Centre de documentation
scientifique

Machine learning and pose estimation for autonomous robot grasping with collaborative robots / Victor Talbot (2018) 

Public Titre : Machine learning and pose estimation for autonomous robot grasping with collaborative robots Type de document : Mémoire Auteurs : Victor Talbot, Auteur Editeur : Strasbourg : Institut National des Sciences Appliquées INSA Strasbourg Année de publication : 2018 Importance : 70 p. Format : 21 x 30 cm Note générale : bibliographie Mécatronique parcours mécanique pour la robotique, Master Imagerie, Robotique et Ingénierie pour le Vivant, Parcours Automatique Robotique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] apprentissage automatique [Termes IGN] C++ [Termes IGN] classification bayesienne [Termes IGN] classification par réseau neuronal [Termes IGN] estimation de pose [Termes IGN] image 3D [Termes IGN] image RVB [Termes IGN] Matlab [Termes IGN] navigation autonome [Termes IGN] Point Cloud Library PCL [Termes IGN] Python (langage de programmation) [Termes IGN] Ransac (algorithme) [Termes IGN] reconnaissance d'objets [Termes IGN] robotique [Termes IGN] semis de points [Termes IGN] vision par ordinateur [Termes IGN] zone d'intérêt Index. décimale : INSAS Mémoires d'ingénieur de l'INSA Strasbourg - Topographie, ex ENSAIS Résumé : (auteur) L'objectif du stage est de déterminer l'emplacement en trois dimensions d'une zone de préhension sur un objet dans le but d'automatiser la prise de cet objet par un robot anthropomorphe. La prise d'image est assurée par une caméra RGB-D prenant un nuage de points colorés en trois dimensions. La caméra est montée sur un second robot, ce qui permet l'exploration visuelle d'un plus grand espace, et ce, sous plusieurs points de vue. La solution proposée utilise Matlab et un réseau neuronal afin de proposer une zone d'intérêt. Le choix du Machine Learning est motivé par l'adaptabilité de l'algorithme. De cette façon, un objet jamais aperçu auparavant peut être attrapé par notre système robotique. Le système retourne la position X, Y et Z dans l'espace ainsi que l'orientation O et la largeur de l'objet D. Le système proposé a obtenu des résultats de 80 % sur des objets non entraînés. Note de contenu : Introduction 1- States of the arts 2- Realization 3- Conclusion Numéro de notice : 24593 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire masters divers Organisme de stage : School of Engineering (Cardiff University) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92164

Documents numériques

en open access Machine learning and pose estimation... - pdf auteur Adobe Acrobat PDF

Smart fusion of terrestrial and UAV data / Michaël Gaudin (2018) 

Public Titre : Smart fusion of terrestrial and UAV data : Development of tools for tie point analysis Type de document : Mémoire Auteurs : Michaël Gaudin, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2018 Importance : 43 p. Format : 21 x 30 cm Note générale : Bibliographie Rapport de projet pluridisciplinaire, cycle ING2 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] filtrage de points [Termes IGN] fusion de données [Termes IGN] image captée par drone [Termes IGN] image terrestre [Termes IGN] MicMac [Termes IGN] Point Cloud Library PCL [Termes IGN] points homologues [Termes IGN] semis de points clairsemés [Termes IGN] superposition de données [Termes IGN] voxel Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (auteur) La fusion de données peut être définie comme le processus d’intégration de plusieurs sources de données afin de produire des informations plus cohérentes, plus précises et plus utiles que celles fournies par n'importe quelle source de données individuelles. Nous sommes intéressés par la fusion de données acquises avec différentes techniques (à différentes densités de points et précisions de mesure) d’une manière "scientifique", et par le développement de nouveaux traitements des données. Nous essayons de fusionner des données hétérogènes et d'obtenir un résultat cohérent. Nous proposons une nouvelle approche pour fusionner les données photogrammétriques issues de différents capteurs, dans notre cas à partir d'images terrestres et d'images de drones. Nous avons développé des outils de calcul d'attributs sur les points caractéristiques, afin de les filtrer grâce à une approche par voxels. Nous avons utilisé MicMac pour les processus photogrammétriques et développé un nouvel outil dans MicMac, Grappa, qui génère un fichier avec les points de liaison et les caractéristiques associées. Nous avons également utilisé Point Cloud Library pour le calcul d’une fonction de saillance 3D, la Différence des Normales. Nous avons travaillé avec une approche par voxels en Python pour le filtrage des points, et nous expérimentons les différents outils sur un ensemble d'images terrestres et drones de la cathédrale de Modène en Italie. Nous analysons enfin les résultats de la reconstruction photogrammétrique et laissons quelques perspectives sur le domaine de la fusion de données. Note de contenu : Introduction 1- Literature review on data fusion 2- Vocabulary 3- Features for data anlaysis 4- Process 5- Sparse point cloudprocessing 6- Voxelisation, analysis and filtering 7- Dense reconstruction 8- Results Conclusion Numéro de notice : 21799 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Fundazione Bruno Kessler Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91285

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
21799-01	PROJET	Livre	Centre de documentation	Travaux d'élèves	Disponible

Documents numériques

peut être téléchargé Smart fusion of terrestrial... - pdf auteur Adobe Acrobat PDF