L’intégration des robots dans des environnements occupés par l’humain soulève la détection et la prise en compte de l’humain par le robot. En plus de simplement percevoir l’humain, il est nécessaire que le robot puisse interpréter ces observations afin d’agir en conséquence. Cette capacité de percevoir et interpréter est particulièrement crucial dans le contexte de la robotique collaborative où le robot interagit directement avec l’humain.

Dans ce contexte, la thèse se propose d’étudier des méthodes de modélisation et d’inférence bayésienne dans le but de développer des approches capables d’inférer une représentation de l’humain utile au robot, en particulier sa pose 3D et son activité dans un contexte d’incertitude causée par le manque de connaissances que nous possédons sur l’humain et les limitations liées aux capteurs. Ainsi nous proposons dans un premier temps un filtre particulaire pour l’estimation de la pose 3D à partir de mesures inertielles et de la vidéo. Cette approche multimodale permet d’accomplir une fusion de données. Cependant le filtre particulaire est un processus coûteux en termes de calcul.
Nous proposons ainsi une architecture particulière de filtre particulaire permettant d’estimer la pose 3D à un coût calculatoire relativement faible. Cette architecture se compose de deux étapes, la première estimant la posture de l’humain (configuration angulaire du corps), nous permettant ensuite de construire une distribution d’échantillonnage

nous permettant d’estimer la pose 3D de l’humain dans le référentiel fixe, permettant de localiser le corps complet dans l’espace. Dans une seconde proposition, nous présentons une étude comparatives des modèles de Markov pour la prédiction d’activité future. Nous nous intéressons en particulier aux modèles semi-markoviens (HSMM) qui modélisent explicitement la temporalité de l’état.

Dans un scénario d’une séquence de tâches industrielles, nous évaluons deux HSMMs particuliers afin de qualifier leur pertinence pour la prédiction de l’activité. Notre évaluation permet de montrer que les HSMMs peuvent constituer une approche sobre en terme d’apprentissage de l’activité humaine pour la prédiction.

Les approches introduites ouvrent de nouvelles pistes pour l’utilisation de l’inférence bayésienne pour l’analyse de l’activité humaine, en particulier, l’utilisation des modèles d’état probabilistes pour l’inférence des systèmes dynamiques stochastiques.