Academic literature on the topic 'Stratégies de préhension'

S’inscrivant dans le cadre de la Stratégie canadienne sur le diabète de Santé Canada, le projet Diabetaction vise à réduire les risques liés à la sédentarité chez les personnes diabétiques de type 2 ou à risque de développer la maladie. Ce programme d’initiation à l’activité physique a été développé à partir des lignes directrices d’organismes reconnus, des connaissances et résultats de la littérature scientifique, des résultats obtenus lors de groupes de discussion effectués avec la population cible et de l’expertise de l’équipe multidisciplinaire impliquée. Le premier article de la thèse vise à expliquer en quoi consiste le programme Diabetaction et comment il est en lien avec les résultats des groupes de discussion et les recommandations en activité physique pour les personnes diabétiques. Les résultats obtenus lors de l’évaluation du programme en milieu universitaire et de son implantation dans des milieux cliniques de la communauté font pour leur part l’objet des articles 2, 3 et 4. Notons tout d’abord que l’étude préliminaire réalisée en milieu universitaire a démontré que les sujets ayant pris part à au moins 50 % des séances de groupe ont amélioré plusieurs paramètres : niveau d’activités physiques, puissance aérobie, force de préhension, masse corporelle, circonférence de taille, épaisseur des plis cutanés, lipoprotéines de haute densité, fréquence cardiaque et pression artérielle systolique au repos (deuxième article). Certains de ces changements ont contribué à la diminution de la prévalence du syndrome métabolique post-intervention. Dans le troisième article, nous avons rapporté que plusieurs paramètres de la qualité de vie furent aussi significativement améliorés après le programme Diabetaction et que ces changements étaient principalement associés aux modifications de la puissance aérobie, de la force de préhension, de la masse corporelle et des plis cutanés. Finalement, dans le quatrième article, les participants ayant pris part au programme dans les milieux cliniques étaient plus actifs après l’intervention tout en ayant amélioré certains paramètres de la condition physique, du contrôle hémodynamique et de la qualité de vie. Cependant, la plupart de ces changements ont aussi été documentés dans le groupe témoin. Ces résultats soulèvent des questions quant à l’effet du programme et ce, bien que les participants à ce dernier aient rapporté une grande appréciation face à celui-ci, qu’ils aient perçu des améliorations de plusieurs facteurs qu’ils jugeaient importants et qu’ils aient maintenu plusieurs acquis jusqu’à 6 mois après l’intervention.

La préhension manuelle, impliquée dans l'acquisition de nourriture et la locomotion, est commune à tous les primates. Toutefois, les mécanismes de son émergence et de son évolution restent encore à élucider. Quels sont les facteurs 1) écologiques (propriétés de la nourriture et du substrat) conduisant à une plus grande utilisation de la main chez les premiers primates et 2) fonctionnels (posture corporelle, cinématique du membre supérieur) impliqués dans l'évolution de la préhension des primates?Afin d'apporter des éléments de réponse, cette thèse a pour objectif de déterminer les stratégies comportementales et cinématiques de la préhension non contrainte d'espèces représentatives des grands groupes phylogénétiques primates (microcèbe, lémur catta, capucin, gorille, chimpanzé, humain).Tout d'abord, les stratégies comportementales du microcèbe, présentant des convergences avec les premiers primates, suggèrent que l'arboricolie et l'omnivorie ont joué un rôle important dans l'émergence des capacités de préhension des primates. Ensuite, l'analyse de la préhension du gorille et de l'humain montre une influence limitée des postures corporelles sur les stratégies articulaires du membre supérieur. Enfin, la comparaison de toutes les espèces montre que certains invariants cinématiques de la préhension liés à la vitesse du poignet existent indépendamment des espèces et que d'autres semblent être lié au comportement des espèces. En outre, deux stratégies articulaires divisent les espèces favorisant les rotations (gorille et chimpanzé) de celles privilégiant les flexions-extensions (lémur, capucin, humain). Ces stratégies articulaires semblent avoir évolué indépendamment de leurs capacités préhensiles.L'ensemble de ces résultats est discuté au regard des données comportementales et fonctionnelles connues et confronté aux théories actuelles sur l'origine et l'évolution de la préhension.

Les deux gestes etudies ici sont le pedalage du cycliste en position assise et la prehension pollicidigitale (pouce-index). L'observation instrumentee de ces gestes a necessite des outils cinematiques et dynamometriques. Classiquement, l'outil de mesure cinematique est un systeme opto-electronique base sur un camescope et des marqueurs passifs reconnus par traitement d'image. L'association des coordonnees de ces marqueurs et d'un modele mecanique aboutit a la determination des coordonnees articulaires des segments corporels. Au contraire, les capteurs dynamometriques constitues de jauges d'extensometrie ont ete concus specifiquement au laboratoire pour les applications du pedalage et de la prehension. Ceci a permis d'identifier les entrees et les sorties des systemes biomecaniques (membre inferieur ou main) puis de caracteriser les signatures cinematique et dynamique des sujets observes. . .

Prise d’objets par une main robotisée est un problème complexe, surtout lorsque les solides à manipuler sont de nature et de forme inconnues. L’objet de ce travail de thèse est donc de s’inspirer de la préhension humaine afin de proposer une stratégie universelle de saisie originale. En effet, lors de la phase d’approche, la main humaine, anticipant sur l’action à réaliser, va naturellement adopter une orientation propre à la géométrie particulière de l’objet pour se conformer à un axe que l’on a appelé Axe Naturel de Préhension (ANP). Ce dernier va conditionner le futur positionnement des doigts et de la paume sur la surface du solide par le biais d’une surface préhensile réduite appelée Couronne de Saisie (CS) issue d’un système de vision basé sur le Voxel Coloring fournissant l’enveloppe 3D de l’objet cible. La dernière partie de cette thèse évoque des perspectives prometteuses concernant la résolution des problèmes d’accessibilité et d’adéquation à la tâche.

Cette thèse de doctorat explore le développement et l'implémentation d'URNik-AI, un système de dépalettisation automatisé basé sur l'intelligence artificielle (IA), conçu pour manipuler des boîtes en carton de tailles et de poids variés à l'aide d'un torse humanoïde à double bras. L'objectif principal est d'améliorer l'efficacité, la précision et la fiabilité des tâches de dépalettisation industrielle grâce à l'intégration de la robotique avancée, de la vision par ordinateur et des techniques d'apprentissage profond.Le système URNik-AI est composé de deux bras robotiques UR10 équipés de capteurs de force/torque à six axes et d'outils de préhension. Une caméra RGB-D ASUS Xtion est montée sur des servomoteurs pan-tilt Dynamixel Pro H42 pour obtenir des images haute résolution et des données de profondeur. Le cadre logiciel comprend ROS Noetic, ROS 2 et le framework MoveIt, permettant une communication fluide et une coordination des mouvements complexes. Ce système assure une haute précision dans la détection, la saisie et la manipulation d'objets dans divers environnements industriels.Une contribution importante de cette recherche est l'implémentation de modèles d'apprentissage profond, tels que YOLOv3 et YOLOv8, pour améliorer les capacités de détection et d'estimation de pose des objets. YOLOv3, entraîné sur un ensemble de données de 807 images, a atteint des scores F1 de 0,81 et 0,90 pour les boîtes à une et plusieurs faces, respectivement. Le modèle YOLOv8 a encore amélioré les performances du système en fournissant des capacités de détection de points clés et de squelettes, essentielles pour la manipulation précise des objets. L'intégration des données de nuage de points pour l'estimation de la pose a assuré une localisation et une orientation précises des boîtes.Les résultats des tests ont démontré la robustesse du système, avec des métriques élevées de précision, rappel et précision moyenne (mAP), confirmant son efficacité. Cette thèse apporte plusieurs contributions significatives au domaine de la robotique et de l'automatisation, notamment l'intégration réussie des technologies robotiques avancées et de l'IA, le développement de techniques innovantes de détection et d'estimation de pose, ainsi que la conception d'une architecture de système polyvalente et adaptable
This PhD thesis explores the development and implementation of URNik-AI, an AI-powered automated depalletizing system designed to handle cardboard boxes of varying sizes and weights using a dual-arm humanoid torso. The primary objective is to enhance the efficiency, accuracy, and reliability of industrial depalletizing tasks through the integration of advanced robotics, computer vision, and deep learning techniques.The URNik-AI system consists of two UR10 robotic arms equipped with six-axis force/torque sensors and gripper tool sets. An ASUS Xtion RGB-D camera is mounted on Dynamixel Pro H42 pan-tilt servos to capture high-resolution images and depth data. The software framework includes ROS Noetic, ROS 2, and the MoveIt framework, enabling seamless communication and coordination of complex movements. This system ensures high precision in detecting, grasping, and handling objects in diverse industrial environments.A significant contribution of this research is the implementation of deep learning models, such as YOLOv3 and YOLOv8, to enhance object detection and pose estimation capabilities. YOLOv3, trained on a dataset of 807 images, achieved F1-scores of 0.81 and 0.90 for single and multi-face boxes, respectively. The YOLOv8 model further advanced the system's performance by providing keypoint and skeleton detection capabilities, which are essential for accurate grasping and manipulation. The integration of point cloud data for pose estimation ensured precise localization and orientation of boxes.Comprehensive testing demonstrated the system's robustness, with high precision, recall, and mean average precision (mAP) metrics confirming its effectiveness. This thesis makes several significant contributions to the field of robotics and automation, including the successful integration of advanced robotics and AI technologies, the development of innovative object detection and pose estimation techniques, and the design of a versatile and adaptable system architecture