Differences

This shows you the differences between two versions of the page.

--- poppy-kine:gplvm [2018/04/03 11:40]
m16devan
+++ poppy-kine:gplvm [2020/07/03 17:28] (current)
mai ↷ Page moved from gplvm to poppy-kine:gplvm
@@ Line 1: / Line 1: @@
 ====== Gaussian Process Latent Variable Model (GPLVM) ======
-{{tag>software}}
+{{tag> poppy-kine software theory }}
 ===== Principe =====
@@ Line 9: / Line 9: @@
 ===== Code =====
 Le code s'appuie fortement sur celui développé par Lawrence, N. D. disponible sur github: https://github.com/lawrennd/sgplvm
+Afin d'utiliser les dépendances nécessaires, exécutez tout d'abord le script paths.m
+Ensuite le code principal se trouve dans le script main.m
     * 1. Chargement des données
@@ Line 25: / Line 27: @@
 O_train=O_train';Y_train=Y_train';
 </code>
-L'alignement temporel (temporalAlignment) entre les deux séquences peut être nécessaire pour s'assurer des correspondances entre les données de squelette humain et les données du robot Poppy.
+Les données d'angles Poppy sont chargées à partir des fichiers exercices au format json créés via l'application web [[poppy-kine:poppy_grr_keraal|Poppy GRR Keraal]]. Un fichier exercice contient la liste des mouvements contenus dans l'exercice. Un fichier mouvement, également au format json, contient la liste des positions en angles de chaque moteur pour chaque timestamp du mouvement. Ainsi la fonction 'readPoppyExoData' récupère ces angles dans une matrice où chaque ligne est une trame et les angles sont en colonne dans l'ordre des ids des moteurs de Poppy.
+Les données de squelette humain incluent pour chaque articulation la position (coordonnées carthésiennes en 3 dimensions) et l'orientation (sous forme de quaternion). Les fichiers de mouvement ont été enregistrés à l'aide de la [[sensors:kinect_library|bibliothèque Kinect]]. Ainsi la fonction 'loadData' retourne la matrice des orientations, la matrice des positions, et une structure contenant les données pour chaque articulation séparément. Le format des matrices est une ligne par trame, et les données en colonnes sont dans l'ordre de la hiérarchie du squelette.
+L'alignement temporel entre les deux séquences peut être nécessaire pour s'assurer des correspondances entre les données de squelette humain et les données du robot Poppy.
 <code matlab>
 registration=1; %make temporal alignment or not
@@ Line 33: / Line 41: @@
 </code>
 De plus, les données de positions du squelettes sont dans Y_train et les angles moteurs sont dans Z_train. Dans la démo, uniquement les données du bras gauche sont utilisées. Comme chaque partie du corps peut être indépendant des autres, il est conseillé de les considérer séparément comme dans la démo.
+<code matlab>
+%Keep only the left arm
+Y_trainLA=Y_train(:,13:24);
+Z_trainLA=Z_train(:,8:11);
+</code>
     * 2. Apprentissage
-Le but est d'apprendre un modèle partagé entre les deux espaces et donc un mapping entre les deux espaces. La fonction learningGPLVM2D permet d'apprendre un tel modèle. Le paramètre nbIters définit le nombre maximal d'itérations de l'algorithme d'optimisation du modèle.
+Le but est d'apprendre un modèle partagé entre les deux espaces et donc un mapping entre les deux espaces. Le paramètre nbIters définit le nombre maximal d'itérations de l'algorithme d'optimisation du modèle.
+<code matlab>
+%% Learning GPLVM
+nbIters=2000; %Number of iterations for the learning algorithm
+model = learningGPLVM2D(Z_trainLA,Y_trainLA, nbIters);
+</code
     * 3. Évaluation et affichage
-Une fois le modèle appris, le but est d'imiter un mouvement humain. Pour cela on charge une nouvelle séquence humain et l'on génère la séquence d'angles Poppy correspondante (evaluateSkeletonSequence). La séquence de test étant un mouvement similaire à celui appris, on peut directement afficher les angles estimés (bleu) en comparaison des angles appris (rouge).
+Une fois le modèle appris, le but est d'imiter un mouvement humain. Pour cela on charge une nouvelle séquence humain et l'on génère la séquence d'angles Poppy correspondante.
+<code matlab>
+%% Evaluate a sequence
+fnameTest='SkeletonSequence1.txt'; %Filename of skeleton data
+[O_test,Y_test,dataTest] = loadData(dirTrain,fnameTest,0,0,1,21,nbData); %load test skeleton sequence
+O_test=O_test';Y_test=Y_test';
+[Z_train2,Y_test] = temporalAlignment(Z_train_ori,Y_test); %Onlyd needed for comparison purpose
+%Keep only the left arm
+Y_testLA=Y_test(:,13:24);
+% Evaluation => corresponding poppy angles are in Z_test
+[L_testLA,Z_testLA] = evaluateSkeletonSequence(model,Y_testLA);
+</code>
+La séquence de test étant un mouvement similaire à celui appris, on peut directement afficher les angles estimés (bleu) en comparaison des angles appris (rouge).
+<code matlab>
+% plotting results
+subplot(2,2,1),plot(Z_trainLA(:,1),'r');hold on ;plot(Z_testLA(:,1),'b');
+subplot(2,2,2),plot(Z_trainLA(:,2),'r');hold on ;plot(Z_testLA(:,2),'b');
+subplot(2,2,3),plot(Z_trainLA(:,3),'r');hold on ;plot(Z_testLA(:,3),'b');
+subplot(2,2,4),plot(Z_trainLA(:,4),'r');hold on ;plot(Z_testLA(:,4),'b');
+</code>