Réseaux neuromimétiques, modularité et statistiques

Les réseaux de neurones artificiels sont intéressants de par leurs capacités d'apprentissage. Ils constituent des méthodes efficaces et robustes de traitement des signaux et des données. Intégrés dans des lois de commande, ils prolongent les techniques de l'automatique classique pour appréhender les systèmes complexes, non linéaires et non stationnaires. Cet ouvrage explore leur utilisation pour la commande de systèmes robotiques dans le cadre de la poursuive de cibles mobiles par asservissement visuel. Les informations visuelles estimées servent à contrôler les déplacements du robot. Des cartes auto-organisatrices de Kohonen approximent la transformation sensori-motrice du système robot-vision et servent à constituer la commande. Une estimation du mouvement de cibles est insérée pour améliorer les tâches de poursuite. Elle est basée sur un filtre de Kalman adaptatif qui n'utilise aucun modèle ni connaissance a priori. L'espace d'état est adapté et les modèles statistiques sont estimés par un apprentissage en contexte. Les méthodes présentées sont validées en simulation et par des expérimentations. L'annexe présente un état de l'art des avancées dans le domaine de l'apprentissage.

Autorentext

Patrice Wira, docteur et titulaire d'une Habilitation à Diriger des Recherches (HDR) en électronique, électrotechnique et automatique est Maître de Conférences en sciences informatique, automatique et traitement du signal à l'Université de Haute Alsace. Il est rattaché au laboratoire Modélisation, Intelligence, Processus et Systèmes (MIPS).