activits quotidiennes et viter lisolement social. Le projet vise
mettre disposition des utilisateurs un assistance mdicale distance travers
des centres de service qui communiquent directement avec le systme robotis.
Le robot dvelopp au cours du projet Morpha (gure 1.11) intgre dirents
aspects de linteraction homme-robot : multimodalit [33], reconnaissance et tra-
13
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.11 Robots dassistance cognitive. De gauche droite : Pearl, CompanionAble,
Morpha, Cogniron et Ava.
cking de lutilisateur [34], reconnaissance des gestes [35] etc. De plus, la plani-
cation des mouvements pour saisir et manipuler les objets est considre [36]. Ce
prototype a montr une bonne ecacit daction et dinteraction seulement dans
des environnements trs contrls.
La problmatique du contrle dun robot dassistance en environnements varis
et non structurs a t aborde dans le projet Cogniron [37]. Le robot issu de ce
projet (gure 1.11) est une plate-forme mobile avec un bras manipulateur embar-
qu qui, dans la planication de ses mouvements, tient compte non seulement de
lenvironnement, mais aussi de la prsence, des activits et du confort des humains
avec lesquels lespace est partag [38, 39, 40].
Le Robot Ava diRobot (gure 1.11) prsente galement un potentiel tout fait
intressant. Il sagit dune plate-forme holonome avec un corps qui peut stendre
denviron 0.6m (cela permet dajuster la position des camras dirents niveaux).
Ava dispose de deux capteurs PrimeSense (ceux utiliss dans la Kinect de Xbox
360) pour construire une carte tridimensionnelle de son environnement et il utilise
un algorithme de SLAM pour se dplacer de faon autonome et en toute scurit.
Ava intgre un iPad, donc il met disposition de lutilisateur toute la varit
dapplications conues pour la tablette dApple.
1.2.6 Robots humanodes
A notre connaissance, le seul projet lchelle nationale traitant la robotique
humanode pour applications dassistance la personne est le projet FUI Romeo.
Lobjectif du projet est de faire de ce robot humanode Romeo (gure 1.12) un
14
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
assistant domestique pour les personnes en situation de perte dautonomie. Au
terme du projet, Romeo est cens tre capable dorir un assistance cognitive la
personne travers direntes fonctionnalits comme la gnration de plans, dhy-
pothses, lapprentissage de tches par lexemple, lapprentissage dhabitudes de
la personne, la prise de contrle physique et cognitive distance, le contrle des
eorts exercs sur lenvironnement et la manipulation mobile. Pour que toutes ces
fonctionnalits soient ralisables, les capacits du robot de perception de lenvi-
ronnement, de la parole, des gestes, dmotions et des intentions de lutilisateur
doivent tre robustes et ables.
Figure 1.12 Le robot humanode Romeo (Aldebaran Robotics).
1.3 Fonctions
Aprs avoir considr travers quelques exemples illustratifs certaines des fonc-
tions intgres dans un certain nombre de robots, nous allons tenter de clarier
certaines qui apparaissent comme essentielles dans la conception des robots per-
sonnels (gure 1.13).
1.3.1 Morphologie
La morphologie du robot, cest--dire son aspect physique (en anglais son "em-
bodiement"), est une caractristique trs importante parce quelle induit une pr-
sence. En eet, lapparence du robot est la premire caractristique qui peut tre
15
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.13 Caractristiques principales dun robot dassistance.
observe et qui peut aecter son acceptation par lutilisateur. Un robot domi-
cile va avoir un fort impact sur les utilisateurs, spcialement quand il sagit des
personnes ges. Lacceptation de la machine et lempathie suscite chez lutili-
sateur ont une importance fondamentale. Plusieurs tudes ont t menes pour
comprendre quelle apparence doit caractriser un robot dassistance pour tre ai-
sment accept et utilis dans la vie de tous les jours. Arras et Cerqui [41] ont men
une enqute avec plus de 2000 participants pendant le Swiss National Exhibition
Expo.02 pour tudier les questions lies lacceptation du robot dans la vie quo-
tidienne, les prfrences sur son apparence et les services quun robot peut orir.
Cette enqute montre que seulement 19% des personnes interroges aimeraient
disposer dun robot humainode. Ce rsultat concide avec le concept de Mori de
lUncanny Valley (Valle Drangeante) [42] qui dcrit une relation non linaire
entre la rponse motionnelle et laspect humainode et le mouvement des robots
(gure 1.14). Leet de lUncanny Valley est une raction psychologique devant
certains robots humanodes. Mori a dcrit le fait que plus un robot est semblable
un tre humain, plus ses imperfections nous semblent aberrantes. Ainsi, certains
observateurs sont plus laise en face dun robot clairement articiel que devant
un robot dot dune peau, avec des vtements et avec un visage qui est cens repro-
duire dlement le visage dun tre humain. Selon la thorie de Mori, cependant,
au-del dun certain niveau de perfection dans limitation, les robots humanodes
16
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
sont beaucoup mieux accepts. Cest ce concept qui est traduit par le terme de
valle : cest une zone o tous les progrs raliss vers limitation humaine vont
apporter plus de refus, avant dapporter nalement une plus grande acceptation.
Lexplication avance de ce phnomne est que lorsquune entit est susamment
"non-humanode", un tre humain aura tendance relever nanmoins certains as-
pects humains et avoir de lempathie pour cette machine. Lorsque lentit a une
apparence humaine au point de provoquer de la confusion, une sensation dtran-
get est induite par chacun de ses aspects "non-humains". Un robot se situant dans
lUncanny Valley nest pas jug comme un robot qui ressemble un tre humain
mais est inconsciemment jug comme un tre humain qui nest pas capable dagir
dune faon normale. Selon une autre thorie, les anomalies de comportement pr-
sentes par les robots humanodes ressemblent des anomalies qui peuvent avoir
des personnes gravement malades. Cette assimilation provoque un refus instinctif :
sil y a des normes sociales pour se comporter en face dune personne malade, les
ractions en face dun robot ne sont pas codies par des rgles sociales.
Figure 1.14 Reprsentation graphique de la thorie de Mori concernant la familiarit
du robot par rapport son aspect et son mouvement.
Dans [43], Khan a examin les attitudes des personnes envers un robot de ser-
vice. Lauteur, partir dimages et de squences de lms, a demand la prfrence
des personnes interviewes sur lapparence du robot, sur ses fonctions et ses tches.
En comparant lapparence "machine" et lapparence "humaine", le rsultat a t
que sur 122 rponses, seulement 19% des personnes ont aim un robot dapparence
humaine, 57% ont prfr le robot type machine et 22% ont exprim un jugement
neutre. En comparant un design industriel avec un design personnalis, le rsultat
17
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
a t que sur 129 rponses, 22% des personnes ont prfr un robot de design in-
dustriel, 57% ont prfr un robot avec un design personnalis et 21% ont exprim
un jugement neutre. En gnral, les participants cette enqute ont montr une
prfrence pour un robot avec une apparence de type machine, de design person-
nalis, un peu color, avec des formes arrondies et dhumeur plutt srieux. Aucun
rsultat signicatif na t trouv concernant le lien entre lapparence et les fonc-
tionnalits du robot.
Ray et al. [44] ont men une tude an dexplorer la perception des robots, avec
un accent particulier sur lusage domestique. Les auteurs ont abord des questions
lies lattitude positive et ngative lgard des robots, des besoins en matire de
robots domestiques ainsi que les prfrences en termes dapparence et de modalits
dinteraction. Ils ont utilis une approche qualitative et quantitative combines
laide dinterviews et de questionnaires. Au total, 240 personnes ont particip
cette enqute. Les rsultats indiquent quune grande proportion des participants
a eu une attitude trs positive lgard des robots. Les participants ont prfr
un robot ressemblant une machine et de petite taille. Les robots avec apparence
humaine ont t jugs fortement indsirables.
Lohse et al. [45] ont montr comme lapparence des robots et leur capaci-
ts inuencent fortement les attentes de lutilisateur. Ils ont eectu une tude
pour dterminer les tches que les personnes interroges associent naturellement
quatre robots dirents : Aibo et iCat (robots zoomorphes), Biron (conception
de type machine) et Barthoc (humanode) (gure 1.15). Beaucoup de personnes
interroges ont considr Aibo et iCat comme des jouets. Biron a t choisi pour
les applications de surveillance et dinterface dinformations. Barthoc a t consi-
dr comme terminal dinformation, machine de vente (distributeur de billets, par
exemple) et rceptionniste. Toutes ces applications sont plutt "srieuses" dans
leur nature, dans le sens o elles sont lies des services la personne et non
au divertissement. Biron et Barthoc nont pas du tout t associs des jouets,
Aibo et iCat nont pas t considrs appropris pour des fonctions de service la
personne.
Tous les rsultats prsents ont t obtenus partir dtudes europennes. Il
est possible que les mmes tudes mens dans dautres pays comme le Japon, o
la vision et lexprience en robotique est bien dirente, auraient eu des rsultats
trs dirents. Bartneck travers une tude avec des utilisateurs adultes japonais a
dmontr que le robot iCat est peru comme moins intelligent que le robot Robovie
18
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 1.15 Deux robots utiliss dans ltude de Lohse : Barthoc (gauche) et Biron
(droite).
(gure 1.16) [46]. Cela conrme limportance de la morphologie du robot pour son
acceptation de la part des utilisateurs.
Figure 1.16 Le robot Robovie.
1.3.2 Interface
Linterface du robot ralise la fonction dinteraction, cest--dire lchange din-
formations entre le robot et lutilisateur. Cet change est bidirectionnel : des in-
formations sont communiques du robot lutilisateur et dautres de lutilisateur
au robot. Plusieurs mesures peuvent tre considres pour valuer lecience de
linteraction comme :
19
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Le temps dinteraction, cest--dire le temps ncessaire au robot pour com-
prendre les intentions ou les instructions de lutilisateur [47].
La quantit de comprhension partage ou dentente entre le robot et lutili-
sateur [48].
La charge cognitive de lutilisateur pendant linteraction [49].
La connaissance de la situation, cest--dire la conscience de la part de luti-
lisateur de ce qui se passe pendant linteraction [50].
Lun des moyens de communication les plus tudis est la parole, car elle re-
prsente le mode de communication le plus naturel pour les humains. Linterface
vocale doit faire face des problmes lis aux paramtres et aux conditions din-
teraction. Certains des paramtres sont la dpendance au locuteur, la taille du
vocabulaire, les expressions familires, la reconnaissance discrte ou continue etc.
Les problmes lis lenvironnement de linteraction sont par exemple le bruit,
lincompatibilit des conditions pendant la phase dapprentissage et dutilisation,
la diversit des expressions utilises par dirents locuteurs ainsi que les pronon-
ciations varies dun mme mot etc. Une technique de reconnaissance vocale trs
diuse est le Hidden Markov Models (HMM). Il sagit dun modle statistique
dans lequel le systme modlis est suppos tre un processus markovien ayant
un nombre ni dtats. Le passage dun tat lautre est fait instantanment et
intervalles de temps rguliers. A chaque passage dun tat lautre, deux processus
sont gnrs : un processus transparent, reprsent par la chane des observations,
et un processus cach, qui ne peut pas tre observ, reprsent par la chane dtat
[51]. Une autre technique utilise est la Dynamic time warping (DTW) qui consiste
trouver lalignement optimal entre deux sries temporelles, sous certaines restric-
tions. Les sries temporelles sont dformes par transformation non-linaire de la
variable temporelle, pour trouver des rgions correspondantes entre les sries ou
pour dterminer leur similitude [52, 53]. Une autre mthode classique trs connue
dans le domaine de la reconnaissance vocale est lArticial Neural Network (ANN)
[54]. En eet cette mthode est utilise dans une large gamme dapplications pour
son ecacit paralllisable et donc pour sa vitesse. Elle est inspire par la structure
des rseaux des neurones biologiques.
Les humains communiquent galement beaucoup dinformations de manire
non verbale, travers le langage du corps, les gestes, les expressions faciales, la
posture, etc. Pour cette raison, an de rendre linteraction homme-machine la plus
naturelle possible, beaucoup de recherches sont focalises sur ltude et la recon-
naissance des gestes. Les gestes varient beaucoup en fonction des contextes et des
20
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
cultures, mais ils sont intimement lis la communication. Cela est dmontr par
le fait que souvent les personnes gesticulent lors que elles parlent au tlphone,
donc mme selles ne voient pas ni sont vues par leur interlocuteur [55]. Des tech-
niques trs utilises pour la reconnaissance des gestes sont les mmes utilises pour
la reconnaissance vocale (e.g. HMM [56] et DTW [57, 58]), mais avec lavnement
de la Kinect, des nouvelles techniques ont t labores. Par exemple Dioliotis et
al. [59] proposent une mthode qui permet de dtecter les mains dune personne
en utilisant les informations de la scne sous conditions diciles (avec des objets
en mouvement, des changements dclairage etc.).
En tout cas, la reconnaissance des gestes reste encore un challenge cause des dif-
cults lies aux environnements rels non contrls et au manque dhomognit
des gestes utiliss par les personnes de direntes nationalits, les habitudes, lge
etc.
Linterface plus robuste, mais moins naturelle, parce que jamais utilise comme
moyen dinteraction face face entre les humains, est linterface graphique. Elle
nest pas sensible aux bruits denvironnements comme les bruits de fond, les condi-
tions dclairage, les occultations etc. Par contre, dans le dveloppement dune
interface graphique, il est important de connatre les dirents facteurs qui in-
uencent lergonomie des interfaces et relier certains principes de conception aux
facteurs humains. Tout code (texte, icne) utilis dans linterface doit notamment
avoir une signication parlante pour lutilisateur. Dans la conception dune inter-
face ecace, trois facteurs humains (et leurs principes ergonomiques) doivent tre
pris en compte : lapprenabilit (facilit avec laquelle lutilisateur peut prendre en
main le logiciel et dcouvrir ses fonctionnalits), la exibilit (capacit du systme
sadapter au type dutilisateur) et la robustesse (niveau de satisfaction dans la
ralisation des tches). Pour garantir lapprenabilit du systme, linterface doit
assurer plusieurs principes ergonomiques comme la consistance de toutes les ap-
plications oertes par linterface (homognit de style et des couleurs des icnes,
des boutons et des menus), la familiarit, cest--dire la ressemblance des icnes
ce quelle reprsentent et la gnricit, pour gnraliser lexprience de lutili-
sateur avec dautres logiciels et renforcer le sentiment de consistance. Pour que
linterface soit exible, elle doit sadresser des utilisateurs avec des cultures, ca-
pacits, attentes, besoins voire processus cognitifs trs dirents. Par ailleurs, il
est ncessaire que linterface soit robuste an quelle puisse mener lutilisateur
lachvement complet de la tche sans erreurs.
21
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Enn, les interfaces physiques constituent un autre moyen de communication
homme-robot. Elles peuvent tre de type haptique, utilises surtout dans le do-
maine de la tlmanipulation [60] pour avoir un retour tactile, ou des capteurs de
force pour contrler le robot (e.g. sur le poignets du RobuWalker) ou des capteurs
de contact pour des changes motionnels (e.g. dans le cas du robot phoque Paro).
Pour les robots devant travailler en environnements non structurs, avec des
utilisateurs non-experts, on dveloppe de plus en plus dinterfaces multimodales
[61, 62], i.e. des interfaces qui fusionnent les donnes issues de plusieurs canaux
de communication. Les avantages de la multimodalit sont nombreux : elle rende
linteraction plus naturelle et simple [63, 64], et surtout plus able et robuste
grce la fusion dinformations direntes et redondantes. De plus, elle rduit la
charge cognitive en accord la thorie de Wickens des ressources multiples [65] : les
ressources cognitives sont limites et un problme de demande se produit lorsque la
personne eectue deux ou plusieurs tches qui ncessitent de la mme ressource ; la
surcharge cognitive cause par cela peut entraner des erreurs ou le ralentissement
dexcution de la tche. Au contraire, partager les ressources pour excuter une
mme tche peut entraner une amlioration des performances.
1.3.3 Mobilit
La mobilit du systme traduit ses capacits de mouvement. Celles-ci dpendent
intrinsquement de la cinmatique du mcanisme de locomotion, de la puissance
des actionneurs qui lquipent et bien videmment de la commande implmen-
te. Cette dernire peut mettre en uvre direntes couches logicielles et confrer
au robot dirents niveaux dautonomie parmi lesquelles une couche fonctionnelle
servant la gnration en temps rel des commandes appliques aux actionneurs,
une couche servant la gnration de trajectoires exploitant dirents capteurs
dtat et de perception de lenvironnement et de localisation, le cas chant une
interface utilisateur ainsi que des couches dites dcisionnelles servant la pla-
nication des mouvements et plus gnralement de lactivit du robot en relation
avec les tches raliser, son environnement, certains vnements, le contexte, etc.
Les cinmatiques des mcanismes de locomotion peuvent prendre des formes
trs direntes, des plus simples aux plus complexes. Les cinmatiques les plus
simples sont roues, de type unicycle, ou de type voiture pour des volutions
dans SE(2) (Special Euclien Group dans le plan). Ces cinmatiques prsentent une
mobilit gnrale gale deux du fait des contraintes non-holonomes auxquelles
elles sont sujettes. Pour dpasser ces limitations, et obtenir une mobilit gale
22
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
la dimension de SE(2) des cinmatiques omnidirectionnelles ou holonomes sont
exploites.
Au-del, pour voluer sur des sols prsentant des irrgularits de surface, des
mcanismes de diverses cinmatiques peuvent comporter des mcanismes de sus-
pension des roues ou darticulation du chssis pour obtenir des mouvements dadap-
tation notamment dans des directions complmentaires celles du plan dvolu-
tion. Ces mcanismes dadaptation peuvent prendre la forme de "pattes" (ou de
jambes) et les roues peuvent tre remplaces par des appuis surface rduite pour
atteindre des aptitudes dadaptation semblables celles de lhomme.
La commande de ces systmes peut conduire dirents niveaux dautonomie.
Une tlopration directe est possible en introduisant dirents schmas de cou-
plage notamment pour stabiliser le systme sous des retards dans les transmissions
[66]. Des assistances la tlopration peuvent permettre daugmenter la scurit
du systme (pour lui-mme et pour lenvironnement) lors de ses volutions. Un
couplage bilatral position/force permet notamment de faciliter lvitement dobs-
tacles [67]. Au-del, elles peuvent rduire la charge cognitive du tloprateur.
Ces assistances pourraient galement permettre le suivi de personnes ainsi que la
mise en uvre de mouvements dajustement de la conguration du robot et/ou
de ses interfaces embarques pour amliorer dune manire gnrale la relation
homme/robot. Une mobilit autonome engage des moyens de perception de lenvi-
ronnement, de localisation de navigation, dinteraction avec la personne assister
et danalyse de son comportement et de raisonnement.
1.3.4 Communication
Les robots personnels peuvent tre vus comme des objets communicants in-
tgrant un certain niveau dintelligence. Ils font partie intgrante du rseau des
objets (i.e de lInternet des Objets). A ce titre, ils doivent pouvoir communiquer
distance avec dautres objets par des protocoles standards (i.e. Bluetooth, WiFi
et Zigbee) et tre pleinement intgr au sein dInternet pour donner accs aux
utilisateurs toutes sortes de services.
Le dveloppement de ces systmes rejoint donc les questions poses par lInter-
net du Futur dans le cadre duquel les problmes de lauto-organisation et lauto-
gestion sont essentielles ainsi que les principes conceptuels propres ces nouveaux
rseaux, savoir ladressage, les solutions de routage adaptes, lauto-identication
dlments, de services disponibles et de capacit de localisation pour ne citer que
23
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
quelques-unes des exigences fondamentales des nouveaux paradigmes de lInternet
du Futur.
Dans le contexte de lInternet des Objets, des technologies htrognes seront
mises en uvre, depuis les objets connects jusquau rseau. Aussi il est important
dinvestiguer les synergies entre ces technologies htrognes an de mieux adres-
ser direntes fonctionnalits dans le rseau, que ce soient des fonctions classiques
telles que le routage, la mobilit et la scurit ou de nouvelles fonctions telles que
la connectivit intelligente des objets. Les contraintes ne sont pas seulement asso-
cies aux ressources limites dont disposent ces objets communicants, mais aussi
lhtrognit des quipements, au passage lchelle en termes de nombre dob-
jets connects, et la scurit.
LInternet des Objets nest pas simplement une volution de lInternet actuel
pour connecter des nouveaux "nuds" mais il induit la ncessit dintroduire de
nouveaux paradigmes de communication spcialement conus pour ces objets au
cur desquels se trouvent des problmatiques essentielles lies la connectivit,
la transmission ecace des donnes, laccs simpli aux services etc. Les ar-
chitectures globales pour lInternet des Objets constituent des questions ouvertes
qui sont abordes dans un grand nombre de projets denvergure comme les projets
WINGS et IOT-A.
Ces supports de communication peuvent tre mis prot pour proposer des
solutions numriques adaptes aux services des sniors et dune manire gnrale
pour faire face divers problmes lis la perte dautonomie. Aujourdhui, un
certain nombre de services de-sant sont disponibles. Ils prennent la forme de sta-
tions domestiques pour suivre le rythme cardiaque, la tension, etc. Ces donnes
sont traites localement et certaines informations sont reportes des plates-formes
mdico-sociales mettant en uvre des outils de suivi, de monitoring et daide
lvaluation des risques.
Un systme robotique peut donner une dimension nouvelle aux dispositifs de-
sant. Il peut permettre de focaliser des capteurs embarqus (capteurs de vision,
de son, etc.) sur le sujet ou sur des lments de lenvironnement pour extraire une
information plus riche et plus prcise ou pour communiquer avec des objets intelli-
gents (capteurs, actionneurs, centrale de-sant, etc.). Il peut galement placer des
interfaces de communication proximit des personnes pour faciliter leur accs.
Au-del, il peut induire par son activit une prsence et une stimulation ou pro-
24
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
poser une aide physique notamment au transport, assister la mobilit et apporter
une aide cognitive, etc.
1.4 Positionnement et cadre du travail
Cette thse CIFRE a t nance par la socit Robosoft, avec le soutien de
lANRT (Association Nationale de la Recherche Technique). Cette thse prsente
un caractre appliqu relativement important. Elle cherche proposer des avan-
ces dans le domaine de la robotique personnelle et plus particulirement pour le
maintien domicile des personnes ges travers un support physique et cognitive,
ceci sur la base robot mobile Kompa conu et fabriqu par Robosoft et dapporter
des contributions divers projets dans lesquels la socit Robosoft est implique.
Les questions de recherche qui sont abordes sont lies aux capacits dun robot
interagir de manire robuste avec lutilisateur et de proposer assistance lau-
tonomie. Les enjeux majeurs des problmatiques abordes sont lis aux dicults
de perception de lenvironnement de travail ainsi que au caractre imprvisible du
contexte et de lactivit humaine.
Tout dabord nous nous sommes intresss la conception des interfaces daccs
aux fonctionnalits et dirents services par Internet. Une mthode de concep-
tion dune interface spcialise au prol de lutilisateur est propose. Son ecacit
est dmontre travers des tests dutilisabilit. Ce travail a t men en collabora-
tion avec une quipe de psychologues (lquipe du Professeur Anne-Sophie Rigaud
lhpital Broca) pour une analyse dtaille des facteurs humains intervenants
dans linteraction homme-robot. Ensuite, le problme du comportement interactif
du robot relativement de la personne a t abord. Cela a soulev plusieurs pro-
blmatiques de nature dirente : 1. Comment le robot peut localiser la personne
puis estimer sa position? 2. Comment cet tat de la personne et du robot, len-
vironnement et le contexte peuvent tre pris en compte pour que le robot ait un
comportement cohrent et ecace ? 3. Comment le robot doit naviguer dans lenvi-
ronnement pour que la scurit des humains, de lenvironnement et du robot mme
soit assure ? Pour rpondre la premire question, un dtecteur des personnes
bas sur un capteur laser et un ltre de Kalman tendu est propos. La deuxime
question correspond un vritable problme de dcision qui doit saccommoder
de donnes incertaines et de rgles volutives et dpendantes de la personne, de
lenvironnement et du type dactivit. Pour rpondre ce problme, un moteur d-
cisionnel labor sur la base du logiciel Spirops et des rgles oues a t dvelopp
25
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
et test en direntes situations critiques. Enn, pour assurer la scurit pendant
les dplacements du robot relativement la personne dans des environnements in-
trieurs, des trajectoires lisses et des vitesses adaptes, une combinaison pondre
des trajectoires circulaires et trajectoires hors-collision a t mise en place.
1.5 Le robot Kompa
Le robot Kompa (Fig 1.17) est une plate-forme mobile non-holonome conue
pour lassistance domicile, lhpital et en centre de soins de personnes ges
sourant de troubles cognitifs lgers.
Figure 1.17 Le robot mobile Kompa de Robosoft.
1.5.1 Hardware
Le robot embarque des capteurs ncessaires la navigation autonome et
linteraction avec lutilisateur :
un laser Sick S300 plac 0.3 m du sol,
16 GP2Y0A capteurs infrarouges,
9 MSU08 capteurs ultrasons,
une webcam Logitech sphere AF 1.5 m du sol,
une camra Axis IP m1011 0.5 m du sol,
un haut-parleur,
un ensemble de microphones.
26
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Le contrle bas-niveau est gr par un microcontrleur Emtrion SH7780 SBC
embarqu dans la base mobile. Les mouvements du robot peuvent tre contrls
manuellement par la manette Xbox 360 Controller pour Windows.
Les applications de haut niveau et les interfaces sont mises en uvre sur une
tablette PC sous le systme dexploitation Windows Vista ou Windows 7.
1.5.2 Software
Larchitecture logicielle globale du robot est base sur la RobuBOX. La Ro-
buBOX est un concept dvelopp par Robosoft pour faciliter lintgration des
dirents composants logiciels sur divers types de robots. En eet, la RobuBOX
prsente une architecture modulaire compose par dirents briques, nommes
services. Chaque service correspond une fonctionnalit disponible sur le robot.
Ces fonctionnalits sont de direntes natures : par exemple, il peut sagir de ser-
vices de bas niveau qui grent les capteurs ou des services de plus haut niveau
comme la reconnaissance vocale et les lois de commande pour le dplacement de
la plate-forme. Une telle architecture logicielle prsente lavantage de permettre la
rutilisation et le dploiement rapide des applications robotiques.
Tous les composants logiciels du robot sont programms en langage CSharp
sous la plate-forme de dveloppement MRDS (Microsoft Robotics Dev Studio).
Sappuyant sur Microsoft Visual Studio, cette plate-forme est dveloppe par Mi-
crosoft pour les systmes dexploitation Windows. MRDS est un environnement
de dveloppement intgrant la notion de "service" mise prot dans le RobuBOX.
Comme voqu prcdemment, un service ralise donc une fonction spcique et
peut tre utilis par plusieurs applications travers des interfaces entres/sorties.
Les services sont excuts dans le contexte dun nud DSS (Decentralized Soft-
ware Service). Cest un environnement qui permet de grer, supprimer ou crer des
services tant que le nud est actif. Tous les services sont capables de communiquer
entre eux travers un rseau.
Cet environnement donne en outre accs de nombreuses bibliothques spci-
ques la robotique mais aussi des bibliothques comme pour la reconnaissance
et la synthse vocale. Enn, MRDS dispose de nombreux outils, comme un envi-
ronnement de simulation et un environnement graphique de dveloppement.
27
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
1.6 Structure du document
Le chapitre 2 propose une mthode pour la conception dune interface gra-
phique ddie aux personnes ges sourant de troubles cognitifs. Cette mthode
consiste tout dabord en la recherche des caractristiques et des proprits de lin-
terface en fonction du type dutilisateur vis. Sur la base des rsultats de cette
phase dexploration, un premier prototype a t dvelopp et valu et des amlio-
rations on t apportes. La mthode propose est gnralisable dautres types
dinterfaces ddies et dautres types dutilisateurs.
Le troisime chapitre aborde la dnition et la mise en place dun dtecteur de
personne en utilisant les donnes fournies par le laser embarqu sur le robot. Le
choix dutiliser initialement le seul capteur laser a t dict par la structure mat-
rielle du robot Kompa. Cependant, une augmentation des capacits du dtecteur
a t ralise par la fusion des informations issues dune camra. La dtection de
la personne constitue les entres dun estimateur (ltre de Kalman tendu) utilis
pour dterminer lvolution de la personne dans lenvironnement.
Dans le chapitre 4, un environnement logiciel pour la synthse des compor-
tements dun robot personnel est prsent. Cet environnement est bas sur trois
niveaux : la perception, la prise de dcision et le contrle du robot. Dans ce ma-
nuscrit lenvironnement logiciel est principalement appliqu au suivi de personnes.
Cependant, il est gnralisable dautres types de fonctions, surtout lorsque celles-
ci doivent exploiter des informations bruites et incertaines et quelles ncessitent
une prise de dcision dpendante de lutilisateur, du contexte et de lenvironne-
ment. Ce moteur de dcision bas sur les mcanismes de la logique oue est dtaill
et valu dans direntes situations et environnements.
Le chapitre 5 dcrit, titre dexemple, la mise en uvre dun scnario duti-
lisation du Kompa en considrant que lactivit du robot sinscrit sur la base
dun agenda journalier. Lenchanement dactions pour le robot Kompa sur une
demi-journe est dtaill, ainsi que les fonctions et la base des rgles du moteur
dcisionnel qui permettent la mise en uvre de ce scnario. Lobjet de ce der-
nier chapitre est de montrer les potentialits du systme ralis pour obtenir des
comportements riches, exibles et facilement adaptables.
28
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 2
Conception dune interface
graphique ddie aux personnes
ges avec troubles cognitifs
Ce chapitre aborde tout dabord les questions relatives limpact du vieillisse-
ment sur la mmoire, lattention, le langage, la perception, etc., qui constitue lun
des cadres dapplication du robot Kompa. Ensuite, une mthode pour la concep-
tion dune interface adapte ce contexte dutilisation est dveloppe. Cette m-
thode est inspire du modle de conception itrative propose par Kies [68]. Elle
est base sur deux tapes : la conception initiale pour dnir les caractristiques
gnrales de linterface et la conception dun prototype incluant une phase de test
[69]. Notons que les rsultats obtenus et dcrits dans ce manuscrit ne sont valables
que pour le type dinterface considr et pour une population dutilisateurs (per-
sonnes ges avec troubles cognitifs lgers). Cependant, la mthode propose est
gnralisable dautres types dinterfaces et dautres types dutilisateurs.
2.1 Problmatique
Le vieillissement de la population a de nombreuses implications sur dirents
aspects de la socit : lconomie, les familles, les services mdicaux etc. ([70, 71]).
Les personnes ges sont, plus que toutes les autres, sujettes au risque de mala-
dies lies la dcience cognitive (e.g. Mild Cognitive Impairment - MCI-, [72]),
Alzheimer) [73, 74]. Les troubles cognitifs ont des consquences importantes sur
la mmoire, lattention, le langage, la perception, lorientation et la capacit r-
soudre les problmes, mme les plus simples comme les tches rcurrentes de la vie
29
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
quotidienne. Les troubles cognitifs lgers aectent lexcution des activits instru-
mentales de la vie de tous les jours (e.g. conduire une voiture ou grer la prise de
mdicaments), alors que les dcits svres conduisent souvent une invalidit to-
tale. En consquence, les personnes ges sourant de dcience cognitive peuvent
avoir besoin de dirents degrs dassistance pour les tches quotidiennes.
Le terme Technologies dAssistance (AT, de langlais Assistive Technology) d-
crit les produits technologiques, les services ou les systmes utiliss pour amliorer
la capacit fonctionnelle et le comportement social des personnes avec dciences,
y compris les dcits cognitifs ou physiques lis lge [75, 76]. LAT pour les
personnes ges prsentant des troubles cognitifs peut servir direntes ns :
lassistance aux tches quotidiennes (e.g. se laver les mains) [77], la communi-
cation et linteraction sociale [78], la scurit [79, 80], comme prothse cognitive
[81, 82], pour la gestion des symptmes comportementaux [83, 84], la tlassistance
[85], la stimulation et le divertissement [86, 87], etc.
La robotique contribue au dveloppement des AT pour les personnes ges
en proposant des systmes fournissant divers services (e.g. laide la mobilit, les
aides cognitives, les soins mdicaux, la communication, la scurit, etc.). Un certain
nombre de robots dassistance orant un soutien aux activits de la vie quotidienne
ont galement t dvelopps [88, 89]. Toutefois, la conception dinterfaces pour
linteraction homme-robot (HRI, de langlais Human-Robot Interaction) particu-
lirement adaptes aux utilisateurs gs reste un d [90, 91]. Pourtant, laccessi-
bilit du robot par son utilisateur est un des points critiques de lHRI. Ainsi, un
problme qui reste aborder, concerne les spcications des interfaces graphiques
(GUI de langlais Graphical User Interface) pour ces robots dassistance ddis aux
personnes ges.
Dans le processus de conception de ces technologies ddies aux personnes
ges, il est essentiel de tenir compte du fait que leur aptitude utiliser des dispo-
sitifs technologiques peut tre aecte par leurs dcits perceptifs, comme la dimi-
nution de lacuit visuelle, la baisse de la sensibilit au contraste, la dgradation
du langage et la discrimination des sons, entre autres. Par ailleurs, les limitations
cognitives telles que la baisse de la mmoire, les problmes de comprhension, les
dcits dattention (par exemple la capacit de traitement multitche), le ralentis-
sement de la capacit de transformation et dlaboration, la diminution du fonc-
tionnement excutif (linitiation, la planication et le suivi des actions orientes
vers un but) peuvent aecter lutilisation de la technologie [92, 93]. En rsum, la
30
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.1 Modle de conception itrative propose par Kies.
conception dinterfaces pour les personnes ges est un processus trs dlicat. Elle
ncessite dadapter soigneusement les caractristiques du systme (entres, sorties,
instructions, commentaires) et la dynamique de linteraction (exigences cognitives
et perceptuelles, charge de travail pour lutilisateur) ces utilisateurs particuliers
[94].
Compte-tenu du nombre de dcits qui peuvent aecter les capacits des per-
sonnes ges avec MCI dans lutilisation dune interface, la conception dune GUI
pour un robot dassistance ncessite dune mthodologie rigoureuse. Dans la pers-
pective dune conception centre sur lutilisateur, limplication des utilisateurs dans
le cycle entier du dveloppement du produit est une exigence essentielle pour la
russite de linterface [95].
Nous avons mis en place un processus de conception inspir de lIterative De-
sign Process propos par Kies [68]. Ce processus itratif comporte trois grandes
tapes : la conception initiale (Initial Design), la conception dun prototype (Pro-
totype Design), et la conception nale (Final Design) (gure 2.1).
Pour la conception de la GUI nous avons suivi un processus centr sur lutili-
sateur du robot et bas essentiellement sur les deux premires tapes du processus
propos par Kies :
La conception initiale dbute par la dnition de la population cible et des
fonctionnalits rendre accessibles par linterface, puis la recherche des ca-
ractristiques ncessaires pour rendre la GUI ecace (facilement utilisable).
31
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.2 Schma de principe de la conception initiale.
La conception du prototype suppose le dveloppement dun prototype et son
valuation rigoureuse auprs des utilisateurs.
2.2 Conception initiale
Durant cette phase, le prol de lutilisateur doit tre tabli. Au-del, il sera
essentiel de recueillir des informations sur ses besoins, ses prfrences, ses attentes
lgard du produit.
Au niveau cognitif, nous savons quil existe une relation entre une image et
lobjet (ou le concept) reprsent dans limage. Ces dernires annes, de nom-
breuses recherches concernant la reprsentation graphique des objets ont t me-
nes. Snodgrass et Vanderwart [96] ont ralis un travail pionnier pour aller vers
une standardisation. En eet, ces auteurs ont tabli un ensemble tendu dimages
(dessins en noir et blanc) qui ont t normalises selon quatre variables (laccord
sur le nom, laccord sur limage, la familiarit et la complexit visuelle).
Dans cette section nous allons dcrire une tude ralise lhpital griatrique
Broca (Paris) en collaboration avec lquipe du Prof. Rigaud, ceci an didentier
les directions gnrales suivre dans le choix des icnes pour rendre linterface
facilement accessible [97].
Mthodologie
Dans notre tude, nous nous sommes inspirs des tudes ralises par Alario et
Ferrand [1] (gure 2.4), Bonin et Peereman [98] et nous avons exploit certaines
bases de donnes comme Picture Communication Symbols (PCS) [99], Boardma-
ker [100], et Fotolia [101] (gure 2.5) pour la slection des images utiliser dans
32
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.3 Une personne ge et le robot Kompa pendant la phase de conception
initiale de la GUI.
linterface graphique du robot.
Le but de cette phase de conception initiale est de comprendre le style dimage
utiliser dans linterface graphique pour des robots ddis aux personnes ges :
simple ou complexe, convivial, des dessins ou des photos, des images avec ou sans
texte, images en couleur ou en noir et blanc ? Les rponses ces questions ne
peuvent pas tre trouves dans la littrature surtout si la slection des images est
spciquement oriente vers les applications robotiques de service pour les per-
sonnes ges. Nous avons consult deux bases de donnes existantes [1, 2] an de
slectionner les images dsires. Chaque image de ces bases de donnes est consi-
dre par la littrature comme la plus reprsentative pour un mot spcique pour
la majorit des gens.
Tout dabord nous avons dni les fonctions du robot et les services qui pou-
vaient tre accessibles depuis linterface graphique. Nous nous sommes limits la
liste suivante :
1. Liste des courses
2. Agenda
3. Gestion des mdicaments
4. Contrle des dplacements du robot
33
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.4 Images des bases de donnes Alario&Ferrand et Lexique [1, 2].
Figure 2.5 Images 1,6 extraites de la base de donnes BoardMaker ; Images 2, 3, 4, 5
de la base de donnes Fotolia.
34
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.6 Pour la fonctionnalit agenda 1. Image de la base de donnes Alario-
Ferrand ; 2, 3, 4, 5. Images choisies dans la base de donnes Fotolia ; 6. Image de Board-
Maker.
5. E-mail
6. Vidoconfrence
7. Jeux et divertissements sur Internet
8. Consultation de la mto
9. Exercices de stimulation cognitive
Puis nous avons recueilli les images correspondant ces fonctionnalits. Cer-
taines ont t collectes dans les bases de donnes (i.e. Boardmaker et Fotolia) et
dautres sur le web (pour avoir plusieurs reprsentations de la mme fonction), y
compris les dessins et les photos, la fois colore et en noir et blanc, abstraites
ou ralistes (voir un exemple sur la gure 2.6). Au-del, nous avons essay de
comprendre quel type dimage les utilisateurs associent le plus facilement une
fonctionnalit du robot ou un service. Ils prfrent des icnes colores ou noir et
blanc ? Des photos ou des dessins ? Une reprsentations abstraite ou raliste des
objets ?
Design exprimental
Pour le prototype initial de la GUI, cinq patients ont t recruts par lquipe
de lhpital Broca : trois femmes et deux hommes, deux avec capacits cognitives
normales et trois prsentant des MCI, tous gs entre 67 et 74 ans. Les patients
ont sign un consentement et lensemble de lexprience a t enregistre par une
35
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
camra. Le test t eectu en une seule fois avec tous les participants runis
dans une mme pice.
Pendant les tests, nous avons montr aux participants 24 dirents groupes
dimages (chaque groupe contenant des images reprsentant un service ou une
fonction relative au robot). Pour chaque groupe dimages proposes, les patients
ont eu exprimer leur prfrence selon trois critres dirents :
1. Consistance : quelle est limage qui reprsente au mieux lobjet ou la fonc-
tionnalit ?
2. Convivialit : quelle est limage la plus conviviale et sympathique ?
3. Pertinence : quelle est limage la plus adapte pour tre utilise dans linter-
face du robot ?
Les participants ont exprim leurs prfrences en notant les choix sur un formu-
laire et sans changer entre eux des impressions ou des commentaires concernant
lexprience.
Les tests proposs sont bass sur une interaction statique entre les utilisateurs
et le GUI support par le robot. Ils auraient pu tre faits sur un simple ordinateur,
cependant, nous avons choisi dutiliser le robot Kompa an de conditionner les
rponses des participants la prsence du robot. Nous nous sommes en eet rendus
compte que lapproche avec un simple ordinateur et celle avec une interface porte
par un robot mobile est trs dirente, surtout pour les personnes qui nont pas
familiarit avec la technologie.
Rsultats
Nous avons montr aux participants 24 groupes dimages et chaque participants
a exprim sa prfrence selon trois points de vue : limage la plus reprsentative
(consistante), la plus conviviale et la plus adquate (pertinente) pour linterface
graphique du robot. Bien videmment, pour chaque participant, les trois choix
pouvaient correspondre (la mme image prfre pour les trois critres) ou tre
compltement dirents.
Cent vingt prfrences ont t exprimes pour le critre de pertinence (24
groupes dimages proposs cinq participants). De ces 120 images, 30 ont t
choisies aussi comme les plus consistantes, 17 aussi comme les plus conviviales
et 26 ont t choisies aussi comme les plus consistantes et conviviales au mme
temps (gure 2.7). Les autres images (47) slectionnes pour leur pertinence ont
36
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.7 Images slectionnes pour leur pertinence. La plupart dentre-elles (47/120),
na pas t retenue ni pour la consistance ni pour la convivialit.
t considres comme ni les plus consistantes ni les plus conviviales. Cela peut
conduire la conclusion que la consistance et la convivialit ne sont pas des cri-
tres essentiels pour la slection des images pour la GUI.
Concernant le critre de consistance, pour les images proposes, nous avons
obtenu un rsultat trange : seulement 21% des images slectionnes pour leur
consistance correspondent aux images des bases de donnes de la littrature. Cela
peut paratre trange dans le sens o les images de ces bases de donnes sont consi-
dres par la littrature comme les meilleures reprsentations des objets (dailleurs
ces bases ont t construites en fonction du critre de consistance).
En revanche, un rsultat plutt attendu est le fait que seulement 4.2% des
images extraites des bases de donnes ont t retenues pour leur convivialit et
seulement 10% ont t juges adaptes pour linterface graphique. On peut conclure
que les images connues dans la littrature pour leur consistance ne sont pas n-
cessairement adaptes aux interfaces de robots de service. En eet, les images des
bases de donnes sont des dessins trs simples, styliss et en noir et blanc.
Puisquaucun des deux critres proposs (consistance et convivialit) na donn
des rsultats signicatifs sur la pertinence, nous nous sommes concentrs sur lana-
lyse des images slectionnes comme les plus pertinentes an dextraire des lignes
directives dans la conception du premier prototype. 51.33% des participants ont
37
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.8 Pourcentage des photos et dessins choisis selon les trois critres analyss.
choisi des dessins comme images les plus consistantes (48.67% ont choisi des pho-
tos). Pour certaines fonctionnalits, nous avons propos le choix entre des images
(dessins et photos) et une icne type "bouton". Nous avons trouv que :
16% des utilisateurs ont jug licne type "bouton" plus consistante quune
photo ou un dessin,
32% pensent que le bouton est plus convivial,
seulement 16% prfrent un type bouton une photo (ou un dessin).
Nous pouvons donc conclure que les images utiliser dans la GUI du robot doivent
tre des dessins en couleurs (gure 2.8), reprsentants des objets avec des formes
similaires lobjet rel, pas ncessairement celle propose par les bases de donnes
prises en compte. Par ailleurs, 75% des participants prfrent une grande icne
sans texte un petite icne avec le nom de lobjet (gure 2.9). Ils ont arm que
"Une image vaut mille mots !" et cela est vrai surtout pour les personnes ges
atteintes de dcience visuelle.
2.3 Conception du prototype
Un total de neuf images ont t slectionnes pour crer neuf icnes du menu
principal de linterface (gure 2.10). A partir de cette page principale, toutes les
fonctionnalits sont accessibles. Larchitecture du logiciel de linterface a t conue
38
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.9 Pour la fonctionnalit liste des courses : 1. Grande icne sans le nom de
lobjet ; 2. Icne plus petite incluant le nom de lobjet.
Figure 2.10 Menu principal du prototype de linterface.
pour tre intgre dans la RobuBOX. Pour les fonctionnalits liste des courses et
agenda les API de Google dveloppes pour les applications .NET ont t utilises.
Aprs la ralisation du premier prototype, unvaluation a t mene. Ils existent
direntes techniques pour valuer lergonomie des interfaces graphiques et plus
gnralement des systmes interactifs (e.g. lvaluation heuristique, les tests walk-
trough, les tests dutilisabilit) [95].
Lvaluation heuristique [102] est la mthode la plus connue. Elle repose sur un
ensemble dexaminateurs qui analysent tous les lments du systme pour identier
des problmes dutilisabilit potentiels. Les examinateurs sont guids dans lana-
lyse par un ensemble dheuristiques (e.g. visibilit de ltat du systme, libert
de lutilisateur, prvention des erreurs, aides, documentation, etc). Ces derniers
qualient les problmes potentiels en fonction de leur gravit et de la dicult
les corriger. Habituellement, plusieurs valuateurs sont impliqus sachant que
39
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
gnralement chaque individu dtecte seulement un tiers des problmes.
Dans un test walkthrough lvaluateur identie les problmes ralisant les
tches de la mme faon que lutilisateur nal, mais en utilisant sa connaissance
dexpert et son expertise concernant les problmes potentiels. Le fait dexcuter
exactement les mmes tches que les utilisateurs est trs important car cela induit
la prise en compte du contexte dans lequel le systme sera utilis.
Les tests dutilisabilit sont conduits directement avec les utilisateurs naux.
Ils fournissent des informations concernant les problmes dergonomie (du point
de vu de lutilisateur type) ainsi que des suggestions pour les rsoudre. Les tests
dutilisabilit portent sur des mesures de performance bien prcises [103], cest-
-dire objectives et quantitatives. Cette mthode est utile pour analyser limpact
de direntes variables sur lexcution des tches, e.g. lorsque deux ou plusieurs
groupes dutilisateurs avec des prols dirents sont compars. Les tests duti-
lisabilit sont la faon la plus convenable pour collecter des donnes empiriques
reprsentatives des utilisateurs naux pendant quils utilisent le systme. Ces tests
sont gnralement eectus dans des conditions contrles en laboratoire.
Peu dtudes ont t publis sur lvaluation des HRI avec des personnes ges
prsentant des troubles cognitifs ([31, 104, 105]). Par ailleurs, notre connaissance,
aucune de ces tudes ne sest focalise sur les tests dutilisabilit dune interface
graphique pour un robot dassistance. En consquence, il y a un grand manque de
connaissance concernant lacceptation des GUIs dans ce contexte particulier.
Dans la section 2.3.1 un test dutilisabilit pour lvaluation de linterface d-
veloppe est dcrit. Le but de ce test est de valider les hypothses suivantes :
1. Les icnes du menu principal de la GUI sont correctement interprtes, cor-
rectement identies (selon les critres de lAmerican National Standards Ins-
titute (1998) et de lOrganisation internationale de normalisation (1988)) et
considres consistantes.
2. Il ny a pas de dirences signicatives, pour lutilisabilit de linterface, entre
personnes ges MCI et personnes ges avec capacits cognitives normales.
3. Il peut exister dautres facteurs individuels comme lge, le gendre, la fami-
liarit avec les ordinateurs et le niveau dinstruction qui aectent les perfor-
mances.
40
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Dans la section 2.3.3, les rsultats du test dutilisabilit conduit auprs des deux
groupes des personnes ges (avec et sans MCI) sont prsents et discuts.
2.3.1 Methodologie
Participants
Un total de 22 personnes ges volontaires, dge compris entre 60 et 86 ans
(M = 76.5 ans), ont particip ces tests ; 11 participants avec diagnostic de MCI
et 11 avec capacits cognitives normales.
Avant le droulement des tests les sujets se sont exprims sur leur frquence
dutilisation dun ordinateur. 45.4% des participants navaient jamais utilis un
ordinateur ou trs peu et 55.6% utilisaient un ordinateur rgulirement. Une cor-
rlation ngative signicative a t remarque entre lge et lexprience informa-
tique (r = .60, p < .005). r est le coecient de Bravais-Pearson et exprime
lintensit et le sens (positif ou ngatif) de la relation linaire entre deux variables
quantitatives (dans notre cas ge et exprience informatique).
Concernant le niveau dinstruction, 50% des participants avaient moins de sept
annes dtude et 50% plus de sept.
Un test de comparaison (test de Student) des moyennes entre le groupe des
MCI et le groupe des sujets avec capacits cognitives normales, a montr que ces
deux populations ne diraient pas signicativement pour lge (p = 0.93), ni pour
le niveau dinstruction (p = 0.68), ni pour lexprience informatique (p = 0.41).
Au contraire, une dirence signicative existait parmi les deux groupes pour le
genre (t = 3.46, df = 10, p = 0.006). Ici, le paramtre t est la valeur de lcart
du test de Student.
Les donnes dmographiques relatives chaque groupe sont listes dans la table
2.1.
Matriel
Les participants ont ralis les tches demandes sur la tablette PC du robot
Kompa, en utilisant un stylet. Deux camras ont t utilises pour enregistrer
le comportement de chaque participant pendant toute la sance. Le logiciel The
Observer R XT a t utilis pour lanalyse des donnes dintrt (dure dexcution
41
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table 2.1 Donnes dmographiques relatives au groupe des MCI et au groupe des
personnes avec capacits cognitives normales.
Groupe de contrle
MCI En sant
N 11 11
Genre M = 5 ; F = 6 M = 0 ; F = 11
ge moyen (SD

) 76.63(7.92) 76.36(7.85)
Intervalle dge 73-86 66-88
Niveau dinstruction NAE

< 7 = 5 NAE< 7 = 6
NAE 7 = 6 NAE 7 = 5
Exprience informatique jamais/rarement = 6 jamais/rarement = 4
rgulire = 5 rgulire = 7

SD= Standard deviation.

NAE= Nombre dannes dtude.

des tches, nombre derreurs et daides demands). Nous nous sommes servis du
logiciel SPSS (Statistics Program for Social Sciences) pour lanalyse statistique
dcrite dans la section 2.3.3.
Procdure
Les tests ont t eectus individuellement. Un modrateur a conduit chaque
session et deux observateurs taient prsents pendant les tests. Tout dabord le
modrateur a dcrit aux participants lobjectif de la recherche, en introduisant le
robot et en expliquant la procdure et le droulement de lvaluation. Aprs, le
modrateur a demand de raliser direntes tches (qui sont dtailles en section
2.3.2). Les prfrences, les commentaires et les performances pour chaque sujet ont
t collects via lenregistrement par deux camras.
2.3.2 Tches values
Menu principal
Les icnes du menu principal ont t values sous trois aspects dirents :
interprtation, identication et satisfaction.
42
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.11 Un participant aux tests dutilisabilit de la GUI.
Interprtation
La page du menu principal a t montre aux participants (gure 2.10). Sans
recevoir aucune explication concernant les fonctionnalits accessibles par ce
menu, les participants ont t invits deviner la fonction que chaque icne
pouvait reprsenter. Le but tait dtudier lassociation intuitive des utilisa-
teurs, faite entre les icnes et les fonctions du robot, sans aucune information
a priori. Les rponses ont t notes en utilisant une valeur binaire : 1= in-
terprtation correcte, 0= interprtation fausse.
Identication
Les participants ont t informs sur les fonctionnalits et ils ont t invits
identier sur lcran licne qui pouvait correspondre chacune des fonctions.
Les rponses ont t notes en utilisant une valeur binaire : 1= identication
correcte, 0= identication fausse.
Satisfaction
Nous avons valu lapprciation des participants concernant :
1. la consistance des neuf icnes du menu principal,
2. quelques caractristiques gnrales de ces icnes (taille, utilisation des
couleurs, association chaque icne du nom de la fonction reprsente).
La consistance des icnes t note en utilisant une valeur binaire : 1=
consistant, 0= inconsistant. Les caractristiques gnrales de ces icnes ont
43
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.12 a. Page principale de la fonction agenda ; b. Calendrier pour slectionner
la date du RDV; c. Bouton pour lajout de lvnement ; d. Fentre pop-up pour lajout
des dtails et pour la conrmation nale.
t notes avec une chelle de Likert 5 points (de totalement en dsaccord
= 1, totalement daccord = 5).
Agenda
Cette tche a consist enregistrer dans lagenda du robot (gure 2.12a) un
rendez-vous mdical lhpital Broca, le 12 Dcembre 2011, 10 heures. Pour
raliser cette tche, quatre tapes devaient tre suivies :
slection de la date en cliquant sur le calendrier (gure 2.12b)
ajout dun vnement en utilisant le bouton avec le signe "plus" (gure 2.12c)
ajout des dtails de lvnement dans une fentre pop-up (heure, type dv-
nement, sujet et lieu) en utilisant une clavier virtuel (gure 2.12d)
conrmation de lvnement (gure 2.12d)
Pour chaque tape, deux mesures de performance ont t collectes : le temps
coul du dbut lachvement de la tche et le nombre de fautes commises. La
table 2.2 prsente la liste des variables dpendantes pour chaque sous-tche et la
mesure de la performance globale de la tche entire.
44
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.13 a. Page principale de la fonction liste des courses ; b. Menu des catgories
des produits ; c. Contrle numrique up/down pour slectionner la quantit dsire des
produits et bouton plus pour ajouter le produit slectionn dans la liste.
Liste des courses
Pour cette tche, nous avons demand aux participants de compiler une liste
des courses (gure 2.13a) en ajoutant deux produits appartenant deux catgories
direntes (fruit et viande). Pour chaque produit les sujets devaient :
slectionner la catgorie correspondant en cliquant sur licne (gure 2.13b)
slectionner la quantit en utilisant le contrle numrique up/down et ajouter
le produit la liste par le bouton avec le signe plus (gure 2.13c)
Pour chacune de ces tapes, nous avons collect deux mesures de performance : le
temps coul du dbut lachvement de la tche et le nombre de fautes commises.
On se rfrera la table 2.2 pour la liste des variables dpendantes.
45
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table 2.2 Liste des variables dpendantes pour les tches Agenda et Liste des courses.
Agenda
Variable dpendante Description
DateT, DateE TS

et NoE

pour slectionner la date

AddT, AddE TS et NoE pour ajouter le RDV
DetailsT, DetailsE TS et NoE pour rentrer les dtails du RDV
(heure, lieu, sujet et type de RDV)
ConrmT, ConrmE TS et NoE pour la conrmation nale
Liste des courses
Variable dpendante Description
Cat1T, Cat1E TS et NoE pour choisir la catgorie du premier produit
Prod1T, Prod1E TS et NoE pour slectionner la quantit du premier produit et
pour lajouter dans la liste
Cat2T, Cat2E TS et NoE pour choisir la catgorie du deuxime produit
Prod2T, Prod2E TS et NoE pour slectionner la quantit du deuxime produit et
pour lajouter dans la liste
Mesures combines
Variable dpendante Description
AgendaT, AgendaE Total TS et NoE pour achever la tche Agenda entire
Shop1T, Shop1E Total TS et NoE pour ajouter le premier produit dans la liste
Shop2T, Shop2E Total TS et NoE pour ajouter le premier produit dans la liste
ShopT, ShopE TS et NoE pour achever la tche Liste des courses entire

TS= Temps coul.

NoE= Nombre de fautes.

46
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
2.3.3 Rsultats
Menu principal
Dans cette section, les statistiques relatives aux scores moyens pour linterprta-
tion, lidentication et la satisfaction des icnes du menu principal sont prsentes.
Ces rsultats sont donns pour tous les participants et sans tenir compte des fac-
teurs individuels (ge, groupe, niveau dinstruction etc.). La gure 2.14 montre
les pourcentages dinterprtation correcte, didentication et de satisfaction (en
relation la consistance) des icnes du menu principal.
Nous pouvons observer un taux dinterprtation correcte moder/elev. En ef-
fet, sans considrer licne relative au contrle des mouvements du robot (taux
dinterprtation correcte = 9.9%), les pourcentages dinterprtation correcte des
icnes varient dans un intervalle compris entre 63% et 91%. La raison qui pourrait
expliquer un si bas taux dinterprtation de licne relative au contrle du robot,
est que les participants nont pas russi associer licne la fonctionnalit faute
davoir vu pralablement le robot en mouvement. Aprs la mise en vidence des
mouvements, licne a t bien identie.
Le taux lev didentication correcte observ conrme que les icnes repr-
sentent assez bien les fonctionnalits. Cependant, les participants ont pu saider
avec une stratgie dlimination. Ainsi, pour lvaluation de lutilisabilt de linter-
face, lanalyse croise des rsultats des trois sous-tches (identication, linterpr-
tation et la satisfaction) est sans doute ncessaire. En combinant ces trois scores,
nous avons identi trois catgories dicnes.
1. Icnes videntes : elles suggrent, sans quivoque, la fonction correcte. Elles
ont t identies par les participants et elles ont t juges comme une
reprsentation graphique dle des fonctions respectives. A cette catgorie
appartient les icnes relatives la mto, aux jeux et la liste des courses.
2. Icnes non reprsentatives : il sagit des icnes qui nont pas t juges bien
reprsentatives de la relative fonction, savoir les icnes relatives la gestion
des mdicaments et lagenda. Licne utilise pour la gestion des mdica-
ments contient limage dune seringue. Licne a t correctement identie
et interprte, cependant elle a t juge non conforme car limage dune
seringue nest pas associe lauto-administration de mdicaments. Les par-
ticipants ont estim quun acon de pilules aurait pu mieux reprsenter cette
fonction. Licne relative lagenda a t bien identie, mais pas forcment
47
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.14 Pourcentages dinterprtation correcte, didentication et dicnes juges
consistantes pour le menu principal.
bien interprte car limage choisie est en ambigut avec celle du calendrier.
3. Icnes cryptiques : ces icnes ont obtenu des scores faibles parce quelles
reprsentent des technologies rcentes (e-mail, vidoconfrence, stimulation
cognitive) ou des domaines techniques non familiers aux personnes ges.
Dautres recherches devront tre entreprises pour amliorer leur conception
an dtre plus informatives et esthtiquement attractives.
Globalement, nous pouvons conclure que lidentication des icnes du menu prin-
cipal est conforme aux critres de lAmerican National Standards Institute (1998)
qui recommande un taux didentication correcte de 85% et de lOrganisation in-
ternationale de normalisation (1988) qui recommande le 67% [106].
La gure 2.15 montre les rsultats de satisfaction (pour tous les participants)
relativement aux icnes du menu principal en relation aux direntes caractris-
tiques explores. La taille propose a t considre approprie (score 4.41/5). En
moyenne, les participants ont trouv que la comprhensibilit pouvait tre lgre-
48
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.15 valuation des caractristiques gnrales des icnes du menu principal.
ment amliore en accompagnant licne avec le nom de la fonction (score 2.12/5).
Ce rsultat est en contradiction avec celui trouv dans la phase de conception. Une
bonne solution pourrait tre de laisser lutilisateur la possibilit de paramtrer
linterface en choisissant davoir, ou pas, le nom de la fonction en accompagne-
ment de licne. Enn, les participants ont t assez satisfaits par lhomognit
de couleur pour toutes les icnes (score 3.70/5). Ils ont considrs lutilisation de
couleurs direntes peu utile pour lamlioration de lidentication des icnes.
Agenda et liste des courses
Pour ces tches, nous avons eectu une analyse statistique an dexaminer
linuence des facteurs individuels (tat cognitif, ge, niveau dducation, gendre,
exprience informatique) sur lexcution des tches (temps coul et nombre der-
reurs commis pour chaque sous-tche).
Lanalyse de la relation entre chaque variable indpendante et les performances
dexcution des tches, a t eectue en utilisant des MANOVAs. La MANOVA
(de langlais Multivariate analysis of variance) est une gnralisation de lANOVA
(de langlais Analysis of variance) et est utilise pour analyser direntes variables
dpendantes en mme temps. Nous avons eectu un test MANOVA pour chacune
des variables indpendantes (facteurs) en combinant toutes les variables dpen-
dantes (performances observes). Ce choix a t prfr pour viter dobtenir des
dirences signicatives dues seulement au hasard, situation qui pourrait se v-
rier en eectuant des analyses de variance spares pour chacune des variables
49
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
dpendantes (suite dANOVA).
Les prconditions qui doivent tre respectes pour pouvoir appliquer un test
MANOVA sont les suivantes :
1. les variables dpendantes sont des variables score,
2. les variables indpendantes sont des variables catgorielles,
3. les variables dpendantes sont conceptuellement lis (mme catgorie),
4. la taille des chantillons est la mme.
La prcondition 1. est respecte parce que les variables dpendantes ici sont les
scores de performance des participants. Pour respecter la deuxime prcondition, la
variable continue ge a t transforme en variable binaire (= 0 si 78 ans, = 1 si
> 78 ans). La mdiane (78 ans) a t choisie comme valeur seuil. En considrant la
troisime prcondition, nous avons distingu deux types de variables dpendantes :
variables de dure et variables de nombre derreur. La taille des chantillons est
la mme pour chaque groupe, except pour lexprience informatique (10 jamais
/ 12 rguliers) et le genre (16 F / 6 H). Nous avons dcid dexclure le genre de
lanalyse factorielle en raison de la grande dirence de taille des chantillons (dans
le respect de la quatrime prcondition de la MANOVA).
Si la MANOVA donne un rsultat signicatif, cela indique quune analyse plus
dtaille, par exemple lANOVA, peut tre ralise sur les variables dpendantes.
Si les rsultats de la MANOVA ne sont pas signicatifs, aucune autre analyse nest
approprie. Dans ce cas, lhypothse selon laquelle les groupes se distinguent sur
la base de cet ensemble de variables dpendantes peut tre directement rejete en
raison dabsence de signication.
Nous avons examin la combinaison de toutes les variables dpendantes asso-
cies en fonction du type : dabord, les variables de dure, et ensuite, les variables
de nombre derreurs. Le t-test Hotteling a t utilis pour analyser les dirences
statistiques entre les moyennes des groupes. En fait, ce test permet dobserver si
le vecteur des moyennes des variables dpendantes est gale pour les deux groupes
de population (e.g. groupe MCI et groupe avec capacit cognitive normale). Le t-
test Hotteling a t choisi parce que nous avons ici comparer chaque fois deux
populations (deux groupes) indpendantes et parce quil sagit dun test multivari.
Lanalyse de la MANOVA a montr que la dure dexcution des tches diminue
avec lge (Hotelling F
8,13
= 4.29, p < .05, partiel
2
= 0.72). Les variables tempo-
50
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
relles ont t soumises sparment une ANOVA an dvaluer si les 13 variables
dpendantes montrent la mme tendance. Le temps moyen pass pour lexprience
totale a t plus court pour les participants les plus jeunes (M = 133.69 s) que
pour les plus gs (M = 281.57 s), F
1,20
= 16.12, p < .005. Cette dirence
parmi les deux groupes dge a t observe aussi pour quelques sous-tches :
ShopT (F
1,20
= 6.77, p < .05), AgendaT (F
1,20
= 15.79, p < .005), Prod1T
(F
1,20
= 7.95, p < .05), Shop1T (F
1,20
= 9.90, p < .01), DateT (F
1,20
= 8.60,
p < .01), DetailsT (F
1,20
= 8.8, p < .01), ConfirmT (F
1,20
= 5.25, p < .05).
La MANOVA a aussi montr que les participants avec une certain exprience in-
formatique ont achev les tches plus rapidement que les autres (Hotelling F
8,13
=
5.02, p < .01, partiel
2
= 0.75). Les ANOVAs sur chaque variable de temps ont
montr que pour la tche liste des courses, lexprience informatique a eu un eet
signicatif sur Prod1T (F
1,20
= 11.94, p < .005) : les participants avec exp-
rience ont pass moins de temps (M = 11.6 s) que le dbutants (M = 31.25 s).
Concernant la tche agenda, DateT est aecte par lexprience informatique
(F
1,20
= 4.89, p < .05) : les novices ont pass plus de temps (M = 31.12 s) que
les sujets avec exprience informatique (M = 17.5 s). Pour les autres variables
indpendantes (groupe et niveau dinstruction) aucune inuence sur la dure dex-
cution des tches na t observe.
La MANOVA sur les variables derreurs a montr quaucun facteur individuel
naecte signicativement le nombre de fautes commises pendant lexprience.
Pour la tche liste des courses, nous avons aussi compar statistiquement la
performance de lajout du premier et du deuxime produit (Shop1T et Shop2T).
En moyenne, comme il tait attendu, les participants ont pass moins de temps
et ils ont commis moins derreurs dans M
Shop2T
que dans Shop1T. Les rsultats
des ANOVAs montrent que les facteurs individuels ge et exprience informatique
inuencent signicativement Shop1T, mais pas Shop2T.
De plus, une dirence signicative parmi Shop1T (M
Shop1T
= 40.09 s) et
Shop2T (M
Shop2T
= 19.71 s) a t observe (F
1,21
= 17.77, p < .001). Donc,
nous avons pu analyser linuence croise entre lge, lexprience informatique,
Shop1T et Shop2T en utilisant deux modles mixtes dANOVA (un pour lge et
lautre pour lexprience informatique).
Le modle mixte dANOVA est un test de dirence entre deux ou plusieurs
groupes indpendants (dans notre cas, e.g. ge=0 et ge=1) dans les cas des me-
51
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.16 Rsultat du modle mixte danalyse de la variance pour lge, en consi-
drant Shop1T versus Shop2T comme variable intra-sujet.
sures rptes (i.e. Shop1T et Shop2T). Pour appliquer ce modle il est ncessaire
davoir au moins une variable inter-sujet et au moins une variable intra-sujet. Dans
notre cas, la variable inter-sujet est lge (considre en sa valeur binaire) ou lex-
prience informatique (qui est aussi une valeur binaire). La variable intra-sujet
est la dure moyenne dexcution de la tche Liste des courses (qui fournie deux
valeurs en relation avec le fait que la mme tche a t excute deux fois).
Le modle mixte danalyse de la variance pour lge, en considrant Shop1T
versus Shop2T comme variable intra-sujet, a montr une interaction signica-
tive, F
1,20
= 7.92, p < .05. Ce rsultat conrme le fait que la diminution de la
dure entre Shop1T et Shop2T, est plus important pour les participants plus gs
(M
Shop2
M
Shop1
= 32.19 s) que pour les plus jeunes (M
Shop2
M
Shop1
=
8.58 s), (gure 2.16). Les sujets plus gs ont besoin de plus de temps que les
jeunes pour achever la tche la premire fois, mais cette dirence diminue la
deuxime fois.
Le deuxime modle mixte dANOVA pour lexprience informatique en utili-
sant Shop1T versus Shop2T comme variable intra-sujet a montr une inter-
action peu signicative (F < 1, NS) (gure 2.17).
52
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 2.17 Rsultat du modle mixte danalyse de la variance pour lexprience
informatique, en considrant Shop1T versus Shop2T comme variable intra-sujet.
Table 2.3 Rsultats de la MANOVA pour la dure dexcution.
Eet Value F Hypothse df Erreur df Sig Eta Partielle
Carre
Interception dHotelling 6.051 9.833 8 13 .000 .858
Groupe .287 .466 8 13 .859 .223
Interception dHotelling 13.736 22.321 8 13 .000 .932
ge 2.638 4.287 8 13 .010 .725
Interception dHotelling 17.339 28.176 8 13 .000 .945
Exprience informatique 3.089 5.020 8 13 .005 .755
Interception dHotelling 6.156 10.004 8 13 .000 .860
Niveau dinstruction .452 .734 8 13 .662 .311
53
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table 2.4 Rsultats de la MANOVA pour le nombre des fautes commises.
Eet Value F Hypothse df Erreur df Sig Eta Partielle
Carre
Interception dHotelling 4.271 5.694 9 12 .003 .810
Groupe .795 1.060 9 12 .452 .433
Interception dHotelling 6.534 8.712 9 12 .000 .867
ge 1.877 2.502 9 12 .070 .652
Interception dHotelling 5.224 6.965 9 12 .001 .839
Exprience informatique 1.691 2.254 9 12 .095 .628
Interception dHotelling 3.981 5.308 9 12 .005 .799
Niveau dinstruction 1.180 1.574 9 12 .228 .541
2.4 Conclusion
Dans ce chapitre un processus de conception dune interface graphique pour
un robot dassistance ddie aux personnes ges et avec des troubles cognitifs est
prsent. Ce processus est centr sur lutilisateur, dans le sens o il tient compte
des capacits et des attitudes de lutilisateur dans toutes les tapes de la concep-
tion.
En considrant les dcits perceptifs et les limitations cognitives des personnes
qui utiliseront le robot, et donc son interface graphique, nous nous sommes foca-
liss sur le choix des icnes utiliser pour rendre la machine facilement accessible
et utilisable par les personnes ges.
Tout dabord, une tude a t mene pour identier les critres qui doivent
tre pris en considration pour la slection des images utiliser dans linterface.
De cette analyse, il est apparu que ni la consistance ni la convivialit des images
sont des critres discriminants pour dnir la pertinence des images.
Aprs la ralisation du prototype, une valuation dutilisabilit auprs de la
population des utilisateurs a t ralise sur la forme dun test dutilisabilit. Ce
test a montr un taux lev didentications et cela conrme que les icnes choisies
reprsentent assez bien les fonctionnalits testes du robot.
54
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
En conclusion, le processus de conception propos semble tre une bonne m-
thode pour raliser des systmes ddis des populations particulires (comme
les MCI) qui soient faciles utiliser. En eet, lanalyse statistique des rsultats
obtenus des tests dutilisabilit montr que ltat cognitif (MCI ou capacits
cognitives normales) na pas dinuence signicative sur les performances des uti-
lisateur.
A notre connaissance, dans la littrature ils nexistent pas dautres mthodes
pour concevoir des interfaces pour des robots sociaux et ddies aux personnes
ges. Aucun comparaison des rsultats avec dautres tudes a t possible. Les
rsultats trouvs ne sont valables que pour ce type dinterface et pour cette popu-
lation dutilisateurs, cependant la mthode propose est gnralisable dautres
types dinterfaces et dautres types dutilisateurs.
55
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 3
Dtection de personne et estimation
de son tat
Ce chapitre aborde la dnition et la mise en uvre dun dtecteur et dun
estimateur dtat de la personne en utilisant les donnes fournies par le scanner
laser embarqu sur le robot Kompa. Nous mettons en vidence les performances
obtenues en exploitant ce seul capteur. Nous montrons aussi comment la fusion des
donnes du scanner laser avec celles dune camra permet dtendre les capacits
du dtecteur en terme de robustesse et profondeur de champ.
Les positions successives de la personne dtecte constituent les entres dun
estimateur rcursif (ltre de Kalman tendu) qui est utilis pour dterminer ltat
de la personne ainsi que son volution dans lenvironnement. Dtecter les mou-
vements dune personne ou dune partie de lanatomie (visage, main etc) dune
personne pour pouvoir ensuite la suivre (tracking), est une fonction fondamentale
en robotique personnelle. En eet, pour dbuter et maintenir tout type dinterac-
tion, le robot doit percevoir la position de la personne avec laquelle il doit interagir
et pour pouvoir rester connect avec elle, donc suivre ses mouvements.
3.1 Dtection de personnes
3.1.1 Motivation
Pour les robots sociaux qui oprent dans des environnements intrieurs non
structurs en interaction avec des personnes, les fonctions de perception et de lo-
calisation utilises classiquement pour la navigation ne sont pas susantes. Pour
56
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
interagir avec des personnes, les robots sociaux doivent pouvoir percevoir lenvi-
ronnement dans lequel il doivent voluer mais aussi localiser les personnes avec les-
quelles ils vont interagir, observer et interprter leurs activits et au-del analyser
leur comportement dans diverses dimensions et selon direntes smantiques. Cette
autre forme de perception est oriente action, ici en loccurrence action-humaine.
Elle peut focaliser des activits intentionnelles comme la saisie, la manipulation,
la posture, la locomotion etc. Ces informations sont ncessaires au robot pour
quil puisse approprier son activit la fois aux ordres, aux attentes, au besoin,
aux contraintes de scurit ainsi que aux contraintes sociales. Dans ce contexte,
la dtection de personnes est une fonction centrale et pralable toute interaction.
3.1.2 Dtecteur
Un certain nombre dalgorithmes ont t propos pour la dtection des per-
sonnes par tlmtre laser. Jung et al. [107] ont dmontr que la partie du corps
humain qui peut tre reconnue de la manire la plus robuste par un simple tl-
mtre laser est la taille. Cela pour direntes raisons : quand la personne marche,
le mouvement des jambes entrane des erreurs de mesure plus importants que le
mouvement de la taille (qui bouge deux fois moins vite) ; partir dune certaine
distance (qui dpende de la taille des objets et de la rsolution du scanner) les
objets petits comme les jambes peuvent ne plus tre visibles par le laser en raison
de sa rsolution; en fonction de la direction de marche par rapport la position
du laser, une jambe peut tre cache par lautre, alors que la taille reste toujours
visible dans nimporte quelle direction de marche.
Cependant, notre choix de localiser la personne partir de ses jambes t
contraint par la position du scanner laser sur le robot Kompa. Cette position
est volontairement basse pour des raison de scurit vis vis des personnes. Le
tlmtre laser est positionn 0.25 m du sol. La dtection prsente par ailleurs
lintrt de dtecter les personnes lorsquelles sont assises.
Les direntes mthodes existantes pour la dtection des jambes par scanner
laser peuvent tre classes en trois catgories : 1) comparaison de mesures cons-
cutives, 2) mthodes par apprentissage, 3) reconnaissance des caractristiques go-
mtriques et de la posture.
La premire catgorie regroupe tous les algorithmes conus pour dtecter les
personnes (et plus gnralement les objets) en mouvement ceci en les distinguant
57
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.1 Plan de dtection (plan laser) du robot Kompa.
des objets statiques de lenvironnement. Les travaux de Prassler ont t parmi les
premiers dans cette catgorie. Prassler [108] propose une partition du plan laser en
une grille de reprsentation pour dtecter les cellules en mouvement. Les groupes
de cellules voisines en mouvement sont dtectes comme une personne. Dans [109],
les auteurs dnissent un point de violation comme la nouvelle position dun objet
ayant boug par rapport une mesure du scanner laser prcdente. Pour chaque
scanner laser une violation est valide si en appliquant une Gaussienne centre sur
la position prcdente de lobjet en question, la valeur de la fonction dans la vio-
lation est suprieure un certain seuil. Schulz et al. [110] proposent une mthode
base sur le minimaux locaux : chaque minimum local dans le scanner laser est
considr comme un objet. En calculant une grille doccupation locale, les objets
en mouvement (les personnes par exemple) sont distingus des objets statiques.
Plusieurs travaux, comme [111], [112], [113] et [114], visent la dtection et le tra-
cking de plusieurs personnes travers plusieurs capteurs laser xes.
La deuxime catgorie est constitue dapproches plus rcentes. Il sagit dalgo-
rithmes bass sur des mthodes dapprentissage du modle des jambes. Par exemple
Arras et al. [115] proposent un classieur entran par lalgorithme AdaBoost par-
tir de groupes dobjets voisins correspondants des jambes. Ils ont montr que cer-
taines caractristiques gomtriques (comme le rayon et la convexit) permettent
de reconnatre la forme des jambes mieux que dautres. Une approche trs similaire
est utilis par Zivkovic [116]. Lauteur propose un apprentissage des jambes sur
13 caractristiques gomtriques (en utilisant toujours lalgorithme AdaBoost pour
entraner le classieur). An de rendre la dtection plus robuste, il propose une m-
58
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
thode inspire par la part-based representation (utilise surtout dans le domaine de
la vision) pour prendre en compte la disposition des jambes dtectes dans lespace.
La troisime catgorie comprend les mthodes bases sur la dtection de carac-
tristiques gomtriques des jambes et des postures (positions relatives entre deux
jambes). Lun des premiers dtecteurs proposs appartenant cette catgorie est
celui prsent par Fritsch [117]. Ce dtecteur est bas sur la segmentation du scan-
ner laser, puis sur la dtection des jambes en fonction de caractristiques comme le
nombre des points et la distance par rapport au capteur et enn sur le couplage des
jambes en fonction de leur distance cartsienne. Bellotto [118, 119] propose un al-
gorithme qui, chaque acquisition du scanner laser, extrait tout dabord les objets
en fonction des critres des maximum et minimum locaux. Puis, en fonction de la
position relative parmi les objets extraits, il exclut les squences des postures im-
possibles (par exemple une ouverture de 3m est considre une posture impossible).
Le dtecteur propos ici est bas sur cette troisime catgorie. Il a t conu
pour dtecter des personnes debout ou assises en position naturelle (donc avec les
jambes spares).
3.1.3 Lalgorithme
La premire tape pour la mise en place de ce dtecteur a consist en la mo-
dlisation des jambes (hors-ligne). Nous avons tout dabord dtermin les modles
Gaussiens de la taille des jambes et de la distance entre deux jambes (de la mme
personne). Ces modles sont paramtrs par les moyennes et les carts type donns
dans lquation 3.1 (en m).
_
(, )
width
= (0.13, 0.03)
(, )
interdistance
= (0.23, 0.04)
(3.1)
Ces paramtres ont t dnis exprimentalement partir des donnes collec-
tes sur 100 chantillons de mesures de scanner laser acquis en dirents environ-
nements et capturant plusieurs personnes statiques et en mouvement direntes
distances les unes des autres.
Une fois les modles tablis, la dtection se fait en suivant les tapes suivantes
(en-ligne) :
1. Segmentation : On dtecte tout dabord dans le scanner laser tous les blobs
(binary large object). Un blob est un ensemble dentits gomtriques sup-
poss appartenir au mme objet. Deux points sont considrs comme appar-
59
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.2 A gauche : tape de segmentation du dtecteur de personne. Au centre :
tape de classication. A droite : tape de couplage.
tenant au mme objet si leur distance cartsienne est dans lintervalle ]0, 0.1]
(en m).
2. Classication : Sur tous les blobs dtects, nous appliquons le modle Gaus-
sien de la jambe (quation 3.1) et avec un seuil sur la valeur de la fonction,
les blobs considrs comme pas des jambes sont rejets. Les autres blobs sont
classs comme possiblement des jambes et sont analyss ltape suivante.
Les dirents rsultats obtenus cette tape en fonction du choix du seuil
sont discuts en section 3.1.4.
3. Couplage : les blobs slectionns comme possiblement des jambes sont ana-
lyss par couples. Nous appliquons un seuil sur la valeur de la Gaussienne
pour la distance entre deux jambes et nous rejetons les couples retant une
posture improbable. On se reportera la section 3.1.4 pour les rsultats de
dtection avec direntes valeurs de seuil.
3.1.4 Rsultats exprimentaux
Pour tester la abilit et la robustesse du dtecteur dans des environnements
rels et naturels, nous avons dplac le robot dans trois lieux dirents du labora-
toire (gure 3.3). Nous avons demand 15 personnes de marcher autour du robot
de faon naturelle. La trajectoire et la vitesse ne sont pas imposes. Dans certains
cas une seule personne la fois tait dans le champ de dtection du laser, dans
dautres cas, deux personnes apparaissaient ensemble direntes distances entre
elles. Aucune information a priori sur la position de la personne, ni sur le nombre
de personnes apparaissant dans la scne ntaient donnes pour ces expriences et
par ailleurs les donnes ntaient pas celles utilises pour construire le modle des
jambes (quation 3.1).
60
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.3 Environnements exprimentaux utiliss pour la mise au point du dtecteur
des personnes.
61
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.4 A gauche : Pourcentages de dtections correctes des blobs comme possibles
jambes avec les trois seuils. A droite : Nombre moyen des jambes dans la vrit terrain.
Rsultats
Quatre cent trente neuf donnes (scanners laser) ont t collectes : 210 avec
une seule personne dans la scne, 229 avec deux personnes. Au total 668 dtections
potentielles dune personne sont possibles.
Les performances du dtecteur ont t analyses en faisant varier les deux seuils
(sur la taille dune jambe et sur la distance cartsienne entre deux jambes).
Pour ltape de classication, nous rappelons que le modle utilis est une Gaus-
sienne de moyenne et cart type (, )
width
= (0.13, 0.03).
Pour lvaluation de ltape de classication, nous avons choisi trois valeurs de
seuil : seuil = 0.03 =
width
, seuil = 0.06 = 2
width
et seuil = 0.09 = 3
width
.
Les rsultats de dtection des blobs comme possiblement des jambes sont montrs
sur la gure 3.4. Ces courbes ont t obtenues avec la mthode des fentres glis-
santes pour avoir la moyenne des dtections correctes en fonction de la distance
des blobs par rapport au capteur laser. Cest en raison de lutilisation de cette m-
thode que le nombre des jambes (vrit de terrain) sur lesquels les pourcentages
des dtections sont calculs pour chaque intervalle de distance, est suprieur au
nombre dchantillons dans la base des donnes (gure 3.4 droite).
Sur la gure 3.5, gauche sont achs les pourcentages des faux positifs (pour
les trois seuils choisis) sur le nombre total des blobs dtects dans ltape de seg-
62
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.5 A gauche : Pourcentages de fausses dtections en fonction des distances
pour les trois seuils choisis. A droite : Nombre moyen des blobs dtects.
mentation ( droite). Ces rsultats correspondent aux attentes ; il est en eet lo-
gique quen prenant seuil = 0.09 = 3
width
et donc 95.73% de la distribution nor-
male, le taux de dtection soit suprieur que si nous prenons seuil = 0.03 =
width
(6.2% de la distribution) et que le nombre des fausses dtections augmente aussi.
Les performances dcroissent par ailleurs avec la distance. Cela est d au fait
que le nombre potentiel des rayons laser qui trouvent un intersection avec une
jambe est trop faible (gure 3.8) et donc le dtecteur ne dispose pas dinforma-
tions susantes pour pouvoir classer le blob comme possiblement une jambe (les
blobs composs par moins de trois points tant rejets).
Le choix nal du seuil a t x seuil = 0.09 = 3
width
: le fait davoir plus de
fausses dtections nest pas particulirement gnant car les fausses jambes dtec-
tes sont ltres dans ltape de couplage sauf si bien sr deux fausses dtections
sont places une distance similaire celle entre deux jambes).
Pour lvaluation de ltape de couplage, nous avons choisi trois valeurs de
seuil : seuil = 0.04 =
interdistance
, seuil = 0.08 = 2
interdistance
et seuil =
0.12 = 3
interdistance
. Les rsultats naux de dtection sont montrs sur la gure
3.6. Comme pour lanalyse de ltape de classication, la mthode des fentres
glissantes a t utilise. Les scores de dtection naux en utilisant seuil = 0.12 =
3
interdistance
sont compris dans lintervalle (30 %, 42 %) jusqu 3 m de distance,
63
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.6 A gauche : Pourcentages de dtections des jambes (couples) correctes avec
les 3 seuils. A droite : Nombre moyen des couples de jambes dans la vrit terrain.
au-del ils dcroissent. Nous pouvons remarquer sur la gure 3.7 que les dtections
des faux positifs baissent considrablement une distance denviron 1.2 m. Cela
peut tre expliqu par le fait que mme si les faux positifs des jambes spares
augmentent avec la distance, dans la phase de couplage ces fausses dtections sont
naturellement ltres.
Si les rsultats obtenus norent pas un bon score, ils restent cependant accep-
tables pour lusage que nous en aurons. Il faut en fait considrer que jusqu 3 m,
le score de dtection est suprieur 30 %. En moyenne, nous avons une dtection
chaque trois balayages du laser donc environ quatre dtections par seconde (la
frquence du laser est xe 12.5 Hz, cest--dire un balayage tous les 80 ms).
En considrant le score obtenu pour chacun des 15 participants (gure 3.9),
nous pouvons remarqu que jusqu 2.5 m, le plus mauvais taux de dtection est
20 % et dans lintervalle [2.5, 3] m le score est au dessous de 15 % pour trois
participants.
Le dtecteur de jambes dvelopp ne fournit pas des rsultats excellents. Comme
nous verrons par la suite, lutilisation dune squence de mesures acquises partir
de plusieurs vues obtenues par la mobilit du robot (leur sommation incohrente
rduit le bruit) et lemploi de direntes techniques de ltrage conduit des perfor-
mances satisfaisantes pour la localisation de la personne. Lamlioration du score
de dtection comme de la profondeur de champ de la dtection aura trs proba-
64
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.7 A gauche : Pourcentages de faux positifs dans la dtection des jambes
(couples). A droite : nombre total de couples de jambes dtectes.
Figure 3.8 En haut : Probabilit dintersection entre un rayon laser et une jambe
en fonction de la distance. En bas : Nombre des possibles rayons laser qui trouvent un
intersection avec une jambe en fonction de la distance.
65
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.9 Pourcentages de dtections correctes des couples des jambes pour chaque
participant.
Figure 3.10 Nombre total des couples des jambes pour chaque participant (vrit
terrain).
66
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
blement une forte incidence sur les performances globales du systme. La conr-
mation de cette hypothse nest pas dmontre dans ce manuscrit, mais puisque
la dtection est la base de linteraction, il est trs probable que lamlioration de
la dtection aura des eets positifs sur le systme globale. En section 3.5 un d-
tecteur exploitant une fusion entre les mesures du laser et des images prises par
une camra [120] est dcrit. Ce dtecteur a t dvelopp en collaboration avec un
autre doctorant du laboratoire.
3.2 Estimation de ltat de la personne
Sous sa forme brute, linformation relative la dtection peut tre utilise pour
localiser une personne relativement au robot. Cependant, dune manire plus g-
nrale le problme pos dans la synthse de comportements dinteraction avec une
personne repose en partie sur la poursuite de cibles mouvantes. Lutilisateur est
une cible qui se dplace sur une trajectoire non connue a priori. Lobjectif est alors
de reconstruire ltat de la personne partir de donnes bruites pour poursuivre
lutilisateur-cible sur sa trajectoire et prdire sa position des instants futurs.
Ltat de la personne-cible (sa position et sa vitesse) ne peut en eet pas tre
obtenu en considrant seulement les mesures directes exploitant du dtecteur im-
plment, cela pour des raisons videntes lies aux limites du dtecteur, aux occul-
tations et la prcision intrinsque du capteur. Pour dterminer la position de la
personne-cible et faire une prdiction de son volution dans lenvironnement, nous
avons choisi de traiter les informations issues du dtecteur laide dun ltre de
Kalman tendu (dans ce manuscrit sera utilis lacronyme EKF du nom anglais
Extended Kalman Filter).
Le choix de ce ltre est motiv par le fait que le ltre de Kalman ore un
traitement ecace pour un ltrage optimal du point de vue de lerreur faite sur
lestimation de ltat du systme. Son ecacit conduit un cot de calcul faible
pendant son implantation sur un systme embarqu relativement aise. Les cal-
culateurs ne disposant pas dune prcision numrique innie, les erreurs de calcul
dues cette limitation sont cependant susceptibles de se produire tout moment
et de se propager, pouvant ainsi mener la divergence du ltre. Dautres types
de ltres peuvent tre envisags comme les ltres particulaires notamment qui ont
lavantage, avec susamment dchantillons, de pouvoir tre rendus plus prcis
que le ltre de Kalman. Cependant, ils sont plus exigeants en temps de calculs
[121, 122, 123].
67
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Le ltre de Kalman ainsi que les ltres particulaires appartiennent la catgo-
rie des estimateurs Baysiens rcursifs. Il sagit de mthodes les plus utiliss pour
lestimation dynamique. Si le ltre de Kalman est optimal pour tre systmes avec
bruits Gaussiens, les ltres particulaires, qui sont limplmentation pratique des
estimateurs Baysiens rcursifs utilisant les simulations de Monte Carlo [124], ont
lavantage de pouvoir tre appliqus des systmes avec tout type de distribution
de probabilit.
Le ltre de Kalman, dans ses direntes formes, a dj t utilis dans la litt-
rature pour la dtection de personne. Par exemple Ito dans [125] a propos un ltre
de Kalman de type pour fusionner les donnes issues dun laser et dune
camra panoramique an de dtecter et suivre une personne en environnement
statique. Satake [126] a utilis un EKF pour estimer la position dune personne
dtecte par strovision.
Dans ce chapitre la modlisation dun EKF en qualit dobservateur et pr-
dicteur de ltat dune personne est prsente. Cet observateur est spcialis par
lintroduction dun modle de locomotion humaine (section 3.3.5).
Lutilisation du ltre pour prdire ltat de la personne a deux avantages. Tout
dabord, les trajectoires prdites sont plus lisses que les trajectoires dtectes. De
plus, le ltre donne une prdiction de la localisation de la personne-cible aussi en
cas de perte de dtection.
3.3 Filtre de Kalman tendu (EKF)
Le ltre de Kalman [127] est un estimateur de ltat dun systme linaire en
contexte stochastique. Lutilisation de ce ltre est trs largement rpandue en robo-
tique pour la rsolution des problmes de localisation des robots mobiles [128, 129],
mais aussi pour le suivi des mouvements humains [130, 125, 126].
LEKF est une extension du ltre de Kalman aux systmes non linaires. Il
consiste linariser le systme chaque pas de calcul, puis utiliser les quations
dun ltre de Kalman. Lalgorithme de lEKF est un algorithme rcursif qui,
chaque instant dchantillonnage kT, fournit une estimation de ltat x
k|k
lins-
tant k ainsi que la covariance de lerreur destimation P
k|k
(mesure de la prcision
de ltat estim).
68
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
La thorie sur ces ltres est bien connue ([131]), nous nous contenterons de
rappeler les lments essentiels lis leur utilisation.
3.3.1 Modlisation
Ltape de modlisation consiste obtenir un modle dvolution de la personne
sous forme de reprsentation dtat temps discret. En supposant que la personne
marche vitesse constante dans un certain intervalle de temps, le modle discret
peut tre dcrit comme dans lquation 3.2.
x
k+1|k
= F
k
x
k|k
+w
k
y
k
= C
k
x
k
+v
k
(3.2)
x
k
=
_

k

k

k
_

_
; K
k
=
_

_
1 0 t
k
0
0 1 0 t
k
0 0 1 0
0 0 0 1
_

_
; C
k
=
_
1 0 0 0
0 1 0 0
_
Le vecteur x
k
R
4
comprend la position de la personne ( linstant t = kT) dans
le repre laser en coordonns polaires (
k
et
k
) et les vitesses, toujours en coordonns
polaires (
k
et

k
). Les coecients de la matrice F
k
R
44
reprsentent la dynamique
du systme. Le vecteur w
k
R
4
reprsente le bruit du systme qui est suppos tre un
bruit blanc Gaussien desprance mathmatique nulle et de covariance connue. Ce bruit
est utilis pour tenir compte de toutes les perturbations qui aectent les dynamiques
du systme. Le vecteur y
k
R
2
est lobservation (la mesure donne par le dtecteur de
personne linstant t = kT) exprime en coordonns polaires. La matrice C
k
R
24
est
la matrice dobservation qui dcrit comment le vecteur dtat est projet sur lobservation.
Le vecteur v
k
R
2
reprsente le bruit dobservation qui est suppos tre galement un
bruit blanc Gaussien desprance mathmatique nulle et de covariance connue. Ce bruit
est utilis pour tenir compte des erreurs du capteur et du dtecteur.
3.3.2 Modlisation des bruits
Les phnomnes alatoires, dans le formalisme du ltre de Kalman, sont modliss par
des bruits blancs, centrs, indpendants et de variance connue. Le bruit de modlisation
comprend les erreurs du modle et les erreurs de mesure (dtection de la personne).
69
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Erreurs du modle
Ce bruit qualie la validit de lhypothse que la personne marche vitesse constante
et sans changement de direction dans lintervalle t (temps coul entre linstant k et
linstant k +1). Plus la dure de cet intervalle est longue, plus lerreur du modle est po-
tentiellement importante. Ces bruits (lerreur est considrer dans les deux composantes
polaires (, )) sont modliss comme des variables alatoires Gaussiennes rsultant de
lintgration dun bruit blanc (quation 3.3).

2
b
= E
2
mod
t (3.3)
Le paramtre E
mod
est rgl de telle sorte que les carts des erreurs par rapport
aux moyennes (qui sont supposes nulles) soient de 0.5 m pour la composant et de 1
rad pour la composant (il est peu probable quune personne fasse un cart de plus de
0.5 m et 1 rad/s). Ces valeurs sont obtenues en xant une variance de 0.16 m pour la
composant et de 0.33 rad pour .
Bien videment ces paramtres peuvent tre ajusts en fonction du prol de la personne
(sa vitesse de dplacement), de lenvironnement (sil sagit dun environnement domes-
tique et encombr sa vitesse sera probablement faible) et aussi du type de tche que la
personne accomplie.
Erreurs de mesure
Les capteurs laser sont gnralement trs prcis, cependant, ils peuvent retourner
des mesures errones. Ces erreurs sont lies au fonctionnement physique du capteur : le
temps coul partir de lenvoi dun rayon jusqu la rception aprs rfection dtermine
la distance de lobjet. Donc, trois types derreurs peuvent se produire : les deux premiers
sont lis la surface de rexion, le dernier la rsolution du laser combine la distance
et la dimension de lobjet :
1. Certains types de matriaux et les couleurs trs fonces peuvent ne pas rchir
assez le signal lumineux mis pour donde rtrodiuse ne soit perceptible par le
rcepteur.
2. Langle dincidence du rayon laser peu entraner une rexion spculaire pas dtec-
table par le rcepteur.
3. Lobjet, sil est susamment loin et petit, la rsolution spatiale du scanner peut
conduire labsence de rexion.
Pour lEKF nous avons modlis lerreur du capteur laser comme une variable ala-
toire Gaussienne moyenne nulle rsultant de lintgration dun bruit blanc (quation
3.4).
70
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2

2
b
= E
2
mes
t (3.4)
Le paramtre E
mes
est rgl de telle sorte que les carts des erreurs soient de 0.01
m pour la composant et de 0 rad pour la composant .
3.3.3 tape de prdiction
Lentre de lEKF est la position de la personne fournie par le dtecteur dcrit section
3.1.3. A chaque nouvelle dtection on calcule la variation de position selon les deux com-
posantes polaires et (calcules dans le repre global). A partir de cette variation nous
dterminons les deux composantes polaires de vitesse sur lintervalle de temps sparant
linstant i + 1 de linstant i ( =

t
,

=

t
). Lintervalle t correspond normalement
la priode de balayage du laser, cependant des retards de calcul peuvent causer des
petits dcalages sur des systmes dexploitation non temps-rel ou des trames du laser
peuvent ne pas tre traites par le dtecteur. Donc t est recalcul chaque pas, pour
assurer plus de prcision. Les vitesses prises en compte par le ltre ne sont pas les vitesses
ponctuelles calcules chaque intervalle (i, i+1), mais sont calcules comme la moyenne
sur les 10 dernires dtections (( =

1
+
2
+...+
10
t
1
+t
2
+...t
10
,

=

1
+
2
+...+
10
t
1
+t
2
+...t
10
)). Le vec-
teur de ltat x
k|k
est mis jour avec les coordonnes polaires fournies par le dtecteur et
avec les vitesses moyennes calcules. Ce vecteur reprsente lentre du ltre linstant k.
Ltape de prdiction consiste tablir les expressions de x
k+1|k
(tat linstant suivant)
et de P
k+1|k
(covariance linstant suivant) partir de x
k|k
, de P
k|k
et de lquation de
ltat.
La prdiction de ltat sobtient en prenant la moyenne conditionnelle de lquation dvo-
lution (quation 3.2). Puisque w
k
est de moyenne nulle et indpendant de y
k
, la prdic-
tion est donne par :
x
k+1|k
= F
k
x
k|k
(3.5)
La covariance de lerreur de prdiction, en utilisant lquation dvolution (quation
3.2) est donne par :
P
k+1|k
= F
k
P
k|k
F
T
k
+H
k
Q
k
H
T
k
(3.6)
La matrice Q
k
= Q R
4
est la covariance des bruits de modlisation. La dtermi-
nation de Q tant assez dlicate, son inuence est souvent value par des simulations
de Monte Carlo.
Dans notre cas H = I , la covariance de lerreur de prdiction est alors donne par :
71
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
P
k+1|k
= F
k
P
k|k
F
T
k
+Q (3.7)
3.3.4 tape de correction
Ltape de correction fournit x
k+1|k
et P
k+1|k
en corrigeant les valeurs prdites en
fonction de lcart entre la prdiction de la mesure y
k+1|k
et la mesure eective y
k+1
.
Le gain du ltre K
k+1
et la matrice de covariance P
k+1|k+1
doivent tre dterminer (les
observations y
k+1
ninterviennent pas sur ces calculs).
K
k+1
= P
k+1|k
C
T
k
(C
k
P
k+1|k
C
T
k
) +R
k+1
)
1
(3.8)
P
k+1|k+1
= (I K
k+1
C
k
)P
k+1|k
(3.9)
Une fois les mesures acquises, la prdiction linstant k + 1 est corrige en fonction
de lobservation linstant k + 1 :
x
k+1|k+1
= x
k|k+1
+K
k+1
(y
k+1
C
k
x
k+1|k
) (3.10)
3.3.5 Rsultats
Test avec vitesse impose
Des tests ont t eectus avec le robot en statique, la personne-cible marchant devant
lui. Les entres du ltre sont les dtections fournies par le dtecteur bas sur le laser. Pour
disposer dune vrit terrain permettant de vrier le fonctionnement correct du ltre, la
vitesse de la marche de la personne est rgle par un mtronome (un pas/battement) des
marqueurs colls au sol rglent la grandeur des pas. Les marqueurs sont poss de telle
faon que la marche soit naturelle (la distance parmi chaque marqueur est de 0.4 m).
Avec cette amplitude de pas, les vitesses davance de la personne sont de 0.4 m/s 60
battements par minute (BPM) et de 0.67 m/s 100 BPM.
La personne marche devant le robot en restant toujours dans le champ de vision du laser
(aucun obstacle occulte la dtection).
Marche 60 BPM
Dans ce premier test nous avons demand la personne de marcher en ligne droite 60
BPM. La position initiale de la personne est environ 0.4 m sur laxe x du robot et 0
m de laxe y (Figure 3.11). La direction de marche de la personne suive laxe x du robot.
La personne est bien dtecte jusqu une distance denviron 2.8 m du robot. Cette
distance correspond 6 pas de la personne, pendant le septime pas il y a une perte de
72
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.11 Position de dpart et direction de la marche de la personne-cible pour les
tests du ltre vitesse impose.
dtection.
La gure 3.12 montre la trajectoire donne par le ltre. Cette trajectoire correspond
la trajectoire du barycentre entre les jambes de la personne. Nous pouvons remarquer
loscillation de ce barycentre autour de la trajectoire moyenne (ligne droite). Ce rsultat
est tout fait logique et peut tre corrl aux mesures faites sur la position du centre de
masse dans la marche en ligne droite par des plateaux de force [132].
Concernant les vitesses donnes, il faut rappeler que, durant la phase de prdiction,
le ltre donne une vitesse calcule comme vitesse moyenne sur les 10 derniers pas. La
vitesse moyenne calcule pendant cette exprience est denviron 0.4 m/s (voir courbe
de vitesse sur la gure 3.12). Cela montre que les vitesses observes par le ltre sont
correctes. Cette exprience montre aussi une oscillation de vitesse des pieds autour de la
vitesse moyenne. Ce phnomne est tout fait conforme la vitesse qui oscille autour
de la vitesse de la taille (qui reste peu prs constante).
Marche 100 BPM
Il sagit de la mme exprience que celle dcrite ci-dessus, mais la vitesse est impose au
rythme de 100 BPM (0.67 m/s). A vitesse plus leve on retrouve les mmes eets que
dans le cas prcdent : oscillation de la vitesse autour de la moyenne due au cycle de pas
pendant la marche et oscillation du barycentre autour de laxe x pour une marche en ligne
droite (gure 3.13). La vitesse longitudinale moyenne calcule par le ltre correspond
la vitesse davance impose la personne.
Test avec vitesse naturelle
En ralisant des expriences avec des personnes-cibles marchant une vitesse non
impose et selon des trajectoires arbitraires, nous avons observ des erreurs importantes
73
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.12 Trajectoire (en haut) et vitesse (en bas) de la personne donnes par le
ltre pendant le test 60 BMP.
74
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.13 Trajectoire (en haut) et vitesse (en bas) de la personne donnes par le
ltre pendant le test 100 BMP.
75
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.14 Test vitesse naturelle : P1= perte de dtection cause par une occultation ;
P3= dtection retrouve ( environ 0.4 m de la position prdite par le ltre).
sur les trajectoires fournies par le ltre lors du passage derrire des obstacles selon des
trajectoires circulaires. Un exemple de trajectoire obtenue pour un modle de prdiction
vitesse constante lors dune perte de dtection par loccultation de la personne par
lobstacle contourn est donn gure 3.14.
De manire vidente le modle de prdiction de la locomotion vitesse constante
nest pas adapte aux trajectoires prsentant une courbure et encore moins pour les
trajectoires avec vitement des obstacles. Dans ce qui suit, nous introduisons un modle
de prdiction plus reprsentatif de la locomotion humaine sur laquelle simposent des
contraintes cinmatiques et dynamiques ainsi que des critres doptimalit.
Rduction de vitesse aux virages
Dans des tudes antrieures [133], il a t mis en vidence un invariant reliant la
courbure de la trajectoire et la vitesse du sujet, et que cette relation peut tre rendue,
dans une certaine mesure, par une loi de puissance dite loi de la puissance un-tiers (ou
deux-tiers, selon un autre mode de calcul). La vitesse davance peut tre connue a priori
partir du rayon de courbure de la trajectoire.
Ce concept a t repris dans [134]. Cette dernire tude a montr quen ralit la loi
de la puissance deux-tiers est respecte que pour les trajectoires elliptiques, donc pour
un cas particulier de virage. Dans un cas plus gnral, il est possible de dire que la vitesse
76
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.15 Trajectoires gomtriques (droite) et prols de vitesse (gauche) dune
personne participant ltude de Quang Cuong [3] (reproduit sans autorisation).
et le rayon de courbure dune trajectoire sont lis par une loi exponentielle, lexposant
de cette loi dpendant de la forme de la trajectoire.
La dtermination du trajet emprunt par une personne lors de ses dplacements dans
des environnements intrieurs encombrs en associant les donnes du dtecteur propos
et celle dune trajectoire hors-collision vers un but donn est envisageable. Nous nous
sommes cependant rduit considrer quune activit de locomotion perturbe par des
virages induit une modulation de la vitesse pendant les virages de lordre de 20% (va-
leur dduite de la littrature) et nous avons introduit cette connaissance dans le ltre de
Kalman.
Pratiquement, lorsque le robot perd la dtection, la trajectoire de la personne-cible
(le dernier mtre avant la perte de dtection) est analyse (gure 3.16). On considre les
points distance 0.5 m et 1 m (Mp1 et Mp2) en amont de la dernire dtection (Mp3).
En appliquant lquation 3.11, si ces trois points sont aligns la vitesse considre par le
ltre est la vitesse calcule avant la perte de dtection et reste constante. Sinon la vitesse
est rduite du 20% en raison du virage dtect est.

_
< seuil pas de virage vitesse constante
seuil virage reduction de vitesse
(3.11)
77
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.16 Dtection de virage.
Nous avons alors, pour un cas similaire celui de gure 3.14 (pas strictement identique
car la vitesse na pas t impose), un comportement du ltre plus correct (gure 3.17).
3.4 Rgression
LEKF dcrit dans les paragraphes prcdents est trs utile pour connatre lallure
de la trajectoire de la personne ainsi que pour prdire sa position en cas de perte de
dtection. De plus le ltre a aussi leet de rduire les bruits de mesure, il a un eet
lissant. Cependant, comme nous avons pu observer dans la section 3.3.5, cause de la
nature oscillatoire de la trajectoire du centre de pousse et du mouvement des jambes
pendant la marche, la trajectoire obtenue par le ltre a de lgres oscillations. An de
constituer une trajectoire de rfrence pour commander le mouvement de suivi de cible
par le robot, un lissage de la trajectoire est opr. Nous avons choisi dappliquer pour ce
faire une rgression la trajectoire fournie par lEFK.
Dans les problmes de rgression, linterpolation type spline est souvent prfre
linterpolation polynmial car elle conduit des rsultats similaires tout en vitant le
phnomne de Runge (du mathmaticien Carle David Tolm Runge qui la dcouvert)
qui peut se manifester dans le contexte des interpolations polynmiales. Ce phnomne
peut tre observ mme sur des fonctions inniment drivables. Il conduit laugmen-
tation indnie de lcart maximal entre la fonction et son interpolation en fonction du
degr de linterpolation.
78
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.17 Test vitesse naturelle avec rduction de vitesse dans les virages : P1= perte
de dtection cause par une occultation ; P2= rduction de la vitesse ; P3= dtection
retrouve (proche de la position prdite par le ltre).
Dans [135] Eilers et Marx ont introduit la mthode dinterpolation nomme P-spline.
Cette mthode est base sur deux concepts principaux :
1. Utilisation des B-splines pour la rgression ;
2. Modication de la vraisemblance travers dun coecient de pnalisation sur la
rgression.
Les mthodes de lissage par P-spline (splines pnalises) se fondent sur des approches
non paramtriques (qui combinent les notions de B-spline et de pnalits) et qui estiment
le paramtre de lissage partir des donnes. Cette mthode a deux proprits intres-
santes : la exibilit et la simplicit des calculs. Cet algorithme est particulirement
indiqu pour les problmes de ltrage des bruits et pour les problmes qui ncessitent un
contrle adaptatif du lissage.
Les seuls paramtres choisir pour appliquer la mthode P-spline sont le nombre des
nuds et le coecient de pnalisation P. Linterprtation quil faut donner au coecient
P est : " quel point on veut pnaliser la non-linarit de la spline". Normalement P
est choisi dans lintervalle [10
8
, 10
8
]. P = 10
8
correspond pnaliser trs peu la non-
linarit, P = 10
8
correspond une forte pnalisation. Nous avons choisi le coecient P
exprimentalement. Sur la gure 3.18 une partie de la trajectoire dune personne-cible et
les rsultats des P-splines obtenus avec direntes valeurs de P sont montrs.
Nous avons montr exprimentalement que P = 10
3
(pnalisation modre de la non-
linarit) donne des bons rsultats. Pour limplmentation de lalgorithme de rgression
79
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.18 Dirents rsultats de rgression de la mme courbe obtenus avec di-
rentes valeurs du coecient de pnalisation P.
P-spline nous utilisons la fonction spline1dtpenalized fournie par la librairie open source
Alglib [136]. Cette fonction est applique deux fois pour lisser la trajectoire sur ses deux
composants (x et y) par rapport au temps. Dautres exemples des morceaux des trajec-
toires de la personne-cible interpoles par P-splines en utilisant P = 10
3
sont montrs
sur la gure 3.19.
Le nombre des points utiliss pour le calcul dune P-spline a une inuence consid-
rable sur le rsultat de la rgression. Sur la gure 3.20 dirents rsultats obtenus avec
le coecient de pnalisation P = 10
3
en considrant dirents nombres de nuds est
Figure 3.19 Trois exemples de rgression par P-spline en utilisant P = 10
3
.
80
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.20 Dirents rsultats de P-spline obtenus avec le coecient de pnalisation
P = 10
3
et en considrant dirents nombre de nuds.
montr. Nous pouvons remarquer que les quatre rsultats sont bien dirents et que plus
le nombre de nuds considrs est grand, plus la trajectoire en sortie est lisse.
Ils existent des algorithmes pour choisir de faon automatique le nombre de nuds
considrer pour optimiser le calcul (e.g. [137]). Nous avons choisi de le xer dynamique-
ment en calculant une spline chaque fois que la personne se dplace d1 m (on considre
un dplacement d1 m en distance euclidienne et non en longueur de trajectoire). Le
nombre de points choisis dpend de la vitesse de dplacement et de la forme de la tra-
jectoire parcourue. La gure 3.21 montre un exemple de trajectoire complte lisse avec
P-splines.
Puisque la trajectoire est lisse en ligne pendant que la personne bouge et puisque
nous avons choisi de faire un calcul de P-spline au terme de chaque dplacement d1 m, la
trajectoire complte prsente des points de discontinuit. Nous pouvons soit les raccorder
(par exemple avec une rgression sur chaque extrmit de trajectoire contenant 1 point
de discontinuit) soit les laisser ainsi sachant que lors du suivi de personne (Chapitre 4)
le robot ne sera pas amen reproduire exactement la trajectoire de la personne.
3.5 Dtecteur de personne par fusion des donnes
La dtection travers le seul scanner laser est sujette dirents types de problmes
lis en partie aux limitations du capteur. Le nombre de fausses dtections en environ-
nement encombr, comme nous lavons vu est important. Lutilisation de la vision mo-
noculaire ou binoculaire embarque pose des problmes de nature dirente : sensibilit
81
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.21 Trajectoire dune personne lisse par lalgorithme de P-spline.
aux conditions dclairement, perturbations induites sur la camra, grande variabilit de
lapparence des tres humains, ainsi que de leurs vtements, etc. En revanche lencombre-
ment de lenvironnement est beaucoup moins problmatique parce que les informations
traites en vision sont beaucoup plus riches que celles fournies par un tlmtre laser.
Un nombre trs important de travaux ont t raliss sur la dtection et le suivi de
personnes par vision. Plusieurs techniques bases sur dirents types de caractristiques
ont t proposs : la pseudo-Haar [138], les histogrammes de gradient orient (HOG)
[139], la covariance des rgions [140], les motifs binaires locaux (LBP) [141] etc. Lutili-
sation simultane ou alterne de plusieurs types de descripteurs permet une amlioration
signicative des rsultats comme dmontr dans [142, 143].
Certaines tudes (e.g. [144, 145, 146]) utilisent la strovision qui permet davoir lin-
formation 3D de la position de la personne ainsi que une bonne robustesse aux variations
dilluminations et aux occultations. Les dtecteurs qui utilisent un ux vido peuvent ex-
ploiter aussi linformation de mouvement travers des mthodes de soustraction de fond.
Pour tous les objets en mouvement dtects, ltape suivante consiste tablir sil sagit
des personnes. On se ramne au problme de dtection de personne dans une image, mais
avec une complexit de classication infrieure, grce au fait que des candidats probables
ont t pralablement slectionns.
La combinaison judicieuse de direntes donnes htrognes des dirents capteurs
82
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
an dobtenir une information globale plus riche pour avoir des rsultats plus ables est
un concept bien connu appel fusion de donnes multimodale. Il est appliqu dans de
nombreux domaines comme les interfaces, linteraction, la dtection et le suivi de cible,
etc.
La littrature propose direntes stratgies de fusion des donnes dans le contexte de
dtection de personnes. Certaines approches visuelles consistent utiliser dirents dtec-
teurs de visage en parallle pour atteindre de bonnes performances robustes lorientation
des personnes [147, 148]. Ces dtecteurs de visages multi-vues sont largement exploites
dans ce contexte, mais ils sont ecaces seulement si le visage de la personne est visible
par le robot, ce qui nest pas susant pour lapplication de suivi de personne.
La vision thermique est base sur la rception de rayonnement infrarouges qui permet
de distinguer le prol thermique dune personne du prol thermique des objets inanims.
Cette technologie permet ainsi daranchir les limitations lies aux conditions dillumi-
nation, mais elle a t trs peu utilise sur des plates-formes mobiles pour le suivi de
personne [149].
Dautres systmes de perception multimodale ddis au suivi de personne utilisent
des capteurs visio-auditifs [150, 151, 152]. Nanmoins, percevoir des personnes au travers
dattributs auditifs pendant le dplacement du robot ou de la personne est assez com-
plexe, compte tenu aussi du bruit ambiant.
La solution la plus frquente est la combinaison laser-camra, parce quil sagit de
deux capteurs avec des caractristiques trs complmentaires. Le laser donne des in-
formations gomtriques, la camra des informations dapparence visuelle. De plus, le
laser est moins sensible au bruit ambiant (comme les conditions dclairage), mais il est
exploitable seulement prs du robot et il est sujet un taux derreurs lev dans des en-
vironnements trs encombrs. Alors que la camra est moins sensible la problmatique
de lencombrement de lenvironnement et plus sensible au bruit ambiant (e.g. condition
dclairage, couleur des murs, etc.).
Dans [153] les auteurs prsentent une approche multimodale intgrant la vision (avec
dtection de visage), laudio (avec estimation de la direction de la source sonore) et un
laser (avec dtection de jambes). Beaucoup dautres travaux ont t raliss en couplant
la dtection de jambes par laser et la dtection de visage par camra [119, 154, 155, 117].
Tous ces travaux proposent des mthodes intressantes cependant pas applicables au pro-
blme de suivi lors de dplacements de la personne car bases sur la dtection de visage .
Dans [156], Zhang utilise le laser pour dnir des rgions dintrt en focalisant les objets
83
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
en mouvement. Cette mthode prsente lavantage de rduire le temps de calcul mais
elle est peu robuste dans le cas dobjets possiblement statiques. Dans [116], la fusion
des donnes dune camra panoramique et dun laser pour dtecter plusieurs personnes
simultanment avec un robot xe est dcrite. Des ltres particulaires sont utiliss pour
le tracking des personnes dans le plan du laser et une modle mixte de Gaussiennes est
utilis pour soustraire le fond de limage. Elle ne tire cependant pas prot de la mobilit
du robot. Dans [157], la dtection des jambes permet dinitialiser un algorithme de suivi
visuel et les informations des deux capteurs sont combines travers une mthode de
fusion Bayesienne.
Dautres approches de suivi de personnes exploitant des rseaux de capteurs xes
ou mobiles (ultrasons, infrarouges [158]), ou sur des badges radiofrquence [159, 160,
161, 162]. Ces mthodes sont trs rpandues et sont maintenant mises en uvre dans
de nombreux produits industriels. Elles supposent des amnagements de lenvironnement
(capteurs ou antennes) et/ou que la personne porte un capteur.
Nous avons propos une solution base sur la combinaison du laser et de la camra
embarqus sur le robot dans lobjectif de dtecter une ou plusieurs personnes, en mou-
vement ou statiques, dans des environnements encombrs et sans besoin dinstallations
prliminaires dans lenvironnement et sur les personnes.
Pour raliser ce dtecteur, des modications la plate-forme ont t ncessaires : la web-
cam Logitech du robot a t remplace par une camra pan tilt Philips SPZ5000 pour
avoir une meilleure qualit dimage et le support de la camra a t x pour quelle soit
immobile par rapport au laser (ce qui est ncessaire pour le calibrage laser-camra). Nous
avons choisi une pan tilt parce que on envisage, comme dveloppement futur, dorienter
la camra en fonction de la dtection des jambes an de "largir" le champ de vision.
Notre approche consiste fusionner les donnes fournies par les deux capteurs
travers des grilles de probabilit 2D. Ces grilles sont bases sur une division polaire du
plan. Pour la grille relative au laser, le plan est divis en 270 rayons (un rayon pour
chaque degr dans toute la zone de dtection du capteur). Lincrment de distance est
donn par
d
i+1
= d
i
(1 + E
r
) + E
a
(3.12)
E
r
peut tre considr lerreur relatif et E
a
lerreur additionnel absolu en distance.
Nous avons considr E
r
= 5%, E
a
= 0.5m et d
0
= 0.002m. Cette partition du plan est
un compromis entre la prcision et la complexit du systme. La grille est plus dense prs
du robot, l o nous avons besoin dune estimation de position plus prcise.
Une grille similaire a t dnie pour la partie vision en utilisant la mme quation
(quation 3.12) pour la distance, mais avec une amplitude angulaire infrieure (le champ
84
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.22 Reprsentation de la grille relative au laser.
de vision de la camra est rduit par rapport au laser). La position et lorientation de la
camra par rapport au plan du laser ont t estims en utilisant loutil de calibration de
Bouguet [163].
3.5.1 Dtecteur des jambes
En utilisant le mme modle dni par lquation 3.1, nous proposons une approche
statistique base sur les deux tapes dcrites ci-dessous :
Le pr-processus
Ltape de prtraitement est compose de deux sous-tapes. Tout dabord nous d-
tectons tous les blobs prsents dans le scanner laser. Ensuite, des points virtuels sont
ajouts aux extrmits de chaque blob (gure 3.23). Cette dernire sous-tape ne modie
pas de faon signicative lapparence dune jambe relle dans le scanner laser, mais elle
permet de prendre en considration les objets une certaine distance du capteur dont le
laser dtecte que peu des points ( cause de la rsolution du scanner laser).
La dtection
En se fondant sur lhypothse que tous les blobs dtects sont potentiellement des
jambes, la position dune jambe potentielle est identie comme le barycentre du blob et
est calcule en coordonnes polaires comme dans lquation 3.13.
(
C
,
C
) = (n+1
2
+

width
2
, n+1
2
) (3.13)
85
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.23 Points virtuels ajouts aux extrmits des blobs dtects.

C
et
C
reprsentent les coordonnes polaires de la jambe potentielle. n est le nombre
des points qui composent le blob (les points virtuels tant inclus). Avant dassocier
chaque blob la probabilit quil soit une jambe, les blobs qui ne sont clairement pas des
jambes sont rejets. Cette slection est faite laide dun seuil sur la taille du blob (dis-
tance parmi les extrmits. Ce seuil a t x 0.4 m. Aprs cette premire slection,
nous appliquons quatre oprations an dassocier chaque blob restant la probabilit
quil soit rellement une jambe.
Opration 1 Le modle statistique traduisant la probabilit quun blob soit une jambe
peut tre formul comme suit :
P(leg | D) exp
_

(D
width
)
2

2
width
_
(3.14)
D est la distance parmi les extrmits du blob considr.
Opration 2 Cette probabilit est tendue une petite zone autour du centre du
blob calcul en appliquant un masque de Gaussienne. Cette opration sert prendre en
compte une possible erreur due limprcision du capteur ou au processus de calibrage.
Nous obtenons ainsi une grille de probabilit relative la position des jambes dans la
zone de dtection du laser.
Opration 3 Une convolution est applique sur cette grille avec un autre masque (-
gure 3.24) pour tenir compte du modle de distance parmi les jambes dune personne. En
sortie de cette opration nous avons pour chaque jambe dtecte, la probabilit condi-
tionnelle quune autre jambe soit dans le voisinage. Pratiquement ce masque permet de
coupler les jambes dtectes, en associant une forte probabilit au barycentre de chaque
86
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.24 Masque appliqu dans lopration 3 pour le couplage des jambes.
couple de jambes (dune mme personne).
Opration 4 Dans cette dernire tape les grilles obtenues avec les oprations 2 et
3 sont multiplies pour produire une grille de probabilit jointe de la position des jambes.
Lalgorithme propos est trs ecace dans le cas o les jambes sont spares, cela
reprsentant la conguration naturelle des jambes dune personne qui marche ou qui est
simplement debout. Par contre, si le laser dtecte les deux jambes comme un seul blob
la probabilit associ cette dtection ne sera pas leve, donc probablement rejete.
Une perspective damlioration de ce dtecteur est srement la prise en compte de ce cas
particulier comme cela a t fait dans [119, 155, 154].
3.5.2 Dtecteur du corps
Le dtecteur du corps utilise deux types de caractristiques qui sont frquemment
utiliss dans le domaine de la dtection et la reconnaissance dobjets : la pseudo-Haar et
le HOG. La pseudo-Haar donne linformation concernant la distribution du niveau de gris
entre deux rgions adjacentes : sa sortie indique le contraste des rgions dans une partie de
limage. Le HOG est un histogramme des pixels voisins selon lorientation de leur gradient
et pondr par lamplitude de leur gradient. Le HOG est particulirement adapt la
dtection de personne car il fournit une information compacte et trs discriminante sur
les contours (essentiellement sur la forme du corps). Ce dtecteur a t dvelopp par un
autre doctorant du laboratoire (pour plus des dtails voir [164]). La sortie de ce dtecteur
est une grille de probabilit semblable la grille construite pour le dtecteur des jambes
(damplitude rduite car le champ de vision de la camra est plus troit que le champ de
87
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
vision du tlmtre laser).
3.5.3 Fusion des grilles
Le processus de fusion des grilles est constitu de deux tapes :
la prise en compte de la relation gomtrique entre la camra et le laser pour avoir
une correspondance spatiale cohrente des deux grilles.
la normalisation des valeurs des deux grilles pour la fusion nale.
La premire tape conduit considrer que la grille relative la camra est plus
petite de la grille relative au laser (parce que le champ de vision de la camra est plus
petit). Donc, dans les zones en dehors du champ de dtection de la camra, seulement la
grille de probabilit relative au laser est prise en compte.
Dans les zones de dtection communes aux deux capteurs on peut distinguer trois
sous-zones direntes comme il est montr sur gure 3.25. Dans la zone de rexion
du laser (zone 2) la probabilit nale est calcule comme la racine carre du produit
des probabilits des cellules correspondantes des deux grilles. En fait, dans cette zone,
la probabilit donne par le dtecteur des jambes et celle donne par le dtecteur du
corps doivent tre prises en compte de la mme faon. Dans la zone avant la rexion du
laser (zone 1) nous pnalisons la probabilit donne par le dtecteur du corps. Cela sert
rduire le taux de faux positifs dtects par la camra. En fait, on suppose que les jambes
de la personne soient poses au sol en permanence et si elles ne sont pas dtectes par le
laser, la prsence dune personne en cet endroit est moins probable. Dans la zone aprs
la rexion du laser (zone 3), le dtecteur des jambes ne donne pas une rponse. Donc
dans cette zone, nous considrons seulement la probabilit donne par le dtecteur du
corps. Cette probabilit est lgrement pnalise pour donner la priorit aux dtections
dans la ligne de rexion du laser (zone 2).
Un seuil est appliqu sur la grille rsultante de la fusion, pour raliser la dtection nale.
3.5.4 Rsultats exprimentaux
Protocole exprimental
Ce dtecteur a t test sur la mme base de donnes que celle utilise pour tester
le dtecteur bas seulement sur le laser. Le dveloppement dun dtecteur plus sophisti-
qu bas sur la multimodalit avait t anticip. Pendant lacquisition de cette base de
donnes la webcam Logitech du robot a t remplace par une camra Philips SPZ5000
monte sur un support statique (pour permettre la calibration des deux capteurs). Les
88
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.25 Les trois zones utilises pour la fusion des deux grilles de probabilit.
Figure 3.26 Photos des 15 participants slectionns pour la cration de la base de
donnes de tests.
participants slectionns pour cette exprience avaient direntes tailles, poids, genres et
tant habills de direntes manires (en formes et couleurs) (gure 3.26).
Rsultats
Les performances de ce dtecteur ont t analyses en relation avec les distances
sociales (proxmie). Cette dnition a t introduite par Hall [4] qui, inspir par les dis-
tances dinteraction entre les humains, a identi quatre zones dinteraction human-robot
proxemics (HRP) (gure 3.27).
Comme on peut voir sur la gure 3.28 les grilles de probabilit sont plus denses
prs du robot (o nous cherchons avoir une localisation plus prcise). Dans lespace
personnel (Personal Space) lerreur moyenne en distance de lchantillonnage choisi
du plan (gure 3.28) est trs similaire aux rsultats de ltat de lart [165].
Nous avons collect 271 chantillons (image et scanner laser) : 131 avec une seule
personne et 140 avec deux personnes. La base de donnes contient 411 dtections poten-
tielles de personne. La distribution des observations relativement aux distances sociales
(proxmie) est donne dans la table 3.1. Le nombre dobservations dans lespace intime
(Intimate Space) est insusant pour pouvoir analyser les performances du dtecteur dans
89
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.27 Les quatre zones dinteraction HRP dnies par Hall [4].
Figure 3.28 A gauche : Densit des cellules des grilles de probabilit en fonction des
distances de HRP. A droite : Pourcentages de lerreur relative moyen en distance.
90
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table 3.1 Distribution du nombre dobservations en fonction des distances de HRP.
Proxemics Observations
Intimate Space 5
Personal Space 44
Social Space 116
Public Space 246
cette zone.
La courbe ROC globale donne en gure 3.29 indique que la fusion des rsultats des
deux dtecteurs amliore les performances de dtection comme attendu. Le dtecteur des
jambes semble tre moins performant que le dtecteur du corps, mais il faut aussi consi-
drer le fait quil travaille mieux prs du robot, o nous disposons de moins dchantillons
dans la base de donnes. En fait la distribution des chantillons de la base de donnes
nest pas homogne : nous disposons de beaucoup dchantillons dans lespace public, o
le dtecteur du corps est beaucoup plus performant que le dtecteur de jambes (gure
3.31). Cela est caus par le fait que la probabilit dintersection entre un rayon laser et
une jambe diminue considrablement dans lespace public (gure 3.8).
Dans lespace personnel (gure 3.30), seul le laser peut dtecter. Cela tient au fait que
cause de langle de vue de la camra le corps dune personne est visible que dans un
intervalle de [2, 9] m.
La gure 3.32 montre lecacit de la fusion dans lespace social. Dans cette zone, les
deux capteurs ne sont que trs peu performants. Leur taux de dtection maximum est en-
viron 50%. Par contre leur combinaison conduit une nette augmentation du score (70%).
En rsum, dans la conguration hardware et software test, le dtecteur des jambes
est plus performant dans lespace personnel, le dtecteur de corps est plus performant
dans lespace public et dans lespace social, la fusion des rsultats des deux dtecteurs
amliore considrablement le score de dtection.
3.6 Conclusion
Ce chapitre a prsent un systme pour la dtection de personne et lestimation de
son volution.
Tout dabord, un dtecteur de personne bas sur les donnes du tlmtre laser em-
barqu sur le robot est dcrit et ses performances sont prsentes. Ce dtecteur est conu
pour dtecter des personnes debout ou assises en position naturelle (donc avec les jambes
91
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.29 Courbe ROC pour les trois dtecteurs.
Figure 3.30 Courbe ROC dans lespace personnel.
92
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 3.31 Courbe ROC dans lespace public.
Figure 3.32 Courbe ROC dans lespace sociale.
93
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
spares). Puis, la dnition et la mise en uvre dun estimateur de ltat de la personne-
cible utilisant un ltre de Kalman tendu et considrant la nature de la marche humaine
sont dtailles.
Le dtecteur de jambes dvelopp ne fournit pas des rsultats excellents, mais les
amliorations proposes (lutilisation dune squence de mesures avec le ltrage, la prise
en compte de la nature de la marche humaine par le ltre et lvolution du dtecteur par
fusion des donnes) permettent davoir des performances satisfaisantes pour lapplication
de suivi de personne-cible dcrite dans le chapitre 4.
Enn, une amlioration du dtecteur par fusion des donnes laser-camra travers
des grilles de probabilit 2D est propose. Les performances de ce dernier dtecteur sont
prsentes en fonctions des distances sociales dnies par Hall [4].
94
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 4
Environnement logiciel pour la
synthse de comportements
interactifs
Dans ce chapitre nous proposons un environnement logiciel pour la cration de com-
portements de robots personnels. La mise en uvre de robots personnels doit tre en eet
supporte par une architecture dcisionnelle de contrle capable dorganiser les activi-
ts lmentaires, sur la base de leurs composantes fonctionnelles, au regard dun agenda
mais aussi relativement aux sollicitations et aux interactions avec la personne-cible. Dans
ce cadre particulier, il sagit atteindre des comportements ractifs pour sadapter des
conditions volutives des tches en prsence dimprcisions et dincertitudes. Les compor-
tements du robot doivent aussi tre adquats un contexte particulier (environnement,
type de service) et au prol de lutilisateur (besoins, comportement) et saccommoder
de situations o les informations sont rares, incohrentes, ou incomplte, et les objectifs
non-dterministes.
Dans ce chapitre nous dcrivons un environnement logiciel bas sur la prise de dcision
oue laide de loutil de dveloppement SpirOps AI (voir annexe B) dont le fonctionne-
ment est dtaill pour la mise en uvre de la mobilit du robot pour la recherche dune
personne dans un lieu dhabitation et le suivi interactif de personnes voluant dans des
environnements intrieurs. Dune manire plus gnrale, cet environnement logiciel est
exploitable pour grer lactivit complte du robot comme nous lillustrerons au chapitre
suivant.
95
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
4.1 Pourquoi la logique oue pour la prise de dcision?
Les approches dterministes pour les processus de prise de dcision sont appropries
des problmes o les informations disponibles sont prcises. Lutilisation de modles
mathmatiques prcis dans une situation o les informations sont rares, vagues, contradic-
toires, ou incompltes peut mener dans de nombreux cas des dcisions (comportements)
inopportunes. Le problme de prise de dcision sous incertitudes (donnes manquantes
et imprcises) et pour des objectifs vagues ou confus (ous) ou pour des multi-objectifs
(souvent en conit), peut tre trait par la prise de dcision oue.
La logique oue a t dj utilise pour la navigation des robots en environnements
encombrs [166, 167] et sur les terrains naturels [168]. Une approche oue a t utilise
aussi pour le suivi de personne. Dans [169] Hu a prsent une mthode base sur des
rgles oues exprimes sous la forme de SI-ALORS connectant les entres (perception)
et les sorties (vitesses de contrle) du systme. Les entres des ces rgles sont les vitesses
de la personne calcules partir de la variation de la taille de son torse dans limage.
Les sorties sont les vitesses linaire et angulaire de commande du robot, an quil reste
une distance constante de la personne.
4.2 Suivi de personnes
Le suivi de personnes pour des interactions homme/systme est une fonction centrale
voire essentielle car elle met en uvre lune des principales caractristiques intrinsques
des robots : leur capacit raliser des mouvements autonomes adaptatifs. La fonction
dite de suivi est particulirement complexe dnir. Elle dpend de nombreux facteurs
comme la tche raliser (mise disposition ergonomique dune interface, focalisation par
lun des capteurs embarqus, surveillance gnrale de lactivit, observation distance,
interaction avec des objets intelligents, manipulation, transport, etc.), de lenvironnement
dans lequel le robot opre (encombrement, nombre de pices, obstacles, lieu de charge des
batteries, visibilit par rapport au rseau de communication, personnes prsentes, per-
turbations acoustiques, etc.) et aussi et surtout de la personne-cible concerne (scurit,
contraintes sociales, etc.).
Un suivi de personne interactif, ne peut pas tre simplement bas sur un contrle de
la distance comme dans [170, 171] et/ou de la vitesse relative la personne comme dans
[126] mais doit tre fond sur des mcanismes de raisonnement appropris la prise en
compte des facteurs voqus avant.
Gockley et al. [172] ont tudi la perception humaine du mouvement de suivi dune
96
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
personne par un robot mobile sur la base de deux mthodes : le suivi de la direction du
dplacement de la personne et le suivi de son chemin. Le rsultat de leur tude montre
que le suivi de direction de la personne est peru comme plus naturel et proche du com-
portement humain que le suivi de chemin. Une approche similaire est dcrit par Yuan
dans [173]. Lauteur propose une combinaison de suivi de direction, de suivi de chemin
et de suivi parallle (suivi de la personne en restant ses cts). La mthode est slec-
tionne automatiquement par le robot sur la base de ltat de lenvironnement et de la
position relative de la personne suivie.
Kruij et al. [174] dcrivent direntes stratgies dinteraction observes pendant des
tudes conduites avec la mthode du Magicien dOz. Ils se sont concentrs sur une descrip-
tion conceptuelle de lenvironnement en situation de dialogue homme-robot. Cependant,
le comportement de suivi appliqu est bas seulement sur une dtection par laser et sur
le suivi du chemin de la personne en respectant une distance socialement acceptable.
Dans [175], lauteur propose un algorithme de suivi local bas sur la minimisation
dune fonction risque qui prend en compte : la position et la vitesse relative de la per-
sonne suivie, les contraintes de lenvironnement et les contraintes cinmatiques du robot.
Cette fonction reprsente le risque de perte de dtection de la personne par le robot.
De plus, un processus de dcision de Markov partiellement observable est utilis pour
construire le modle de comportement de la personne. Une autre approche de suivi de
personne base sur le concept de visibilit de la personne par la robot est prsente dans
[176]. Dans cette mthode, les vitesses linaire et angulaire du robot sont calcules en
fonction du changement de position des pixels de lobjet suivre dans limage. Dautres
mthodes utilises en poursuite de cible mobile se fondent sur le principe doptimum
dobservabilit (ou destimabilit de ltat) [177].
Zender et al. [178] ont propos une approche qui combine tracking de personne et
SLAM (Simultaneous Localization and Mapping) pour produire une carte smantique de
lespace an que le robot puisse ajuster sa vitesse de suivi en fonction de sa position dans
lenvironnement et des actions attentes de la personne. A titre dexemple, les auteurs
montrent quaugmenter la vitesse du robot quand il volue dans un couloir amliore les
performances du systme.
4.3 Environnement logiciel pour le suivi de personne
Lenvironnement logiciel propos pour la synthse des comportements dun robot
mobile est bas sur trois niveaux :
97
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.1 Architecture globale de lenvironnement logiciel propos.
1. Niveau de perception : La perception de la personne et de lenvironnement ainsi
que la prise en compte dentres provenant de linterface homme-machine.
2. Niveau de dcision : Ce niveau est constitu dun moteur de dcision qui slectionne
et organise les actions lmentaires du robot dans un contexte particulier.
3. Niveau de contrle : Il assure le contrle du robot pour lexcution de la tche de
suivi de personne tout en respectant les contraintes lies lencombrement de len-
vironnement (obstacles statiques et dynamiques) et les incertitudes de perception.
Larchitecture globale de lenvironnement logiciel propos est illustre sur la gure
4.1.
4.4 Niveau de perception
La prise de dcision repose sur la perception de la situation particulire dans laquelle
la dcision doit tre faite. Le problme de la perception de la personne et de son volution
a t trait dans le chapitre 3. Dans ce qui suit, pour la perception de lenvironnement, le
robot utilise son tlmtre laser pour dtecter les obstacles dans un cne ferm de [-135;
+135] et dun rayon de 30 m. Nous avons utilis le dtecteur bas seulement sur le laser
et donc le dtecteur avec des performances moins bonnes, pour assurer le fonctionnement
98
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
du robot avec sa conguration dorigine (sans changement ni xation du support de la
camra).
4.5 Niveau de dcision
Lun des enjeux est dobtenir un comportement robuste face aux problmes de per-
ception et aux bruits induits par lenvironnement, ceci de faon approprie un certain
contexte donn, une personne particulire et aux tches spciques qui doivent tre
excutes.
Pour disposer dun environnement logiciel exible et aisment paramtrable (an de
pouvoir adapter le systme dirents types des tches, dutilisateurs, denvironnements
etc.) nous utilisons comme outil de dveloppement, le logiciel SpirOps AI [179], une
solution conue pour la dnition de processus de prise de dcision autonome. Pour plus
de dtails concernant ce logiciel on se reportera lannexe B.
4.5.1 Slection de stratgies
Pour dnir un comportement appropri, le robot utilise direntes stratgies qui
sont slectionnes dynamiquement en fonction des informations disponibles sur ltat de
la personne, le contexte et lenvironnement. Dans ce mmoire nous nous sommes limits
au comportement de suivi de personnes, mais larchitecture gnrale de lenvironnement
logiciel propos peut tre applique des comportements autres et possiblement plus
complexes.
Ce qui est dsign ici par stratgie est une action que le robot peut/doit excuter. Les
stratgies peuvent tre de natures direntes et varies. Prenons lexemple dun robot qui
doit rappeler la personne la prise dun mdicament. Un comportement limit lacti-
vation de la synthse vocale peut se rvler peu ou pas du tout ecace compte-tenu de la
position relative de la personne et du robot. Un comportement possiblement plus ecace
peut consister focaliser la personne en 1) recherchant la personne, 2) se rapprochant
delle et 3) activant la synthse vocale. Sur cet exemple simple, les trois actions peuvent
tre vues comme des stratgies que le robot doit excuter ou pas (en fonction de ce quil
observe) pour raliser la tche gnrale (rappeler la prise dun mdicament).
Dans loptique de dvelopper le comportement de suivi de personnes, nous avons dni
quatre stratgies : GoToUser, FollowUser, GlobalSearch et LocalSearch. Ces stratgies
sont simples et peuvent videmment tre complexies.
La dcision relativement la stratgie appliquer est prise sur la base des rgles
oues. Larchitecture gnrale du moteur dcisionnel est montre sur la gure 4.2. La
99
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Table 4.1 Liste dinformations donnes en entr au moteur dcisionnel.
Nom Abrviation Signication
RobotPosition RP Coordonnes du robot dans le repre globale
PersonPosition PP Coordonnes de la personne dans le repre globale
LastPersonPosition LPP Dernire position prise en compte de la personne
ObstacleDistance OD Distance de lobstacle le plus proche au robot
DetectionCondence DC Taux de conance de dtection de la personne
TimePersonLoose TPL Temps coul de la perte de dtection
PersonStay PS Taux de croyance que la personne ne bouge pas
Points cibles
PointGlobalSearch1 PGS1 Point o lexploration du robot est autorise
PointGlobalSearch2 PGS2 Point o lexploration du robot est autorise
PointGlobalSearch3 PGS3 Point o lexploration du robot est autorise
PointPersonTrajectory PPT Point sur la trajectoire de la personne
PointCloseToPerson PCP Point 0.5 m de distance de la personne
PointPredictedPosition PPP Position de la personne prdite par lEKF
combinaison de ces rgles assigne un degr dintrt chaque stratgie.
Une stratgie correspond un Drive en langage SpirOps. Les informations que le
moteur dcisionnel reoit en entre sont listes dans la table 4.1. Dans cette liste, nous
avons insr seulement trois lieux (PGS1, PGS2 et PGS3) que le robot peut explorer
pour rechercher la personne. Ces points sont aisment modiables et leur nombre peut
tre beaucoup plus lev. Ils sont dnis en fonction des prfrences de lutilisateur, du
type denvironnement, des besoins etc. Chaque variable PGS contient les coordonnes
cartsiennes du point dans le repre global ainsi quune tiquette qui mmorise linstant
de la dernire visite du point par le robot (dsigne par PGS
TimeLastV isit
).
Le degr dintrt associ chaque stratgie va dpendre de plusieurs facteurs (en
fonction de la stratgie, certaines informations dentre sont slectionnes et labores)
et il prend une valeur comprise entre 0 et 1. Dans lenvironnement logiciel propos, le
calcul des intrts est fait par le logiciel SpirOps AI. Plus de dtails concernant le modle
de calcul peuvent tre trouvs dans [180].
Pour chaque Drive, cest--dire pour chaque stratgie, tous les points cibles (PGS1,
PGS2, PGS3, PPT, PCP et PPP) sont pris en compte pour calculer lintrt de
100
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.2 Schma gnrale du moteur dcisionnel.
chaque stratgie relativement chaque point cible. Sur la base des rgles oues dnies
et de lensemble des observations, le moteur de dcision associe chaque stratgie et pour
chaque point un intrt.
GoToUser
Cette stratgie est active quand le moteur dcisionnel dtermine que le robot peut/doit
sapprocher la personne. Cette dcision est prise quand le robot a une conance suf-
samment leve sur la dtection et la localisation de la personne (variable DC) que
la personne nest pas en mouvement (variable PS). Le point cible (PCP) que le robot
doit atteindre pour se rapprocher de la personne est plac 0.5 m de la personne cible
et sur la direction robot-personne (gure 4.3). La valeur DC correspond au nombre de
dtections de la personne sur les 10 dernires mesures laser. La valeur PS est le nombre
de fois que la personne est dtecte dans un disque de diamtre de 0.1 m sur les 30
derniers dtections. Un exemple de rgle associe la stratgie GoToUser est montr sur
la gure 4.4.
101
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.3 Calcul du PCP utilis pour la stratgie GoToUser.
Figure 4.4 Exemple des rgles associes la stratgie GoToUser.
102
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.5 Exemple des rgles associes la stratgie FollowUser.
FollowUser
Cette stratgie est active quand le moteur dcisionnel dtermine que le robot peut/doit
suivre la personne. Cette dcision est prise quand le robot a une conance susamment
leve sur la dtection et la localisation de la personne (variable DC) et quil estime
que la personne se dplace (variable PS). Un exemple de rgle associe la stratgie
FollowUser est montr sur la gure 4.5. Le point cible (PPT) que le robot doit atteindre
pour suivre la personne est le point situ sur la trajectoire lisse par P-spline (chapitre
3) qui se trouve 1 m de la position courante de la personne.
GlobalSearch
Quand le robot doit dbuter une interaction avec la personne-cible partir dune
conguration initiale o il ne connat pas la position courante de la personne (pas de
dtections ni courante ni rcentes), il doit tout dabord la rechercher et la localiser dans
lenvironnement. La stratgie consiste donc en une exploration qui utilise le module de
SLAM intgr au robot Kompa. Un ensemble des points (PGSi) o lexploration est
autorise est dni a priori aprs la construction de la carte de lenvironnement (via la
fonction Mapper). Ces points sont dnis travers leurs coordonnes cartsiennes par
rapport au repre global (repre de la carte), ils sont enregistrs dans un chier de con-
103
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.6 Exemple des rgles associe la stratgie GlobalSearch.
guration (chier xml) et ils sont facilement modiables (toute larchitecture est tudie
de faon avoir un systme exible et adaptable nimporte quel type denvironnement).
Le critre utilis pour la slection des lieux explorer, parmi tous les points dnis, est
bas sur le temps coul par rapport la dernire visite : le point choisi est celui que le
robot a t explor le moins rcemment. Les points qui ont t explors il y a plus de 120
s sont considrs galement intressants. Un exemple de rgles associes la stratgie
GlobalSearch est montr sur la gure 4.6.
LocalSearch
Cette stratgie est slectionne quand le robot doit suivre ou se rapprocher de la per-
sonne aprs avoir perdu sa dtection. Elle consiste en une recherche locale de la position
o la personne est cense se trouver par rapport la prdiction fournie par lEKF. Un
exemple des rgles associes la stratgie LocalSearch est montr sur la gure 4.7.
La gure 4.8 montre un exemple de slection de stratgie et de comportement obtenu
en simulation. Les direntes tapes de lexprience sont expliques travers lutilisation
dun code de couleurs : le violet indique que le robot a dtect et suit la personne,
le bleu est utilis quand le robot a perdu la dtection et quil applique la stratgie de
104
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.7 Exemple des rgles associe la stratgie LocalSearch.
LocalSearch. Ici le robot suit une personne qui sort dune pice travers une porte. Quand
la personne passe la porte, le robot perd sa dtection. Le moteur dcisionnel slectionne
alors la stratgie de LocalSearch, le robot va rechercher la personne la position prdite
par lEKF, il la retrouve et il continue la suivre.
4.6 Niveau de contrle
La tche du niveau de dcision a en charge la slection de la stratgie permettant au
robot de se rapprocher et/ou de suivre une personne de manire robuste. Cette dcision
doit tre ralise en fonction de la localisation de la personne et des ses dplacements
tout en tenant compte des obstacles statiques et dynamiques.
Nous avons notamment mis en uvre un contrle en exploitant un schma doptimisa-
tion multicritre (Multiple-Objective Decision Making) (MODM). Les mthodes MODM
permettent de traiter sous des problmes de prise de dcision en prsence dobjectifs
multiples, possiblement contradictoires ceci sous un certain nombre de contraintes. Pra-
tiquement la solution est donne par loptimisation des Fonctions Objectifs qui constitue
le compromis recherch par une pondration des objectifs lmentaires en fonction de la
situation observe. Le niveau de contrle bas sur cette mthode est dcrit dans [181].
Dans ce manuscrit, nous en rsumons brivement les principes de la mthode implmen-
te puis nous une introduirons une solution (non ncessairement exclusive) conduisant
105
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.8 En haut : Exemple de suivi dune personne qui sorte dune pice. En bas :
Stratgies slectionnes par le robot en fonction de sa perception, pour rester connect
la personne suivie.
106
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
des mouvements plus uides du robot inspire sur des trajectoires de prdation .
Nous avons dni quatre Objectifs, quatre comportements simples qui constituent les
primitives de base des mouvements du robot : Turn, GoForward, GoForwardFast et Pa-
thFollow. Notons que cette base peut tre augmente de mouvements lmentaires plus
labors. Ces Objectifs sont combins pour produire un comportement plus complexe
du robot. Lobjectif Turn correspond une rotation autour dun point choisi du robot.
Ce comportement permet de commander le mouvement angulaire du robot et donc de
minimiser lerreur angulaire. GoForward commande le mouvement de translation une
certaine vitesse linaire. Ce comportement vise se rapprocher dun point donn en mi-
nimisant lerreur quadratique entre la position courante du robot et la position dsire.
Lobjectif GoForwardFast consiste avancer vitesse leve et a pour but de minimiser
lerreur entre la position de lutilisateur prdite par lEKF ( linstant k +T) et la posi-
tion prdite du robot (toujours en k +T). Le modle prdictif du robot est dtaill dans
[181]. Il est utilis pour estimer la distance entre le robot et la personne-cible en k +T,
an de dterminer si les robot doit avancer plus vite pour ne pas rester trop loin de la
personne. Enn, lobjectif PathFollow consiste minimiser lerreur angulaire du robot
par rapport au chemin hors-collision calcul par le module de SLAM. A travers des rgles
oues, le moteur dcisionnel associe un poids chacun de ces objectives en fonction de
ce que le robot peroit (tat de la personne, environnement etc.). Ces poids sont utiliss
pour combiner les quatre objectifs lmentaires qui sont optimiss par un algorithme de
type LP (Linear Programming).
La gure 4.9 montre un exemple des poids correspondant aux quatre stratgies Turn,
GoForward, GoForwardFast et PathFollow calculs par la mthode MODM. Au dbut
de lexemple la personne nest pas dtecte, donc le moteur dcisionnel slectionne la
stratgie de GlobalSerch : le robot se dplace la vitesse de 0.3 m/s et en suivant le
chemin calcul par le Planner (w
3
= 1). Une fois dtecte, la personne commence
marcher en ligne droite environ 0.7 m/s en restant toujours dans le champs de vision
du robot. Le poids (w
4
) augmente parce que lerreur quadratique entre la position de
lutilisateur prdite par lEKF et la position prdite du robot grandit. Comme on peut
le voir sur la gure 4.9, les poids varient dynamiquement en fonction de lencombrement
de lenvironnement, de la dtection de la personne et de sa vitesse.
Cette solution propose permet au robot de suivre la personne-cible de faon robuste
et en toute scurit. Cependant, nous avons remarqu un manque de uidit dans les
mouvements du robot d notamment la prsence de mouvements de rotation vitesse
longitudinale nulle. Nous avons introduit une solution labore sur la base dune combi-
naison de deux types de contrle qui considrent deux situations direntes :
107
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.9 Exemple de poids correspondant aux quatre stratgies dnies pour le
contrle MODM.
108
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
1. La personne et le robot voluent dans un environnement dgag, donc sans risque
de collisions ni zones interdites. Pour ce cas simple, on propose un contrle bas
sur le suivi de trajectoires circulaires de rayon variable.
2. La personne et le robot voluent dans un environnement encombr dobstacles xes
et mobiles. Pour ce deuxime cas, on propose un contrle bas sur la combinaison
des trajectoires circulaires et des trajectoires hors-collision qui tiennent compte des
contraintes de lenvironnement.
La transition lisse entre ces deux cas est gre par le moteur dcisionnel travers une
rgle oue base sur la dtection et lanalyse des obstacles. La distance des obstacles est
value localement et de faon continue (la personne et le robot bougent et des obstacles
mobiles peuvent perturber lvolution).
4.6.1 Modle cinmatique du robot Kompa
La commande du robot exploite le modle cinmatique du robot et prend en compte
les contraintes cinmatiques. La plate-forme Kompa est un robot mobile non-holonome
avec deux roues contrles indpendamment.
Le modle cinmatique est illustr sur la gure 4.10. v et sont les vitesses linaire
dun point situ au centre de la plate-forme et angulaire ; v
L
et v
R
sont les vitesses de
la rue gauche et droite respectivement ; 2d est la distance entre les plans des deux roues
motrices (la largeur du robot) ; x, y, et sont les coordonnes gnralises du robot dans
le repre globale.
Figure 4.10 Modle cinmatique du robot Kompa
109
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Les vitesses v, , v
L
et v
R
sont lies par les relations suivantes :
v =
v
L
+v
R
2
(4.1)
=
v
R
v
L
2d
(4.2)
Les contraintes cinmatiques respecter sont :
v v
MAX
(4.3)

MAX
(4.4)
4.6.2 volution en environnement dgag
Lorsque le moteur dcisionnel value un possible risque de collision, le robot suit des
trajectoires circulaires (gure 4.11) avec un certain rayon de courbure (a). Ce prol de
trajectoire a t choisi pour sa souplesse. La slection de la cible (x
t
, y
t
) ne dpend pas de
lenvironnement mais de la stratgie slectionne par le moteur dcisionnel. Par exemple,
si la stratgie slectionne est FollowUser, la cible est calcule en fonction de la trajectoire
de la personne (parce que le robot doit suivre la personne). Par contre, si la stratgie
slectionne est LocalSearch, la cible dpend de la position de la personne prdite par
lEKF. Le robot doit chercher la personne autour de cette position, sans considrer la
trajectoire que la personne a parcouru pour latteindre.
La vitesse linaire v est calcule en fonction de la distance Euclidienne la cible (d
t
)
en utilisant la rgle exprime par lquation 4.5.
v =
_

_
v
min
si d
t
<= d
min
v
max
si d
t
>= d
max
v
min
+
(v
max
v
min
)(d
t
d
min
)
d
max
d
min
autrement
(4.5)
A partir de la vitesse linaire v, les vitesses des roues pour parcourir la trajectoire
circulaire sont calcule comme suit :
v
L
= v
_
1
d

_
= v
_
1
2dy
t
x
2
t
+y
2
t
_
(4.6)
v
R
= v
_
1 +
d

_
= v
_
1 +
2dy
t
x
2
t
+y
2
t
_
(4.7)
110
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.11 Trajectoire circulaire pour rejoindre le point cible.
Et de lquation 4.2 on peut calculer la vitesse angulaire
=
2vy
t
x
2
t
+y
2
t
(4.8)
4.6.3 volution en environnement encombr
Si un risque de collision est dtect, les contraintes gomtriques de lenvironnement
doivent tre prises en compte. Pour cela, nous introduisons une pondration an de mo-
dier localement la trajectoire circulaire pour la rendre compatible (hors-collision) avec
les contraintes gomtriques de lenvironnement.
Le module de SLAM intgr sur le robot Kompa ore, travers la fonction Planner,
un chemin pour se dplacer dun point un autre de la carte, tout en vitant les obs-
tacles. Nous utilisons ce chemin comme le chemin de rfrence qui assure la scurit du
robot. Ce chemin constitue lentre dun algorithme de suivi de chemin bas sur la loi de
contrle propos par Morin et Samson dans [182].
On exploite donc les deux torseurs de vitesse (v, ), lun qui conduit parcourir
une trajectoire circulaire et lautre qui correspond une trajectoire hors-collision pour
construire le comportement du robot.
(v
c
,
c
) = vitesses linaire et angulaire pour suivre la trajectoire circulaire
(v
p
,
p
) = vitesses linaire et angulaire pour suivre la trajectoire hors-collision
111
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Le second torseur sert dformer localement la trajectoire circulaire de faon la
rendre elle-mme une trajectoire hors-collision. On associe chaque torseur (v, ) un
poids w. Les poids sont calculs comme paramtres de la stratgie slectionne par le
moteur dcisionnel. Les vitesses combines comme suit :
_
v = w
c
v
c
+w
p
v
p
= w
c

c
+w
p

p
(4.9)
avec w
c
+w
p
= 1.
dforme localement la trajectoire de poursuite proportionnellement au niveau de
risque de collision.
4.7 Expriences
Le comportement de suivi de personne a t test dans un environnement repr-
sentatif dun environnement intrieur avec des chaises des tables et autres obstacles de
direntes natures (Figure 4.12). Le robot procde pralablement une exploration pr-
liminaire pour la construction de la carte en utilisant la fonction Mapper du SLAM.
Une fois la carte acquise, nous avons choisi les endroits accessibles par le robot pour la
recherche de la personne-cible (points utiliss pour la stratgie GlobalSearch). Aprs ces
deux tapes, la phase dinstallation/paramtrage peut tre considre comme termine.
Notons que les points de recherche peuvent tre grs dynamiquement en fonction de
lexprience acquise par le robot.
4.7.1 volution en environnement dgag
La premire exprience montre le comportement du robot lorsque la personne bouge
dans un environnement dgag, donc sans risque de collision. Pour pouvoir rendre cette
exprience reproductible et pour comparer les comportements du robot sous direntes
conditions de contrle, nous avons impos la personne la trajectoire suivre et la vitesse
de marche. Comme pour les tests du ltre de Kalman (chapitre 3), la trajectoire a t
impose avec des marqueurs au sol et la vitesse via un mtronome (la personne marche
0.4 m/s).
La gure 4.14 montre les trajectoires de la personne et du robot en environnement
dgag. La trajectoire du robot est compose dune suite de trajectoires circulaires : la
112
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.12 En haut : Carte de lenvironnement utilise pour les expriences. En bas :
Photo de lenvironnement des tests.
Figure 4.13 Suivi de personne en environnement dgag.
113
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.14 Trajectoires de la personne et du robot en environnement dgag : sur
la trajectoire de la personne, les points cible pour le robot, slectionns par le moteur
dcisionnel.
position cible que le robot doit atteindre est recalcule chaque dplacement de 0.3 m de
la personne. Puisque la personne est toujours visible par le robot et quelle est dtecte en
mouvement, la stratgie slectionne par le moteur dcisionnel est toujours UserFollow.
Cela veut dire que toutes les positions cibles que le robot doit atteindre sont calcules
sur la trajectoire de la personne.
Le robot se dplace une vitesse moyenne de 0.4 m/s et il rejoint la trajectoire de
la personne aprs environ 2.5 m (la position initiale du robot ntant pas ncessairement
aligne avec le trajectoire initiale de la personne).
4.7.2 volution en environnement encombr
Pour cette deuxime exprience, nous avons ajout deux obstacles dans le mme en-
vironnement que la premire (gure 4.15). Les obstacles ont t positionns prs de la
trajectoire de la personne (qui reste la mme que celle de lexprience prcdente) pour
pouvoir dmontrer leur inuence sur le comportement du robot.
Dans la gure 4.16 la zone de risque de collision est mise en vidence. Quand le robot
se rapproche du premier obstacle, la valeur du poids w
c
associ au suivi de trajectoire
circulaire diminue jusqu 0 et la valeur du poids w
p
correspondant au suivi de trajectoire
hors-collision augmente (gure 4.17).
Quand le robot sloigne lgrement de la zone de risque, la valeur de w
c
augmente nou-
veau (et w
p
diminue). Cela comporte une inuence des vitesses relatives la trajectoire
114
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.15 Suivi de personne en environnement encombr.
circulaire sur les vitesses relatives la trajectoire hors-collision (gure 4.18).
4.7.3 Recherche de la personne
La recherche et la localisation de la personne dans un environnement intrieur est
pralable toute interaction. Aprs la construction de la carte de lenvironnement (via
la fonction Mapper), nous avons dni certains points (les PGSi) explorer . Rappelons
que ces points sont dnis travers leurs coordonnes cartsiennes par rapport au repre
globale (repre de la carte).
Dans cette exprience le robot se trouve dans une pice plutt encombre mais o la
personne ne se trouve pas (gure 4.19). Lexprience est illustre sur la gure 4.20. Le
dtecteur donne des fausses dtections, cependant le robot russi trouver la personne
sans aucune information a priori concernant sa localisation.
La gure 4.21 montre la succession des stratgies slectionnes pendant lexprience.
Le robot dmarre avec la stratgie de GlobalSearch et se dirige vers un des points PGSi
qui ont t pralablement dni (A). Pendant son dplacement le robot croit avoir d-
tect une personne (fausse dtection) et il slectionne la stratgie GoToUser (B). En se
rapprochant la "fausse" personne, le dtecteur produit plus de dtections en ce point.
Le robot croit alors avoir perdu la personne et il slectionne la stratgie LocalSearch
(C). Puisque le robot ne trouve personne autour de la dtection prcdente, la stratgie
GlobalSearch est nouveau slectionn (D). Cela arrive une deuxime fois (E, F, G)
115
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.16 Dformation de la trajectoire du robot en prsence dun risque de collision.
Figure 4.17 Poids utiliss pour la combinaison de la trajectoire circulaire et de la
trajectoire hors-collision.
116
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.18 Dformation des vitesses relatives au suivi de trajectoire hors-collision
caus par w
c
= 0.
Figure 4.19 Recherche de la personne.
117
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.20 Trajectoire du robot qui cherche la personne en ayant aucune information
a priori sur sa position.
avant que le robot dtecte la "vrai" personne et se rapproche delle (H).
4.7.4 Slection des stratgies
La quatrime exprience est un exemple de slection de stratgies direntes en fonc-
tion du contexte et de la situation spcique (contraintes de lenvironnement, taux de
conance de dtection de la personne, tat de la personne et du robot). Au dbut de
lexprience, la personne ne bouge pas (phase A, gure 4.23), le robot la dtecte avec
une bonne conance et il slectionne la stratgie GoToUser (gure 4.24). La personne
commence marcher (ni la vitesse ni la trajectoire sont imposes), et elle passe parmi
deux obstacles (B) ; le robot change de stratgie et il commence la suivre. Pendant
la phase C, le robot perd la dtection de la personne et il slectionne la stratgie Lo-
calSearh. La personne est retrouve en phase D, le robot applique alors nouveau la
stratgie FollowUser et il slectionne le point P
1
comme point cible. Cependant, il perd
nouveau la dtection (E) et il applique la stratgie LocalSearch en slectionnant comme
cible le point P
2
, cest--dire la position de la personne prdite par lEKF. Pour atteindre
ce point, cause de la forte proximit des obstacles, seule la trajectoire hors-collision est
prise en compte (le poids associ la trajectoire circulaire est nul) et le robot contourne
lobstacle. Comme on peut le remarquer sur la gure 4.23, la prdiction fournie par lEKF
(P
2
) nest pas correcte parce que la personne sarrte en F quand nest pas visible au
118
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.21 Stratgies slectionnes par le robot pendant la recherche de la personne.
robot (impossible pour le ltre de prdire un tel changement sans aucune information
disponible). Cependant, durant son dplacement vers P
2
, le robot russi quand mme
retrouver la personne.
4.7.5 Raccourci
La dernire exprience prsente dans ce manuscrit montre la capacit danticipation
du systme. Pour cette exprience la stratgie FollowUser a t dsactive car nous ne
voulons pas amener le robot parcourir un chemin similaire au chemin de la personne. On
veut lui lasser choisir plus librement comment rester connect lutilisateur. La tche du
robot nest pas de suivre la personne, mais de rester prs delle. Lexprience est illustre
sur la gure 4.26. Le robot commence bouger dans la direction de la personne jusqu
perdre la dtection (la personne est cache par un obstacle). La stratgie LocalSearch
est alors slectionne et le robot essaie datteindre la position o la personne devrait se
trouver (selon la prdiction de lEKF). Dans cette situation particulire, la trajectoire
hors-collision calcule par le Planner est un raccourci.
Il faut remarquer que ce comportement du robot se produit seulement dans des condi-
tions particulires : le robot doit se trouver une certaine distance de la personne (pas
119
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.22 Suivi dune personne qui passe parmi des obstacles.
Figure 4.23 Trajectoires de la personne et du robot.
120
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.24 Slection des stratgies et taux de conance de dtection pendant lexp-
rience.
Figure 4.25 Exemple de situation candidate pour le choix dun raccourci.
121
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 4.26 Le robot parcourt un raccourci pour atteindre la personne.
trop prs delle) et la trajectoire de raccourci doit tre plus courte de la trajectoire quil
parcourait en contournant lobstacle (parce que la fonction Planner calcule le chemin le
plus court).
4.8 Conclusion
Dans ce chapitre nous avons prsent un environnement logiciel pour la synthse de
comportements dun robot personnel. Cet environnement est bas sur trois niveaux : la
perception, la prise de dcision et le contrle du robot.
La mthode propose est illustre ici sur lapplication de suivi de personne-cible.
Cependant, elle est gnralisable dautres types de fonctions, surtout lorsque le type
dapplication impose une prise de dcision base sur informations bruites et incertaines
et dpendant de lutilisateur, du contexte et de lenvironnement. En fait, le moteur de
dcision introduit est bas sur les mcanismes de la logique oue, ce qui permet de traiter
les informations incertaines, vagues et incompltes.
Pour le contrle du robot nous avons propos une combinaison pondre des tra-
jectoires circulaires et des trajectoires hors-collision (les paramtres de pondration sont
calculs par une rgle oue sur la base de ce que le robot observe par son tlmtre laser).
Un tel type de contrle assure la scurit et la uidit des mouvements du robot.
122
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Les performances de lenvironnement logiciel ont t illustres par des expriences
sur la plate-forme Kompa dans direntes situations ralistes et pour lapplication de
recherche et suivi des personnes voluant dans des environnements intrieurs. Dune
manire plus gnrale, cet environnement logiciel est exploitable pour grer lactivit
complte du robot comme illustr au chapitre suivant.
123
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 5
Scnario dutilisation
Dune manire gnrale, lobjetif dun robot comme Kompa est dexploiter sa mo-
bilit pour se placer proximit de la personne an de pouvoir mettre disposition un
certain nombre de services travers une interface interactive et raliser galement des
fonctions de surveillance de lactivit de la personne.
On considre que lactivit du robot sinscrit sur la base dun agenda journalier constitu
dun certain nombre de "rendez-vous" avec la personne pour des fonctions dordres divers
(mdical, communication, tches quotidiennes, jeux, etc.).
Dans ce chapitre, un exemple de scnario dutilisation sur une demi-journe est dcrit,
ainsi que les fonctions et la base des rgles du moteur dcisionnel qui ralisent ce scnario.
Il sagit dun exemple simple dont lobjet est de montrer le potential du systme intgrant
les fonctions dveloppes pour mettre en uvre des comportements riches, exibles et
facilement adaptables au prol de lutilisateur et au contexte.
5.1 Cadre
Le robot Kompa assiste "Sophie" chez elle. Sophie est une dame ge avec des
troubles cognitifs lgres : elle lui arrive par exemple doublier ses RDV ou de prendre ses
mdicaments. Elle est tout fait autonome, mais elle a besoin dune aide pour surmonter
ses troubles de mmoire et de quelques stimulations pour entreprendre des activits et
des exercices an dviter dpression et solitude.
Rveil
Il est 8 heures du matin et le robot doit rveiller Sophie. Il va dans la chambre et il
joue une musique jusqu ce que Sophie lui notie quelle sest rveille (par la voix ou
par linterface graphique) ou alternativement que le robot dtecte un mouvement.
124
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Si Sophie ne rponds pas au bout dun certain temps, Kompa la cherche dans lappar-
tement.
Si aprs quelques minutes le robot na toujours pas localis Sophie, il envoie une alerte
son ls. Le ls peut prendre le contrle du robot distance et chercher sa mre en
tlcommandant le robot et en ayant le retour vido de la camra embarque.
Pour ces premires actions, les fonctionnalits du robot exploites sont : Slam, inter-
face vocale, interface graphique, vidosurveillance. La fonctionnalit de vidosurveillance
a t dveloppe par Robosoft en utilisant linterface web Locarria.
Les actions du robot qui peuvent tre impliques dans ce scnario sont :
1. "Aller la chambre". Cette action est ncessaire si le robot ne se trouve pas dans la
chambre et quil doit rveiller la personne. Les rgles qui amnent cette dcision
sont dcrites gure 5.1 o lobservation Heure est lhoraire, lobservation Personne
rveille indique si la personne a noti au robot son rveil (par la voix ou linter-
face graphique) ou si le robot a dtect la personne en mouvement, lobservation
Chambre indique si le robot se trouve dans la chambre o la personne est cense
dormir.
Figure 5.1 Rgles correspondant laction "Aller la chambre".
2. "Rveil". Cette action consiste jouer une musique pour rveiller la personne et
elle peut tre excute si la personne nest pas rveille et si la personne se trouve
dans la chambre o si elle est bien dtecte ailleurs. En eet, on suppose que lorsque
la personne est au lit, elle nest pas facilement visible par le robot, donc dans la
chambre on autorise le rveil mme sans dtection de la personne. En dehors de la
125
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
chambre le robot joue le rveil seulement sil est susamment sr davoir trouv la
personne. Les rgles qui amnent cette dcision sont dcrites gure 5.2 o lob-
servation Timer rveil est le temps coul depuis que le robot a commenc jouer
la musique du rveil et lobservation Conance dtection se rfre la dtection de
la personne.
Figure 5.2 Rgles correspondant laction "Rveil".
3. "Recherche". Cette action consiste chercher la personne dans lappartement (mme
fonction dcrite dans le chapitre 4). Le robot commence la recherche sil est lheure
de rveiller la personne, il ne la dtecte pas, le rveil sonne quelques minutes et la
personne na rien noti au robot. Les rgles qui amnent la dcision dexcuter
cette fonction sont dcrites gure 5.3 o les observations concernes par cette partie
de scnario sont seulement Heure, Personne rveille, Timer rveil et Conance
dtection.
4. "Alarme". Cette action consiste dclencher une alarme pour notier la famille
ou au centre de soins une anomalie dans le droulement des activits quotidiennes
de la personne. Lalarme est dclenche au bout de 15 minutes aprs que le r-
veil sonne et si la personne nest pas considre rveille. Les rgles qui amnent
la dcision dexcuter cette fonction sont dcrites gure 5.4 o les observations
126
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 5.3 Rgles correspondant laction "Recherche".
concernes par cette partie du scnario sont seulement Heure, Personne rveille
et Timer rveil.
Rappel mdicaments
Dans la matine Kompa doit rappeler Sophie de prendre ses mdicaments. Sil
la dtecte et quil est prs delle, il lui fait un rappel vocal ; sil est un peu loin, il se
rapproche dabord. Jusqu ce que Sophie notie quelle a pris ses mdicaments (par la
voix ou par linterface graphique) le robot fait le rappel de temps en temps.
Si Sophie nest pas dtecte, Kompa la cherche dans lappartement.
Si aprs de quelques minutes, le robot na toujours pas localis Sophie il envoie une alerte
et le ls Sophie peut prendre le contrle du robot distance.
Les actions du robot qui peuvent tre impliques dans ce scnario sont :
1. "Rappel mdicaments". Cette action consiste rappeler la personne les mdica-
ments prendre dans une certaine tranche horaire de la journe. Les mdicaments
prendre sont indiqus dans un tableau stock dans le compte Google de la per-
sonne. Ce document ne peut tre modi qu partir dInternet. Il peut tre rempli
127
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 5.4 Rgles correspondant laction "Alarme".
par les personnes ayant les droits adquats, en particulier le mdecin.
Si la personne nest pas dtecte le robot doit dabord la chercher, si elle est trop
loin, il doit se rapprocher. Les rgles qui amnent cette dcision sont dcrites gure
5.5 o lobservation Mdicaments indique si la personne a noti la prise des mdi-
caments ou pas, lobservation Distance est la distance euclidienne entre la personne
et le robot et le Timer rappel est le temps coul du dernier rappel fait par le robot.
2. "Aller vers". Cette action consiste se rapprocher la personne. Les rgles qui
amnent cette dcision sont dcrites gure 5.6 o les observations concernes
par cette partie de scnario sont seulement Heure, Mdicaments, Distance et
Condence dtection.
3. "Recherche". Cette action consiste chercher la personne dans lappartement (-
gure 5.3). Les observations prises en compte dans ce cas particulier sont : Heure,
Mdicaments et Condence dtection
4. "Alarme". Cette action consiste dclencher une alarme pour notier la famille
ou au centre de soins une anomalie dans le droulement des activits quotidiennes
de la personne. Dans ce cas, lalarme est dclenche si le robot narrive pas la lo-
128
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 5.5 Rgles correspondant laction "Rappel mdicaments".
Figure 5.6 Rgles correspondant laction "Aller vers".
129
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
caliser dans lappartement au bout de 20 min de recherche. Les rgles qui amnent
la dcision dexcuter cette action sont dcrites gure 5.4 o lobservation concer-
ne par cette partie de scnario est seulement Timer recherche, cest dire le temps
coul depuis que le robot a commenc la recherche de la personne.
Rpondre au tlphone
Sophie reoit un appel tlphonique. Le robot doit se dplacer vers elle pour lui per-
mettre de rpondre au tlphone via le Tablet PC. Si Sophie nest pas dtecte, Kompa
la cherche dans lappartement. Autrement, il se place trs prs delle. Si Sophie na tou-
jours pas eu des changes avec le robot 15 min aprs lappel tlphonique, Kompa envoie
une alarme.
Les actions possibles du robot sont : Recherche (gure 5.3, observations Timer appel
et Conance dtection), Aller vers (gure 5.6, observations Timer appel, Distance et
Conance dtection) et Alarme (gure 5.4, observation Timer appel ).
Aller en charge
Quand le robot dtecte un niveau de batterie faible, il doit dcider sil doit aller se
charger sa station de recharge ou attendre. Cette dcision ne peut pas tre prise en
appliquant une simple seuil sur le niveau de batterie. Il sagit dune action fortement
concurrente avec presque toutes les autres. Une des possibles solutions est destimer le
temps restant pour nir la tche en cours pour dcider sil est convenable dachever la
tche ou sil faut aller en charge immdiatement. En fait, le robot ne doit pas risquer de
rester inoprant cause dun complet puisement de la batterie.
Un exemple des rgles utilises pour prendre une dcision relative cette action est
montr en gure 5.7.
Rappel exercice de stimulation cognitive
Ayant des troubles cognitifs, Sophie a besoin dentraner quotidiennement sa mmoire.
Dans le calendrier du robot lexercice de stimulation cognitive est prvu 11 heures. Le
robot propose lexercice, si Sophie accepte il doit la suivre pour quelle puisse faire son
exercice o elle prfre ; si Sophie naccepte pas le robot le proposera de nouveau plus
tard. Au bout dun certain temps, le robot prvient le mdecin.
Les actions du robot qui peuvent tre impliques dans ce scnario sont :
1. "Rappel exercice". Cette action consiste rappeler la personne de faire lexer-
cice. Les rgles qui amnent cette dcision sont dcrites gure 5.8 o lobservation
130
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 5.7 Rgles correspondant laction "Aller en charge".
Timer stimulation indique le temps coul depuis le dernier exercice que la per-
sonne a fait et le Timer proposition est le temps coul de la dernire proposition
faire lexercice.
En eet, si la personne a fait lexercice avant 11 heures (horaire prvu sur le ca-
lendrier du robot), le robot ne doit pas le proposer nouveau ; en revanche, si la
personne naccepte pas de le faire, le robot doit insister en le proposant de temps
en temps.
Figure 5.8 Rgles correspondant laction "Rappel exercice".
131
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
2. "Aller vers". Cette action consiste se rapprocher de la personne. Les rgles qui
amnent cette dcision sont dcrites en gure 5.6 o les observations concernes
par la partie du scnario relative la stimulation cognitive sont seulement Heure,
Timer stimulation et Timer proposition.
3. "Suivre". Cette action consiste suivre la personne. Les rgles qui peuvent grer
ce comportement sont dtailles dans le chapitre 4.
4. "Recherche". Cette action consiste chercher la personne dans lappartement (-
gure 5.3). Les observations prises en compte dans ce cas particulier sont : Heure,
Timer stimulation et Timer proposition.
5. "Alarme". Cette action consiste dclencher une alarme pour notier que la per-
sonne nas pas fait un exercice depuis 48 heures. Les rgles qui amnent la dcision
dexcuter cette action sont dcrites en gure 5.4 o lobservation concerne par
cette partie de scnario est seulement Timer stimulation, cest dire le temps coul
depuis le dernier exercice fait par la personne.
Rappel des rendez-vous
Sophie ayant des troubles cognitifs, cela peut lui arriver doublier des RDV. Lune
des tches du robot est de lui rappeler ses engagements. Le robot excute une tche
priodique en parallle qui consiste explorer lagenda de la personne (sur son compte
Gmail) pour regarder ses RDV venir. La personne peut grer son agenda via linterface
graphique du robot ainsi que par des ordres vocaux. Quand le robot trouve un vnement
programm dans lagenda il doit le rappeler la personne.
Les actions du robot qui peuvent tre impliques dans ce scnario sont :
1. "Rappel RDV". Cette action consiste rappeler la personne un RDV prvu.
Les rgles qui amnent cette dcision sont dcrites en gure 5.9 o lobservation
Timer RDV indique le temps qui manque lheure prvue du RDV et lobservation
Conrmation RDV indique si la personne a noti davoir bien compris le rappel.
2. "Aller vers". Cette action consiste se rapprocher de la personne. Les rgles qui
amnent cette dcision sont dcrites en gure 5.6 o les observations concer-
nes par la partie de scnario relative au rappel de RDV sont seulement Distance,
Conance dtection, Timer RDV et Conrmation RDV.
132
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure 5.9 Rgles correspondant laction "Rappel RDV".
3. "Recherche". Cette action consiste chercher la personne dans lappartement (-
gure 5.3). Les observations prises en compte dans ce cas particulier sont : Conance
dtection, Timer RDV et Conrmation RDV.
4. "Alarme". Cette action est excute quand le robot narrive pas localiser la per-
sonne au bout de 20 min de recherche (gure 5.4, observation Timer recherche).
5.2 Conclusion
Dans ce chapitre nous avons dcrit, titre dexemple, la mise en uvre dun scnario
dutilisation de la plate-forme Kompa sur une demi-journe en considrant que lactivit
du robot sinscrit sur la base dun agenda journalier. Pour lachvement correct de toutes
les tches prvues par lagenda, le robot doit choisir lenchanement dactions adquat
pour que son comportement soit ecace au regard de la personne quil assiste. Ce choix
est fait partir de ce que le robot observe par ses capteurs.
Lintrt davoir utilis les mthodes de logique oue est mis en vidence par cet
exemple. Quand les humains prennent une dcision concernant laction excuter, ils ana-
lysent, souvent inconsciemment, toutes les informations dont ils disposent sur le contexte.
Les informations qui ne sont pas certaines et prcises sont traites aussi, avec une pon-
dration personnelle de la possibilit que une chose soit ralise ou ralisable. Pour que
133
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
le robot ait un comportement satisfaisant dans chaque situation et contexte, le moteur
dcisionnel doit fonctionner de faon similaire : toutes les informations disposition du
robot doivent tre analyses, mme bruites, incertaines, vagues et contradictoires. La
pondration personnelle que ltre humain fait inconsciemment est remplace ici par la
base des rgles oues pralablement tablies.
Des exemples de rgles oues utilises pour la prise de dcision an de raliser ce
scnario, ainsi que les paramtres choisis sont dtaills.
Il sagit dun exemple simple, mais ici lobjet a t de montrer la potentialit du
systme intgrant les fonctions dveloppes pour mettre en uvre des comportements
riches, exibles et facilement adaptables au prol de lutilisateur et au contexte.
134
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Chapitre 6
Conclusion
Dans ce mmoire, nous avons apport plusieurs contributions aux problmes lis la
robotique mobile personnelle.
Tout dabord, nous avons propos une mthode pour dvelopper des interfaces gra-
phiques adaptes au type dutilisateur auquel le robot est ddi, dans notre cas aux
personnes ges sourant des troubles cognitifs. La mthode propose est centre sur
lutilisateur. Elle rside principalement en deux tapes : 1. Un processus de slection des
icnes ; 2. Une valuation dutilisabilt.
Pour la slection des icnes nous avons dvelopp une tude avec les utilisateurs an
didentier les directions gnrales suivre dans le choix des icnes pour rendre linter-
face facilement accessible. Aprs la conception du prototype, lutilisabilit de linterface
a t teste par des patients et dans des conditions relles dutilisation. Une analyse
statistique des rsultats obtenus a montr une bonne identication des icnes choisies et
une relative insensibilit ltat cognitif du sujet. Cela met en vidence limportance et
lecacit du processus de conception propos. Il semble tre une bonne mthode pour
raliser des systmes ddis des populations particulires (comme les MCI) qui soient
faciles utiliser.
Ensuite, nous nous sommes focaliss sur la perception de ltat de la personne et
conjointement sur lestimation de son volution par le robot. Nous avons propos un
dtecteur robuste de personnes bas sur le tlmtre laser embarqu par le robot. Malgr
des dtections fortement bruites dans des environnements naturels, nous avons mis en
vidence exprimentalement quun ltre de Kalman tendu intgrant un modle de la
marche humaine conduit une estimation robuste de la trajectoire de la personne. Au-
del, nous avons ralis et valu un dtecteur fusionnant sur des grilles de probabilit
2D les donnes issues du laser et dune camra embarque par le robot.
135
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Nous avons propos galement un environnement logiciel pour la cration de compor-
tements interactifs des robots personnels. Les activits de tels robots doivent tre gres
par une architecture dcisionnelle qui planie lenchanement des tches notamment din-
teraction tout en tenant compte des besoins particuliers de la personne, dvnements
extrieurs, du contexte, de lenvironnement.
Dans ce cadre nous avons propos un environnement logiciel bas sur la prise de dci-
sion oue laide de loutil de dveloppement SpirOps AI pour crer des comportements
ractifs et adapts des conditions volutives des tches en prsence dimprcisions et
dincertitudes. Le choix dutiliser la logique oue comme base de la prise de dcision a
t dicte par la ncessit de travailler avec des informations bruites, rares, incompltes
et souvent incohrentes.
Nous avons dmontr lecacit de cet environnement logiciel par la mise en uvre
de la fonctionnalit de suivi de personne interactif dans des environnements intrieurs
naturels. Enn, un exemple de scnario sur la base dun agenda dune demi-journe,
illustre le potentiel dapplication du robot Kompa intgrant lensemble des fonctions
dveloppes.
6.1 Perspectives
A ce jour, lenvironnement logiciel propos montre un bon fonctionnement dans lap-
plication de suivi de personne-cible interactif, dans le sens que le robot russit suivre
la personne en environnement rels et en situation critiques (occultations, passage des
portes etc.). Nous avons cependant envisag dapporter des amliorations sur dirents
aspects. Nous navons en particulier pas pris en compte vritablement le confort de la
personne pendant le dplacement du robot. Il est envisageable dimposer au robot des
trajectoires socialement acceptables cest--dire des trajectoires dtermines en fonction
de lespace autour de lutilisateur ainsi que de son activit courante (comme il a t fait
dans [40]). Une dtection multimodale (e.g. reconnaissance des gestes, reconnaissance de
locuteur, identication de la posture etc.) pourrait fournir des informations beaucoup
plus dtailles et plus prcises concernant la personne-cible.
Lidentication de lactivit de lutilisateur permettrait damliorer la mobilit locale du
robot par rapport la personne. Une meilleure focalisation des interfaces en considrant
la posture de la personne pourrait apporter une meilleure ergonomie.
Des informations plus dtailles relatives la personne pourraient tre utilises pour
dterminer le niveau dengagement dune personne pendant linteraction avec le robot.
Lengagement est dni comme le processus travers lequel des partenaires tablissent,
maintiennent et peroivent leur connexion pendant un interaction [183]. Lanalyse de
136
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
lengagement de la personne avec un robot social a pour objectif le dveloppement de
capacits avances du robot pour la coopration pendant linteraction et ceci an den-
visager des interactions de longue dure. Dans [184] Le Maitre et Chetouani passent en
revue les indices sociaux de lengagement (e.g. le contact visuel, le regard, les expressions
faciales, la posture, la quantit de mouvement etc.). Le besoin de caractriser lengage-
ment et de dtecter son niveau pendant un interaction est accentu lors dinteraction avec
des personnes ges aectes par des troubles cognitifs. Lengagement est galement un
indice de la qualit de linteraction et il est exploitable pour lamlioration des interfaces.
137
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Annexe A
Mise en oeuvre du logiciel de SLAM
Un robot mobile a besoin de pouvoir se dplacer de manire autonome dans un
environnement intrieur dynamique et encombr. Les algorithmes de type SLAM (Simul-
taneous Localization and Mapping) permettent de rpondre au problme de cartographie
de lenvironnement, de localisation et de planication de chemins hors-collisions pour le
robot. Pratiquement ces mthodes consistent estimer conjointement la position du ro-
bot et celle des objets de lenvironnement quil est capable de reconnatre.
Les dicults majeures lies la mise en uvre de ces mthodes sont de natures
direntes : les imprcisions des mesures extraites des capteurs exploits (traiter des in-
formations bruites) et les changements qui interviennent dans lenvironnement. En eet
la carte construite reprsente ltat de lenvironnement au moment de sa construction, et
pour des applications de robotique personnelle cet tat ne reste presque jamais inchang
dans le temps. Pour attnuer les problmes lis aux changements de lespace de travail,
beaucoup dalgorithmes de type SLAM prvoient la mise jour continue de la carte en
comparant les informations connues a priori, avec les nouvelles perceptions.
De nombreux algorithmes de SLAM ont t proposs cette dernire dcennie. Pour
le robot Kompa, il a t choisi le logiciel de navigation pour la robotique Karto R d-
velopp par SRI International R [185] dont les trois fonctions de base sont : Mapper,
Localizer et Planner.
La fonction Mapper permet de construire la carte de lenvironnement de travail : le
robot se dplace dans lenvironnement selon une trajectoire programme ou de manire
tlopre et, en fusionnant les donnes de son laser et des ses odomtres, on enregistre
sous la forme dune carte les caractristiques gomtriques de lespace. Un exemple de
carte construite via le Mapper est montr en gure A.1. Lorigine et lorientation du
repre de la carte (qui sera le repre global pour le robot) correspondent la pose du
138
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure A.1 Exemple de carte construite travers la fonction Mapper.
robot linstant initial de la fonction Mapper.
Une fois la carte enregistre, il est possible dutiliser la fonction Localizer pour per-
mettre au robot de se localiser partir des donnes laser enregistres. Le robot traite
ces donnes laser avec des ltres particulaires pour dterminer, en fonction de lacquisi-
tion ralise, de lhistorique de ses mouvements et des donnes acquises initialement, sa
position et son orientation dans la carte. Ce principe permet au systme de connatre
chaque instant sa position sans lerreur incrmentale de limprcision de lodomtrie et
aux glissements possibles. Des changements limits de lenvironnement sont tolrs (par
exemple, dans lenvironnement o les tests prsents dans le chapitre 4 ont t faits, le
dplacement de quelques fauteuils na pas caus derreurs de localisation du robot). En
cas de changement important, la carte doit tre mise jour.
Quand le robot est sollicit pour rejoindre une certaine position, le Planner gnre le
plus court chemin entre la position courante la position dsire. Le calcul de ce chemin
hors-collisions est bas sur lalgorithme de Dijkstra [186]. Si une possible collision est
dtecte, le Planner calcule une dviation locale du chemin pour raliser lvitement des
obstacles.
Le fonctionnement du SLAM ne sera pas dtaill plus dans ce manuscrit car il na pas
t lobjet de contributions particulires. Cependant, un travail important a t ralis
pour intgrer la librairie de Karto au logiciel de Kompa : homognsation des repres,
139
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
des units de mesure, etc. et rendre accessible travers linterface graphique.
Dans ce qui suit, nous dcrivons les procdures dinstallation et dutilisation du logi-
ciel Karto qui ont t implmentes.
La phase dinstallation consiste tout dabord construire la carte de lenvironne-
ment. Dans la carte construite il est possible de sauvegarder des points dintrt par
un simple click de souris sur la carte ache sur linterface graphique. A chaque point
dintrt il faut associer un nom unique qui est pris en compte aussi par le moteur de
dialogue pour faire dplacer le robot par des commandes vocales par exemple. Sur la
gure A.2, larchitecture dveloppe pour la fonction Mapper est illustre. Les cercles
bleus reprsentent les contrats gnriques. Un contrat gnrique est comparable une
classe abstraite en C++, donc il ne peut pas tre instanci, cependant il contient les
caractristiques communes aux services qui le publient (concept similaire lhritage en
C++). Par exemple, le contrat gnrique Laser contient dans son tat des informations
comme : liste des points de rexion, rsolution, position par rapport au repre du robot,
etc. et il peut tre publi par dirents services (e.g. SickS300, Hokuyo etc). Les cercles
en vert reprsentent les services appartenant la RobuBOX (le logiciel de base de tous
les robots de Robosoft) et les cercles en blanc reprsentent les services de la RobuBOX
spcique Kompa. Cette architecture permet de construire la carte au fur et me-
sure que le robot se dplace et dacher la conguration courante du robot ainsi que la
carte en phase de construction dans le dashboard (gure A.3). Le service LocalizedRan-
geScanInterpolator peut tre dni comme le lien entre la partie RobuBOX (Laser et
Localisation) et la partie Karto. En eet, ce service rcupre les mesures du laser et la
localisation du robot et synchronise ces deux informations. Linformation synchronise
est alors reprise par le service Mapper qui soccupe de les manipuler pour en dduire la
gomtrie de lenvironnement. Le service MapManager, enn, est utilis pour stocker les
cartes construites, ainsi que tous les points dintrt associs chacune des cartes. Tous
les autres services de larchitecture servent pour lachage dans le dashboard.
Pendant la phase dutilisation, sur linterface du Tablet PC (gure A.4) la carte de
lenvironnement ainsi que le robot localis dans cette carte et la liste de tous les points
dintrt sont achs. A travers cette interface il est possible de faire dplacer le robot
vers des points dintrt prdnis ou dans dautres endroits de la carte.
Larchitecture du logiciel dvelopp pour mettre en uvre cette fonction est illustre
sur la gure A.5. Le service Localizer utilise les donnes synchronises issues des services
qui publient les contrats Laser et Localisation pour corriger la localisation du robot dans
la carte. Le service Planner utilise les informations relatives la carte et la localisation
140
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure A.2 Architecture du logiciel relative lutilisation de la fonction Mapper.
Figure A.3 Interface graphique dveloppe pour lutilisation de fonction Mapper.
141
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure A.4 Interface graphique dveloppe pour faire dplacer le robot.
142
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
du robot pour calculer le chemin qui amne le robot de la position courante au point
dsir. Le service TrajectoryFollower mettant en uvre lalgorithme propos par Morin
[182] est utilis pour suivre le chemin calcul par le Planner. Le service PathManager
sauvegarde les chemins dans un chier xml pour quils soient rendus accessibles des autres
services.
Figure A.5 Architecture du logiciel relative lutilisation des fonctions Localizer et
Planner.
143
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Annexe B
Le moteur de dcision SpirOps AI
Le nom "SpirOps" est une contraction des mots latins "Spiritus Operationes" qui
signie littralement "les oprations de lesprit". SpirOps AI [179] est un logiciel qui
fournit un moteur dcisionnel et des outils permettant la conception et le dbogage ais
de modles dcisionnels complexes.
SpirOps est destin des applications temps rel, il ncessite peu de temps de calcul et
de mmoire. Ce logiciel ore une manire innovante de manipuler lIntelligence Arti-
cielle grce son interface graphique (gure B.1) qui permet de crer, diter et dboger
facilement la structure et les paramtres des moteurs dcisionnels raliss.
Le processus de dcision reoit en entre les donnes de lapplication hte sous forme
de listes dobjets dcrits par des attributs, y compris ltat de lentit qui utilise le pro-
cessus de dcision lui-mme. La prise de dcision est excute par un simple appel de
fonctions. Le moteur produit en sortie un rapport avec la liste de Desires (sur la base des
rgles oues que le dveloppeur a pralablement tabli hors-ligne). Un Desire correspond
au niveau dintrt associ un comportement.
La structure de la plate-forme de dveloppement repose sur les composants suivants :
Layer : reprsente les objets que le moteur peut percevoir.
Drive : est une unit de prise de dcision, ce module est responsable dun compor-
tement.
Actuator : est laction excuter pour raliser un comportement donn.
Sensor : est lensemble des caractristiques dun objet peru.
Chaque Drive produit un Desire comme une possible intention daction. Un Drive
calcule son adquation relativement au but poursuivi et du contexte courant. On peut
144
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure B.1 Interface graphique pour ldition du moteur dcisionnel.
145
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
voir lintrt comme une valeur oue et le Drive comme une rgle oue 0+ [187]. Pour
chaque perception, le Drive calcule le degr dintrt et les paramtres de chaque action
quil produit.
Prenons un exemple trs simple pour clarier la signication de ces quatre compo-
santes. Le robot Kompa doit chercher une personne dans lappartement. Pour optimiser
la recherche, il doit choisir lordre des pices visiter en fonction de lheure. Par exemple
midi il sait quil est plus probable de trouver la personne dans la cuisine ou dans le salon
que dans la chambre. En mme temps il doit contrler son niveau de batterie pour ne
par tomber hors-service. Quand le niveau de la batterie devient trop bas, il doit dcider
de se rendre sa station de recharge.
Dans se cas le Layer contient les pices de lappartement, la station de recharge et
lhorloge. Les Drives dnir sont : AllerA (se rendre dans une pice) et AllerCharge
(se rendre sa station de recharge). Nous avons un seul Actuator (Bouger), la seule ac-
tion que le robot raliser est de se dplacer. Enn nous avons plusieurs Sensors, un pour
chaque pice (avec leur position et probabilit de prsence de la personne en fonction de
lheure), un pour la station de recharge (avec sa position), un pour lhorloge (qui donne
lheure) et un pour le robot lui-mme (avec sa position et son niveau de batterie).
Quand le robot doit dcider son comportement le moteur dcisionnel entre en jeu.
Grce aux Sensors le moteur dcisionnel peut percevoir lenvironnement et ltat du ro-
bot, et partir de ces informations, il calcule laction la plus intressante excuter.
Pour chaque pice le Drive AllerA calcule lintrt de sy rendre en fonction de lheure.
En mme temps, le Drive AllerCharge calcule lintrt aller se charger en fonction du
niveau de batterie, de la distance qui reste parcourir pour aller dans la pice o le ro-
bot se dirige et de la distance entre la position courante du robot et la station de recharge.
Le choix de SpirOps comme outil de dveloppement a t motiv par plusieurs raisons :
1. linterface graphique, qui apporte un moyen simple, intuitif et rapide pour program-
mer les rgles prendre en compte dans le raisonnement ou. A travers linterface
graphique, les paramtres associs ces rgles sont immdiatement modiables,
2. le moteur dcisionnel qui est exible et modulaire et dont les principes reposent
sur la logique oue. Le comportement du robot peut tre ainsi facilement enrichi
en prenant en compte plus dentres et/ou en ajoutant/changant des rgles.
3. la complexit de SpirOps ne crot pas exponentiellement lorsque les rgles et les
conditions de raisonnement augmentent (gure B.2) contrairement dautres tech-
nologies actuellement utilises, comme les machines tats nis.
4. de plus, lutilisation de la logique oue permet de crer des comportements beau-
146
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Figure B.2 Complexit de SpirOps et des machines tats nis en fonction du nombre
de conditions.
coup plus dynamiques qui tiennent compte des toutes les variables de faon riche
pour lesquelles il ny a pas besoin dtablir des seuils ou dimposer des conditions
rigides de type SI ALORS SINON pour dnir les rgles de dcision.
147
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Bibliographie
[1] F.X. Alario and L. Ferrand. A set of 400 pictures standardized for french : Norms for
name agreement, image agreement, familiarity, visual complexity, image variability,
and age of acquisition. Behavior Research Methods, 31(3) :531552, 1999.
[2] Lexique. [Online] Available : http ://www.lexique.org/telLexique.php.
[3] Quang Cuong Ph. tude de trajectoires locomotrices humaines. Masters thesis,
Collge de France, 2006.
[4] E.T. Hall. The hidden dimension, volume 6. Doubleday New York, 1966.
[5] J. Weuve, J.H. Kang, J.A.E. Manson, M. Breteler, J.H. Ware, and F. Grod-
stein. Physical activity, including walking, and cognitive function in older women.
JAMA : the journal of the American Medical Association, 292(12) :1454, 2004.
[6] N.T. Lautenschlager, K.L. Cox, L. Flicker, J.K. Foster, F.M. van Bockxmeer,
J. Xiao, K.R. Greenop, and O.P. Almeida. Eect of physical activity on cogni-
tive function in older adults at risk for alzheimer disease. JAMA : the journal of
the American Medical Association, 300(9) :1027, 2008.
[7] K.I. Erickson, R.S. Prakash, M.W. Voss, L. Chaddock, L. Hu, K.S. Morris, S.M.
White, T.R. Wjcicki, E. McAuley, and A.F. Kramer. Aerobic tness is associated
with hippocampal volume in elderly humans. Hippocampus, 19(10) :10301039,
2009.
[8] S. Gauthier, B. Reisberg, M. Zaudig, R.C. Petersen, K. Ritchie, K. Broich, S. Bel-
leville, H. Brodaty, D. Bennett, H. Chertkow, et al. Mild cognitive impairment.
The Lancet, 367(9518) :12621270, 2006.
[9] M. Grundman, R.C. Petersen, S.H. Ferris, R.G. Thomas, P.S. Aisen, D.A. Bennett,
N.L. Foster, C.R. Jack Jr, D.R. Galasko, R. Doody, et al. Mild cognitive impairment
can be distinguished from alzheimer disease and normal aging for clinical trials.
Archives of neurology, 61(1) :59, 2004.
[10] R.C. Petersen and D. Bennett. Mild cognitive impairment : Is it alzheimers disease
or not ? Journal of Alzheimers Disease, 7(3) :241246, 2005.
148
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[11] J.T. Cacioppo and L.C. Hawkley. Social isolation and health, with an emphasis
on underlying mechanisms. Perspectives in Biology and Medicine, 46(3) :S39S52,
2003.
[12] C.. Luanaigh and B.A. Lawlor. Loneliness and the health of older people. Inter-
national Journal of Geriatric Psychiatry, 23(12) :12131221, 2008.
[13] C. Vincent, D. Reinharz, I. Deaudelin, M. Garceau, and L.R. Talbot. Public tele-
surveillance service for frail elderly living at home, outcomes and cost evolution : a
quasi experimental design with two follow-ups. Health and Quality of life Outcomes,
4(1) :41, 2006.
[14] N. Noury, A. Fleury, P. Rumeau, A.K. Bourke, G.O. Laighin, V. Rialle, and
JE Lundy. Fall detection-principles and methods. In Engineering in Medicine
and Biology Society, 2007. EMBS 2007. 29th Annual International Conference of
the IEEE, pages 16631666. IEEE, 2007.
[15] B. Maged, R. Artur, M. Angelo, et al. Caalyx : a new generation of location-based
services in healthcare. International Journal of Health Geographics, v6, p9, 2007.
[16] E. Hui and J. Woo. Telehealth for older patients : the hong kong experience.
Journal of telemedicine and telecare, 8(suppl 2) :3941, 2002.
[17] A. Caouette, C. Vincent, and B. Montreuil. Use of telemonitoring by elders at
home : actual practice and potential]. Canadian journal of occupational therapy.
Revue canadienne dergothrapie, 74(5) :382, 2007.
[18] J. Barlow, D. Singh, S. Bayer, and R. Curry. A systematic review of the benets of
home telecare for frail elderly people and those with long-term conditions. Journal
of Telemedicine and Telecare, 13(4) :172179, 2007.
[19] N. Zouba, F. Brmond, M. Thonnat, A. Anfosso, E. Pascual, P. Malla,
V. Mailland, O. Guerin, et al. A computer system to monitor older adults at
home : preliminary results. 2009.
[20] N. Zouba, F. Brmond, M. Thonnat, A. Anfosso, E. Pascual, P. Malla,
V. Mailland, and O. Guerin. Assessing computer systems for the real time monito-
ring of elderly people living at home. In 19th IAGG World Congress of Gerontology
and Geriatrics (IAGG 2009) Paris, France, July 2009.
[21] Y-H Wu, M. Chetouani, V. Cristancho-Lacroix, J. Le Maitre, C. Jost, B. Le Peve-
dic, D. Duhaut, C. Granata, and A.S. Rigaud. Robadom : The impact of a domestic
robot on psychological and cognitive state of the elderly with mild cognitive im-
pairment. In 5th CRI (Companion Robotics Institute) Workshop AAL User-Centric
Companion Robotics Experimentoria, Supporting Socio-ethically Intelligent Assis-
tive Technologies Adoption, 2011.
149
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[22] H.A. Yanco. Development and testing of a robotic wheelchair system for outdoor
navigation. In Proceedings of the 2001 conference of the rehabilitation engineering
and assistive technology society of North America, pages 588603, 2001.
[23] K. Wada, T. Shibata, T. Saito, and K. Tanie. Analysis of factors that bring mental
eects to elderly people in robot assisted activity. In Intelligent Robots and Systems,
2002. IEEE/RSJ International Conference on, volume 2, pages 11521157. IEEE,
2002.
[24] H. Kautz, L. Arnstein, G. Borriello, O. Etzioni, and D. Fox. An overview of the
assisted cognition project. In AAAI-2002 Workshop on Automation as Caregiver :
The Role of Intelligent Technology in Elder Care, pages 6065, 2002.
[25] S. Saint-Aim, B. Le-Pevedic, and D. Duhaut. Building emotions with 6 degrees
of freedom. In Systems, Man and Cybernetics, 2007. ISIC. IEEE International
Conference on, pages 942947. IEEE, 2007.
[26] K. Wada, T. Shibata, T. Musha, and S. Kimura. Robot therapy for elders aected
by dementia. Engineering in Medicine and Biology Magazine, IEEE, 27(4) :5360,
2008.
[27] K. Wada and T. Shibata. Robot therapy in a care house-its sociopsychological and
physiological eects on the residents. In Robotics and Automation, 2006. ICRA
2006. Proceedings 2006 IEEE International Conference on, pages 39663971. IEEE,
2006.
[28] T. Shibata. An overview of human interactive robots for psychological enrichment.
Proceedings of the IEEE, 92(11) :17491758, 2004.
[29] B. Lin, J.T. White, W. Lu, T. Xie, A.G. Utleg, X. Yan, E.C. Yi, P. Shannon,
I. Khrebtukova, P.H. Lange, et al. Evidence for the presence of disease-perturbed
networks in prostate cancer cells by genomic and proteomic analyses : a systems
approach to disease. Cancer research, 65(8) :3081, 2005.
[30] T. Tamura, S. Yonemitsu, A. Itoh, D. Oikawa, A. Kawakami, Y. Higashi, T. Fuji-
mooto, and K. Nakajima. Is an entertainment robot useful in the care of elderly
people with severe dementia ? The Journals of Gerontology Series A : Biological
Sciences and Medical Sciences, 59(1) :M83, 2004.
[31] M.E. Pollack, L. Brown, D. Colbry, C. Orosz, B. Peintner, S. Ramakrishnan, S. Eng-
berg, J.T. Matthews, J. Dunbar-Jacob, C.E. McCarthy, et al. Pearl : A mobile
robotic assistant for the elderly. In AAAI workshop on automation as eldercare,
volume 2002, 2002.
[32] J. Pineau, M. Montemerlo, M. Pollack, N. Roy, and S. Thrun. Towards robotic
assistants in nursing homes : Challenges and results. Robotics and Autonomous
Systems, 42(3) :271281, 2003.
150
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[33] M. Ehrenmann, R. Zollner, S. Knoop, and R. Dillmann. Sensor fusion approaches
for observation of user actions in programming by demonstration. In Multisen-
sor Fusion and Integration for Intelligent Systems, 2001. MFI 2001. International
Conference on, pages 227232. IEEE, 2001.
[34] B. Giesler, T. Salb, T. Weyrich, and R. Dillmann. Using a panoramic camera for
3d head tracking in an ar environment. In Proc. of Conf. IEEE Machine Vision
and Mechatronics in Practice (M2VIP), 2002.
[35] M. Strobel, J. Illmann, B. Kluge, and F. Marrone. Gesture recognition in a spatial
context for commanding a domestic service robot. In Proc of the 33rd international
symposium on robotics. Citeseer, 2002.
[36] C. Borst, M. Fischer, and G. Hirzinger. Calculating hand congurations for preci-
sion and pinch grasps. In Intelligent Robots and Systems, 2002. IEEE/RSJ Inter-
national Conference on, volume 2, pages 15531559. IEEE, 2002.
[37] R. Chatila. The european" cognitive robot companion" project. JOURNAL-
ROBOTICS SOCIETY OF JAPAN, 23(5) :49, 2005.
[38] K.L. Koay, E.A. Sisbot, DA Syrdal, ML Walters, K. Dautenhahn, and R. Alami.
Exploratory study of a robot approaching a person in the context of handing over an
object. Proc. of AAAI-SS on Multi-disciplinary Collaboration for Socially Assistive
Robotics, pages 1824, 2007.
[39] E.A. Sisbot, L.F. Marin-Urias, R. Alami, and T. Simeon. A human aware mobile
robot motion planner. Robotics, IEEE Transactions on, 23(5) :874883, 2007.
[40] E.A. Sisbot, L.F. Marin, and R. Alami. Spatial reasoning for human robot interac-
tion. In Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International
Conference on, pages 22812287. IEEE, 2007.
[41] D. Cerqui and K.O. Arras. Human beings and robots : towards a symbiosis ? a
2000 people survey. In Int. Conf. on Socio Political Informatics and Cybernetics
(PISTA03), 2003.
[42] M. Mori and C.S. Terry. The Buddha in the robot. Kosei Pub. Co., 1981.
[43] Z. Khan. Attitudes towards intelligent service robots. NADA KTH, Stockholm,
1998.
[44] C. Ray, F. Mondada, and R. Siegwart. What do people expect from robots ? In
Intelligent Robots and Systems, 2008. IROS 2008. IEEE/RSJ International Confe-
rence on, pages 38163821. IEEE, 2008.
[45] M. Lohse, F. Hegel, A. Swadzba, K. Rohlng, S. Wachsmuth, and B. Wrede. What
can i do for you ? appearance and application of robots. In Proceedings of AISB,
volume 7, pages 121126. Newcastle University, 2007.
151
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[46] C. Bartneck, T. Kanda, O. Mubin, and A. Al Mahmud. The perception of animacy
and intelligence based on a robots embodiment. In Humanoid Robots, 2007 7th
IEEE-RAS International Conference on, pages 300305. IEEE, 2007.
[47] J.W. Crandall, M.A. Goodrich, D.R. Olsen Jr, and C.W. Nielsen. Validating
human-robot interaction schemes in multitasking environments. Systems, Man and
Cybernetics, Part A : Systems and Humans, IEEE Transactions on, 35(4) :438449,
2005.
[48] G. Klein, P.J. Feltovich, J.M. Bradshaw, and D.D. Woods. Common ground and
coordination in joint activity. Organizational simulation, pages 139184, 2005.
[49] A. Gevins and M.E. Smith. Neurophysiological measures of cognitive workload
during human-computer interaction. Theoretical Issues in Ergonomics Science,
4(1-2) :113131, 2003.
[50] M.R. Endsley and D.J. Garland. Situation awareness : analysis and measurement.
CRC, 2000.
[51] C.O. Dumitru and I. Gavat. Vowel, digit and continuous speech recognition based
on statistical, neural and hybrid modelling by using asrs/rl. In EUROCON, 2007.
The International Conference on" Computer as a Tool", pages 856863. IEEE,
2007.
[52] L. Rabiner and B.H. Juang. Fundamentals of speech recognition. 1993.
[53] E.J. Keogh and M.J. Pazzani. Derivative dynamic time warping. In First SIAM
international conference on data mining, 2001.
[54] E. Gatt, J. Micallef, P. Micallef, and E. Chilton. Phoneme classication in hardware
implemented neural networks. In Electronics, Circuits and Systems, 2001. ICECS
2001. The 8th IEEE International Conference on, volume 1, pages 481484. IEEE,
2001.
[55] B. Rim. The elimination of visible behaviour from social interactions : Eects on
verbal, nonverbal and interpersonal variables. European Journal of Social Psycho-
logy, 12(2) :113129, 1982.
[56] Y. Sato and T. Kobayashi. Extension of hidden markov models to deal with mul-
tiple candidates of observations and its application to mobile-robot-oriented gesture
recognition. In Pattern Recognition, 2002. Proceedings. 16th International Confe-
rence on, volume 2, pages 515519. IEEE, 2002.
[57] A. Corradini. Dynamic time warping for o-line recognition of a small gesture
vocabulary. In Recognition, Analysis, and Tracking of Faces and Gestures in Real-
Time Systems, 2001. Proceedings. IEEE ICCV Workshop on, pages 8289. IEEE,
2001.
152
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[58] T. Darrell and A. Pentland. Space-time gestures. In Computer Vision and Pattern
Recognition, 1993. Proceedings CVPR93., 1993 IEEE Computer Society Confe-
rence on, pages 335340. IEEE, 1993.
[59] P. Doliotis, A. Stefan, C. McMurrough, D. Eckhard, and V. Athitsos. Comparing
gesture recognition accuracy using color and depth information. In Conference on
Pervasive Technologies Related to Assistive Environments (PETRA), 2011.
[60] R. Stone. Haptic feedback : A brief history from telepresence to virtual reality.
Haptic Human-Computer Interaction, pages 116, 2001.
[61] D. Perzanowski, A.C. Schultz, W. Adams, E. Marsh, and M. Bugajska. Building a
multimodal human-robot interface. Intelligent Systems, IEEE, 16(1) :1621, 2001.
[62] A.C. Schultz, D. Perzanowski, E. Marsh, W. Adams, and M. Bugajska. Building a
multimodal human-robot interface, 2001.
[63] O. Rogalla, M. Ehrenmann, R. Zollner, R. Becher, and R. Dillmann. Using gesture
and speech control for commanding a robot assistant. In Robot and Human Inter-
active Communication, 2002. Proceedings. 11th IEEE International Workshop on,
pages 454459. IEEE, 2002.
[64] R. Stiefelhagen, C. Fugen, R. Gieselmann, H. Holzapfel, K. Nickel, and A. Wai-
bel. Natural human-robot interaction using speech, head pose and gestures. In
Intelligent Robots and Systems, 2004.(IROS 2004). Proceedings. 2004 IEEE/RSJ
International Conference on, volume 3, pages 24222427. Ieee, 2004.
[65] C.D. Wickens. Multiple resources and performance prediction. Theoretical issues
in ergonomics science, 3(2) :159177, 2002.
[66] D. Lee, O. Martinez-Palafox, and M.W. Spong. Bilateral teleoperation of a whee-
led mobile robot over delayed communication network. In Robotics and Automa-
tion, 2006. ICRA 2006. Proceedings 2006 IEEE International Conference on, pages
32983303. IEEE, 2006.
[67] S. Lee, G. Sukhatme, G.J. Kim, and C.M. Park. Haptic teleoperation of a mobile
robot : A user study. Presence : Teleoperators & Virtual Environments, 14(3) :345
365, 2005.
[68] J.K. Kies, R.C. Williges, and M.B. Rosson. Coordinating computer-supported co-
operative work : A review of research issues and strategies. Journal of the American
Society for Information Science, 49(9) :776791, 1998.
[69] C. Granata, M. Pino, G. Legoverneur, and A.S. Rigaud. Usability testing of a
graphical interface for a robot that supports older adults with cognitive impairment.
suomis, 2012.
[70] G. Lafortune and G. Balestat. Trends in severe disability among elderly people :
assessing the evidence in 12 oecd countries and the future implications. OECD
Health Working Papers, 2007.
153
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[71] UnitedNation. World population ageing. Department of Economic and Social
Aairs, Population Division, Working Paper ESA/P/WP/212, 2009.
[72] R.C. Petersen, G.E. Smith, S.C. Waring, R.J. Ivnik, E.G. Tangalos, and E. Kokmen.
Mild cognitive impairment : clinical characterization and outcome. Archives of
neurology, 56(3) :303, 1999.
[73] M.K. Gusmano and V.G. Rodwin. The elderly and social isolation. Testimony to
the New York City Council Committee on Aging, 2006.
[74] C. Victor, S. Scambler, J. Bond, and A. Bowling. Being alone in later life : loneli-
ness, social isolation and living alone. Reviews in Clinical Gerontology, 10(04) :407
417, 2000.
[75] H.G. Kang, D.F. Mahoney, H. Hoenig, V.A. Hirth, P. Bonato, I. Hajjar, and L.A.
Lipsitz. In situ monitoring of health in older adults : Technologies and issues.
Journal of the American Geriatrics Society, 58(8) :15791586, 2010.
[76] S. Lauriks, A. Reinersmann, HG Van der Roest, FJM Meiland, RJ Davies, F. Moe-
laert, MD Mulvenna, CD Nugent, and RM Dr
"oes. Review of ict-based services for identied unmet needs in people with demen-
tia. Ageing research reviews, 6(3) :223246, 2007.
[77] M.A. Hersh and M.A. Johnson. On modelling assistive technology systemspart i :
Modelling framework. Technology and Disability, 20(3) :193215, 2008.
[78] A. Mihailidis, J. Barbenel, and G. Fernie. The ecacy of an intelligent cognitive
orthosis to facilitate handwashing by persons with moderate to severe dementia.
Neuropsychological Rehabilitation, 14, 1(2) :135171, 2004.
[79] A.J. Astell, M.P. Ellis, L. Bernardi, N. Alm, R. Dye, G. Gowans, and J. Camp-
bell. Using a touch screen computer to support relationships between people with
dementia and caregivers. Interacting with Computers, 22(4) :267275, 2010.
[80] F. Miskelly. Electronic tracking of patients with dementia and wandering using
mobile phone technology. Age and ageing, 34(5) :497, 2005.
[81] G. Cipriani, A. Bianchetti, and M. Trabucchi. Outcomes of a computer-based
cognitive rehabilitation program on alzheimers disease patients compared with
those on patients aected by mild cognitive impairment. Archives of gerontology
and geriatrics, 43(3) :327335, 2006.
[82] L. Rozzini, D. Costardi, B.V. Chilovi, S. Franzoni, M. Trabucchi, and A. Pado-
vani. Ecacy of cognitive rehabilitation in patients with mild cognitive impairment
treated with cholinesterase inhibitors. International journal of geriatric psychiatry,
22(4) :356360, 2007.
[83] A. Burns, H. Allen, B. Tomenson, D. Duignan, and J. Byrne. Bright light therapy
for agitation in dementia : a randomized controlled trial. International Psychoge-
riatrics, 21(04) :711721, 2009.
154
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[84] K. Yasuda, B. Beckman, M. Yoneda, H. Yoneda, A. Iwamoto, and T. Nakamura.
Successful guidance by automatic output of music and verbal messages for daily
behavioural disturbances of three individuals with dementia. Neuropsychological
rehabilitation, 16(1) :6682, 2006.
[85] C. McCreadie and A. Tinker. The acceptability of assistive technology to older
people. Ageing and Society, 25(1) :91110, 2005.
[86] P. Riley, N. Alm, and A. Newell. An interactive tool to promote musical creativity
in people with dementia. Computers in Human Behavior, 25(3) :599608, 2009.
[87] P. Topo, O. M
"aki, K. Saarikalle, N. Clarke, E. Begley, S. Cahill, J. Arenlind, T. Holthe, H. Mor-
bey, K. Hayes, et al. Assessment of a music-based multimedia program for people
with dementia. Dementia, 3(3) :331, 2004.
[88] D. Feil-Seifer and M.J. Mataric. Dening socially assistive robotics. In Rehabilita-
tion Robotics, 2005. ICORR 2005. 9th International Conference on, pages 465468.
IEEE, 2005.
[89] J. Hirth, N. Schmitz, and K. Berns. Towards social robots : Designing an emotion-
based architecture. International Journal of Social Robotics, pages 118.
[90] J.E. Young, R. Hawkins, E. Sharlin, and T. Igarashi. Toward acceptable domestic
robots : applying insights from social psychology. International Journal of Social
Robotics, 1(1) :95108, 2009.
[91] J. Broekens, M. Heerink, and H. Rosendal. Assistive social robots in elderly care :
A review. Gerontechnology, 8(2) :94103, 2009.
[92] R. Pak and A. McLaughlin. Designing Displays for Older Adults. CRC, 2010.
[93] K.W. Schaie. Cognitive aging. National Academies Press, 2004.
[94] W.A. Rogers, A.K. Mayer, and C.B. Fausset. Understanding human-system inter-
actions is the broad goal of the eld of human factors/ergonomics (hf/e). Neuro-
psychology of everyday functioning, page 39, 2009.
[95] J. Rubin and D. Chisnell. Handbook of usability testing : how to plan, design &
conduct eective testing. Recherche, 67 :02, 2008.
[96] J.G. Snodgrass and M. Vanderwart. A standardized set of 260 pictures : Norms
for name agreement, image agreement, familiarity, and visual complexity. Journal
of experimental psychology : Human learning and memory, 6(2) :174, 1980.
[97] C. Granata, M. Chetouani, A. Tapus, P. Bidaud, and V. Dupourque. Voice and
graphical-based interfaces for interaction with a robot dedicated to elderly and
people with cognitive disorders. In RO-MAN, 2010 IEEE, pages 785790. IEEE,
2010.
155
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[98] P. Bonin, R. Peereman, N. Malardier, A. Mot, and M. Chalard. A new set of
299 pictures for psycholinguistic studies : French norms for name agreement, image
agreement, conceptual familiarity, visual complexity, image variability, age of ac-
quisition, and naming latencies. Behavior Research Methods, 35(1) :158167, 2003.
[99] Pitcure communication symbols (pcs). [Online] Available : http ://www.mayer-
johnsonsymbols.com/aboutsymbols/pcs.htm.
[100] Mayer-johnson boardmaker. [Online] Available : http ://www.mayer-
johnson.com/products/boardmaker/.
[101] Fotolia. [Online] Available : http ://fr.fotolia.com/.
[102] J. Nielsen. Usability inspection methods. In Conference companion on Human
factors in computing systems, pages 413414. ACM, 1994.
[103] A.D. Fisk, W.A. Rogers, N. Charness, S.J. Czaja, and J. Sharit. Designing for
older adults. CRC Press, 2004.
[104] A. van Breemen, X. Yan, and B. Meerbeek. icat : an animated user-interface robot
with personality. In Proceedings of the fourth international joint conference on
Autonomous agents and multiagent systems, pages 143144. ACM, 2005.
[105] C. Schaeer and T. May. Care-o-bot-a system for assisting elderly or disabled
persons in home environments. Assistive technology on the threshold of the new
millenium.
[106] C. Scialfa, P. Spadafora, M. Klein, A. Lesnik, L. Dial, and A. Heinrich. Iconic
sign comprehension in older adults : The role of cognitive impairment and text
enhancement*. Canadian Journal on Aging, 27(3) :253265, 2008.
[107] E.J. Jung, J.H. Lee, B.J. Yi, I.H. Suh, S. Yuta, and S.T. Noh. Marathoner tracking
algorithms for a high speed mobile robot. In Intelligent Robots and Systems (IROS),
2011 IEEE/RSJ International Conference on, pages 35953600. IEEE.
[108] E. Prassler, J. Scholz, M. Schuster, and D. Schwammkrug. Tracking a large number
of moving objects in a crowded environment. In IEEE Workshop on Perception for
Mobile Agents, 1998.
[109] M. Lindstrom and J.O. Eklundh. Detecting and tracking moving objects from a
mobile platform using a laser range scanner. In Intelligent Robots and Systems,
2001. Proceedings. 2001 IEEE/RSJ International Conference on, volume 3, pages
13641369. IEEE, 2001.
[110] D. Schulz, W. Burgard, D. Fox, and A.B. Cremers. Tracking multiple moving
targets with a mobile robot using particle lters and statistical data association.
In Robotics and Automation, 2001. Proceedings 2001 ICRA. IEEE International
Conference on, volume 2, pages 16651670. IEEE, 2001.
156
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[111] A. Fod, A. Howard, and MAJ Mataric. A laser-based people tracker. In Robotics
and Automation, 2002. Proceedings. ICRA02. IEEE International Conference on,
volume 3, pages 30243029. IEEE, 2002.
[112] H. Zhao and R. Shibasaki. A novel system for tracking pedestrians using multiple
single-row laser-range scanners. Systems, Man and Cybernetics, Part A : Systems
and Humans, IEEE Transactions on, 35(2) :283291, 2005.
[113] J. Cui, H. Zha, H. Zhao, and R. Shibasaki. Laser-based detection and tracking
of multiple people in crowds. Computer Vision and Image Understanding, 106(2-
3) :300312, 2007.
[114] X. Shao, H. Zhao, K. Nakamura, K. Katabira, R. Shibasaki, and Y. Nakagawa.
Detection and tracking of multiple pedestrians by using laser range scanners. In
Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International Confe-
rence on, pages 21742179. IEEE, 2007.
[115] K.O. Arras, O.M. Mozos, and W. Burgard. Using boosted features for the detection
of people in 2d range data. In Robotics and Automation, 2007 IEEE International
Conference on, pages 34023407. IEEE, 2007.
[116] Z. Zivkovic and B. Krose. Part based people detection using 2d range data and
images. In Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ Interna-
tional Conference on, pages 214219. IEEE, 2007.
[117] J. Fritsch, M. Kleinehagenbrock, S. Lang, T. Pltz, GA Fink, and G. Sagerer.
Multi-modal anchoring for human-robot interaction. Robotics and Autonomous
Systems, 43(2-3) :133147, 2003.
[118] N. Bellotto and H. Hu. Multisensor integration for human-robot interaction. The
IEEE Journal of Intelligent Cybernetic Systems, 1, 2005.
[119] N. Bellotto and H. Hu. Multisensor-based human detection and tracking for mo-
bile service robots. Systems, Man, and Cybernetics, Part B : Cybernetics, IEEE
Transactions on, 39(1) :167181, 2009.
[120] X. Wang, X. Clady, and C. Granata. A human detection system for proxemics
interaction. In ACM/IEEE International Conference on Human-Robot Interaction
(Late Breaking Results), Lausanne, Switzerland, 6-9 March 2011.
[121] C. Yardim, P. Gerstoft, and W.S. Hodgkiss. Tracking refractivity from clutter
using kalman and particle lters. Antennas and Propagation, IEEE Transactions
on, 56(4) :10581070, 2008.
[122] J. Woo, Y.J. Kim, J. Lee, and M.T. Lim. Localization of mobile robot using particle
lter. In SICE-ICASE, 2006. International Joint Conference, pages 30313034.
IEEE.
157
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[123] N. Bellotto and H. Hu. People tracking with a mobile robot : a comparison of
kalman and particle lters. In Robotics and Applications, 2007. Proceedings., 2007
IASTED International Conference on, pages 388393.
[124] M.S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp. A tutorial on particle
lters for online nonlinear/non-gaussian bayesian tracking. Signal Processing, IEEE
Transactions on, 50(2) :174188, 2002.
[125] Y. Ito, K. Kobayashi, and K. Watanabe. Development of an intelligent vehicle that
can follow a walking human. In SICE 2003 Annual Conference, volume 1, pages
10901093. IEEE, 2003.
[126] J. Satake and J. Miura. Robust stereo-based person detection and tracking for
a person following robot. In ICRA Workshop on People Detection and Tracking,
2009.
[127] R.E. Kalman et al. A new approach to linear ltering and prediction problems.
Journal of basic Engineering, 82(1) :3545, 1960.
[128] C.M. Wang. Location estimation and uncertainty analysis for mobile robots. In
Robotics and Automation, 1988. Proceedings., 1988 IEEE International Conference
on, pages 12311235. IEEE, 1988.
[129] E. Kiriy and M. Buehler. Three-state extended kalman lter for mobile robot
localization. McGill University., Montreal, Canada, Tech. Rep. TR-CIM, 5, 2002.
[130] M. Kohler. Using the kalman lter to track human interactive motion-modelling and
initialization of the kalman lter for translational motion. University of Dortmund,
Germany, 1997.
[131] G. Bishop and G. Welch. An introduction to the kalman lter. Proc of SIGGRAPH,
Course, 8 :275993175, 2001.
[132] L. Boutin. Biomimtisme : gnration de trajectoires pour la robotique humanode
partir de mouvements humains. PhD thesis, Universit de Poitiers, 2009.
[133] S. Vieilledent, Y. Kerlirzin, S. Dalbera, and A. Berthoz. Relationship between
velocity and curvature of a human locomotor trajectory. Neuroscience letters,
305(1) :6569, 2001.
[134] H. Hicheur, S. Vieilledent, MJE Richardson, T. Flash, and A. Berthoz. Velocity
and curvature in human locomotion along complex curved paths : a comparison
with hand movements. Experimental brain research, 162(2) :145154, 2005.
[135] P.H.C. Eilers and B.D. Marx. Flexible smoothing with b-splines and penalties.
Statistical Science, pages 89102, 1996.
[136] ALGLIB. [Online] Available : http ://www.alglib.net/.
[137] D. Ruppert. Selecting the number of knots for penalized splines. Journal of Com-
putational and Graphical Statistics, 11(4) :735757, 2002.
158
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[138] C. Papageorgiou and T. Poggio. Trainable pedestrian detection. In Image Pro-
cessing, 1999. ICIP 99. Proceedings. 1999 International Conference on, volume 4,
pages 3539. IEEE, 1999.
[139] N. Dalal and B. Triggs. Histograms of oriented gradients for human detection.
In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer
Society Conference on, volume 1, pages 886893. Ieee, 2005.
[140] O. Tuzel, F. Porikli, and P. Meer. Pedestrian detection via classication on rieman-
nian manifolds. Pattern Analysis and Machine Intelligence, IEEE Transactions on,
30(10) :17131727, 2008.
[141] Y. Mu, S. Yan, Y. Liu, T. Huang, and B. Zhou. Discriminative local binary pat-
terns for human detection in personal album. In Computer Vision and Pattern
Recognition, 2008. CVPR 2008. IEEE Conference on, pages 18. IEEE, 2008.
[142] X. Wang, T.X. Han, and S. Yan. An hog-lbp human detector with partial occlusion
handling. In Computer Vision, 2009 IEEE 12th International Conference on, pages
3239. IEEE, 2009.
[143] C. Wojek and B. Schiele. A performance evaluation of single and multi-feature
people detection. Pattern Recognition, pages 8291, 2008.
[144] T. Darrell, G. Gordon, M. Harville, and J. Woodll. Integrated person tracking
using stereo, color, and pattern detection. International Journal of Computer Vi-
sion, 37(2) :175185, 2000.
[145] D. Grest and R. Koch. Realtime multi-camera person tracking for immersive en-
vironments. In Multimedia Signal Processing, 2004 IEEE 6th Workshop on, pages
387390. IEEE, 2004.
[146] M. Harville. Stereo person tracking with adaptive plan-view statistical templates.
In Proc. ECCV Workshop on Statistical Methods in Video Processing, pages 6772,
2002.
[147] M. Jones and P. Viola. Fast multi-view face detection. Mitsubishi Electric Research
Lab TR-20003-96, 2003.
[148] C. Huang, H. Ai, Y. Li, and S. Lao. High-performance rotation invariant multiview
face detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on,
29(4) :671686, 2007.
[149] R.I. Hammoud and J.W. Davis. Guest editorial : Advances in vision algorithms and
systems beyond the visible spectrum. Computer Vision and Image Understanding,
106(2-3) :145147, 2007.
[150] M. Bregonzio, M. Taj, and A. Cavallaro. Multi-modal particle ltering tracking
using appearance, motion and audio likelihoods. In Image Processing, 2007. ICIP
2007. IEEE International Conference on, volume 5, pages V33. IEEE, 2007.
159
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[151] H.J. Bhme, T. Wilhelm, J. Key, C. Schauer, C. Schrter, H.M. Gro, and T. Hem-
pel. An approach to multi-modal human-machine interaction for intelligent service
robots. Robotics and Autonomous Systems, 44(1) :8396, 2003.
[152] P. Perez, J. Vermaak, and A. Blake. Data fusion for visual tracking with particles.
Proceedings of the IEEE, 92(3) :495513, 2004.
[153] C.H. Lin, C.H. Yang, C.K. Wang, K.T. Song, and J.S. Hu. A new design on multi-
modal robotic focus attention. In Robot and Human Interactive Communication,
2008. RO-MAN 2008. The 17th IEEE International Symposium on, pages 598603.
IEEE.
[154] N. Bellotto and H. Hu. Computationally ecient solutions for tracking people with
a mobile robot : an experimental evaluation of bayesian lters. Autonomous Robots,
28(4) :425438, 2010.
[155] N. Bellotto and H. Hu. A bank of unscented kalman lters for multimodal human
perception with mobile service robots. International Journal of Social Robotics,
2(2) :121136, 2010.
[156] Z. Zhang and KRS Kodagoda. Multi-sensor approach for people detection. In
Intelligent Sensors, Sensor Networks and Information Processing Conference, 2005.
Proceedings of the 2005 International Conference on, pages 355360. IEEE, 2005.
[157] J. Cui, H. Zha, H. Zhao, and R. Shibasaki. Multi-modal tracking of people using
laser scanners and video camera. Image and vision Computing, 26(2) :240252,
2008.
[158] Dirk Schulz, Dieter Fox, and Jerey Hightower. People tracking with anonymous
and id-sensors using rao-blackwellised particle lters. In Proceedings of the 18th in-
ternational joint conference on Articial intelligence, pages 921926, San Francisco,
CA, USA, 2003. Morgan Kaufmann Publishers Inc.
[159] M. Anne, J.L. Crowley, V. Devin, and G. Privat. Localisation intra-btiment multi-
technologies : Rd, wi et vision. In Proceedings of the 2nd French-speaking confe-
rence on Mobility and ubiquity computing, pages 2935. ACM, 2005.
[160] T. Germa, F. Lerasle, N. Ouadah, and V. Cadenat. Vision and rd data fusion
for tracking people in crowds by a mobile robot. Computer Vision and Image
Understanding, 114(6) :641651, 2010.
[161] T. Kanda, M. Shiomi, L. Perrin, T. Nomura, H. Ishiguro, and N. Hagita. Analysis
of people trajectories with ubiquitous sensors in a science museum. In Robotics
and Automation, 2007 IEEE International Conference on, pages 48464853. IEEE,
2007.
[162] S. Takahashi, J. Wong, M. Miyamae, T. Terada, H. Noma, T. Toriyama, K. Kogure,
and S. Nishio. A zigbee-based sensor node for tracking peoples locations. In
160
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
Proceedings of the 2nd ACM international conference on Context-awareness for
self-managing systems, pages 3438. ACM, 2008.
[163] J.Y. Bouguet. Camera calibration toolbox for matlab. [Online] Available :
http ://www.vision.caltech.edu/bouguetj/.
[164] X. Wang and X. Clady. A distance-dependent people detection system for a wheeled
mobile domestic robot. In 14th International Conference on Climbing and Walking
Robots and the Support Technologies for Mobile Machines (CLAWAR2011), 2011.
[165] M. Asghari Oskoei, M.L. Walters, and K. Dautenhahn. An autonomous proxemic
system for a mobile companion robot. AISB, 2010.
[166] W. Li. Fuzzy logic-basedperception-actionbehavior control of a mobile robot in
uncertain environments. In Fuzzy Systems, 1994. IEEE World Congress on Com-
putational Intelligence., Proceedings of the Third IEEE Conference on, pages 1626
1631. IEEE.
[167] P. Rusu, E.M. Petriu, T.E. Whalen, A. Cornell, and H.J.W. Spoelder. Behavior-
based neuro-fuzzy controller for mobile robot navigation. Instrumentation and
Measurement, IEEE Transactions on, 52(4) :13351340, 2003.
[168] H. Seraji and A. Howard. Behavior-based robot navigation on challenging ter-
rain : A fuzzy logic approach. Robotics and Automation, IEEE Transactions on,
18(3) :308321, 2002.
[169] C.H. Hu, X.D. Ma, and X.Z. Dai. Reliable person following approach for mobile
robot in indoor environment. In Machine Learning and Cybernetics, 2009 Interna-
tional Conference on, volume 3, pages 18151821. IEEE.
[170] RC Luo, YJ Chen, CT Liao, and AC Tsai. Mobile robot based human detection
and tracking using range and intensity data fusion. In Advanced Robotics and Its
Social Impacts, 2007. ARSO 2007. IEEE Workshop on, pages 16. IEEE, 2007.
[171] K. Itoh, T. Kikuchi, H. Takemura, and H. Mizoguchi. Development of a person
following mobile robot in complicated background by using distance and color
information. In IEEE Industrial Electronics, IECON 2006-32nd Annual Conference
on, pages 38393844. IEEE, 2006.
[172] R. Gockley, J. Forlizzi, and R. Simmons. Natural person-following behavior for so-
cial robots. In Proceedings of the ACM/IEEE international conference on Human-
robot interaction, pages 1724. ACM, 2007.
[173] F. Yuan, M. Hanheide, and G. Sagerer. Spatial context-aware person-following for
a domestic robot. In International Workshop on Cognition for Technical Systems,
Munich, Germany, 2008.
[174] G.J.M. Kruij, H. Zender, P. Jensfelt, and H.I. Christensen. Situated dialogue and
spatial organization : What, where... and why. International Journal of Advanced
Robotic Systems, 4(1) :125138, 2007.
161
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2
[175] T. Bandyopadhyay, N. Rong, M. Ang, D. Hsu, and W.S. Lee. Motion planning for
people tracking in uncertain and dynamic environments. In Workshop on People
Detection and Tracking, IEEE International Conference on Robotics and Automa-
tion, 2009.
[176] C. Hu, X. Ma, and X. Dai. A robust person tracking and following approach for
mobile robot. In Mechatronics and Automation, 2007. ICMA 2007. International
Conference on, pages 35713576. IEEE, 2007.
[177] J.-P. Le Cadre. Optimisation des missions pour la trajectographie et la poursuite
de cibles mobiles. In P. Siarry, editor, Trait IC2, Optimisation en Traitement du
Signal et de lImage, chapter 7, pages 195220. Herms, 2007.
[178] H. Zender, P. Jensfelt, and G.J.M. Kruij. Human-and situation-aware people
following. In Proceedings of the 16th IEEE International Symposium on Robot and
Human Interactive Communication (RO-MAN 2007), Jeju Island, Korea, pages
11311136, 2007.
[179] A. Buendia. Spirops, a behavior production tool. [Online] Available :
http ://www.spirops.com/SpirOpsAI.php.
[180] www.spirops.com/spiropsabstractq2-2005.pdf. [Online] Available :
http ://www.spirops.com.
[181] C. Granata and Ph Bidaud. Interactive person following for social robots. In In
Proc. of CLAWAR 2011, 11th International Conference on Climbing and Walking
Robots and the Support Technologies for Mobile Machines, Paris, Sep. 2011, 2011.
[182] P. Morin and C. Samson. Motion control of wheeled mobile robots. Springer
Handbook of Robotics, Springer, 2008.
[183] C.L. Sidner, C. Lee, C.D. Kidd, N. Lesh, and C. Rich. Explorations in engagement
for humans and robots. Articial Intelligence, 166(1-2) :140164, 2005.
[184] J. Le Maitre and M. Chetouani. Self-talk discrimination in human robotinteraction
situations for engagement characterization. 2011.
[185] Karto robotics. [Online] Available : http ://www.kartorobotics.com/.
[186] H. Wang, Y. Yu, and Q. Yuan. Application of dijkstra algorithm in robot path-
planning. In Mechanic Automation and Control Engineering (MACE), 2011 Second
International Conference on, pages 10671069. IEEE, 2011.
[187] P. D. Magnus. Forall x : an introduction to formal logic.
162
t
e
l
-
0
0
6
8
4
7
7
2
,

v
e
r
s
i
o
n

1

-

3

A
p
r

2
0
1
2