Segmentation de l'opérateur à partir d'images RGB-D pour l'estimation de position dans un environnement de collaboration humain-robot

L’introduction croissante des applications collaboratives en robotique (ou cobotique) dans les environnements industriels modernes bouleverse profondément les méthodes classiques de production. Contrairement aux robots industriels traditionnels, cantonnés à des tâches répétitives programmées en amont et avec des barrières physiques pour des raisons de sécurité, les cobots (robots conçus d’origine pour collaborer avec l’humain) peuvent interagir directement avec les opérateurs humains au sein d’un même espace de travail. Cette cohabitation humain-machine ouvre ainsi la voie à une flexibilité nouvelle ainsi qu’à une efficacité accrue, mais soulève également des enjeux critiques, notamment en matière de sécurité. Certains de ces enjeux sont primordiaux afin de garantir la sécurité de l’opérateur au sein de l’espace de travail, notamment le respect de la distance de séparation entre l’opérateur humain et le cobot. Le respect de la distance de séparation entre l’opérateur humain et le cobot est l’un des enjeux primordiaux de la sécurité au sein de l’espace de travail et constitue donc un défi fondamental. Garantir cette distance en temps réel et de manière fiable est indispensable pour prévenir les collisions accidentelles tout en maintenant un rythme de production fluide. Les approches classiques, souvent basées sur des dispositifs de sécurité périmétriques (barrières physiques, zones d’exclusion, capteurs laser), nécessitant souvent l’arrêt total d’une machine lorsque l’opérateur ou tout autre objet s’approche, s’avèrent insuffisantes dans des contextes où la flexibilité et la mobilité sont essentielles. Dans ce contexte, l’émergence des méthodes d’intelligence artificielle, et en particulier de machine learning et de vision par ordinateur, ouvre de nouvelles perspectives. En exploitant la richesse des données visuelles captées par des caméras RGB-D (couleur et profondeur), il devient possible d’estimer en temps réel la position d’un opérateur dans l’espace, et d’évaluer dynamiquement la distance qui le sépare du cobot. Ce mémoire propose une méthode de supervision automatique de la distance de séparation dans un environnement cobotique, en combinant segmentation par instance et fusion de données multi-caméras. Le fonctionnement peut être décrit en 3 étapes : vi 1. Segmentation de l’opérateur sur les images d’une seule caméra, avec une attention particulière portée sur les cas de séparation visuelle de l’opérateur. 2. Utilisation du masque de segmentation prédit et de l’image de profondeur afin de convertir le masque en un nuage de points. 3. Combinaison des étapes (1) et (2) sur plusieurs caméras et combinaison des nuages de points pour obtenir une représentation multi-vue de l’opérateur dans l’espace de la plateforme cobotique. Enfin, ce nuage de points multi-vue peut être utilisé pour calculer la distance séparant l’opérateur et le cobot, dont la représentation en 3D dans la plateforme cobotique est connue. Cette étape ne sera cependant pas détaillée dans ce mémoire, les données de reprojection des caméras dans le système de coordonnées du cobot n’étant pas encore disponibles. L’intérêt de cette approche réside dans sa capacité à produire une estimation fine de la position de l’opérateur. Elle permet notamment de : — Réduire les angles morts en exploitant des vues multiples. — Adapter dynamiquement la vitesse du cobot (du ralentissement à l’arrêt complet) en fonction du comportement de l’opérateur. — Limiter les interruptions intempestives de production liées à des déclenchements de sécurité parfois injustifiés. Sur le plan industriel, une telle solution pourrait être intégrée dans des systèmes de supervision intelligente des espaces robotisées, en synergie avec des outils d’analyse temps réel ou de pilotage adaptatif répondant à l’esprit des règles de l’art en vigueur.