Sahnoun Mhamed SMZ0739

AVERTISSEMENT
Ce document est le fruit d'un long travail approuvé par le jury de

soutenance et mis à disposition de l'ensemble de la
communauté universitaire élargie.
Il est soumis à la propriété intellectuelle de l'auteur. Ceci

implique une obligation de citation et de référencement lors de
l’utilisation de ce document.
D'autre part, toute contrefaçon, plagiat, reproduction illicite

encourt une poursuite pénale.
Contact : ddoc-theses-contact@univ-lorraine.fr
LIENS
Code de la Propriété Intellectuelle. articles L 122. 4

Code de la Propriété Intellectuelle. articles L 335.2- L 335.10
http://www.cfcopies.com/V2/leg/leg_droi.php
http://www.culture.gouv.fr/culture/infos-pratiques/droits/protection.htm
THESE
Conception et Simulation d’une Commande à Retour
d’Effort pour Fauteuil Roulant Electrique
Présentée dans le cadre de l’école doctorale IAEM Lorraine pour l’obtention

du grade de Docteur de l’Université de Metz
mention Automatique
par
M’hamed SAHNOUN
Soutenue publiquement le 11 octobre 2007

devant la commission d’examen :
Rapporteurs : Mme JOLLY DESODT Anne-Marie

M. HOPPENOT Philippe
Examinateurs : M. LOPEZ-KRAHE Jaime

M. PRUSKI Alain
M. BOURHIS Guy
« Le savant est l'homme pour lequel
s'opère facilement la distinction entre la
franchise et le mensonge dans les paroles,
entre la vérité et l'erreur dans les
convictions, entre la beauté et la laideur
dans les actes ».
L’Emir Abd el-Kader
[ Lettres aux Français ]
Remerciements
Le travail présenté dans ce mémoire a été réalisé au laboratoire d’Automatique des Systèmes
Coopératifs (LASC) de l’Université de Paul Verlaine-METZ. Je tiens à remercier l’ensemble
des personnes qui ont contribué à la réalisation de ce travail.
Je tiens tout d’abord à témoigner toute ma reconnaissance à Monsieur Guy BOURHIS,

Professeur de l’Université de Metz, pour avoir été à l’origine de ce travail et pour le soutien et
la confiance qu’il m’a accordé pour le mener à terme.
Je remercie Monsieur Alain PRUSKI, Professeur de l’université de Metz, de m’avoir

accueilli dans son laboratoire.
Je tiens à exprimer ma profonde et sincère reconnaissance à Monsieur Anas FATTOUH,

Maître de Conférences à l’Université de Halab (Syrie), pour l’aide qu’il m’a apporté durant
les deux premières années.
Je tiens à remercier Madame JOLLY DESODT Anne-Marie, Professeur à l’ENSAIT de

Roubaix, Monsieur HOPPENOT Philippe, Professeur à l’Université d’Evry, ainsi que
Monsieur LOPEZ-KRAHE Jaime, Professeur à l’Université de Paris 8, d’avoir accepté
d’examiner mon mémoire.
Mes remerciements s’adressent aussi à tous les membres du laboratoire LASC, pour avoir
accepté d’effectuer des expériences, pour leur soutien, leur sympathie et leur aide.
Je n’oublie pas tous mes amis pour leur disponibilité et leur soutien.
Je tiens enfin à remercier tous les membres de ma famille, particulièrement mes parents, mes
frères Miloud, Larbi et Maamar pour leur encouragement tout le long de mes études et ma
femme pour son soutien et ses encouragements quotidiens.
1
Table des matières
2
Table des matières
Table des matières

INTRODUCTION ......................................................................................................... 9
I. CHAPITRE 1 : ETAT DE L’ART ............................................................... 11

I.1. Introduction........................................................................................................................ 11
I.2. Les fauteuils roulants intelligents ...................................................................................... 12
I.2.1. Introduction................................................................................................................. 12
I.2.2. Critères de classification des FRE intelligents............................................................ 12
I.2.2.1. La structure mécanique ........................................................................................ 13
I.2.2.2. Les interfaces de commande ................................................................................ 13
I.2.2.3. Les Capteurs......................................................................................................... 14
I.2.2.4. La Commande ...................................................................................................... 15
I.2.2.5. Les modes opératoires.......................................................................................... 16
I.2.2.6. Les balises et les cartes internes de l’environnement .......................................... 17
I.2.3. Liste des fauteuils intelligents..................................................................................... 17
I.2.4. Conclusion .................................................................................................................. 24
I.3. Modes de commande en téléopération............................................................................... 24
I.3.1. Introduction................................................................................................................. 24
I.3.2. Téléopération assistée par ordinateur.......................................................................... 25
I.3.3. Les modes de commande ............................................................................................ 26
I.3.4. Coopération au niveau exécution : commande partagée ou combinée ....................... 27
I.3.5. Conclusion .................................................................................................................. 30
I.4. Retour d’effort en robotique .............................................................................................. 30
I.4.1. Introduction................................................................................................................. 30
I.4.2. Le retour haptique : définition .................................................................................... 30
I.4.3. Caractéristiques des interfaces à retour d’effort ......................................................... 31
I.4.3.1. La transparence .................................................................................................... 31
I.4.3.2. La stabilité............................................................................................................ 31
I.4.4. Interfaces à retour d’effort .......................................................................................... 32
I.4.4.1. Les gants .............................................................................................................. 32
I.4.4.2. Les exosquelettes ................................................................................................. 34
I.4.4.3. Les périphériques stylo ........................................................................................ 36
I.4.4.4. Les souris et les manches à retour de force.......................................................... 38
I.4.4.5. Les joysticks......................................................................................................... 39
I.4.4.6. Les systèmes à câbles........................................................................................... 41
I.4.5. Domaines d’application des interfaces haptiques ....................................................... 42
I.4.5.1. Médecine.............................................................................................................. 42
I.4.5.2. Jeux et simulateurs ............................................................................................... 43
I.4.5.3. Enseignement ....................................................................................................... 43
I.4.5.4. Industrie ............................................................................................................... 44
I.4.5.5. Art ........................................................................................................................ 44
I.4.5.6. Aide aux personnes handicapées ......................................................................... 44
I.4.6. Conclusion .................................................................................................................. 45
I.5. Modélisation de la tâche de pilotage.................................................................................. 45
I.5.1. Introduction................................................................................................................. 45
I.5.2. Systèmes homme-machine.......................................................................................... 46
I.5.2.1. Les tâches............................................................................................................. 46
I.5.2.2. Les variables ........................................................................................................ 46
3
Table des matières
I.5.3. Modèle à trois niveaux de Rasmussen ........................................................................ 47

I.5.4. Le modèle crossover ................................................................................................... 48
I.5.5. Le modèle OCM ......................................................................................................... 50
I.5.6. Conclusion .................................................................................................................. 51
I.6. Commande à retour d’effort des fauteuils roulants............................................................ 51
I.6.1. Introduction................................................................................................................. 51
I.6.2. Fauteuils intelligents en mode de commande assisté.................................................. 52
I.6.3. Conclusion .................................................................................................................. 55
I.7. Conclusion du chapitre 1 ................................................................................................... 56
II. CHAPITRE 2 : CONCEPTION DU SIMULATEUR .................... 57

II.1. Introduction ...................................................................................................................... 57
II.2. Modélisation du robot VAHM ......................................................................................... 58
II.2.1. Introduction ............................................................................................................... 58
II.2.2. Description du projet VAHM .................................................................................... 59
II.2.3. Modélisation cinématique du fauteuil VAHM .......................................................... 62
II.2.4. Modèle dynamique du fauteuil .................................................................................. 67
II.2.4.1. Modélisation mathématique ............................................................................... 68
II.2.4.2. Identification du modèle dynamique du fauteuil ................................................ 70
II.2.5. Conclusion ................................................................................................................. 75
II.3. Algorithme de calcul du retour de force ........................................................................... 75
II.3.1. Introduction ............................................................................................................... 75
II.3.2. Méthodologie de retour de force................................................................................ 75
II.3.3. L’algorithme de retour de force................................................................................. 76
II.3.3.1. Télémètres ultrasonores ...................................................................................... 77
II.3.3.2. Méthode des potentiels : VFF............................................................................. 77
II.3.3.2.1. VFF sans grille................................................................................................. 77
II.3.3.2.2. VFF avec grille ................................................................................................ 78
II.3.3.3. VFH .................................................................................................................... 80
II.3.3.4. MVFH................................................................................................................. 83
II.3.4. Conclusion ............................................................................................................. 84
II.4. Description fonctionnelle du simulateur........................................................................... 84
II.4.1. Introduction ............................................................................................................... 84
II.4.2. Interface graphique homme-machine ........................................................................ 84
II.4.3. Architecture logicielle du simulateur ........................................................................ 88
II.4.4. Evaluation de la charge de travail mentale ................................................................ 90
II.4.4.1. Introduction ........................................................................................................ 90
II.4.4.2. Méthodes d’évaluation de la charge de travail mentale...................................... 91
II.4.4.3. La méthode TLX ................................................................................................ 92
II.4.5. Conclusion ................................................................................................................. 95
II.5. Conclusion du chapitre 2 .................................................................................................. 95
III. CHAPITRE 3 : RESULTATS ET DISCUSSIONS ....................... 97

III.1. Introduction ..................................................................................................................... 97
III.2. Méthodologie .................................................................................................................. 98
III.2.1. Matériel .................................................................................................................... 98
III.2.2. Paramètres de la simulation...................................................................................... 99
III.2.2.1. Retour de force .................................................................................................. 99
III.2.2.1.1. Sans force ................................................................................................... 99
III.2.2.1.2. Avec force .................................................................................................. 99
4
Table des matières
III.2.2.2. Configuration de l’environnement .................................................................. 100

III.2.2.3. Configuration cinématique du fauteuil............................................................ 101
III.2.2.4. Vitesse du fauteuil ........................................................................................... 101
III.2.3. Critères de performance ......................................................................................... 102
III.2.3.1. Le nombre de collisions .................................................................................. 102
III.2.3.2. La distance parcourue...................................................................................... 103
III.2.3.3. Le temps de réalisation de la tâche.................................................................. 103
III.2.3.4. Trajectoires...................................................................................................... 103
III.2.3.5. Confort ............................................................................................................ 103
III.2.3.6. La charge de travail mentale ........................................................................... 104
III.2.4. Méthode ANOVA .................................................................................................. 105
III.3. Résultats expérimentaux ............................................................................................... 106
III.3.1. Introduction ............................................................................................................ 106
III.3.2. Expérimentations préliminaires (phase n°1) .......................................................... 107
III.3.2.1. Introduction ..................................................................................................... 107
III.3.2.2. Série d’essais n°1 ............................................................................................ 107
III.3.2.2.1. Méthodologie et résultats ......................................................................... 107
III.3.2.2.2. Discussion ................................................................................................ 109
III.3.2.3.1. Implémentation de la VFH ....................................................................... 110
III.3.2.3.2. Discussion ................................................................................................ 111
III.3.2.4.1. Résultats ................................................................................................... 112
III.3.2.4.2. Discussion ................................................................................................ 115
III.3.2.5. Conclusion....................................................................................................... 116
III.3.3. Expérimentations finales (phase n°2)..................................................................... 116
III.3.3.1. Introduction ..................................................................................................... 116
III.3.3.2. Méthodologie .................................................................................................. 116
III.3.3.3. Analyse des résultats du parcours global ........................................................ 118
III.3.3.3.1. Résultats ................................................................................................... 118
III.3.3.3.2. Discussion ................................................................................................ 121
III.3.3.4. Analyse des résultats par zones ....................................................................... 123
III.3.3.4.1. Nombre de collisions................................................................................ 123
III.3.3.4.2. Distances parcourues par zone ................................................................. 126
III.3.3.4.3. Temps de parcours par zone..................................................................... 129
III.3.3.4.4. Indice de confort par zone ........................................................................ 132
III.3.4. Conclusion sur les résultats .................................................................................... 135
III.4. Conclusion du chapitre 3............................................................................................... 136
CONCLUSION ET PERSPECTIVES .......................................................... 139
BIBLIOGRAPHIE .................................................................................................... 141
5
Table des figures
Liste des figures

Figure I.1 : Modes de commande en téléopération d’après .................................................... 26
Figure I.2 : Diagramme fonctionnel des composantes du prototype NavChair ...................... 29
Figure I.3 : Le gant CyberGrasp............................................................................................... 33
Figure I.4 : Le Rutgers Master II.............................................................................................. 33
Figure I.5 : Le LRP-Dextrouse Hand Master(DHM)............................................................... 34
Figure I.6 : Le CyberForce ....................................................................................................... 34
Figure I.7 : Le gant à retour d’effort SAFiRE.......................................................................... 35
Figure I.8 : FREFLEX.............................................................................................................. 35
Figure I.9 : Le Master Arm. ..................................................................................................... 36
Figure I.10 : a) Le PHANToM Desktop, b) Le PHANToM Omni .......................................... 37
Figure I.11 : Le HapticMASTER ............................................................................................. 37
Figure I.12 : a) Le Virtuose 6D35-45. b) Le Virtuose 3D15-25. c) Le Virtuose 6D40-40...... 38
Figure I.13 : a) Pantographe de l’université de McGill, b) PenCat/Pro, c) La souris Wingman
Force Feedback, d) La Feel-it mouse. ..................................................................................... 39
Figure I.14: Impulse Stick® Force Feedback Joystick. ............................................................ 39
Figure I.15: Impulse Engine® Force Feedback Joystick. ......................................................... 40
Figure I.16: Microsoft Sidewinder Force Feedback 2 Joystick ............................................... 40
Figure I.17 : Magnetic Levitation Haptic Device .................................................................... 41
Figure I.18: a) Le Saitek Cyborg Evo Force Joystick, b) Logitech Attack 3 Joystick, c)
Thrustmaster Force Feedback Joys, d) CH Product FORCE FX. ............................................ 41
Figure I.19: a) SPIDAR-8, b) SPIDAR-G................................................................................ 42
Figure I.20: a) Virtual I.V, b) Hysteroscopy AccuTouch System............................................ 43
Figure I.21 : Simulateur de vol................................................................................................. 43
Figure I.22 : Le manche à retour de force. ............................................................................... 44
Figure I.23 : Modèle à trois niveaux de performance de l’opérateur humain. ......................... 48
Figure I.24 : Schéma fonctionnel du système homme-machine pour une tâche de
compensation ou de poursuite .................................................................................................. 49
Figure I.25 : Le modèle OCM .................................................................................................. 51
Figure I.26 : Le diagramme de fonctionnement du fauteuil de BRIENZA dans un
environnement totalement modélisé......................................................................................... 53
Figure I.27 : Le fauteuil Luoson III.......................................................................................... 54
Figure I.28 : Le module SPAM placé sur un fauteuil manuel.................................................. 55
Figure II.1 : Le robot VAHM1................................................................................................. 59
Figure II.2 : a) Le robot VAHM2 ; b) Architecture du Bus DX .............................................. 60
Figure II.3 : Positionnement des capteurs ultrasonores sur le VAHM2................................... 60
Figure II.4 : Le robot VAHM3................................................................................................. 61
Figure II.5 : Disposition des capteurs ultrasonores sur le robot VAHM3................................ 61
Figure II.6 : Posture q du VAHM2 : q = [x(t ), y (t ),θ (t )] ........................................................ 62
T
Figure II.7 : Convention de signe pour l’angle de rotation d’une roue motrice....................... 63
Figure II.8 : Posture du fauteuil par rapport à un repère fixe (ℜ0 ) .......................................... 64
Figure II.9 : Variation de la posture du fauteuil entre deux instants d’échantillonnage. ......... 65
Figure II.10 : Le centre de rotation du fauteuil. ....................................................................... 67
Figure II.11 : Bloc diagramme du VAHM2 commandé par un joystick à retour d’effort. ...... 68
Figure II.12 : Processus d’identification .................................................................................. 71
Figure II.13 : Les courbes des entrées-sorties lors de l’identification. .................................... 71
Figure II.14 : Le modèle identifié. ........................................................................................... 72
Figure II.15 : Comparaison entre les réponses du système réel et celles du modèle. .............. 73
Figure II.16 : Implémentation du modèle dans le simulateur. ................................................. 74
6
Liste des figures
Figure II.17 : Le schéma fonctionnel du système homme-fauteuil.......................................... 75

Figure II.18 : Interprétation des axes du joystick..................................................................... 76
Figure II.19 : La détection des obstacles et la force de retour. ................................................ 78
Figure II.20 : Représentation du fauteuil pour l’application de la méthode VFF .................... 79
Figure II.21 : Les paramètres de définition de l’histogramme polaire..................................... 81
Figure II.22 : Représentation de l’histogramme polaire .......................................................... 82
Figure II.23 : Histogramme polaire (algorithme MVFH) ....................................................... 83
Figure II.24 : Interface graphique pour le choix des paramètres de la simulation. .................. 85
Figure II.25 : La dernière version de l’environnement de simulation...................................... 86
Figure II.26 : Titre de la fenêtre de l’environnement expérimental. ........................................ 86
Figure II.27 : Boîte de dialogue de résumé des résultats . ....................................................... 87
Figure II.28 : Boîte de dialogue du choix de poursuite des essais. .......................................... 87
Figure II.29 : Interface graphique de traitement de données.................................................... 88
Figure II.30 : Diagramme des blocs SIMULINK du simulateur.............................................. 88
Figure II.31 : Le bloc de gestion des entrées-sorties sur le joystick. ....................................... 89
Figure II.32 : Le contenu du bloc « Animation + Force Feedback ». ...................................... 89
Figure II.33 : Schéma fonctionnel du simulateur. .................................................................... 90
Figure II.34 : Estimation d’un descripteur. .............................................................................. 93
Figure II.36 : Fenêtre de rappel de la signification des descripteurs........................................ 94
Figure II.37 : Fenêtre de choix de l’importance des descripteurs. ........................................... 94
Figure II.38 : Fenêtre d’évaluation des descripteurs. ............................................................... 95
Figure III.1 : La configuration expérimentale .......................................................................... 98
Figure III.2 : a) Microsoft Sidewinder Force Feedback 2 Joystick, b) Logitech Wingman 3D
Force Feedback ........................................................................................................................ 99
Figure III.3 : Exemples d’environnements proposés au cours des expérimentations. ........... 100
Figure III.4 : Les différentes positions que peuvent prendre les roues motrices du fauteuil
roulant électrique a) traction avant, b) traction hybride, c) traction arrière. .......................... 101
Figure III.5 : Trajectoire du centre du fauteuil....................................................................... 103
Figure III.6 : La loi de Fisher- Snedecor ayant la probabilité 0.025 d’être dépassée. ........... 106
Figure III.7 : Environnement expérimental n°1. ................................................................... 108
Figure III.8 : Moyennes des résultats sur les 7 utilisateurs. ................................................... 109
Figure III.9 : Exemple de trajectoire (utilisateur n°2, série n°1, test n°2).............................. 109
Figure III.10 : Les directions possibles pour un joystick à 3 positions par axe. ................... 110
Figure III.11 : Moyennes des résultats sur les 4 utilisateurs. ................................................. 111
Figure III.12 : Trajectoire du centre du fauteuil pour l’utilisateur n°2 dans le test n°3 sans
retour de force et avec retour de force (VFH). ....................................................................... 112
Figure III.13 : Environnement expérimental n°2. ................................................................. 113
Figure III.14 : Moyennes des résultats sur les 6 utilisateurs (traction avant)......................... 114
Figure III.15 : Moyennes des résultats sur les 6 utilisateurs (traction arrière)....................... 115
Figure III.16 : Environnement expérimental n°3. .................................................................. 117
Figure III.17 : Division de l’environnement n°3 en plusieurs zones. .................................... 118
Figure III.18: Moyennes des résultats pour les 5 utilisateurs de la phase n°2 (parcours
global / traction arrière).......................................................................................................... 120
Figure III.19 : Moyennes des résultats pour les 5 utilisateurs de la phase n°2 (parcours
global / traction avant)............................................................................................................ 121
Figure III.20 : Comparaison de 2 trajectoires typiques, l’une décrit par un fauteuil à traction
avant et l’autre par un fauteuil à traction arrière (méthode MVFH). .................................... 122
Figure III.21 : Moyennes du nombre de collisions par zone (traction arrière) ...................... 124
Figure III.22 : Moyennes du nombre de collisions par zone (traction avant) ........................ 126
Figure III.23 : Moyennes des distances parcourues par zone (traction arrière) ..................... 127
7
Table des figures
Figure III.24 : Moyennes des distances parcourues par zone (traction avant) ....................... 129
Figure III.25 : Moyennes des temps de parcours par zone (traction arrière). ........................ 130
Figure III.26 : Moyennes des temps de parcours par zone (traction avant) ........................... 131
Figure III.27 : Moyennes des indices de confort par zone (traction arrière).......................... 133
Figure III.28 : Moyennes des indices de confort par zone (traction avant)............................ 134
8
Introduction
INTRODUCTION
Un nombre important de personnes handicapés moteurs ne peuvent pas utiliser un fauteuil
électrique standard ou le conduisent difficilement. Pour permettre à ces personnes de se
déplacer d’une manière autonome des chercheurs se sont intéressés depuis plus de vingt ans à
l’amélioration de l’interface homme-machine soit en filtrant les actions de l’utilisateur sur le
joystick classique du fauteuil soit en implémentant de nouvelles interfaces de commande. Un
autre axe de recherche a concerné le développement de fauteuils roulants électriques (FRE)
« intelligents ». L’intelligence d’un fauteuil roulant réside dans sa capacité à percevoir
l’environnement grâce à différents types de capteurs. De nombreux prototypes de fauteuils
intelligents ont ainsi été développés dans les laboratoires de recherche. La plupart des
technologies et méthodes de la robotique mobile ont été implémentées et testées sans que
malheureusement cela n’aboutisse à de réels progrès pour l’utilisateur : seules des
fonctionnalités de bas niveau (détection d’obstacles, suivi de lignes) sont actuellement
commercialisées et donc accessibles à tout le monde.
On peut avancer trois explications à ce manque de transfert technologique dans le domaine
des fauteuils intelligents. La première est d’ordre technique : le manque de fiabilité des
solutions proposées du fait notamment de l’imperfection des capteurs utilisés pour la
perception de l’environnement. En particulier dans un environnement non structuré, comme
l’est a priori l’espace de vie d’une personne handicapée, une parfaite sécurité ne peut être
assurée lors d’un déplacement automatique.
La deuxième raison est la difficulté d’appliquer une phase de conception/évaluation
impliquant pleinement l’utilisateur final comme il est recommandé pour toute conception
d’aide technique. Outre la contrainte de sécurité déjà évoquée, le problème pratique de
duplication des prototypes rend complexe la phase d’évaluation. Une solution à ce problème
serait de concevoir des simulateurs permettant de tester de nouvelles fonctionnalités de
conduite automatiques ou semi-automatiques.
La troisième, et peut-être la raison majeure à la non commercialisation des fauteuils
intelligents, est qu’il nous faut convaincre de l’utilité de ces nouvelles technologies les
principaux acteurs concernés: les industriels, l’environnement médical, les proches de la
personne handicapée et les utilisateurs potentiels eux-mêmes. Pour ces derniers il peut y avoir
de surcroît un frein d’ordre psychologique du fait qu’ils vont perdre une partie du contrôle
direct de leur mobilité au profit de la machine.
9
Introduction
La problématique abordée dans ce mémoire consiste alors à proposer une fonctionnalité

d’aide au pilotage qui contourne ces problèmes et de faire ainsi un premier pas vers le
transfert technologique de fonctions de mobilité autonome plus complexes. Cette solution
consiste à développer un mode de commande assisté par retour de force pour la conduite des
fauteuils électriques intelligents. Ce mode de commande est basé sur l’utilisation d’un
joystick à retour de force permettant d’assister la conduite de la personne handicapée sans lui
imposer la direction ou la vitesse de déplacement du fauteuil.
Ce mémoire s’attache à la définition du mode de commande assisté et à prouver l’intérêt de

l’utilisation d’un tel mode de commande. Pour cela on a conçu un simulateur qui permet de
conduire des versions modélisées des fauteuils intelligents VAHM2 et VAHM3 à travers un
environnement virtuel et de tester différents modes de commande.
Le premier chapitre présente une classification des fauteuils roulants intelligents, détaille les
différents modes de commande en téléopération, présente une classification détaillée des
interfaces haptiques et de leurs domaines d’applications et décrit les modèles de base de
l’opérateur humain dans une tâche de pilotage. Nous clôturons le chapitre par une revue des
quelques rares travaux évoqués dans la littérature concernant le retour d’effort pour la
conduite de fauteuils électriques intelligents.
Le second chapitre est consacré à la conception du simulateur de conduite de fauteuil. Nous
allons montrer l’intérêt de la simulation, s’intéresser à la modélisation du robot VAHM, puis
aux différents algorithmes de calcul de retour de force utilisés dans nos expérimentations.
Nous conclurons par une description fonctionnelle du simulateur.
Le dernier chapitre porte sur les résultats expérimentaux obtenus dans l’objectif de valider
l’intérêt du mode de commande assisté. On présente tout d’abord les différents paramètres de
la simulation et les critères de performance retenus pour évaluer une tâche de pilotage. Nous
décrivons et discutons ensuite les résultats des tests réalisés sur plusieurs panels de personnes
valides au laboratoire. Ces tests sont regroupés en deux phases, la première ayant pour but
d’affiner la conception du simulateur et le choix des paramètres expérimentaux, la seconde
visant à conclure sur les conditions dans lesquelles le retour d’effort peut améliorer
effectivement les performances de pilotage d’un fauteuil électrique.
10
Chapitre 1. Etat de l’Art
I. CHAPITRE 1 : ETAT DE L’ART
ETAT DE L’ART
I.1.Introduction
L’application des méthodes issues de la robotique mobile à des fauteuils roulants électriques
ou manuels a donné naissance à un nouveau type de fauteuils dits « intelligents » (smart
wheelchairs). Ces fauteuils sont dotés d’un dispositif de capteurs pour détecter leur
environnement. D’après [FEHR00] presque la moitié des utilisateurs qui n’ont pas la capacité
d’utiliser un fauteuil roulant ordinaire aimeraient bénéficier d’un fauteuil roulant possédant
des fonctionnalités automatiques. Mais l’utilisation de ces méthodes pour une application
touchant des personnes handicapées n’est pas évidente pour des raisons de sécurité mais
également psychologiques (la personne perd une partie de la maîtrise du mouvement). Nous
nous trouvons alors face à un problème d’optimisation d’un système coopératif humain-
machine, ce qui suppose l’analyse du comportement de chacune des deux entités composant
ce système ainsi que de l’interaction entre celles-ci.
Dans cet état de l’art nous allons nous intéresser tout d’abord à la classification des fauteuils
roulants intelligents qui constituent la machine dans notre système coopératif. Nous
aborderons ensuite l’interaction homme-machine en détaillant les différents modes de
commande en téléopération. Le fauteuil intelligent peut en effet être considéré comme un
robot téléopéré, à la différence près que l’opérateur se situe sur le robot et non à distance. Le
troisième point est consacré aux interfaces haptiques qui constituent une forme d’interaction
homme-machine encore peu usitée dans les applications concernant des personnes handicapés
moteurs. Le point suivant va s’intéresser au troisième volet du système homme-machine,
l’humain. Nous aborderons plus particulièrement sa modélisation dans une tâche de pilotage.
Enfin nous conclurons ce chapitre en détaillant de façon plus spécifique les différentes
tentatives similaires à la nôtre, visant à implémenter des interfaces à retour d’effort sur des
fauteuils roulants pour personnes handicapées.
11
I.2.Les fauteuils roulants intelligents
I.2.1. Introduction
Les besoins en terme de mobilité des personnes handicapés moteurs peuvent être
généralement satisfaits par l’utilisation des fauteuils roulants traditionnels, manuels ou
électriques. Ils leur offrent une mobilité autonome et leur ouvrent des perspectives sur des
plans professionnels et éducatifs favorisant ainsi leur sentiment d’indépendance. La mobilité
réduite des personnes est en effet la principale cause de limitation de leur insertion sociale
et/ou professionnelle et de leurs activités de la vie quotidienne. Ceci peut conduire à l’anxiété
et à la dépression. Des études statistiques ont démontré que 31% des personnes à mobilité
réduite sont fréquemment déprimées ou anxieuses, contre 4% chez les personnes sans
mobilité réduite [IEZZ01].
L’utilisation des fauteuils roulants (manuels ou électriques) est donc très bénéfique pour les
personnes à mobilité réduite. Malheureusement elle est parfois difficile ou impossible pour
des personnes lourdement handicapées. Une étude statistique menée dans 200 cliniques au
USA, a montré que [FEHR00]:
• 9 à 10% des personnes qui reçoivent des entraînements pour l’utilisation de fauteuils
roulants électriques sont incapables de les utiliser pour des raisons de sécurité.
• interrogés plus spécifiquement sur les tâches de manœuvre, 40% des patients relatent
des difficultés.
C’est la raison pour laquelle plusieurs groupes de recherche ont développé des fauteuils
roulants «intelligents». Ils ont utilisé principalement les technologies développées dans le
domaine de la robotique mobile. L' «intelligence» d’un fauteuil peut être définie comme la
capacité de percevoir son environnement extérieur et d'en tirer des informations pertinentes
dans l'objectif de réaliser des mouvements autonomes ou semi-autonomes : évitement
d'obstacle, passage de porte, accostage, suivi automatique de parcours. Les fauteuils roulants
intelligents ont vu le jour au début des années 1980, et continuent aujourd’hui à être l’objet
d’attention des chercheurs.
I.2.2. Critères de classification des FRE intelligents

De nombreux prototypes de fauteuils intelligents ont été décrits dans la littérature. Nous
pouvons les distinguer selon les critères suivants :
12
I.2.2.1. La structure mécanique

Les premiers prototypes de fauteuils intelligents sont des robots mobiles dotés d’une chaise,
par exemple VAHM1 [BOUR93] et Mister Ed [CONN90]. Actuellement ils sont plutôt
construits à partir de fauteuils roulants électriques commercialisés. Nous pouvons citer à titre
d’exemple, les VAHM2 [BOUR01], et VAHM3 [MORE04], le NavChair [LEVI99] , l’OMNI
[BORG98], le MAid [PRAS01], et le WAD [MALL02]. Plus rarement, il s’agit de modules
qui peuvent être ajoutés aux fauteuils roulants standards. Certains modules peuvent être placés
sur plusieurs marques de fauteuils. Nous pouvons citer par exemple : le SWCS [SIMP04], le
SPAM [SIMP03], TinMan [MILL95], Siamo [MAZO01]. Ces systèmes peuvent rencontrer
beaucoup de difficultés au moment de leur installation, et nécessitent souvent des
modifications sur les fauteuils électriques d’origine. L’utilisation de ces modules est très
bénéfique pour les enfants, puisqu’ils sont amenés à changer leurs fauteuils plusieurs fois à
mesure qu’ils grandissent. Notons enfin que deux fauteuils intelligents ont été conçus à partir
de fauteuils roulants manuels pour des personnes associant handicap moteur et handicap
visuel : le CWA (Manuel) de l’Université de Singapore [BOYE02] et le SPAM [SIMP03].
I.2.2.2. Les interfaces de commande

Les fauteuils roulants intelligents utilisent une large gamme d’interface de commande.
L’interface la plus classique est le joystick qui peut prendre de multiples formes (mini-
joystick, joystick au menton…). La commande vocale est utilisée sur plusieurs projets,
comme par exemple : NavChair, SENARIO [KATE98], TetraNauta [CAGI04], FRIEND
[MART01]. Cette méthode a été choisie pour son coût abordable ainsi que pour la
disponibilité des logiciels qui exécutent la reconnaissance vocale, tels que ViaVoice de IBM.
Nous pouvons également détecter la direction du regard au travers de l’activité électro-
oculographique (EOG) comme c’est le cas pour Wheelesely [YANC98] ou Siamo. Un
système de vision peut être aussi utilisé pour détecter la position et l’orientation de la tête de
la personne, par exemple : Intelligent Wheelchair System de l’Université d’Osaka [KUNO03],
le Watson [MATS01].
13
I.2.2.3. Les Capteurs

Afin d’éviter d’éventuels obstacles ou de se localiser les fauteuils roulants ont besoin de
capteurs de perception de l’environnement. Les plus fréquemment utilisés sont les télémètres
à ultrasons : en mesurant le temps entre l’envoi de l’onde et la réception de son écho, nous
pouvons calculer la distance qui sépare le capteur de l’obstacle. Ces capteurs rencontrent de
nombreuses limitations, telles que :
• La largeur du faisceau qui rend impossible la détermination de la direction exacte de
détection à l’intérieur du cône formant le champ d’émission du capteur. Cette
caractéristique peut être considérée comme un avantage dans certains cas, comme
l’évitement d’obstacles [KREU04].
• La diaphonie (crosstalk en anglais) : dans le cas d’une lecture rapide de données
(durée courte entre deux émissions), un capteur peut percevoir l’écho d’une onde
émise par un autre capteur. Des solutions ont été proposées pour résoudre ce
problème, comme la méthode EERUF (Error Eliminating Rapid ultrasonic Firing)
[BORE92].
• La sensibilité à la nature de la surface perçue qui intervient quand l’axe du capteur
n’est pas perpendiculaire à la surface. Pour que la surface puisse être perçue, elle doit
avoir une rugosité inférieure à 5% de la longueur d’onde [WALT87]. La surface est
alors considérée comme spéculaire pour ce type d’onde.
Ce système est utilisé sur la plupart des fauteuils roulants intelligents existants, du fait
principalement de son faible coût.
Il existe un autre type de capteurs très fréquemment utilisés pour la mesure de distances, ce
sont les capteurs infrarouges. Ils rencontrent des difficultés face aux surfaces qui absorbent la
lumière ou aux objets transparents et ont une portée moins grande que les capteurs
ultrasonores. En revanche, ils ont une large application dans le domaine de la robotique
mobile pour les raisons suivantes :
• Leur grande précision : un bon étalonnage permet d’atteindre une précision de l’ordre
du centimètre.
• Leur faible consommation d’énergie : 25 mA seulement pour le modèle SHARP.
• Leur taux d’acquisition constant : quelque soit la distance mesurée le capteur fournit
l’information toutes les 40 ms.
14
Pour leur permettre de détecter différents types d’obstacles, plusieurs fauteuils utilisent une
combinaison de capteurs ultrasonores et infrarouges, par exemple le projet COACH
[GELI93].
Nous pouvons améliorer la détection de l’environnement avec l’utilisation des capteurs laser
« LRF » (Laser Range Finder). Ils peuvent atteindre une précision de l’ordre du millimètre et
une résolution angulaire de 0.5°. Ils ont été employés dans plusieurs projets tels que Rolland
[LANK01], MAid ou SENARIO. En revanche, ces capteurs restent chers, souvent
encombrants, consomment beaucoup d’énergie et ne détectent pas tous les obstacles tels que
les miroirs et les vitres. Ceci rend leur intégration sur des fauteuils roulants difficile.
Une autre application des faisceaux laser consiste à capter leur projection avec une caméra. Le
traitement de cette image permet de calculer la distance entre le capteur et l’obstacle ainsi que
la forme de ce dernier. Cette méthode est utilisée surtout pour l’identification de la forme du
sol (bosses ou creux présents sur le chemin du fauteuil). Ce système est moins cher que le
LRF mais il peut donner de fausses lectures avec des obstacles à surface lisse, brillante ou très
foncée. Il a été utilisé pour identifier la nature du sol sur le fauteuil INTRO [SCHI98].
Les capteurs les plus prometteurs en ce moment sont les systèmes de vision. Les caméras
deviennent de plus en plus petites et de moins en moins chères. Ces systèmes commencent à
être utilisés sur les nouvelles générations de fauteuils roulants intelligents, pour la détection
de l’environnement ou des balises définissant les trajectoires (Rolland, MAid), pour
l’identification des commandes données par l’utilisateur (Watson, Siamo, …) ou pour les
deux en même temps (Intelligent Wheelchair System de l’Université de Osaka [KUNO03]).
D’autres capteurs sont utilisés comme le GPS en extérieur ou les bumpers (capteurs de
contact). Les limites d’un capteur peuvent être compensées par un autre. Ainsi le projet MAid
utilise les capteurs ultrasons, infrarouges et laser, et sur le projet OMNI les ultrasons et
l’infrarouge sont associés à des bumpers.
Aux capteurs extéroceptifs est généralement associé un système odométrique permettant
d’évaluer la distance parcourue par le mobile. La précision est cependant souvent médiocre
sur les fauteuils intelligents du fait de l’utilisation de pneus non-pleins.
I.2.2.4. La Commande
Il s’agit de l’ensemble des méthodologies et de leur organisation permettant d’atteindre un
certain objectif de mobilité. Les équipes de recherche ont testé plusieurs approches pour
implémenter leurs algorithmes de commande sur les fauteuils intelligents. L’Université de
15
Plymouth et la « Chinese University of Hong Kong » ont utilisé un réseau de neurones pour la
lecture des capteurs et l’envoi des commandes. Sur le NavChair, on a développé des
algorithmes spécifiques, VFH et MVFH, pour traiter les différentes lectures des capteurs
ultrasons et le calcul de la commande en fonction des consignes de l’utilisateur. D’autres
projets ont recours aux modèles probabilistes [BONC05], à la logique floue [LUO99] ou à
l’intelligence artificielle [GOMI98].
Plusieurs fauteuils électriques intelligents utilisent des architectures de commande basées sur
le concept comportemental. Les divers comportements primitifs, c’est à dire ceux qui
imposent une relation directe entre les données capteurs et les actions moteur, sont combinés
pour produire d’autres comportements plus sophistiqués. Leur choix est réalisé grâce à une
structure de type «subsumption » (TAO, Mister Ed,…). D’autres projets utilisent des
architectures hiérarchiques comme l’OMNI et le Rolland, ou encore une structure multi-
agents (VAHM3).
I.2.2.5. Les modes opératoires

Quelques fauteuils roulants électriques intelligents fonctionnent comme des robots autonomes
(TetraNauta, le fauteuil de l’Université de Kanazawa) ; dans ce cas l’utilisateur donne au
fauteuil un but qui peut être un emplacement géographique (la cuisine) ou un objectif (aller
téléphoner) ; le fauteuil réalise cette demande sans autre intervention humaine. Cette manière
de commander les fauteuils rencontre des difficultés sur le plan technique pour garantir la
fiabilité et la sécurité. En plus de ces problèmes, les personnes handicapées ont souvent du
mal à accepter une conduite par un fauteuil roulant entièrement automatique.
D’autres fauteuils intelligents partagent la commande avec l’utilisateur. Ils s’occupent
entièrement de quelques fonctions primitives comme l’évitement d’obstacles, et lui laissent
d’autres tâches comme le choix des directions. Parmi ces fauteuils, nous pouvons citer le
NavChair et le TinMan.
Un dernier groupe de fauteuils est celui qui offre à la fois la navigation autonome et semi-
autonome: VAHM, SENARIO et SmartChair.
Pour la conduite semi-autonome le fauteuil offre quelques modes opératoires élémentaires ; le
choix de ces modes peut être automatique ou manuel. A titre d’exemple, le VAHM offre cinq
fonctions : (1) suivi de mur ; (2) suivi de trajectoires ; (3) suivi de direction ; (4) évitement
d’obstacles ; (5) back tracking. Le TinMan laisse l’opérateur choisir le mode opératoire le
plus adapté au parcours, par contre un fauteuil comme le NavChair utilise un algorithme de
16
sélection du mode opératoire. Parmi les modes opératoires décrits dans la littérature nous
pouvons citer :
• Navigation automatique,
• Evitement d’obstacles,
• Suivi de mur,
• Passage de porte,
• Rapprochement (le fauteuil permet de se rapprocher étroitement d’un élément, une
table par exemple),
• Refaire une trajectoire déjà mémorisée,
• Revenir sur ses pas,
• Suivi de cible,
• Suivi de ligne,
• Tourner sur place,
• Arrêter et revenir (quand il touche un obstacle il s’arrête et revient sur ses pas),
• Suivi de direction.
I.2.2.6. Les balises et les cartes internes de l’environnement

Les fauteuils roulants qui utilisent la navigation automatique disposent en général d’une carte
interne de l’environnement ; cette carte peut encoder les distances dans l’environnement ou se
limiter à donner des relations entre la position actuelle du fauteuil et quelques objets autour.
Certains fauteuils ne sont pas équipés de carte interne et utilisent donc des balises placées
dans l’environnement (Computer Controlled Power Wheelchair Navigation System
« CCPWNS » [YODE96]). Quelques fauteuils comme le TAO utilisent des systèmes de
vision pour identifier des balises naturelles (lignes verticales, couleur du sol, …).
I.2.3. Liste des fauteuils intelligents

Le Tableau I.1 ci-dessous propose une liste des principaux projets de fauteuils roulants
intelligents décrits dans la littérature.
FRE intelligent Date de publication Description
Automated Guided 1992 [WAKA92] Il est guidé automatiquement grâce à des marqueurs magnétiques placés sur le
wheelchair, sol. Il utilise des capteurs infrarouges pour la détection des obstacles.
NEC cooperation , Japan
Autonomous Wheelchair, 1986 [MADA86] C’est un fauteuil à navigation autonome. Il est doté de capteurs ultrasons qui
Arizona state university, lui permettent de naviguer dans des environnements encombrés. Pour la
17
USA navigation, il utilise un langage topologique simple. Il peut transporter la

personne en ayant pour seule information le numéro de la chambre de
destination ; il utilise une caméra pour l’identification des balises définissant
la trajectoire.
CHARHM CDTA, Algérie 1996 [OUIG96] C’est un fauteuil à navigation automatique dans un environnement structuré. Il
se base sur une carte interne et un système de détection d’obstacles par vision.
COACH, CEA, France 1993 [GELI93] Un fauteuil roulant intelligent conçu pour la navigation dans des
environnements dynamiques. Il est équipé de capteurs infrarouges et
ultrasonores.
Krovoi and Wellman 1994 [KROV94] C’est un fauteuil hybride qui est équipé de deux pieds en plus des quatre roues
GRASP Laboratory, ordinaires. Les pieds permettent au fauteuil de monter les escaliers et de se
University of Pennsylvania, déplacer sur des terrains difficiles.
USA
Rhombus MIT, USA 1997 [MASC97] Rhombus (Reconfigurable Holonomic Omnidirectional Mobile Bed with
Unified Seating) est un fauteuil roulant intelligent qui utilise un pilotage
omnidirectionnel.
FRIEND, University of 2001 [MART01] C’est un fauteuil roulant électrique équipé d’un bras de robot à six degrés de
Bremen, Allemagne liberté. Le fauteuil et son bras sont commandés par un ordinateur placé à bord.
Un écran plat et un système de reconnaissance vocale (ViaVoice de IBM) sont
utilisés comme interface pour l’utilisateur. La détection des obstacles lors de la
navigation se fait à l’aide d’un système de stéréo vision. Le bras manipulateur
peut être commandé vocalement, ou en désignant un objet capté par la caméra.
C’est ainsi qu’il va effectuer la prise automatique de cet objet.
Argyro’s Wheelchair, 2002 [ARGY02] Il est conçu à partir d’un fauteuil MEYRA. Il permet l’évitement d’obstacles.
Institute of Computer Il est équipé de capteurs ultrasons et d’une caméra omnidirectionnelle. Cette
Science, Crête, Grèce dernière peut être utilisée pour la poursuite d’une cible.
Collaborative Wheelchair 2002 [BOYE02] Un fauteuil roulant manuel équipé d’une motorisation et d’un ordinateur de
Assistant (fauteuil manuel), bord. Il suit des trajectoires prédéfinies grâce à un plan interne, l’utilisateur a
National University of la possibilité de changer cette trajectoire ou d’arrêter le fauteuil à n’importe
Singapore, Singapore. quel moment. C’est lui aussi qui commande la vitesse de déplacement.
CWA (électrique), National 2002 [BOYE02] Il s’agit pratiquement des mêmes techniques que celles utilisées sur le premier
University of Singapore, fauteuil (manuel) mais cette fois sur un fauteuil électrique.
Singapore.
HaWCos, University of 2002 [FELZ02] HaWCos (Hands-Free Wheelchair Control System) est un système qui permet
Siegen, Allemagne à l’utilisateur de commander son fauteuil sans utiliser ses mains. Il utilise les
contractions musculaires comme entrées du système.
CCPWNS, University of 1994-2000 [YODE96] L’utilisateur peut reproduire automatiquement les trajectoires apprises par le
Notre Dame, U.S.A fauteuil lors d’une conduite manuelle. Il utilise l’audiométrie et la vision pour
l’identification des balises dans l’environnement, et des capteurs ultrasons
pour éviter de nouveaux obstacles.
Hephaestus, TRAC Labs, 1999 – 2002 [SIMP99a], Il réalise l’évitement d’obstacles. Il est compatible avec plusieurs gammes de
U.S.A [SIMP02], [SIMP99b] fauteuils roulants électriques et n’exige aucune modification de fauteuil
roulant électrique standard.
INCH, Yale University, 1989 [RAO89] Parmi les premières tentatives utilisant un robot en guise de fauteuil roulant. Il
U.S.A a un système d’évitement d’obstacles basé sur des capteurs à ultrasons.
INRO, FH Ravensburg- 1998 [SCHI98] Il permet la navigation automatique dans des environnements différents
Weingarten, (extérieur + intérieur). Il assure l’évitement d’obstacles, d’un trou ou
Allemagne d’escaliers. Il a des fonctionnalités telles que la conduite en convoi ou le fait
de prévenir le personnel médical en cas d’urgence. Il utilise plusieurs capteurs,
ultrasons, lasers et GPS.
18
Intelligent Wheelchair 1998 – 2003 [ADAC98], Il possède deux caméras, l’une placée face à l’utilisateur et l’autre vers l’avant.
System, [KUNO03] L’utilisateur commande le système avec des gestes de la tête, qui sont filmés
Osaka University, Japon par la caméra située en face de lui, puis ils sont interprétés par le système. La
deuxième caméra est utilisée pour la commande du fauteuil quand l’utilisateur
n’est pas dessus. Il utilise la commande partagée pour pouvoir introduire
l’évitement d’obstacles. L’exécution des commandes données par l’utilisateur
varie en fonction de l’entourage du fauteuil. Une carte interne de
l’environnement est utilisée dans un premier temps pour adapter la navigation.
De plus, il utilise des capteurs ultrasons pour la détection des obstacles
imprévus.
Il permet la poursuite des cibles. Lorsque l’utilisateur regarde vers l’avant
pendant un court moment, la deuxième caméra identifie le chemin et le
fauteuil le suit. Cette caméra contribue aussi à l’évitement des obstacles. Elle
identifie le champ de vision de l’utilisateur et dévie le fauteuil pour
l’évitement d’obstacles. La nouvelle version de ce fauteuil utilise des capteurs
infrarouges à la place des capteurs à ultrasons, ce qui permet d’exécuter la
tâche de poursuite des personnes. Le fauteuil utilise plusieurs modes
opératoires (suivi de mur, évitement d’obstacles…) et peut passer
automatiquement d’un mode à l’autre.
Intelligent Wheelchair, 1998 [WILL98a] Il est utilisé comme une plate forme d’essai pour des recherches dans le
University of Texas at domaine de la représentation et du raisonnement spatial. Il se base sur la
Austin, U.S.A reconnaissance de l’environnement par la vision et utilise les commandes
automatique et semi-automatique. Il est considéré comme un agent
d’assistance par rapport à son utilisateur.
Luoson III, National Chung 1999 – 2003 [REN99] Il est équipé d’un joystick à retour d’effort, d’une caméra vidéo, d’une
Cheng University, Taiwan ceinture de capteurs ultrasonores et d’un gyroscope. Il a trois modes
opératoires : direct, assisté et automatique. Dans le mode automatique
l’opérateur donne des commandes de haut niveau.
MAid RIAKP, Germany 1998 – 2003 [KLUG02], MAid ( Mobility Aid for Elderly and Disabled People) a deux modes
[RENT03] opératoires : la navigation dans des environnements encombrés « Narrow-
Area Navigation (NAN)», et la navigation dans des environnements libres
« Wide-Area Navigation (WAN)». Dans la NAN, le système connaît son
orientation et son point de départ et il navigue dans le but d’arriver à la
position et l’orientation finale. En mode WAN, le fauteuil se déplace pour
arriver à un but, mais en même temps, il identifie et évite des obstacles
dynamiques. La dernière version de ce fauteuil permet de suivre des objets
mobiles.
MICA Wheelchair, Lulea 2006 [RONN05], Mobile Internet Connected Assistant (MICA) est conçu à partir d’un fauteuil
University of Technology [RONN06] électrique fabriqué par Boden Rehab AB. Il utilise une traction avant et peut
Lulea, Suède être conduit manuellement à partir d’un joystick ou automatiquement à partir
d’un ordinateur placé à bord. Il a des encodeurs incrémentaux sur les roues
avant. L’ordinateur placé sur le fauteuil peut être connecté à Internet en
utilisant une connexion WIFI. Une application a été développée pour
permettre la commande du fauteuil à distance et l’accès aux données des
capteurs. Il peut effectuer la navigation « Narrow-Area Navigation (NAN)»
et « Wide-Area Navigation (WAN)» et il a un système d’évitement
d’obstacles. Il peut être commandé aussi par les mouvements de la tête grâce à
un casque placé sur le fauteuil. Ce fauteuil est utilisé comme une plate forme
d’expérience pour plusieurs travaux de recherche.
Mister Ed IBM, U.S.A 1990 [CONN90] C’est une base de robot équipée d’un fauteuil. L’architecture de commande est
19
comportementale. Pour accomplir n’importe quelle tâche, il utilise

successivement trois comportements : passage de porte, suivi de mur puis
poursuite de cible.
Mr. HURI, Yonsei 2002 – 2003 Il utilise la vision pour l’identification des expressions faciales de
University, Korea [MOON02], [MOON03] l’utilisateur ; il considère ces gestes comme des commandes. Il peut également
recevoir les commandes à partir de capteurs placés sur le cou ou à partir de la
voix. Des capteurs à ultrasons sont utilisés pour l’évitement d’obstacles.
NavChair, University 1993 – 2002 [BELL94a], Le projet a permis de développer des composantes fonctionnelles, telles que
Of Michigan, U.S.A [BELL93], [LEVI99], les algorithmes d’évitement d’obstacles à partir de données télémétriques
[SIMP97], [SIMP02a] issues de capteurs à ultrasons (VFF, VFH, MVFH,…). Il peut basculer
automatiquement entre trois fonctions de base : évitement d’obstacles, suivi de
mur et passage de portes. Chaque fonction utilise un algorithme différent. Le
choix de la fonction utilisée se base sur des données télémétriques
instantanées, la localisation par odomètre et une carte de l’environnement. Il
utilise la commande partagée, et réduit donc les efforts physiques et cognitifs
de l’utilisateur.
NLPR Robotized 2000 [ZHAO00], [LI00] Il utilise la vision pour l’identification de balises nécessaires à sa localisation.
Wheelchair, Chinese Il offre plusieurs modes opératoires tels que: suivi de mur, évitement
Academy of Sciences, Chine d’obstacles et navigation automatique.
DREAM-3, Tottori 2004 [MASA04] Il est conçu a partir d’un fauteuil NEO-2. Il a quatre actions fondamentales :
University, Japon suivi de mur gauche, suivi de mur droit, tourner à gauche, tourner à droite et
conduire tout droit.
OMNI, University at Hagen, 1995 – 1999 [BROG98], C’est un fauteuil dont la principale caractéristique est l’omnidirectionnalité. Il
Allemagne. [HOYE99], [SABA95] est équipé de roues particulières appelées « mecanuum » et d’un ensemble de
roulettes à roulement libre orientées à 45° et fixées sur le pourtour des roues. Il
utilise des capteurs à ultrasons et infrarouges pour l’évitement d’obstacles. Il
reçoit les commandes à partir d’un joystick 3D. Son architecture repose sur
une structure hiérarchique composée d’un ensemble de modules activés par
l’utilisateur à l’aide d’une interface textuelle ou iconique. Selon ses capacités
physiques, l’utilisateur va choisir la fonction qu’il juge la plus propice au
contexte (planification de trajectoire, évitement d’obstacles, retour sur ses
pas…).
Orpheus National Technical 1996 – 2002 [SGOU02], Ce fauteuil a été conçu sur la base d’un fauteuil roulant électrique MEYRA. Il
University of Athens, Grèce [NIKI96] est équipé de 15 capteurs à ultrasons utilisés pour l’évitement d’obstacles et la
détection de l’état du sol (escaliers, trous, …). Il a quatre actions
fondamentales : marche avant, marche arrière, tourner à gauche et tourner à
droite. Quatre fonctionnalités sont implémentées : évitement d’obstacles,
positionnement dans une carte, suivi de trajectoire. Il a la possibilité de
reconnaître un environnement déjà vu même si cet environnement a subi
quelques changements.
Victoria, Aachen University, 2004 [BLEY04] Il est équipé de deux ordinateurs, d’un écran tactile, d’une caméra et d’un
Allemagne manipulateur. Il peut supporter la commande manuelle, la commande
supervisée et la commande automatique. Une image stéréo est représentée sur
l’écran et l’utilisateur peut ainsi sélectionner un objet qui sera pris par le
manipulateur. Il peut faire aussi de la reconnaissance faciale, basée sur la
méthode « ACTION UNITS » qui permet l’interprétation des impressions du
visage.
Phaeton Northeastern 1998 [CRIS98] L’utilisateur commande le fauteuil à travers une interface « déictique » : il
University, U.S.A choisit des objets sur une scène vidéo que le fauteuil utilisera comme cible.
RobChair, University of 1997 – 2002 [PIRE97], Il est équipé de cinq roues : deux libres à l’avant, deux motorisées à l’arrière,
20
Coimbra, Portugal [PIRE98], [PIRE02]. et une libre placée plus à l’arrière, utilisée pour augmenter la stabilité du
véhicule. Il peut être commandé par la voix, un clavier ou un joystick. Il est
équipé de 12 capteurs infrarouges, quatre capteurs à ultrasons et un bumper
tactile. L’utilisateur passe manuellement d’une fonction à une autre (évitement
d’obstacles, suivi de mur, …).
Robotic Wheelchair 1996 – 2002 [ARGY02], Il utilise une caméra panoramique pour la détection de son environnement. Il
FORTH, Grèce [TRAH97] possède deux modes opératoires : évitement d’obstacles et suivi de personne.
Rolland University of 1997 – 2006 [LANK02], Il existe trois versions de ce fauteuil, Rolland I, Rolland II et Rolland III. Il a
Bremen, Allemagne [LANK01], [HUEB06], été utilisé par plusieurs équipes de recherche pour étudier différentes méthodes
[MAND05] et applications de fauteuils roulants intelligents. Il est équipé de 27 capteurs à
ultrasons et d’un capteur laser à balayage, des capteurs infrarouges et des
bumpers. Il utilise aussi une carte interne pour la localisation et l’évitement
d’obstacles. Plusieurs méthodes de navigation ont été testées sur ce fauteuil
comme la navigation automatique en utilisant des balises (reconnaissance de
trajectoire) ou les réseaux de neurones (apprentissage en ligne). Il utilise
plusieurs modes opératoires comme le suivi de mur, le passage de porte (pour
la première version) et le demi-tour sur place, le suivi de mur et le retour sur
ses pas (pour la deuxième version) avec un changement automatique de mode
opératoire. Il utilise aussi la commande partagée. La dernière version du
fauteuil est équipée de deux capteurs laser à balayage LRF (Siemens LS4) ;
elle est aussi équipée d’un encodeur odométrique et d’un système de caméra
omnidirectionnel. Il peut donc détecter avec précision les caractéristiques de
l’environnement.
SENARIO TIDE, Grèce 1995 – 1998 [BEAT95], Il effectue la navigation en commande partagée (évitement d’obstacles) et la
[KATE98] navigation automatique en utilisant une carte interne. Les réseaux de neurones
sont utilisés pour la localisation. Son architecture de commande est de type
distribuée.
Siamo, University of Alcala, 1999 – 2003 [BERG99], SIAMO (acronyme espagnol pour Système Intégral d’Assistance à la
Espagne [BARE03] Mobilité). Il a été utilisé pour tester plusieurs interfaces de commande (voix,
gestes de la face/tête, EOG). Il permet l’évitement d’obstacles. Pour la
perception de l’environnement il utilise des capteurs à ultrasons, des capteurs
infrarouges, des capteurs laser et une caméra pour l’identification des balises,
et pour l’interprétation des commandes de l’utilisateur. Il utilise une
architecture de commande modulaire. Il peut communiquer via wifi avec les
appareils existants dans son environnement.
SIRIUS, University of 2001 – 2002 [BALC02], C’est un fauteuil qui peut être conduit manuellement et automatiquement.
Seville, Espagne [DELR01] L’interface de commande principale est un clavier à 16 touches. Huit sont
utilisées pour les différentes directions, une pour l’arrêt du fauteuil, une autre
pour refaire des trajectoires déjà effectuées.
Smart Alec Stanford 1980 [JAFF90] C’est un projet effectué par des étudiants de l’université de Stanford, il est
University, U.S.A équipé de capteurs ultrasons utilisés pour détecter la position de la tête de
l’utilisateur. Ce dernier peut choisir parmi plusieurs modes opératoires :
évitement d’obstacles, poursuite de cible et suivi de murs.
Smart Wheelchair, CALL 1996 – 2002 [NISB96], Le fauteuil CALL (Communication Aids for Language and Learning) Center
Center, UK [NISB02], [NISB95] est conçu pour les enfants ayant des difficultés pour conduire un fauteuil
standard. Il utilise un algorithme de suivi de ligne pour se déplacer d’une
chambre à une autre, il est équipé d’un bumper qui lui permet de détecter les
collisions. Dans le cas où il y aurait une collision il s’arrête et il revient sur ses
pas.
Smart Wheelchair, Chinese 2002 [CHOW02], Il utilise les réseaux de neurones pour traiter les données des capteurs à
21
University [LAW02] ultrasons, pour la commande des actions ou pour effectuer des trajets déjà
Of Hong Kong, Chine appris.
Smart Wheelchair, 2000 [SEKI00] Il détermine sa position via un système basé sur des capteurs à ultrasons. Il
Kanazawa University, Japon utilise ensuite ces informations pour planifier une navigation automatique. Ce
prototype ne fait pas l’évitement d’obstacles.
Smart Wheelchair, 2001 [KITA01] C’est un fauteuil omnidirectionnel qui utilise un joystick à retour d’effort pour
Toyohashi University, Japon prévenir l’utilisateur de la présence des obstacles sur son chemin.
Smart Wheelchair, 1998 – 2000 [FIOR98], Il s’arrête quand il détecte un obstacle devant lui, ou quand un obstacle
University of Ancona, Italie [FIOR00] dynamique se dirige vers lui.
Smart Wheelchair, 1998 [BUGM98] Il utilise les réseaux de neurones pour tracer les trajectoires autonomes. Un
University of Plymouth, UK système de vision est utilisé pour la localisation.
Smart Wheelchair, 1994 – 2000 [SAND95], Il est basé sur les informations issues des capteurs à ultrasons. Il a démontré sa
University of Portsmouth, [STOT00] capacité à passer les portes sans difficulté.
UK
SmartChair, University of 2002 – 2003 [PARI03] Il propose plusieurs modes opératoires, parmi eux: le mode « aller à la cible »
Pennsylvania, U.S.A qui utilise une interface déictique, la navigation dans un couloir, le passage des
portes, l’évitement d’obstacles et le demi-tour. Un système de vision et des
capteurs laser sont utilisés pour la détection de l’environnement.
SPAM, University of 2003 – 2005 [FRIS04], SPAM (Smart Power Assistance Module) est un module qui se rajoute à un
Pittsburgh, Pittsburgh, [SIMP03], [SIMP04a] fauteuil manuel pour personnes aveugles. Plusieurs types de capteurs peuvent
U.S.A, être utilisés comme les ultrasons et les infrarouges. Il a aussi un capteur de
couple pour mesurer la force manuelle appliquée sur la roue. Le système
permet de rajouter un couple pour assister la conduite du fauteuil et donc
éviter le risque de collisions et de fatigue de la personne. L’utilisateur reçoit
un retour haptique au niveau des roues, ce qui lui permet d’avoir une
représentation de l’environnement proche.
SWCS, University of 2003 – 2004 [DING03], Le “Smart Wheelchair Component System” SWCS est un module qui peut
Pittsburgh, CMU, U.S.A [LOPR03], [SIMP04]. être installé sur plusieurs types de fauteuils roulants électriques standards. Il
peut supporter des capteurs ultrasons, infrarouges ou des bumpers. Le logiciel
de navigation est lancé à partir d’un ordinateur placé à bord ; ce dernier peut
être interfacé avec un joystick ou d’autres organes de commande. Le système
peut être placé sur des fauteuils à traction arrière, traction avant et traction
hybride et sur trois types de circuits de commande : MKIVA, Penny & Giles
et Curtis.
TAO Applied AI Systems, 1996 – 1998 [GOMI98], L’architecture utilisée dans ce projet est basée sur le concept comportemental.
Inc., Canada [GOMI96] Les divers comportements ne sont pas définis en terme de primitives mais de
relations directes entre informations capteurs et actions sur les moteurs. Ainsi
de nombreux comportements sont définis dont le choix est réalisé grâce à une
structure de type « subsumption ». La présence d’un ensemble d’informations
va inhiber l’état actuel pour imposer sa propre commande. La structure globale
de la prise de décision est un ensemble hiérarchique d’inhibiteurs. Il est équipé
d’une caméra permettant l’identification des balises. Les interfaces de
commande utilisées sont : un microphone, un joystick et un clavier.
TetraNauta, University of 1998 – 2004 [CAGI02] C’est un système qui peut être placé sur des fauteuils roulants électriques
Seville, Espagne [ABAS99] standards. Il permet la navigation automatique en suivant des trajectoires
marquées par des balises (visuelles ou radios) ; il n’a pas d’outils d’évitement
d’obstacles, et il utilise une carte interne de l’environnement.
TinMan KIPR, U.S.A 1994 – 1999 [MILL96], C’est une série de prototypes de fauteuils roulants intelligents basés sur des
[MILL99] fauteuils roulants électriques standards. TinMan peut automatiser une partie de
la navigation, notamment les tâches qui paraissent impossibles pour certaines
22
personnes à mobilité réduite. En particulier, il peut retrouver son chemin

automatiquement pour passer des couloirs ou des portes. Une des particularités
de ce fauteuil est son faible coût. La première version de ce fauteuil utilise un
joystick mécanique, alors que la dernière version a éliminé ce joystick et l’a
remplacé par un joystick électronique.
VAHM, Université de Metz, 1992 – 2006 Ce projet a évolué d’une structure hiérarchique [BOUR01], [PINO98] vers
France [BOUR98a], une structure comportementale multi-agents [PRUS02a], [PRUS02b] dans sa
[BOUR98b], [BOUR94], dernière version. Le concept de base consiste à considérer le couple homme-
[BOUR01], [BOUR93], fauteuil comme une seule entité et de faire partager les diverses fonctions du
[BOUR96], [HABE97], mouvement entre l’homme et le fauteuil selon les capacités de chacun. Il
[MORE04], [PRUS92]. existe 3 versions du VAHM qui sont basées sur des fauteuils roulants
électriques standards de différentes configurations. L’architecture de la
troisième version VAHM3 est du type « basée sur les comportements »
composée d’un ensemble de fonctions primitives (suivi de mur, évitement
d’obstacles, suivi de direction, suivi d’espace libre…). Chaque fonction est
traitée en parallèle et génère à tout moment les commandes de vitesse
angulaire et linéaire. La commande réellement appliquée aux moteurs est le
résultat d’une prise de décision par le système, au moyen d’un raisonnement à
partir de cas en fonction de l’état instantané du système, du contexte local et
d’informations introduites dans la machine par l’utilisateur ou par une tierce
personne. L’utilisateur est maître de la planification du déplacement global
selon ses envies, ses émotions, ses besoins, ses connaissances des lieux. Il ne
définit qu’une direction instantanée. Le fauteuil adapte la demande de
l’utilisateur au contexte local et aux capacités mécaniques du fauteuil. Il est
équipé d’une ceinture de capteurs ultrasons et d’un système d’odométrie.
Voice-cum-Auto Steer 1999 – 2000 [CHAU00], Le fauteuil utilise la commande vocale et permet les navigations automatique
Wheelchair, CEERI, Inde [SING99] et semi-automatique. Il utilise une carte interne de l’environnement et des
capteurs infrarouges pour l’évitement d’obstacles.
Le projet WAD, C.N.R.S., 2002 [MALL02] Le fauteuil WAD (Wheelchair Attractor Dynamics) est installé sur un fauteuil
Marseille, France roulant électrique modèle CRUISER de chez INVACARE. Ce fauteuil permet
les navigations en mode manuel et automatique. Il utilise des capteurs de
proximité infrarouges (information extéroceptive) et des codeurs incrémentaux
(information proprioceptive) pour renseigner sur l’environnement. Le pilote
peut basculer du mode automatique au manuel ou inversement à tout moment.
Waston NAIST, Japon 2001 – 2003 [ADAC03], Il utilise un système de vision pour interpréter le regard de l’utilisateur. Des
[MATS01] capteurs laser sont utilisés pour la détection de l’environnement.
Wheelesely MIT, U.S.A 1995 – 2002 [YANC98], Il utilise une caméra, des télémètres ultrasonores et des capteurs infrarouges
[YANC02] pour la détection des obstacles. Ceci permet à l’utilisateur de naviguer en
sécurité à l’extérieur. Il peut basculer automatiquement entre le mode de
navigation à l’extérieur et à l’intérieur. Il a été employé pour tester la
navigation commandée par les signaux EOG (électro-occulogramme).
TAO Aicle, AIST, Japon 2006 [OSAM06] C’est un fauteuil conçu à partir d’une base TAO. Il est équipé de capteurs laser
et il est positionné en utilisant le GPS. Il a une boussole et un système
d’identification de fréquence radio (RFID). L’interface de commande est
installée sur un PDA placé sur le fauteuil.
The Walking Wheelchair, 2006 [MORA06] C’est un fauteuil équipé de quatre pieds en plus des quatre roues ; les roues
University of Castilla-La sont placées au bout des pieds. Cette forme lui permet de monter facilement
Mancha, Espagne les escaliers. Le projet est fondé principalement sur la construction mécanique
du système.
Tableau I.1 : Les fauteuils roulants électriques intelligents décrits dans la littérature
23
I.2.4. Conclusion
Malgré le grand nombre de recherches effectuées sur les fauteuils roulants électriques, très
peu de prototypes sont commercialisés et donc accessibles à tous, et ceci uniquement pour des
fonctionnalités simples (détection d’obstacles, suivi de lignes): Smart Wheelchair et Smart
Box, commercialisés par Rehab, Ltd, et TAO commercialisé par Applied systems, Inc.
Plusieurs explications peuvent être invoquées. La première raison est sans doute technique : la
fiabilité des solutions proposées, du fait en particulier des imperfections des capteurs
d’environnement, n’est pas toujours suffisante pour une utilisation hors laboratoire. En
particulier dans un environnement non-structuré comme l’est a priori l’espace de vie d’une
personne handicapée, une parfaite sécurité ne peut être garantie lors d’un déplacement
automatique qu’en faisant appel à une étroite coopération entre l’opérateur humain et la
machine. Une seconde raison est sans doute la difficulté d’appliquer dans le cas particulier des
fauteuils intelligents une procédure de conception/évaluation impliquant pleinement
l’utilisateur final, tel qu’il est recommandé pour toute conception d’aide technique. Les
problèmes de sécurité déjà évoqués ci-dessus, mais aussi des problèmes pratiques comme la
difficulté de dupliquer les prototypes, rendent en effet complexes les phases d’évaluation. Une
solution partielle serait de concevoir des simulateurs de conduite en fauteuils électriques sur
lesquels on testerait les nouvelles fonctionnalités de pilotage automatique ou semi-
automatique. Une troisième raison à la non-diffusion commerciale des fauteuils
« intelligents », peut-être la plus importante, est la difficulté de convaincre de leur utilité les
industriels, l’environnement médical des utilisateurs, voire les utilisateurs potentiels eux-
mêmes. Si ces derniers sont déjà pilotes de fauteuils électriques, il s’agit en particulier de
démontrer l’apport réel d’une fonctionnalité de mouvement automatique par rapport à un
contrôle manuel classique. Cet apport est fonction des performances de pilotage de la
personne et du type d’environnement d’évolution du fauteuil.
I.3. Modes de commande en téléopération
I.3.1. Introduction
Depuis l’époque où l’homme a su faire des machines, il a cherché à automatiser le travail. Au
début du vingtième siècle nous avons connu une avancée spectaculaire dans ce domaine. Il y
eut ensuite l’apparition des robots, mais jusqu'à aujourd’hui l’homme n’a pas pu être exclu
complètement du système automatisé. Plutôt qu’à des robots autonomes, « robots de
24
substitution », nous sommes confrontés à des systèmes coopératifs incluant l’opérateur

humain et la machine, et nous parlons alors de « robots de coopération ». De ce fait, de
nombreux travaux se sont intéressés à l’étude des capacités et du comportement respectif de
l’opérateur humain et de la machine. La conception d’un système coopératif nécessite
également l’analyse des interactions entre ces deux entités. Plusieurs modes de commande
peuvent être utilisés dans cette interaction selon le niveau d’automatisation du système.
I.3.2. Téléopération assistée par ordinateur

La téléopération maître-esclave est utilisée dans plusieurs domaines dans lesquels les robots
complètement autonomes ne peuvent pas accomplir la tâche. Elle est souvent utilisée pour
effectuer des tâches dans des milieux hostiles : espace, milieux sous-marins, zones
contaminées par des produits radioactifs, … Un ou plusieurs opérateurs humains manipulent,
commandent ou observent un télémanipulateur dans un milieu hostile. Un télémanipulateur
est une machine qui prolonge les sensations et/ou les capacités de manipulation de l’homme.
Il possède obligatoirement des capteurs de l’environnement, des actionneurs et un canal
d’information entre lui et l’opérateur humain [SHER92].
Le premier télémanipulateur a été conçu par Goertz en 1947. Il utilise deux bras symétriques,
l’un (esclave) dans la zone dangereuse et l’autre (maître) dans une zone accessible. Le
mouvement d’une articulation côté maître entraîne le même mouvement coté esclave.
L’introduction de la motorisation des articulations en 1954 a constitué une aide pour
l’opérateur humain et a autorisé une distance quelconque entre la partie maître et la partie
esclave. Ces systèmes ont évolué au début des années 80 pour intégrer des ordinateurs dans
leur boucle de commande.
25
I.3.3. Les modes de commande

Dans un système intégrant un opérateur humain, un robot, et un calculateur, plusieurs modes
de commande peuvent se présenter [SHER92], [YOKO93]. Ces modes sont représentés sur la
Figure I.1.par degré croissant d’automatisation.
Opérateur Opérateur Opérateur Opérateur Opérateur
Ecran Contrôleur Ecran Contrôleur Ecran Contrôleur Ecran Contrôleur Ecran
Calculateur Calculateur Calculateur Calculateur
Capteur Effecteur Capteur Effecteur Capteur Effecteur Capteur Effecteur Capteur Effecteur
Tâche Tâche Tâche Tâche Tâche
a b c d e
Commande
Commande manuelle Commande de supervision automatique
Figure I.1 : Modes de commande en téléopération d’après [SHER92]
Le système de la Figure I.1.a représente une commande manuelle conventionnelle. Il

n’introduit donc pas de calculateur dans la boucle de commande. Dans le deuxième système
(Figure I.1.b), un calculateur est placé entre l’opérateur et la tâche, ce calculateur étant utilisé
uniquement pour la transmission et l’adaptation des données entre l’opérateur humain et la
tâche. Pour ces deux premiers systèmes la commande est considérée comme étant manuelle,
toutes les décisions étant prises par l’humain.
Quand une partie de la commande, petite (Figure I.1.c) ou grande (Figure I.1.d), est cédée au
calculateur, on se retrouve dans le cas de la commande de supervision au sens large selon la
définition de SHERIDAN. Le dernier cas représente un système automatique (Figure I.1.e)
où, une fois le système installé, le calculateur devient entièrement maître du système à
commander. Dans ce cas l’opérateur se contente d’observer l’évolution du processus et ne
peut intervenir que pour provoquer un arrêt complet, notamment pour des raisons de sécurité.
La coopération homme-machine dans la commande de supervision, (Figure I.1.c) et (Figure
I.1.d), intervient de la manière suivante : l’opérateur humain peut intervenir dans une
manœuvre automatique de la machine et la machine peut aussi intervenir dans une manœuvre
26
manuelle comme le montre le système (c). Ce mode est appelé « commande combinée ».
L’humain peut aussi agir directement sur certaines variables et joue le rôle d’un observateur
pour les autres variables commandées directement par l’ordinateur. Ce mode de commande
est appelé « commande partagée ».
Millot et al [MILL91] notent que la coopération dans un système de téléopération assisté par
ordinateur peut apparaître sous deux aspects : un partage de responsabilité de décision au
niveau supervision [JOLL91], et une répartition des commandes au niveau exécution. On ne
s’intéressera ici qu’à la coopération au niveau exécution.
I.3.4. Coopération au niveau exécution : commande partagée ou combinée

L’homme et la machine constituent un couple complémentaire ou chacun utilise ses qualités
et compense les faiblesses de l’autre. Le point fort de l’opérateur humain réside dans le fait
qu’il a une bonne compréhension de l’environnement, ce qui lui permet d’avoir des facilités
de planification des mouvements et d’intervention dans des plans établis. La machine apporte
des qualités de réflexe, de précision dans les mouvements, de rapidité et d’amplification de la
force. Si nous avons une bonne répartition des commandes entre l’humain et la machine, nous
aurons un ensemble qui exploite au mieux les qualités de l’homme et de la machine.
Plusieurs travaux de recherche ont été menés dans le but de trouver une bonne stratégie de
répartition entre l’homme et la machine des variables commandées. Hayati et Venkataraman
[HAYA89] ont décomposé la tâche en plusieurs sous-tâches à plusieurs niveaux. Les
commandes sont ensuite réparties sur ces tâches ; cette répartition se fait hors ligne pour
gagner en temps de calcul. D’autres auteurs ont utilisé la commande partagée en ligne, où le
partage des degrés de liberté se fait d’une manière dynamique pendant l’exécution de la tâche.
Dans [HOEN98], un régulateur hybride est utilisé pour répartir en ligne les degrés de liberté
entre l’homme et le robot. Sukhan Lee dans [LEE93] définit des capteurs logiques qui
représentent une fusion de plusieurs sources d’information permettant de réaliser une tâche de
perception [HEND84] : capteurs de distance, capteurs d’orientation d’une surface, capteurs de
reconnaissance de forme,… Les informations provenant de ces capteurs, ainsi que celles
provenant de l’opérateur humain agissant dans un environnement virtuel, sont utilisées en
fonction de leur crédibilité dans une situation donnée. On note que la crédibilité d’une
décision change avec le temps et la situation de commande. Dans cet exemple l’auteur a
utilisé une forme généralisée de la commande partagée qui prend en considération le partage
de l’acquisition des données et de la prise de décision.
27
Dans [TARN95] les opérations automatique et manuelle sont combinées d’une manière
naturelle pour donner une commande partagée. Dans ce cas l’opérateur humain a la possibilité
d’intervenir pendant un mouvement automatique avec quatre fonctions via une interface
homme machine type «spaceball». Ces fonctions sont :
• La fonction d’arrêt : un mouvement sur le capteur stoppe complètement le robot.
• La fonction d’accélération : un mouvement de la boule en avant accélère le
mouvement.
• La fonction ralentissement : un mouvement de la boule en arrière ralentit le
mouvement.
• La fonction orthogonale : le bras est dévié en fonction de l’action latérale sur le
capteur.
L’utilisation de ce type de commande évite les instabilités dues au passage brusque du mode
automatique au mode manuel ou inversement.
Nous pouvons imaginer le problème symétrique où, au lieu d’une intervention manuelle dans
une opération automatique, il y aura une intervention de la machine (robot) dans une tâche
manuelle. Ceci s’avère particulièrement intéressant en robotique de réadaptation pour des
raisons à la fois techniques (on utilise au mieux les capacités de l’opérateur) et
psychologiques (le bras du robot est mieux perçu comme un prolongement de soit même).
C’est ce qui a été utilisé dans [MACE96] pour la commande d’un bras robotisé pour personne
handicapée.
Plusieurs fauteuils roulants électriques intelligents ont utilisé ces deux modes de commande,
automatique et partagé. Parmi ces projets, on peut citer le NavChair [LEVI99]. La Figure I.2
définit le diagramme fonctionnel du fauteuil NavChair en utilisant la commande en mode
partagé.
28
Utilisateur
Les modifications
Joystick
de NavChair
Les données brutes

Algorithme de commande du
Module de joystick NavChair
filtrées
Les données
Module de puissance
Compteur Les capteurs
des roues à ultrasons
Moteurs du
fauteuil
Environnement
Figure I.2 : Diagramme fonctionnel des composantes du prototype NavChair [LEVI99]
Nous pouvons observer sur la Figure I.2 que le module de puissance reçoit les données, d’une
part de l’algorithme de commande et d’autre part du joystick (après filtrage). Le module de
puissance combine les deux commandes et envoie un signal aux moteurs. Le comportement
du fauteuil est une fonction de la commande envoyée par le module de puissance, cette
commande n’est pas toujours une traduction directe de la volonté de l’utilisateur. Nous
pouvons aussi remarquer que le seul retour d’information que l’utilisateur reçoit, est le retour
visuel. Il n’a aucune information sur les obstacles qui se trouvent en dehors de son champ de
vision. Un obstacle caché peut induire un comportement totalement différent de celui
demandé par l’utilisateur, ce qui peut le perturber. Dans certaines situations l’utilisation de
cette méthode peut provoquer des comportements indésirables du fauteuil : face à une table
par exemple, si l’opérateur commande une avance droit devant, le mobile va contourner
automatiquement l’obstacle. Il sera donc impossible d’accoster à cette table à moins de
changer de mode de fonctionnement.
Dans une commande en mode automatique, le module de joystick n’existe pas, et le module
de puissance reçoit les données de l’algorithme de commande uniquement.
29
I.3.5. Conclusion
Différents modes de coopération ont donc été définis dans le cadre général de la téléopération.
A l’exception de la commande manuelle (Figures I.1.a et I.1.b)) tous ces modes délèguent une
partie ou l’ensemble de la décision de mobilité à la machine. Ceci peut poser des problèmes
d’ordre psychologique à l’utilisateur : nombre d’entre eux souhaitent en effet garder l’entier
contrôle du mouvement. L’entourage médical de la personne handicapée, ainsi que les
industriels concernés par un transfert technologique, peuvent également être réticents pour des
raisons cette fois de sécurité à déléguer à la machine une partie du contrôle de la mobilité. Il
apparaît donc nécessaire de développer d’autres types de commande coopérative comme la
commande que l’on peut baptiser d’ « assistée », qui fait l’objet de cette thèse.
I.4. Retour d’effort en robotique
I.4.1. Introduction
La dernière génération des interfaces homme-machine permet à l’utilisateur « Homme » de
revivre les sensations de la tâche que la machine est en train d’effectuer. Pour cela, on utilise
toutes les voies de transmission de l’information possibles, la vision, l’ouïe, et le toucher.
Nous nous intéressons dans ce qui suit au toucher (« le retour haptique »). Il regroupe des
sensations concernant tout le corps humain par l’intermédiaire de la peau. Il est provoqué par
différents phénomènes physiques tels que les mouvements et la température des objets
touchant le corps humain [CASI04], [GOSS05].
I.4.2. Le retour haptique : définition

L’origine de ce terme vient du mot grec « haptein » qui a pour signification « toucher ». Sa
définition dans le Larousse est « l’étude scientifique du toucher ». L’haptique regroupe deux
types de retours sensoriels : le retour tactile et le retour d’effort ou retour kinesthésique. Le
premier concerne la perception des états de surface, de température et des glissements de
détection des arêtes. Le retour d’effort ou retour kinesthésique concerne la perception des
forces de contact, de dureté, de poids et d’inertie d’un objet. Il contraint les mouvements et
sollicite les muscles, tendons et articulations.
30
Pour la perception du retour de force, plusieurs types de capteurs sont utilisés. Les organes de
Golgi, situés entre les muscles et les tendons correspondants, sont responsables de la mesure
des forces et peuvent aussi régler la contraction des muscles. D’autres capteurs mesurent
l’étirement entre les fibres musculaires et donc le taux d’élongation du muscle.
I.4.3. Caractéristiques des interfaces à retour d’effort
I.4.3.1. La transparence
Il s’agit de tenter d’éliminer la présence de l’interface. L’interface haptique doit permettre
l’interaction naturelle avec l’environnement. La transparence est assurée par l’espace libre de
déplacement de l’opérateur, c'est-à-dire que rien ne doit gêner ses mouvements. Le deuxième
critère sur lequel nous nous basons pour définir la transparence d’une interface haptique est la
manière dont l’opérateur ressent le retour d’effort qui doit être la plus réaliste possible. Il faut
donc que la raideur globale de l’interface soit suffisamment importante pour que l’utilisateur
n’ait pas l’impression d’être dans un monde où les objets sont mous.
I.4.3.2. La stabilité
Lors de l’utilisation d’un retour haptique, nous sommes amenés à faire des approximations
des forces de retour. Ces forces sont souvent représentées par des ressorts de raideurs
différentes. En raison de la fréquence de simulation (échantillonnage), le retour d’effort risque
de perdre sa continuité et effectue donc des variations brusques, ce qui engendre des
oscillations hautes fréquences de l’organe de commande, par exemple quand un utilisateur
entre en contact avec un mur virtuel. Avant le contact, il ne ressent rien. Après le contact, en
raison de la fréquence de simulation, l’utilisateur a touché la surface mais a sûrement déjà
pénétré dans le mur. Cette force le fait reculer et l’éloigne du mur. Cependant, au pas suivant
il n’y a plus de contact et donc aucune force ne lui est renvoyée. L’utilisateur continuant son
mouvement pénètre à nouveau dans le mur car plus aucune force ne l’en empêche d’où une
force importante qui est retournée et ainsi de suite.
Cette instabilité est classique et peut être résolue par l’ajout d’un amortisseur au système, et
l’utilisation de plusieurs types de forces selon la situation (le rajout d’un amortisseur dans
l’exemple précédent est utile dans le cas de la pénétration mais pas dans le cas de
l’éloignement).
31
Lors de la conception d’une interface haptique il y a d’autres critères à prendre en compte tels
que l’adaptation parfaite de l’interface à la tâche pour laquelle elle est conçue, ainsi que la
rigidité et la légèreté. Il faut noter qu’il n’est pas toujours évident de répondre à tous ces
critères en même temps car ils sont contradictoires. Pour obtenir une grande raideur
mécanique, nous utilisons des actionneurs très puissants, ce qui augmente le poids de
l’interface ainsi que son inertie. Ceci augmente donc le risque d’instabilité et le manque de
transparence.
I.4.4. Interfaces à retour d’effort

Bien que le retour haptique comporte deux composantes, sensation tactile et retour de force, la
classification des interfaces selon ce critère est impossible car les interfaces à retour d’effort
contiennent toujours un peu de retour tactile. Nous allons présenter dans ce qui suit quelques
exemples d’interfaces haptiques.
I.4.4.1. Les gants

Les gants sont des interfaces haptiques offrant beaucoup de liberté à l’utilisateur. Nous
pouvons simuler les formes ainsi que la rigidité des objets, mais pas le poids. C’est un
système qui ne peut contrer le déplacement de la main.
Le CyberGrasp : c’est le seul gant à retour d’effort qui existe jusqu’à aujourd’hui, dans le
commerce. Il a été développé en 1998 par Virtual Technologies. Il utilise une motorisation
déportée et la transmission par câble. Les cinq doigts sont commandés à partir du dos de la
main et peuvent recevoir une force de retour de 12N pour chacun. Cette configuration permet
une grande mobilité des doigts. L’utilisation des câbles induit beaucoup de frottement et donc
une moins bonne échelle dynamique. Ce périphérique est relativement lourd (450g) [CYGR].
32
Figure I.3 : Le gant CyberGrasp
Le Rutgers Master: le gant Rutgers master est une interface haptique en développement
depuis 1992 à l’Université de Rutgers. Il existe deux versions de ce gant, le Master I et le
Master II (Figure I.4). Ce dernier commande quatre doigts, le pouce, l’index, le majeur et
l’annulaire. Le gant peut fournir une force de 16N pour chaque doigt. Il utilise des actionneurs
pneumatiques disposés entre les doigts et la pomme de la main. Ceci donne à cette interface
une grande légèreté et un moindre encombrement. L’échelle dynamique est excellente mais
les gants ne permettent pas la fermeture totale du poing [BOUZ02].
Figure I.4 : Le Rutgers Master II
Le LRP-Dextrouse Hand Master(DHM) : ce gant à été développé au Laboratoire de

Robotique de Paris (LRP) en 1993 [COIF93]. Il utilise une structure qui se place sur le dos de
la main permettant l’adaptation avec différentes tailles des doigts. Différentes forces peuvent
être appliquées sur chaque phalange. Nous pouvons mesurer les flexions angulaires de chaque
articulation dans le doigt. La motorisation se fait par des moteurs à courant continu et la
transmission de la force se fait par câble. Le poids total de la structure est de 350 grammes. La
transmission de la force par câble induit des frottements, ce qui diminue la qualité de la force
de retour, et donne une moins bonne échelle dynamique. Cette interface offre plus de
possibilités de déplacements des doigts comparé au Rutgers Master II.
33
Figure I.5 : Le LRP-Dextrouse Hand Master(DHM)
Le CyberForce : c’est un produit commercialisé par Immersion [IMCF], obtenu par le

couplage du CyberGrasp avec un bras à retour d’effort à trois degrés de liberté actifs. Ce bras
permet à l’utilisateur de ressentir le poids des objets manipulés et les forces de contact avec
l’environnement. Il permet aussi la compensation du poids du gant [CASI04] (Figure I.6).
Figure I.6 : Le CyberForce
I.4.4.2. Les exosquelettes

Le terme exosquelette est normalement utilisé pour désigner les coquilles ou la peau dure
d’un insecte. Dans notre cas il s’agit d’exosquelettes humains dont les structures mécaniques
se placent sur les membres inférieurs ou supérieurs. Ils possèdent des articulations motorisées
pour aider ou contrer des mouvements.
SAFiRE : c’est un gant à retour d’effort pour doigts et poignet, avec un total de deux, cinq,
huit ou onze degrés de liberté. Le poids de la version à onze degrés de liberté est de 3.4 kg. Le
moment du doigt peut varier entre 35 N.cm et 70 N.cm [TZAF01]. La motorisation est
34
assurée par des moteurs à courant continu et la transmission se fait par câble. Cette interface a
été développée et commercialisée par la société EXOS Inc. (Figure I.7).
Figure I.7 : Le gant à retour d’effort SAFiRE
FREFLEX: c’est un exosquelette du bras à sept degrés de liberté développé à l’Université

d’Ohio [WILL98]. Sa disposition est semblable au bras humain. Il utilise sept servomoteurs
pour la motorisation de l’exosquelette qui permettent d’avoir des couples stables et continus.
Ces moteurs sont placés sur une base externe pour minimiser l’inertie, la masse et la
dimension. La transmission de mouvements se fait par un système à câble. Une architecture
multiprocesseur (quatre microprocesseurs) est utilisée avec le système d’exploitation temps
réel Chimra 3.2.
Figure I.8 : FREFLEX
Le Master Arm : cet exosquelette a été développé à Southern Methodist University. Il utilise
des actionneurs pneumatiques. Sa structure mécanique est en aluminium et il possède quatre
degrés de liberté. Il commande les mouvements du bras droit de l’opérateur et il est attaché à
une base qui supporte son poids et lui fournit un point d’appui. L’autre extrémité de
l’exosquelette est tenue par l’opérateur, le tout étant attaché au bras à l’aide d’un ensemble de
35
coussins gonflables. Le système permet l’ajustement des dimensions en fonction du bras de

l’opérateur [FISH03].
Figure I.9 : Le Master Arm.
I.4.4.3. Les périphériques stylo

D’autres interfaces non liées à l’opérateur prennent la forme d’un stylo:
PHANToM : Cette interface est en production depuis 1994 par SensAble Technologies à
Boston. Il existe en trois versions en fonction du débattement souhaité (Figure I.10.a). Le
PHANToM est équipé de six degrés de liberté, dont trois motorisés (les trois translations)
[CASI04]. La force fournie par cette motorisation peut atteindre 7.9 N mais elle est seulement
de l’ordre de 1.75N en régime soutenu. Cette force change en fonction du débattement.
SensAble a développé une nouvelle version du PHANToM appelée le PHANToM Omni et
destinée à un public plus large (environ 1500 euros) (Figure I.10.b). C’est un PHANToM à
échelle réduite où la force de retour maximale est de 3.3N. En régime soutenu cette force est
de l’ordre de 0.88 N seulement. Les actionneurs utilisés pour la génération du retour d’effort
sont des moteurs à courant continu. Le PHANToM reste le stylo à retour d’effort le plus
utilisé jusqu'à ce jour [SAPO04] [SAPD05].
36
a b
Figure I.10 : a) Le PHANToM Desktop, b) Le PHANToM Omni
HapticMASTER : FCS control system a développé cette interface à trois degrés de liberté
actives : deux translations et une rotation. Contrairement au PHANToM qui utilise la
commande par impédance où l’utilisateur applique un déplacement sur l’interface et reçoit
une force, le HapticMASTER utilise la commande par admittance où l’utilisateur applique
une force et reçoit un déplacement. La force de retour maximale peut atteindre 250N. En
fonctionnement nominal, sa valeur est de l’ordre de 100 N environ, sa précision de
4 × 10 −6 m . Nous pouvons obtenir des déplacements d’une vitesse maximale de 1 m et d’une

s
décélération de 50 m (Figure I.11) [RVDL02] [FCSH].

s2
Figure I.11 : Le HapticMASTER
Virtuose 6D : c’est un bras à retour d’effort à six degrés de liberté, développé par CEA-IST en
1999 et commercialisé par la société HAPTION [HAPT]. Les six articulations sont motorisées
et peuvent fournir un retour en trois translations (force) et trois rotations (couple). Il a un
espace de travail considérable (450mm) qui lui permet de réaliser des manipulations à une
échelle réelle. Les actionneurs utilisés pour la génération du retour d’effort sont des moteurs à
37
courant continu. Le niveau d’effort maximal est de 35 N, et en régime continu il est de 10N.
En rotation il peut fournir un couple maximal de 3N.m, qui a une valeur de 1 N.m en régime
continu (Figure I.12.a). Il existe une version en 3D avec 250mm d’espace de travail, 15 N de
niveau d’effort maximal et 5 N en régime continu (Figure I.12.b). La nouvelle version de
Virtuose 6D utilise des vérins réversibles à câble (Figure I.12.c). On constate, grâce à cette
technique, une amélioration de ses performances. Cette version permet l’obtention d’un
niveau d’effort maximal de 100N et, en régime continu, d’une force de retour de 30 N. Son
espace de travail est de 400 mm [ARNA00] [GARR06].
Figure I.12 : a) Le Virtuose 6D35-45. b) Le Virtuose 3D15-25. c) Le Virtuose 6D40-40
I.4.4.4. Les souris et les manches à retour de force

Ce sont des dispositifs à deux degrés de liberté. Plusieurs laboratoires ont développé des
interfaces de ce type : la souris à positionnement absolu développée à l’Université de McGill,
le pantographe à frottements minimes d’une faible inertie et d’une grande rigidité [HAYW04]
(Figure I.13.a), le PenCat/Pro d’Immersion qui permet de renvoyer à l’utilisateur un retour
d’effort à l’extrémité d’un stylo suivant deux degrés de liberté [HAPC] (Figure I.13.b).
Immersion a également développé la souris à retour d’effort Wingman Force feedback (Figure
I.13.c) commercialisée par Logitech [IMWG] [TRON04], ainsi que la souris Feel-it mouse,
commercialisée par Microsoft [MICRa] (Figure I.13.d). Parmi ces modèles, seules la
Wingman Force Feedback et la Feel-it Mouse ont fait l’objet d’une exploitation commerciale.
A l’heure actuelle ces souris ont été retirées du marché.
38
a b c d
Figure I.13 : a) Pantographe de l’université de McGill, b) PenCat/Pro, c) La souris Wingman
Force Feedback, d) La Feel-it mouse.
I.4.4.5. Les joysticks

Les joysticks sont les interfaces à retour de force qui ont le plus de succès auprès du grand
public, grâce aux jeux vidéo.
Impulse Stick: Immersion Corporation a développé un joystick à retour d’effort d’une très
grande robustesse. Il a été conçu pour des tâches rudes telles que les jeux qui demandent une
grande précision ou pour des tâches professionnelles telles que la téléopération. Ce joystick
contient un microprocesseur qui peut gérer les retours haptiques et donc diminuer la charge du
calculateur principal. Le joystick fonctionne à une fréquence de 100 Hz. Il peut générer un
retour de force maximal de 14.5 N et de 8.5 N en régime soutenu. Sa précision peut atteindre
0.01 degré (Figure I.14) [IMIS].
Figure I.14: Impulse Stick® Force Feedback Joystick.
Impulse Engine: c’est un autre joystick développé par Immersion Corporation, doté d’une
précision d’environ 0.0008 degré. La force de retour maximale qui peut être générée est de
8.9 N. Ce joystick est utilisé principalement pour des applications professionnelles comme la
téléopération, la réalité virtuelle ou la chirurgie [IMIE] (Figure I.15).
39
Figure I.15: Impulse Engine® Force Feedback Joystick.
Microsoft Sidewinder Force Feedback 2 Joystick: ce joystick (Figure I.16) à trois degrés de
liberté a été développé par Immersion Corporation et commercialisé par Microsoft. Il est
équipé d’un capteur optique permettant l’enclenchement du retour de force. La motorisation
est assurée par deux moteurs à courant continu qui gèrent les deux coordonnées x et y du
plan. Le troisième degré de liberté est une rotation autour du poignet non motorisée [WILL00]
[MICRb]. Conçu principalement pour des jeux vidéo et doté d’une grande précision et de
multiples retours de force, ce joystick est d’une large utilisation dans des domaines
professionnels tels que la réalité virtuelle [DEAN00], d’autant plus que son coût est très
abordable.
Figure I.16: Microsoft Sidewinder Force Feedback 2 Joystick
Magnetic Levitation Haptic Device : c’est une interface basée sur une technologie utilisant la
force magnétique de Lorentz. Cette force permet l’obtention d’un retour d’effort stable en six
degrés de libertés (Figure I.17) et donc l’amélioration du retour haptique [TZAF01] [MLHD].
40
Figure I.17 : Magnetic Levitation Haptic Device
Autres joysticks à retour d’effort : depuis quelques années on connaît un essor de l’offre en
joysticks à retour d’effort grand public. Parmi eux, outre celui de Microsoft, nous pouvons
citer: le Logitech Wingman Force qui existe en plusieurs versions [LOGI], le Saitek Cyborg
Evo Force Joystick, Thrustmaster Force Feedback Joys, le Thrustmaster Top Gun AfterBurner
Force Feedback Joystick, le CH Product FORCE FX (Figure I.18). Ces joysticks disposent de
caractéristiques proches des joysticks professionnels en matière de qualité de retour de force
et de précision. C’est la raison pour laquelle ils sont quelquefois utilisés dans le domaine
professionnel [FEIN04].
Figure I.18: a) Le Saitek Cyborg Evo Force Joystick, b) Logitech Attack 3 Joystick,
c) Thrustmaster Force Feedback Joys, d) CH Product FORCE FX.
I.4.4.6. Les systèmes à câbles

Les dispositifs à câbles ont l’avantage de simplifier considérablement la mécanique des
interfaces et permettent de multiples configurations grâce à la facilité de transmission d’effort
qu’offrent les câbles. Parmi ces interfaces on trouve le gant LRP-Dextrouse Hand Master déjà
cité ou la SPIDAR-8 (Space Interface Device For Artificial Reality 8) (Figure I.19 (a)). Ce
système est une version plus récente du SPIDAR de Sato et al, il dispose de 26 degrés de
41
libertés et de huit points de contact avec les deux mains de l’opérateur [WALA99]. Il existe
aussi une autre version appelée SPIDAR-G (Space Interface Device For Artificial Reality
Grip) (Figure I.19 (b)) qui permet à l’utilisateur de manipuler des objets avec sept degrés de
liberté en saisissant l’objet avec le pouce et un autre doigt [KIM02].
a b
Figure I.19: a) SPIDAR-8, b) SPIDAR-G
I.4.5. Domaines d’application des interfaces haptiques

L’utilisation d’un retour d’effort augmente les performances motrices de l’opérateur dans les
environnements virtuels et de télé-robotique [SHER04]. C’est la raison pour laquelle les
interfaces haptiques connaissent un grand succès et sont exploitées dans plusieurs domaines.
Nous allons en citer quelques exemples.
I.4.5.1. Médecine
L’utilisation du retour d’effort dans la robotique médicale est d’un apport très intéressant car
elle permet de ressentir la raideur des organes très sensibles, même dans le cas d’une chirurgie
à distance. Plusieurs projets ont développé des interfaces utilisant un retour d’effort. Les
systèmes développés par RLE Group permettent l’entraînement du personnel médical à des
opérations rigoureuses à l’aide d’un système de réalité virtuelle et d’une sonde à retour
d’effort permettant d’effectuer des interventions chirurgicales réelles [RLEG05]. Nous
pouvons citer aussi l’interface haptique haute fidélité pour la télé-chirurgie développée au
CEA-LIST [GOSS05]. La société Immersion à développé plusieurs interfaces haptiques pour
la chirurgie [IMMD] telles que le Virtual I.V conçu pour la formation du personnel médical
(Figure I.20.a) et le Hysteroscopy AccuTouch System qui permet aux médecins d'éprouver
une résistance pendant les interventions grâce à son retour d’effort (Figure I.20.b).
42
a b
Figure I.20: a) Virtual I.V, b) Hysteroscopy AccuTouch System
I.4.5.2. Jeux et simulateurs

La nouvelle génération des jeux vidéo et des simulateurs permet à l’utilisateur de sentir
différents effets en fonction de la situation. Par exemple, les volants à retour de force dans les
simulateurs de conduite renvoient une force à l’utilisateur qui dépend de la vitesse du véhicule
et de l’état de la route. Ce genre de simulateur existe pour les jeux ainsi que pour
l’apprentissage de la conduite. Les jeux de combat avec les joysticks à retour d’effort simulent
les vibrations et les chocs provoqués par l’impact de tir. Les simulateurs de vol (Figure I.21)
indispensables pour la formation des pilotes, sont parmi les premières applications de
l’haptique [GRFS04]. Notons que ces simulateurs de vol à retours haptiques existent aussi en
jeux vidéo [WIKIa].
Figure I.21 : Simulateur de vol
I.4.5.3. Enseignement
Le retour haptique offre la possibilité aux étudiants de sentir un phénomène aux échelles
nanoscopique, macroscopique ou astronomique ou même de sentir la dynamique des
systèmes. Ainsi, à l’aide d’un joystick à retour de force (Figure I.22), les étudiants de
43
l’Université de Standford peuvent percevoir des phénomènes, tels que la viscosité des
liquides, l’inertie et la raideur ou même la dynamique des systèmes [RICH00].
Figure I.22 : Le manche à retour de force.
I.4.5.4. Industrie
L’intégration de l’haptique dans les logiciels de CAO permet à l’utilisateur de sentir les forces
de collision, la nature des surfaces des pièces et leurs raideurs lors d’une opération
d’assemblage. Ceci diminue le temps et l’effort nécessaires pour réaliser la tâche [BARA05].
Les dernières versions des logiciels de CAO peuvent supporter l’utilisation d’interfaces
haptiques telles que le PHANToM [CHAB05]. Parmi les interfaces utilisées en téléopération
en milieux hostiles nous pouvons citer le VIRTUOSE 6D40-40 conçu spécialement pour ce
type d’application [HAPT].
I.4.5.5. Art
Dans les musées où il est interdit de toucher les œuvres d’art, une interface haptique et une
représentation virtuelle de celles-ci peuvent remplacer l’objet original. Ce genre d’interface va
permettre la manipulation d’une sculpture via internet. L’haptique peut aider non seulement à
la visite des musées virtuels et des objets artistiques mais aussi au développement de
nouvelles œuvres comme c’est le cas avec le logiciel FreeForm de Sensable qui permet à
l’utilisateur de sculpter virtuellement des objets [CNRSa].
I.4.5.6. Aide aux personnes handicapées

Le retour d’effort trouve des applications dans l’aide à la mobilité des personnes handicapées
et/ou âgées, c’est l’objet principal de notre travail, mais également dans l’aide à la perception
pour des personnes non-voyantes ou mal-voyantes, par exemple :
44
• L’aide à la reconnaissance des formes en utilisant une interface à retour d’effort pour
les élèves aveugles. Le PHANToM a été utilisé pour permettre aux élèves de
distinguer les différents éléments d’un circuit électrique. Chaque élément est distingué
par une forme spéciale que l’utilisateur peut reconnaître [PIET06].
• L’utilisation d’une interface haptique dans le musée de Louvre pour permettre aux
personnes aveugles de détecter les formes des œuvres d’art qu’on ne peut bien sûr pas
toucher directement [BLIS].
• Dans un autre contexte, celui de l'interaction homme-ordinateur, des tests sur un panel
de personnes handicapées ont également montré qu'une interface à retour d'effort
pouvait améliorer les performances obtenues dans une tâche de pointage [KEAT00].
Ces résultats sont corroborés par une étude décrite dans [REPP95] portant sur un
groupe de 10 personnes handicapés moteurs.
I.4.6. Conclusion
De nombreux dispositifs d’interface haptique ont été décrits ainsi que les domaines
d’application actuels du retour d’effort. Dans notre contexte applicatif, la commande d’un
fauteuil électrique, il apparaît naturel de choisir, au moins dans un premier temps, une
interface de type joystick. Nous serons cependant sans doute amenés dans un second temps à
adapter le type d’interface aux caractéristiques physiques de la personne handicapée.
I.5.Modélisation de la tâche de pilotage
I.5.1. Introduction
L’analyse du fonctionnement d’un système coopératif peut s’appuyer sur la modélisation du
système homme-machine. Dans le contexte d’une tâche de pilotage de fauteuil électrique, peu
d’études en ce sens ont été relatées dans la littérature. Dans ce qui suit, on s’attachera donc
plutôt à décrire les modèles plus généraux applicables au contexte de notre étude où le
système homme-machine est constitué d’une personne handicapée et d’un fauteuil roulant
électrique.
45
I.5.2. Systèmes homme-machine

Un système homme-machine est défini comme une synthèse fonctionnelle entre un système
aux caractéristiques de types biologique, psychologique et sociale, l’homme (ou un groupe de
personnes) et un système technologique, la machine, l’ensemble étant essentiellement
caractérisé par l’interaction et l’interdépendance fonctionnelle entre ces deux parties
[JOHA82]. Un système homme-machine peut prendre des formes très variées selon la
machine concernée. Dans une tâche de pilotage plus particulièrement, le véhicule peut être
par exemple une simple voiture, un avion, un robot téléopéré, ou encore un fauteuil roulant
électrique.
Le but général de n’importe quel système homme machine est de réaliser une certaine
fonction, produit ou service. Des perturbations sur l’homme, la machine ou les deux en même
temps peuvent altérer le fonctionnement du système. Les objectifs du système homme-
machine sont des valeurs attendues de performance, de coût, de fiabilité et de sécurité. Si l’on
considère le système homme-machine comme une boîte noire, les entrées seront donc les
objectifs et les sorties sont ces valeurs attendues.
Le modèle de l’opérateur humain dépend essentiellement de la tâche qu’il doit accomplir et
des variables qui peuvent influencer son exécution de la tâche.
I.5.2.1. Les tâches

Le modèle d’un opérateur humain est défini suivant les tâches qu'il accomplit. On peut
distinguer deux catégories de tâches, les tâches de résolution de problèmes et les tâches de
commande. Les tâches de résolution de problèmes sont des processus internes d’un haut
niveau cognitif : gestion de pannes, planification, ... Les tâches de contrôle concernent aussi
bien des tâches continues comme des tâches de poursuite que des actions discrètes comme
une frappe sur un clavier.
I.5.2.2. Les variables

La définition d’un modèle est liée aussi aux variables qui influent l’humain pendant
l’exécution de la tâche. Ces variables sont de quatre types [MCRU67] :
• Les variables de travail : elles englobent toutes les entrées du système et les éléments
du système de commande externe à l’humain qui rentrent d’une manière explicite dans
46
la boucle de contrôle.
• Les variables de l’environnement : c’est tout ce qui concerne l’espace autour de
l’opérateur lors de l’exécution de la tâche, comme la lumière, la température et les
vibrations.
• Les variables internes de l’opérateur : ces variables sont liées à la personne effectuant
la tâche et peuvent changer d’un opérateur à un autre. Ce sont par exemple
l’entraînement (le fait d’avoir de l’expérience ou non), la fatigue ou la motivation.
• Les variables procédurales : ces variables concernent la manière dont l’opérateur
effectue sa tâche (plan ou instructions suivis, organisation des différentes étapes).
I.5.3. Modèle à trois niveaux de Rasmussen

Rasmussen [RASM83] propose un modèle à trois niveaux de comportement de l’opérateur
d’un système automatisé. Il s’agit d’un modèle qualitatif très général que l’on complète par
des modèles plus spécifiques d’une situation donnée (Figure I.23).
Le premier niveau de performance, « le comportement basé sur l’habileté » (Skill Based
Behaviour : SBB), se caractérise par une activité de type réflexe. L’opérateur produit des
actions simples assimilées par l’entraînement. Le deuxième niveau est appelé «comportement
basé sur les règles» (Rules Based Behaviour : RBB). L’opérateur, face à une situation connue,
reproduit une procédure mémorisée par apprentissage. Le niveau le plus haut est «le
comportement basé sur la connaissance» (Knowledege Based Behaviour : KBB). L’opérateur
est face à une situation inconnue et doit trouver une solution. Il utilise ses connaissances ainsi
que le modèle mental de la structure interne du système qu’il s’est formé pour y faire face.
47
Buts
Comportement basé sur la connaissance (KBB)
Identification Décision Planification
Comportement basé sur les règles (RBB)
Reconnaissance Association Règles

de situation état/tâche enregistrées
Comportement basé sur l’habileté (SBB)

(Signes) Activités
Prise en compte
sensori-motrices
Entrées d’information Signaux Actions
Figure I.23 : Modèle à trois niveaux de performance de l’opérateur humain.
Dans le contexte de notre travail nous allons nous intéresser plus particulièrement au premier
niveau de comportement pour des actions de pilotage de type réflexe. Les modèles qui suivent
correspondent à cette situation.
I.5.4. Le modèle crossover

Le modèle crossover a été initialement introduit par McRuer et Jex pour une tâche de pilotage
d’avion [MCRU67] ; ce modèle a ensuite été validé pour un grand nombre de tâches de
compensation et de poursuite. Il se base sur l’hypothèse que les variables dominantes sont les
variables de travail et que le modèle de l’humain peut être divisé en deux parties, une partie
quasi-linéaire, qui peut être représentée par une fonction linéaire Yp(s), et un reste non linéaire
appelé «Remnant » ou Reste.
L’élément commandé est représenté par la fonction de transfert Yc(s) du « véhicule » ; le
pilote ajuste son comportement pour que le système en boucle fermée réponde aux exigences
de n’importe quel bon système de commande (Figure I.24). Pour cela, il faut mettre
l’amplitude du système en boucle ouverte |YOL|=|Yp.Yc| très grande pour les fréquences de la
bande passante de l’entrée du système, et très petite à l’extérieur de cette bande. La région
autour de la fréquence de coupure ωc, c'est-à-dire pour |YOL| =1, est d’une très grande
importance pour les raison suivantes :
48
• la sortie est très proche de l’entrée, et donc l’erreur est minime,

• les modes dominants du système sont définis dans le voisinage de ωc,
• la stabilité du système en boucle fermée est définie par les caractéristiques du système
(gain et phase) dans cette région.
i m
+ e Opérateur c Elément
- humain commandé
Yp(s) Yc(s)
YOL(s)
Figure I.24 : Schéma fonctionnel du système homme-machine
pour une tâche de compensation ou de poursuite
Le pilote adapte son comportement de telle sorte que la pente de |YOL|=|Yp.Yc| dans la région
de crossover ait une valeur proche de -20dB/décade. Le déphasage dans cette région voisine
les -90°. Il y a aussi une accumulation de retards additionnels dus aux délais de transport de
l’information et à la dynamique neuromusculaire à haute fréquence. Tout cela peut être
représenté par un temps de retard efficace τe. Le modèle crossover à deux paramètres peut
alors représenter la plupart des comportements du système homme-machine dans la région de
la fréquence de coupure ωc . Ce modèle est défini par la fonction de transfert suivante :
ωc e − jωτ
YOL ( jω ) = YpYc ≅
e
au voisinage de ωc .
jω
Cette relation est vérifiée pour plusieurs formes d’éléments commandés Yc en particulier
Kc K
Yc = K c , et 2c . Cette forme simple du modèle crossover ne remplace pas le modèle
s s
analytique du système mais il représente une bonne approximation de nombreux systèmes
pilote-véhicule.
Le modèle du pilote peut être déduit d'après la forme de la fonction de transfert du véhicule.
Sa forme la plus générale est donnée par :
(TL jω + 1) − jω τ e
Y p ( jω ) = K p e près de ωc
(TI jω + 1)
Où
Kp : gain statique du pilote ;
TL : constante de temps d’avance;
TI : constante de temps de retard;
τ e : temps de retard effectif comprenant les retards de transmission et les retards
49
neuromusculaires à haute fréquence.

ωc et τ e sont fonctions des variables de tâches ; τe inclut les retards du processus et de
l’opérateur.
Le modèle crossover a prouvé son efficacité pour la modélisation du comportement de
l’opérateur humain dans des systèmes dynamiques. Il a aussi permis de prédire la stabilité en
boucle fermée d’un avion piloté en combinant la fonction de transfert de l’avion avec le
modèle crossover de son pilote [HOSM99]. Il a aussi procuré des moyens utiles pour prédire
la charge de travail mentale1 rencontrée par les pilotes d’avion à partir du taux d’avance ou du
contrôle dérivatif que le pilote doit effectuer pour compenser des retards de contrôle de grands
ordres [HESS77].
I.5.5. Le modèle OCM

Le modèle OCM considère le système homme-machine en boucle fermée constitué d’un
modèle du système à commander et d’un modèle de l’opérateur humain (Figure I.25)
[KLEI70]. La machine est représentée en trois étages dans l’espace d’état : les actionneurs
agissent sur le système à contrôler soumis à des perturbations, la sortie du système étant une
interface visuelle. Le modèle de l’opérateur humain suppose implicitement que l’homme
contrôle la tâche de façon optimale et qu’il possède un modèle mental du système à
commander. Il comprend également trois étages, de perception, de traitement de l’information
et d’action. L’étage de perception visuelle est constitué d’un seuil de perception, d’un retard
de réaction et de bruits d’observation. La combinaison d’un filtre de Kalman et d’un
prédicteur tient compte de ces limitations humaines pour estimer l’état actuel du système à
commander. Le dernier étage calcule la commande à appliquer au système (loi de commande
optimale) celle-ci étant modifiée par les limitations motrices de l’opérateur humain.
1
Deux orthographes sont d’usage pour cette expression : « charge de travail mental » et « charge de travail
mentale ». Nous avons préféré la seconde qui traduit plus fidèlement l’expression « mental workload » des
anglophones.
50
Bruit blanc w(t)
Filtrage des Machine

perturbations
Perturbation Variables
Système observables y (t )
Actionneurs Afficheurs
contrôlé
x(t )
Commande u(t)
Modèle de l’opérateur humain

Action Traitement d’information Perception
1
(1 + Tp )
Loi de
commande
Prédicteur Filtre de
kalman
Retard τ Seuil
x′′(t ) x′(t − τ ) y p (t − τ ) Bruit

Bruit moteur d’observation
Figure I.25 : Le modèle OCM
Ce modèle a été validé dans de nombreuses tâches de contrôle continu, en particulier de

pilotage de véhicules. Moyennant quelques modifications, il a été également appliqué à des
tâches de poursuite de cibles [MAHO94] ; il est par contre mal adapté à la prise en compte de
phénomènes intermittents apparaissant au cours d’une tâche de supervision [JOHA82].
I.5.6. Conclusion
De nombreux travaux sont relatés dans la littérature concernant la modélisation d’une tâche de
pilotage de véhicule. Les plus connus, le modèle crossover et le modèle OCM ont été décrits
ci-dessus. Aucun de ces travaux cependant, à notre connaissance, ne concerne des pilotes
handicapés. D’une telle étude, on pourrait sans doute déduire un contrôle plus personnalisé
des fauteuils électriques.
I.6.Commande à retour d’effort des fauteuils roulants
I.6.1. Introduction
Comme nous l’avons vu dans les paragraphes précédents, plusieurs modes de commande ont
été implémentés sur les fauteuils intelligents. Le plus séduisant a priori pour des personnes
sévèrement handicapées serait le mode automatique. Ce dernier pose cependant deux
problèmes majeurs : un problème technique et un problème psychologique. D’un point de vue
technique, pour arriver à un mouvement automatique fiable, nous devons utiliser des capteurs
51
sophistiqués capables de détecter parfaitement l’environnement, ainsi que des algorithmes de

prise de décision efficaces qui doivent répondre en temps réel. Mais jusqu'à maintenant, nous
ne disposons pas de tels capteurs, et les algorithmes utilisés pour la navigation automatique
sont lourds et incompatibles avec les exigences d’une telle application en matière de coût et
de temps de calcul. D’un point de vue psychologique, beaucoup d’utilisateurs potentiels d’une
part appréhendent de laisser l’entier contrôle du mouvement à la machine, d’autre part
souhaitent utiliser au mieux leurs facultés motrices résiduelles.
Quand les capacités physiques de l'utilisateur le permettent, on peut pallier le problème de
fiabilité en commandant le fauteuil en mode «partagé»: l'ordre et la direction de mouvement
sont donnés par l'utilisateur, la machine grâce à ses capteurs d'environnement (télémètres
ultrasonores en général) aide celui-ci à éviter les obstacles. La personne reste ainsi toujours
maître d'arrêter ou de continuer le mouvement. Cette façon de procéder présente néanmoins
quelques limitations. En particulier certains mouvements comme pousser une porte
entrebâillée deviennent impossibles. Les inconvénients d’ordre psychologique du mode
automatique ne disparaissent pas non plus : la personne perd en partie le contrôle du
mouvement puisqu'elle le partage avec la machine. Ceci peut perturber fortement certains
utilisateurs, la direction du déplacement n'étant pas forcément celle proposée via l'interface de
commande.
Une méthode pour assister la conduite du fauteuil tout en laissant au pilote son entier libre
arbitre consiste à introduire un retour d'effort sur le joystick de commande fonction de la
proximité des obstacles. On peut alors parler d’un mode de commande « assisté » : le
contrôle du fauteuil est entièrement à la charge de la personne, la machine en tant que
superviseur du mouvement se contente de lui transmettre des informations haptiques pour
enrichir le retour visuel naturel. Dans ce contexte, les limitations techniques et
psychologiques des modes automatique et semi-automatique n’apparaissent plus. On va
s’attacher dans ce qui suit à décrire les quelques projets en ce sens relatés dans la littérature.
I.6.2. Fauteuils intelligents en mode de commande assisté

De nombreuses études et réalisations ont porté sur la transmission d’informations de la
personne handicapée aux facultés motrices, par hypothèse, très limitées, vers une aide
technique (aide à la mobilité, à la préhension ou à la communication). Par contre le retour
d’informations de la machine vers l’homme reste un domaine encore insuffisamment exploré.
52
Il s’agit principalement d’un retour visuel direct ou à travers des caméras, associé parfois à
des informations sonores (synthèse vocale).
Une autre manière d’obtenir le retour d’informations vers l’humain est d’utiliser le retour
haptique sous toutes ses formes (tactile, proprioceptive et kinesthésique). Le retour tactile
peut apparaître sous forme de vibrations [KELL99] mais les informations données par un tel
signal ne sont pas très explicites, l’utilisateur ne peut donc les interpréter avec précision. Le
retour de force (kinesthésique) a été utilisé par quelques équipes de recherche pour
transmettre des informations à l’utilisateur sur la position des obstacles et sur les directions
libres. Les interfaces utilisées pour assurer le retour d’effort sont souvent les joysticks comme
c’est le cas dans [BRIE96] [LUO99] [KITA01], ou directement via les « mains courantes » des
roues pour des fauteuils roulants manuels [SIMP05].
BRIENZA et al ont conçu un joystick à retour d’effort spécifiquement pour tester en
environnement entièrement modélisé (Figure I.26) un algorithme de retour d’effort «passif»
(le joystick résiste à un mouvement vers un obstacle) et un algorithme de retour d'effort
«actif» (le joystick écarte le fauteuil des obstacles) [BRIE96]. L'algorithme «actif» s'étant
avéré plus efficace, il a été testé sur 5 personnes handicapées [PROT00] : pour 4 d'entre elles,
le nombre de collisions dans un parcours test a diminué par rapport à un pilotage sans retour
d'effort. Il faut noter que ce fauteuil ne possède aucun capteur d’environnement puisqu’il
utilise un environnement entièrement modélisé.
Régulateur
Plan de
l’environnement
Commande des
actionneurs Algorithme de Position des
modifiée commande obstacles et
du joystick vitesse
Force de
l’utilisateur
Les capteurs
Actionneurs
Commande de Interface de
vitesse puissance
Capteurs
Joystick Le fauteuil
Figure I.26 : Le diagramme de fonctionnement du fauteuil de BRIENZA

dans un environnement totalement modélisé.
53
Dans [HONG99] les auteurs décrivent un algorithme de type « actif » basé sur la méthode
des potentiels modifiée : pour contourner la difficulté de passer des portes avec cette méthode,
les auteurs ne tiennent compte, pour calculer la force répulsive, que des obstacles situés à +/-
30° dans la direction d'avance du fauteuil.
Une autre étude a montré l’intérêt de la conduite du fauteuil Luoson III (Figure I.26) en mode
assisté par des personnes aveugles [LUO99]. La méthode a été testée dans deux cas de figure,
le passage dans un couloir et la sortie d’une chambre pour entrer dans une autre, et a démontré
qu’elle peut donner une information fiable de l’environnement autour du fauteuil et donc aider
la personne à éviter des accidents graves. Un algorithme basé sur la logique floue est utilisé
pour calculer le retour de force.
Figure I.27 : Le fauteuil Luoson III
Une équipe de l’Université de Toyohashi au Japon a utilisé un joystick à retour d’effort sur un
fauteuil omnidirectionnel. Les tests dans des environnements encombrés ont donné des
résultats satisfaisants [KITA01].
Pathfinder est un module qui peut être rajouté à un fauteuil électrique ou manuel. Il est équipé
de capteurs ultrasons pour la détection des obstacles et de capteurs laser pour l’identification
de la nature du sol et la détection des trous et escaliers. Il propose un retour sonore et un
retour haptique sous forme de vibration. Ce module est commercialisé par Nurion Industries
[KELL99].
Le SPAM (Smart Power Assistance Module) (Figure I.28), est un module à rajouter à des
fauteuils manuels qui applique un couple additionnel sur les roues en fonction du retour de ses
capteurs ultrasons. Un retour haptique est donc généré sur les mains courantes [SIMP05].
54
Figure I.28 : Le module SPAM placé sur un fauteuil manuel
D’autres travaux décrits dans la littérature concernent la téléopération d’un mobile assisté par
un retour d’effort. Ces applications ne ciblent que des utilisateurs valides mais leurs
conclusions sont tout de même indicatives sur le potentiel de la méthode. Ainsi dans
[BARN99] des expérimentations sont menées en simulation concernant la téléopération d’un
bras de robot Puma 560 placé sur une base mobile K2A en milieux hostiles. Les auteurs
constatent une diminution significative du nombre de collisions en utilisant le joystick à
retour d’effort Impulse Engine 2000 en mode sans retour de force, puis en mode avec retour
de force. La durée et la longueur des trajets ne sont par contre que peu modifiées d’une
situation à l’autre. Une expérimentation similaire dans [LEE05], consiste à utiliser un appareil
à retour d’effort 3D PHANToMTM bridé à 2D pour la simulation de la navigation d’un robot
mobile dans un environnement virtuel. Cette expérimentation conduit aux mêmes
conclusions: le retour d’effort diminue les collisions et augmente la distance minimale de
sécurité qui sépare le robot des obstacles, sans augmenter significativement la durée de
navigation.
Des mesures de performance ne suffisent cependant pas toujours pour conclure à l’intérêt du
retour de force : dans [LAM04] des mesures de charge de travail mentale lors de la
téléopération d’un hélicoptère mènent au constat que certains algorithmes de calcul de retour
de force améliorent la performance au prix d’une augmentation significative de la charge de
travail.
I.6.3. Conclusion
Les quelques travaux décrits dans la littérature concernant les fauteuils commandés par un
joystick à retour d’effort présentent des résultats encourageants mais ne sont pas
suffisamment avancés pour conclure sur l’apport réel de ce nouveau mode de commande. Il
55
manque en particulier des expérimentations plus poussées permettant de mieux cerner dans
quelles conditions un retour d’effort peut améliorer les performances de pilotage par rapport à
une commande manuelle classique de fauteuil électrique.
I.7.Conclusion du chapitre 1
Ce chapitre a présenté les différents éléments d’une commande d’un fauteuil électrique
intelligent en mode assisté en utilisant le retour de force. Nous avons tout d’abord effectué
une synthèse des différents travaux existant dans le domaine des fauteuils électriques
intelligents. Nous avons détaillé les différents critères de classification de ces fauteuils puis
établi une liste des fauteuils développés jusqu’à ce jour.
La deuxième partie du chapitre s’est intéressée aux différents modes de commande que l’on
peut établir dans un couple homme-machine : le mode manuel, le mode combiné, le mode
partagé et le mode automatique. Les problèmes rencontrés dans la conduite des fauteuils
roulants électriques par des personnes handicapées ne sont pas entièrement résolus par
l’utilisation de ces modes de commande, d’où la nécessité de concevoir un autre mode de
commande que l’on peut appeler « mode assisté » utilisant une interface à retour de force.
La troisième partie de ce chapitre a été consacrée à l’utilisation du retour d’effort dans le
monde de la robotique. Nous avons donné des exemples de différents types d’interfaces
existants ainsi qu’un aperçu de leurs applications.
Nous avons ensuite décrit les deux modèles les plus usités de l’opérateur humain dans une
tâche de conduite d’un véhicule : le modèle crossover et le modèle OCM. Pour clôturer le
chapitre nous avons cité les quelques études portant directement sur notre travail de thèse : la
commande assistée d’un fauteuil roulant électrique par l’utilisation d’un joystick à retour de
force.
56
Chapitre 2. Conception du Simulateur
II. CHAPITRE 2 : CONCEPTION DU SIMULATEUR
CONCEPTION DU SIMULATEUR
II.1. Introduction
Face à des procédés et des machines de plus en plus complexes à maîtriser, l’homme a dû
affronter le problème de la formation des opérateurs qui devenait difficile et coûteuse. Ainsi
est apparue l’idée de simuler des procédés complexes afin de les répéter à l’infini et d’éviter
le coût des dégâts produits par les erreurs de manipulation lors de l’apprentissage. Cela
permet aussi d’effectuer des expériences en toute sécurité. Bien que la simulation ne prétende
pas reproduire parfaitement la réalité, elle peut être un outil dont l’intérêt s’évalue selon
quatre critères [ROUH88] :
• Efficacité : le simulateur offre des situations très diverses qui ne se rencontrent pas
facilement dans la réalité.
• Sécurité : il n’y a pas de risques lors de la manipulation, alors que le risque est présent
lorsque le travail réel est effectué dans un milieu hostile, que ce soit pour le matériel
ou pour la personne. Ceci est d’autant plus vrai dans la situation où l’utilisateur est une
personne sévèrement handicapée.
• Disponibilité : un simulateur est utilisable tout le temps indépendamment de la
disponibilité des locaux ou de la compatibilité de l’environnement.
• Rentabilité : le coût d’une expérimentation dans un site réel est en général
incomparable à celui d’une expérience effectuée sur un simulateur.
D’autre part les simulateurs autorisent le contrôle aisé des paramètres de la situation simulée
et permettent d’observer facilement des grandeurs qui demandent un observateur dans un
système réel.
Tous ces arguments justifiant la simulation sont applicables au cas particulier de tests de
nouvelles fonctionnalités pour un fauteuil intelligent. Les expérimentations en situations
réelles dans ce contexte sont en effet très lourdes à mener pour des raisons de sécurité, de
57
fiabilité des prototypes de laboratoire, de la difficulté de dupliquer ces prototypes et de la

fatigabilité des personnes sévèrement handicapées.
D’après [SUTT90], pour qu’un simulateur se rapproche de la réalité, il faut :
• que la tâche indiquée à l’opérateur soit identique à la tâche réelle,
• que l’opérateur utilise les mêmes moyens de commande et de réception d’information
que sur le système réel,
• que l’opérateur soit psychologiquement préparé à accepter la simulation.
Dans notre cas, le simulateur consiste en un environnement en 2D où l’on peut contrôler un
prototype du fauteuil roulant VAHM. Il va nous permettre de tester :
• différents algorithmes de commande pour le fauteuil roulant électrique,
• différents algorithmes de calcul de la force de retour,
• plusieurs types d’environnements,
• différentes cinématiques de fauteuil (traction avant, traction arrière…).
Dans ce chapitre nous allons détailler les différents éléments entrant dans la conception d’un
simulateur permettant de tester une nouvelle fonctionnalité pour fauteuil intelligent, la
« commande assistée ». Les caractéristiques du robot simulé sont celles du robot réel VAHM.
Nous allons donc en décrire ses trois versions puis les modéliser. Nous détaillerons ensuite
les différentes méthodes proposées pour le calcul du retour de force et nous conclurons le
chapitre par une description fonctionnelle du simulateur.
II.2. Modélisation du robot VAHM
II.2.1. Introduction
Dans cette première partie nous présentons tout d’abord le projet VAHM. Nous décrivons
brièvement les trois versions de ce fauteuil puis nous présentons le modèle cinématique du
fauteuil VAHM2 assimilable à un robot à deux roues motrices. Ce modèle est le même pour le
fauteuil VAHM3, seule change la position des roues motrices. Nous développons ensuite le
modèle dynamique du VAHM2 ; ce modèle peut être défini soit par l’utilisation des équations
mathématiques de la dynamique du fauteuil, soit par identification.
58
II.2.2. Description du projet VAHM

Le projet VAHM (Véhicule Autonome pour Handicapé Moteur) a vu le jour dès le début des
années 90, dans le but d’améliorer la conduite des fauteuils roulants électriques en les
équipant de capteurs de l’environnement et de méthodes de commande issues de la robotique
mobile. Ce projet a connu trois prototypes de fauteuils :
VAHM1 : il est conçu à partir d’une base mobile ROBUTER équipée d’un micro-ordinateur
portable et d’un siège pour personne handicapée (Figure II.1). Cette base mobile a des
dimensions identiques à celles d’un fauteuil roulant électrique standard.
Figure II.1 : Le robot VAHM1
VAHM2 : la deuxième version du fauteuil VAHM est basée sur l’amélioration d’un fauteuil
roulant électrique commercial à traction avant, le PP201 de la société suisse PowerPush
(Figure II.2). Son électronique de commande est architecturée autour d’un bus propriétaire de
type CAN, le bus DX développé par la société Control Dynamics Ltd. Le système DX
minimal se compose de deux modules :
• Le module principal qui inclut le joystick et les différents boutons de commande, les
boutons d’activation d’options, ainsi que les indicateurs d’erreurs et de niveau de la
batterie.
• Le module de puissance qui convertit les signaux de commande provenant du module
principal en signaux de puissance permettant l’activation des moteurs.
Le bus système étant de type CAN seulement quatre fils sont nécessaires : deux pour
l’alimentation et deux pour les signaux de commande.
59
Ecran LCD
Calculateur
Manette de
commande
Caméra
Roues folles
Manuel
Manuel
Roues
Ceinture motrices Calculateur
Capteurs US Embarqué
a b
Figure II.2 : a) Le robot VAHM2 ; b) Architecture du Bus DX
Figure II.3 : Positionnement des capteurs ultrasonores sur le VAHM2
Le fauteuil est équipé de seize capteurs ultrasonores répartis autour du véhicule comme le
montre la Figure II.3. Ces capteurs sont des POLAROÏD dont l’activation est gérée par une
carte microcontrôleur Motorola 68HC811 qui s’occupe également de transmettre les mesures
des capteurs à l’unité de traitement via une liaison série RS-232. Le système odométrique se
compose de deux codeurs optiques incrémentaux (un par roue motrice) couplés à une carte de
comptage permettant d’atteindre une résolution de 4096 pas par tour de roue. Le système de
vision est composé d’une caméra CCD Watec 505-EX et d’une carte d’acquisition vidéo
MiroPC/TV de chez PINCELTM. Le calculateur de bord s’occupe du traitement des données
des différents capteurs et de l’envoi de la commande vers les moteurs des roues motrices.
60
Enfin, le fauteuil est équipé d’un écran LCD permettant de réaliser une interface graphique
entre l’utilisateur et le système.
VAHM3 : le robot VAHM3 est basé sur le fauteuil à traction arrière Invacare StormIII (Figure
II.4). Son électronique de commande est identique à celle du VAHM2.
Calculateur
Ecran
LCD
Manette de
commande
Roues Capteurs à
Motrices ultrasons
Roues
folles
Figure II.4 : Le robot VAHM3
Figure II.5 : Disposition des capteurs ultrasonores sur le robot VAHM3.
Le fauteuil est équipé d’une ceinture de capteurs ultrasonores. La Figure II.5 montre leur
disposition autour du fauteuil. Le système odométrique est identique à celui du fauteuil
VAHM2. Le fauteuil ne possède pas de système de vision. L’ordinateur de bord est basé sur
un microprocesseur Pentium4 à 2.66 GHz de fréquence d’horloge et doté de 512 Mo de Ram.
Enfin, le fauteuil est équipé d’un écran LCD.
61
II.2.3. Modélisation cinématique du fauteuil VAHM

On suppose pour la modélisation cinématique du robot VAHM que le fauteuil se déplace sur
des surfaces planes et horizontales (environnements intérieurs). Les mouvements du fauteuil
seront donc limités à des translations dans le plan (O0 , X 0 , Y0 ) et des rotations autour de son
axe de rotation (O1 , Z1 ) , (Figure II.6).

Le modèle cinématique de configuration est un modèle que l’on qualifie de « descriptif » car
son rôle est de décrire le mouvement sans se préoccuper des causes physiques qui l’ont
engendré. Le modèle que l’on va développer dans cette partie est valable pour les fauteuils
VAHM2 et VAHM3. Ce modèle lie les postures (position [x(t ), y (t )] et orientation θ (t ) )
T
successives du système au vecteur des variables articulaires Θ, en tenant compte de la non
holonomie du robot.
Y1
Y0
y (t )
Z1
O1
θ (t )
X1
O0
x(t ) X0
Figure II.6 : Posture q du VAHM2 : q = [x(t ), y (t ),θ (t )]

T
Le fauteuil possède deux roues motrices et se déplace grâce à leurs mouvements différentiels.
Le modèle cinématique de notre fauteuil est similaire au modèle d’un robot mobile à deux
roues motrices indépendantes. A partir de la connaissance de la posture q du robot à un
instant donné t exprimée dans un repère fixe ℜ0 et la mesure de la variation des angles de
rotation des roues motrices, on désire estimer la posture du robot à l’instant suivant t+1. Pour
cela on s’appuie sur le principe de l’odométrie.
62
La posture q du robot à l’instant t est donnée par q = [x(t ), y (t ),θ (t )] et pour chaque roue
T
motrice on définit :
• Son rayon : Rg [m] (rayon de la roue motrice gauche), Rd [m] (rayon de la roue motrice
droite) avec Rd = Rg = R .
• Son angle de rotation instantané : α g (t ) et α d (t ) [rad].
Dans notre cas le vecteur des variables articulaires est composé des angles de rotation
instantanés des roues motrices :
[
Θ(t ) = α g (t ), α d (t ) ] T
Nous allons définir α (t ) de telle sorte qu’il soit positif lorsque la rotation de la roue induit un
déplacement du fauteuil vers l’avant.
α (t )
Sens du déplacement
du fauteuil
R
Figure II.7 : Convention de signe pour l’angle de rotation d’une roue motrice
La vitesse angulaire instantanée de chaque roue ω g (t ) et ωd (t ) est donnée par la relation
suivante :
dα g , d (t )
ω g , d (t ) =
dt
La vitesse linéaire instantanée de chaque roue Vg (t ) et Vd (t ) est donnée par la relation
suivante :
Vg , d (t ) = R ⋅ ω g , d (t )
L’écart entre les roues motrices est noté L. La Figure II.8 représente ces différentes notations.
63
Y0 θ (t )
Vd (t )
V g (t )
y (t )
(ℜ0 )
O0 x(t ) X0
Figure II.8 : Posture du fauteuil par rapport à un repère fixe (ℜ0 ) .
Nous allons nous intéresser au mouvement décrit par le fauteuil entre deux postures
successives. Soit ∆α g (t ) et ∆α d (t ) les variations instantanées des angles de rotation des
roues gauche et droite respectivement, correspondant au passage d’une posture à une autre.
Elles sont définies à partir des vitesses de rotation instantanées ω g (t ) et ωd (t ) et de la période
d’échantillonnage Te du système :
∆α g , d (t ) = ω g , d (t ) ⋅ Te
On suppose que le centre de rotation du fauteuil (centre des roues motrices) passe du point A
au point B pendant une période d’échantillonnage Te (Figure II.9). Donc si le fauteuil est au
point A à l’instant t1 et arrive au point B à l’instant t2 alors t2 − t1 = Te . Posons t1 = k ⋅ Te et
t2 = (k + 1) ⋅ Te
Nous avons : q A = q (t1 ) = qk et qB = q (t2 ) = qk +1
64
∆θ k
θ k +1
yk +1
B ∆S d , k
∆S k βk
∆S g , k θk
yk
A
Y0
(ℜ0 )
O0 X0 xk +1 xk
Figure II.9 : Variation de la posture du fauteuil entre deux instants d’échantillonnage.
Entre les instants k ⋅ Te et (k + 1) ⋅ Te , le centre des roues motrices a parcouru la distance ∆S k et
l’axe des roues a tourné de l’angle ∆θ k . Les roues motrices gauche et droite ont parcouru
respectivement les distances ∆S g , k et ∆S d , k .
A partir de la Figure II.9, on peut écrire :

 xk +1 = xk + ∆xk

 yk +1 = yk + ∆yk
θ = θ + ∆θ
 k +1 k k
Avec :

 ∆xk = ∆S k ⋅ cos(β k )

 ∆y k = ∆S k ⋅ sin (β k ) (2.1)
 θ k +1 + θ k ∆θ k
β k = = θk +
 2 2
En définissant la variation de la posture ∆qk du fauteuil entre les instants k ⋅ Te et
 ∆xk 
(k + 1) ⋅ Te par ∆qk =  ∆yk 
∆θ k 
Le système précédent peut être écrit comme suit :
65
qk +1 = qk + ∆qk
A partir de la Figure II.9 on peut écrire :
 ∆S d , k + ∆S g , k
 ∆S k = 2
 ∆S d , k − ∆S g , k
sin (∆θ k ) =
 L
Pour un échantillonnage assez petit, on obtient des angles ∆θ k petits et donc on peut
approximer sin (∆θ k ) par ∆θ k . On obtient dans ce cas :
∆S d , k − ∆S g , k
∆θ k ≅
L
D’où le modèle cinématique du fauteuil :
  ∆θ k 
 xk +1 = xk + ∆S k ⋅ cosθ k + 2 
  
  ∆θ k 
 yk +1 = y k + ∆S k ⋅ sinθ k +  (2.2)
  2 
 θ k +1 = θ k + ∆θ k


Avec :
 ∆S d , k + ∆S g , k
∆S k = 2
 ∆S − ∆S g , k
∆θ k = d , k
 L
Ce modèle peut être écrit dans le domaine continu par le système d’équation suivant :

(v (τ ) + vg (τ ))⋅ cos(θ (τ ))dτ
t
 x (t ) = x (0 ) + 2∫ d
1
 0

 y (t ) = y (0 ) + 2 ∫ (vd (τ ) + vg (τ )) ⋅ sin (θ (τ ))dτ
t
1
(2.3)
 0

(vd (τ ) − vg (τ ))dτ
t
θ (t ) = θ ( 0 ) +
1
∫
 L 0
où :
vd = r × wd la vitesse linéaire de la roue droite sans glissement,
vg = r × wg la vitesse linéaire de la roue gauche sans glissement,
vt =
(vd + vg )
la vitesse linéaire sans glissement du point c,
2
66
w=
(v d − vg )
la vitesse de rotation du fauteuil,
L
wd , wg : les vitesses angulaires des roues droite et gauche respectivement,
r = 21cm : le rayon de chacune des roues motrices pour le VAHM2, et r = 18cm pour le
fauteuil VAHM3,
L = 57cm : la distance entre les deux roues motrices pour les fauteuils VAHM2 et VAHM3.
En dérivant l’équation (2.3) par rapport au temps nous obtenons :

 x& (t ) = vt (t ) ⋅ cos(θ (t ))

 y& (t ) = vt (t ) ⋅ sin (θ (t )) (2.4)
 θ&(t ) = w(t )

Il faut noter que ces équations définissent la vitesse angulaire du fauteuil. Le centre de
rotation du fauteuil est le point d’intersection des deux axes définis par les vitesses linéaires
des deux roues comme le montre la Figure II.10.
vd
vg
Centre de
rotation
Figure II.10 : Le centre de rotation du fauteuil.
II.2.4. Modèle dynamique du fauteuil

On se propose de réaliser une modélisation dynamique du VAHM2 dans l’objectif
d’introduire le modèle obtenu dans le simulateur. Un certain nombre de modèles mécaniques
ont été décrits dans la littérature dans un but de simulation [DING03]. Une autre approche est
utilisée en robotique dont les objectifs s’orientent vers les problèmes de la commande : on met
en entrée du système les variables commandables et en sortie les variables observables. Ces
deux approches se distinguent par leur formalisme et les outils théoriques utilisés. Une autre
manière de modéliser un système est de procéder par identification en effectuant des essais.
67
II.2.4.1. Modélisation mathématique

Le fauteuil VAHM2 se compose de plusieurs sous-systèmes : assise, roues motrices, moteur
électrique, roues libres… Nous pourrions rajouter à tout cela la dynamique de la personne
handicapée mais nous allons négliger sa présence sur le fauteuil et considérer ce dernier
comme un mécanisme rigide articulé. Il est donc constitué de trois corps rigides et peut être
complètement décrit en utilisant la troisième loi de Newton ainsi que le formalisme de
Newton-Euler. Ce modèle sera alors complet mais difficile à implémenter vu le nombre
important d’équations différentielles que le calculateur doit résoudre dans chaque boucle de
simulation. De plus nous ne possédons que très peu d’informations sur les paramètres du
VAHM, principalement du fait de l’absence de données constructeur (moment d’inertie,
caractéristique des couples moteurs). Par contre le modèle se simplifie si on fait la même
hypothèse que pour le modèle cinématique : le fauteuil se déplace dans des environnements
d’intérieur sur des surfaces horizontales. La matrice d’inertie du système se réduit donc à une
dimension et le problème peut être traité dans le plan.
Nous allons considérer que le fauteuil est constitué d’un seul corps excité uniquement par les
tensions envoyées sur les moteurs. Le VAHM2 peut être représenté dans ce cas par le bloc
diagramme de la Figure II.11. Le sigle AR signifie (Avant aRrière), et GD signifie (Gauche
Droite). u AR et uGD sont les commandes générées par le joystick ; vg et vd sont les tensions
envoyées aux moteurs gauche et droit respectivement ; wg et wd sont les vitesses angulaires
gauche et droite respectivement.
u AR
vg wg
Logique de commande et
Joystick
module de puissance
Moteur CC
Force de retour
Odométrie
Roues
motrices
Capteurs PC
ultrasonores
vd wd
uGD Moteur CC
Figure II.11 : Bloc diagramme du VAHM2 commandé par un joystick à retour d’effort.
68
Les commandes générées par le joystick sont fonction de sa position (cf. II.3.2 ; Figure II.18).
La modélisation du fauteuil consiste à identifier la partie qui contient le module de puissance
et la logique de commande des moteurs ainsi que les deux moteurs à courant continu liés à
chaque roue motrice. Les sorties de ce bloc seront la vitesse de rotation et la vitesse linéaire
du fauteuil.
La dynamique du fauteuil se résume à celle des moteurs électriques plus les charges placées
sur leurs arbres. Ceci veut dire que la dynamique des roues libres et de l’assise sera introduite
dans l’inertie de la charge. La fonction de transfert d’un moteur à courant continu est donnée
par la relation suivante :
N1
Kt
wi N2
=
vi   N1 
2
   N1 
2

( La s + Ra )   J m +   J l  s +  Bm +   Bl   + Kt K v
  N2   N2  
   
Où :
i : l’indice de la gauche ou de la droite
vi [volt] : la tension appliquée au moteur,
wi [ rad s ] : la vitesse angulaire instantanée,
N1 N 2 : le coefficient du réducteur de vitesse, avec N 2 > N1 ,
K t : la constante d’armature,
Kv [ N ⋅ m ] : la constante de la force électromotrice,

A
La [Henry] : l’inductance électrique,
Ra [ Ω ] : la résistance électrique du moteur,
J m , J l  Kg ⋅ m 2  : respectivement les moments d’inertie du moteur et de la charge placée sur

 s 
son arbre
Bm , Bl [N ⋅ m ⋅ s ] : les constantes de frottement du moteur et de la charge respectivement.
Il faut noter que la relation entre les tensions d’entrée des moteurs vL , vR et les entrées du
système constituées par les commandes envoyées par le joystick uar , u gd est inconnue et que
nous n’avons aucune idée sur la composition du module de puissance. La modélisation du
69
fauteuil mathématiquement devient alors impossible et nous allons donc procéder par
identification.
II.2.4.2. Identification du modèle dynamique du fauteuil

Nous cherchons à identifier le bloc qui admet comme entrées les signaux envoyés par le
joystick et comme sorties les vitesses angulaires des moteurs gauche et droit. Les relations
entre les vitesses de rotation des roues droite et gauche du fauteuil et les vitesses de
translation et de rotation du fauteuil sont données par les équations du modèle cinématique
défini précédemment.
L’identification va définir la fonction de transfert du système ayant (uar , u gd ) en entrée et
(w , w )
g d en sortie à l’aide de la réponse indicielle. Nous avons utilisé le logiciel
Matlab/Simulink et RealTime Blockset pour effectuer les essais sur le fauteuil. Pour cela nous
avons créé un fichier C-Mex qui permet l’application de n’importe quelle entrée (uar , u gd ) et
la lecture des capteurs odométriques (N g , N d ) . En se basant sur les mesures, les vitesses
angulaires (wg , wd ) peuvent être estimées par la relation suivante :
d 2π
wi = Ni avec i = g ou d
dt 4096
Le processus d’identification a été réalisé en utilisant la configuration présentée sur la
FigureII.12, avec un pas d’échantillonnage de 1 ms . Durant le processus d’identification la
charge est considérée constante et la surface sur laquelle on se déplace est plane et à faible
glissement.
70
AR Nd wd
Echelon
unité
Ficher 2π d
C-Mex 4096 dt
Echelon GD Ng wg
unité
Echantillon Echantillon
neur Processus neur
bloqueur d’identification bloqueur
d’ordre zéro d’ordre zéro
Fonction de transfert
Figure II.12 : Processus d’identification
En appliquant séparément un échelon unitaire sur les entrées AR et GD du système, on obtient

les sorties représentées sur la Figure II.13.
AR (continu), GD (pointillé) AR (continu), GD (pointillé)
wd (continu), wg (pointillé) wd (continu), wg (pointillé)

2
H111 H
1 2
11 1
H 22 H 222
H 21 H 21
H 121 H122
AR (continu), GD (pointillé) AR (continu), GD (pointillé)
wd (continu), wg (pointillé) wd (continu), wg (pointillé)
H 113 H 114 H123 H 124

3
H 21 H 214 3
H 22 H 224
Temps [s] Temps [s]

Figure II.13 : Les courbes des entrées-sorties lors de l’identification.
En se basant sur ces courbes on peut identifier les réponses par des fonctions de transfert du
deuxième ordre et on obtient les fonctions de transfert suivantes :
71
−0.08 s −0.08 s
−109 × 12.25e −109 × 23.04 −83 × 12.25e −83 × 23.04
H111 = H112 = H113 = H114 =
s + 6.3s + 12.25
2
s + 8.16 s + 23.04
2
s + 6.3s + 12.25
2
s + 8.16 s + 23.04
2
−0.13 s −0.13 s
180 × 2.89e 180 × 12.25 226 × 2.89e 226 × 12.25
H121 = 2 H122 = H123 = 2 H124 =
s + 2.72 s + 2.89 s + 5.95s + 12.25
2
s + 2.72 s + 2.89 s + 5.95s + 12.25
2
−0.08 s −0.08 s
−98 × 21.16e −98 × 36 −107 × 21.16e −107 × 36
1
H 21 = 2 H 212 = 3
H 21 = 2 H 214 =
s + 9.2 s + 21.16 s + 10.8s + 36
2
s + 9.2 s + 21.16 s + 10.8s + 36
2
−0.13 s −0.13 s
−133 × 4e −133 × 10.89 −259 × 4e −259 × 10.89
1
H 22 = 2 H 222 = 3
H 22 = 2 H 224 =
s + 3s + 4 s + 5.94 s + 10.89
2
s + 3s + 4 s + 5.94 s + 10.89
2
On peut remarquer que les ( H ij1 , H ij3 ) et ( H ij2 , H ij4 ) avec i = 1, 2 ont la même dynamique, seul le
gain statique diffère. Le modèle final qui est une combinaison de toutes ces fonctions de
transfert, est donné sur le schéma bloc de la Figure II.14.
Figure II.14 : Le modèle identifié.
Dans le but de valider ce modèle, nous lui avons appliqué les entrées utilisées pour le
processus d’identification, et nous avons comparé les résultats (Figure II.15). On peut ainsi
72
constater une bonne similitude entre les courbes obtenues à partir du système réel et celles
obtenues à partir du modèle.
wd : Réelle (continue), Modèle (pointillé) wd : Réelle (continue), Modèle (pointillé)
Temps [s] Temps [s]
Figure II.15 : Comparaison entre les réponses du système réel et celles du modèle.
Ce modèle va être rajouté à notre simulateur pour tenir compte du comportement dynamique
du fauteuil. Il doit subir une transformation de la sortie avant qu’il soit prêt à se placer dans la
boucle du simulateur représentée sur la Figure II.16. Cette transformation assure le passage
des vitesses de rotation de chacun des moteurs aux vitesses de rotation et translation du
fauteuil.
73
Transformation
Figure II.16 : Implémentation du modèle dans le simulateur.
L’introduction du modèle dynamique dans la simulation n’a cependant pas apporté en

pratique de changements significatifs dans le comportement du fauteuil. De plus le temps de
calcul est devenu plus important car nous sommes amenés à résoudre au moins une équation
différentielle dans chaque boucle de simulation. Notre simulateur est basé sur l’utilisation du
temps apparent qui cache tous les temps additionnels comme le temps de calcul et les temps
de communication. On arrive à cacher ces temps en donnant au fauteuil une unité de
déplacement assez grande pour que le système rattrape le retard. Quand on introduit le modèle
dynamique, le temps de calcul augmente encore plus. Si on essaye d’augmenter encore les
échelles pour cacher ce temps, le système devient instable. Compte tenu de ces inconvénients
et de l’apport peu significatif du modèle nous avons donc choisi de ne pas l’introduire dans
nos expérimentations.
74
II.2.5. Conclusion
Dans ce sous chapitre on s’est attaché à la modélisation du fauteuil VAHM. Nous avons décrit
les différentes versions de ce fauteuil, puis nous avons étudié son modèle cinématique, et
enfin identifié son modèle dynamique. De cette étude nous pouvons donc déduire les
caractéristiques du robot virtuel.
II.3. Algorithme de calcul du retour de force
Dans cette partie nous allons tout d’abord présenter la méthodologie générale d’application du
retour de force. Nous décrirons ensuite les différents algorithmes utilisés lors de nos
expérimentations. Ces algorithmes sont inspirés des nombreux travaux décrits dans la
littérature concernant le mode de commande partagé. La « meilleure » direction libre qui dans
ce mode de commande est imposée au pilote du mobile sera dans notre cas « suggérée » via le
retour d’effort.
II.3.2. Méthodologie de retour de force

Le système considéré dans ce travail utilise un mode de commande assisté avec l’utilisation
du retour de force. La Figure II.17 représente le schéma fonctionnel du système Homme-
Fauteuil.
Environnement
Retour de Force
Algorithme de calcul
Signal de
de retour de force
Fr
Opérateur Microsoft (Vl ,Va ) Algorithme U Dynamique Pa
Sidewinder Force
humain Fh Feedback 2 Joystick de commande du fauteuil
Affichage
Figure II.17 : Le schéma fonctionnel du système homme-fauteuil
75
Sur la Figure II.17, Pa est la position actuelle du fauteuil. L’opérateur humain observe cette
position et envoie sa commande pour définir une position désirée sous forme d’une force Fh
qu’il applique sur le joystick. L’algorithme de retour de force définit la force de retour qui
sera reçue par l’opérateur. Cette dernière est calculée en fonction de la position actuelle du
fauteuil. La position du joystick est interprétée en direction et position comme le montre la
Figure II.18, où l’axe des abscisses est utilisé pour coder la vitesse angulaire Va , la vitesse
linéaire Vl étant codée sur l’axe des ordonnées.
Avant
+100
L’axe des Y
Vitesse Linéaire
Gauche -100 Va (t ) L’axe des X +100 Droite

Vitesse Angulaire
Vin (t ) Vl (t )
-100
Arrière
Figure II.18 : Interprétation des axes du joystick
La direction du fauteuil suit celle du vecteur de la vitesse instantanée Vin (t ) où
Vin (t ) = Vl (t ) + Va (t ) . Ces nouvelles consignes (vitesse linéaire et vitesse angulaire) sont

transmises à l’algorithme de commande qui calcule la commande U des moteurs du fauteuil
pour atteindre la vitesse et la direction désirées. L’opérateur humain observe la nouvelle
position Pa et ajuste la force Fh qu’il applique sur le joystick pour rapprocher la position
observée du fauteuil de la position désirée.
II.3.3. L’algorithme de retour de force
L’algorithme de retour de force calcule l’intensité et la direction de la force de retour Fr .

Nous avons utilisé trois méthodes pour calculer la force du retour : la méthode VFF (Vector
Force Field), la méthode VFH (Vector Field Histogram) et la méthode MVFH (Modified
Vector Field Histogram). L’entrée de chacune de ces méthodes est la position des obstacles
autour du fauteuil obtenue grâce à des capteurs télémétriques. Sur les prototypes du VAHM
76
on utilise actuellement des capteurs ultrasonores. Un télémètre laser est en cours

d’implémentation.
II.3.3.1. Télémètres ultrasonores

La position des obstacles proches du fauteuil est détectée grâce aux seize capteurs à ultrasons
placés autour du fauteuil. Il y a deux configurations possibles de ces capteurs selon que l’on
utilise les versions 2 ou 3 du fauteuil VAHM (Figure II.3 et II.5). Chaque capteur retourne la
distance entre lui-même et l’obstacle le plus proche dans son champ. Ce champ s’étend au
plus à deux mètres. Cette limitation n’est pas due au capteur mais à l’algorithme de pré-
traitement des données (carte 68HC811) pour des raisons de rapidité d’acquisition. La
distance minimale lue par les capteurs est de 0.1m (une distance inférieure est fixée à cette
valeur). L’utilisation des capteurs ultrasonores rencontre plusieurs problèmes pratiques (cf.
I.2.5). On pourra donc être amené à utiliser un autre type de capteur pour améliorer la
perception de l’environnement. Les algorithmes de calcul de retour de force que nous allons
expérimenter ne dépendent pas en effet du type de capteurs télémétriques choisi.
II.3.3.2. Méthode des potentiels : VFF

La méthode des potentiels (VFF : « Vector Force Field » [BORE89]) est applicable selon
deux variantes, en utilisant ou non une grille virtuelle autour du fauteuil.
II.3.3.2.1. VFF sans grille

Le principe de la méthode des potentiels pour la navigation d’un robot mobile consiste à
attribuer à l’objectif un potentiel attractif et aux obstacles un potentiel répulsif. Dans notre cas
on se base sur les mesures retournées par les capteurs pour calculer la force de retour selon la
relation suivante :
F r = ∑i =1α i ⋅ f i
n
Où :
fi. : la force de retour correspondant au ieme capteur ultrason
α i : le poids de la force fi
n : le nombre de capteurs, 16 pour le robot VAHM.
La force de retour élémentaire est donnée par la relation suivante :
77
1 j (π +θ i )
fi = e
di
di et θ i sont les coordonnées polaires du vecteur entre l’ieme capteur et l’obstacle détecté par ce
dernier comme le montre la Figure II.19.
Les α i sont des constantes fonctions du comportement que l’on veut privilégier. Il est possible
aussi de remplacer les α i par des fonctions variables dans le temps. Nous avons opté pour le
cas le plus simple qui consiste à donner aux α i une valeur constante : ∀ i, α i = 1 .
c1 c2
c3
d
c4
θ
c5
f5
f4
f3
F r = ∑ i =1α i ⋅ f i
n
Figure II.19 : La détection des obstacles et la force de retour.
II.3.3.2.2. VFF avec grille

La méthode Virtual Force Field (VFF) avec l’utilisation d’une grille autour du fauteuil a été
développée par Borenstein et al [BORE89] pour la navigation en temps réel des robots
mobiles. Dans un premier temps on crée une grille virtuelle autour du fauteuil. Cette grille est
constituée de cases suffisamment petites pour permettre la distinction des obstacles. Dans
notre cas, nous avons pris une grille de 51 × 51 comme le montre la Figure II.20. Chaque
cellule a une taille de 10 × 10cm 2 .
78
Des cellules ayant

des valeurs
différentes de zéro x
Fij
Obstacle y
Axes
Fr = ∑ Fij d’émission
i, j des Capteurs
Figure II.20 : Représentation du fauteuil pour l’application de la méthode VFF
La grille se déplace avec le fauteuil de façon à ce qu’il soit toujours placé en son centre.
Chaque case de la grille est affectée d’un poids Cij qui varie au cours du mouvement du
fauteuil. Sur la Figure II.20 les cellules ayant un Cij différent de zéro sont représentées par
des cercles bleus. Lorsqu’un obstacle est détecté à la case (i, j ) on incrémente le poids de
cette case de 1. On décrémente de 1 toutes les Cij différents de zéro après un certain temps
défini de manière empirique (facteur d’oubli), ceci pour tenir compte de la forte imprécision
sur l’odométrie.
( )
Dans un repère o, x, y , la force de retour Fij générée par la cellule (i, j ) est donnée par la
relation suivante :
Fcr ⋅ Cij  x − x0 y − y0 
F ij =  x+ y
d (i, j )  d (i, j )
2
d (i, j ) 
Où :
Fcr : constante qui définit l’intensité de la force
d (i, j ) : la distance entre la cellule (i, j ) et le fauteuil.
Cij : le poids de la cellule (i, j ) .
x0 , y0 : les coordonnées du centre du fauteuil.
x, y : les coordonnées de la cellule (i, j ) .

La force totale est la somme vectorielle des forces générées par toutes les cellules de la grille.
On peut donc écrire : Fr = ∑ Fij .
i, j
79
Pour gagner en temps de calcul nous n’avons pas pris en considération les cellules adjacentes
au bord du fauteuil, puisque la présence d’une force de retour dans cette zone signifie une
collision.
II.3.3.3. VFH
La méthode Vector Field Histogram (VFH) [BORE91] a été développée pour compenser
certaines limitations de la VFF, notamment la difficulté de franchir des passages étroits.
L’implémentation de la VFH passe par trois étapes :
a) Construction d’une grille autour du fauteuil de la même manière que pour la VFF. On
utilise la même méthode de remplissage des cellules et d’incrémentation et de
décrémentation des poids.
b) Construction d’un histogramme polaire unidimensionnel H autour du fauteuil. H
contient n secteurs angulaires de largeur α ; le choix de ce paramètre résulte d’un
compromis entre précision et temps de calcul. Nous avons fixé α =5° et donc
360
n= =72 secteurs angulaires. On définit toutes les cellules actives dans chaque
α
portion de l’histogramme H puis on calcule la densité polaire hk de chaque portion k
de l’histogramme.
Pour cela on définit l’appartenance de chaque cellule active (qui a une valeur
différente de zéro) à sa portion k en calculant l’angle β i, j qui définit la direction entre
 y − yo 
chaque cellule active Ci*, j et le centre géométrique du véhicule : β i , j = tan −1  i  .
 xi − xo 
D’autre part on définit la grandeur mij qui varie en fonction de la distance qui sépare la
cellule active et le centre géométrique du fauteuil d’une part, et du poids Ci*, j de cette
cellule d’autre part :

mi , j = Ci2, j ⋅ (a − b ⋅ d i , j )
Où :
a et b : constantes positives définies telles que a − b ⋅ d max = 0 ; en d’autres termes
pour la cellule la plus éloignée du centre du fauteuil, (c'est-à-dire située sur l’un des
sommets de la grille) mij est nul même si Cij est très grand.
80
dmax : longueur de la moitié de la diagonale du carré contenant la grille soit
2 ⋅ (Ws − 1)
d max = avec Ws la largeur de la grille.
2
C*i,j : le poids de la cellule active (i, j ) .
d i , j : la distance entre la cellule active (i, j ) et le centre du véhicule.
xo , yo : les coordonnées du centre de véhicule.
xi , y j : les coordonnées de la cellule (i, j ) .
Pour attribuer chaque cellule active à une portion de l’histogramme on définit k par la
relation suivante :
β 
k = int  i , j 
 α 
Figure II.21 : Les paramètres de définition de l’histogramme polaire
Enfin on définit la densité polaire hk de chaque portion de l’histogramme polaire par :
hk = ∑ mi , j
i, j
On obtient donc un histogramme unidimensionnel mais il n’y a pas de continuité entre

les valeurs hk de l’histogramme. Un lissage est en conséquence proposé en utilisant le
filtre passe-bas suivant :
81
hk −l + 2hk −l +1 + L + lhk + L + 2hk +l −1 + hk +l

hk′ = , où l est un pas à définir
2l + 1
expérimentalement. Sur la Figure II.22 nous pouvons voir un exemple de
représentation de l’histogramme issu du simulateur.
90° Direction choisie

par l’utilisateur
Direction
sélectionnée par
180° l’algorithme
0°
270°
a b
Figure II.22 : Représentation de l’histogramme polaire
c) La dernière étape consiste à calculer la sortie de l’algorithme VFH qui sera une force
définie par son intensité et sa direction. Pour le calcul de l’intensité de la force de
retour on garde le même principe que dans la méthode des potentiels, cependant cette
fois nous avons calculé la distance entre la cellule et le bord du fauteuil le plus proche
de cette cellule. Si d (i, j ) est la distance entre la cellule (i, j ) et le fauteuil alors
l’intensité de la force de retour est une somme pondérée de toutes les forces
élémentaires appliquées par chaque cellule de la grille ; chaque force élémentaire est
inversement proportionnelle à la distance d (i, j ) . Les coefficients de pondération sont
les poids Cij :
Fcr ⋅ Cij
F =∑
i, j d (i, j )
où : Fcr est un paramètre d’ajustement.
La direction de cette force est obtenue en choisissant la vallée la plus proche de la

direction choisie par l’utilisateur. Sur l’exemple de la Figure II.22 cette direction
conduit le fauteuil directement dans le mur ; l’algorithme cherche alors toutes les
régions creuses dans l’histogramme et sélectionne la plus proche de la direction
choisie par l’utilisateur ; il prend le milieu de cette vallée comme la direction de la
force de retour. Pour éviter de choisir des vallées pas trop creuses ou de fausses vallées
82
on utilise un seuil. Ce seuil peut être statique ou dynamique. Dans notre cas nous
l’avons défini empiriquement par la relation suivante :
S = 0.9 ⋅ ∑ Ci , j
i, j
II.3.3.4. MVFH
L’algorithme VFH a été défini initialement pour réaliser une commande du fauteuil en mode
partagé : la direction d’avance est alors celle indiquée ci-dessus comme étant la direction du
retour d’effort. Les auteurs ont constaté certaines difficultés à passer des portes de taille
standard (0,76 m pour un fauteuil de largeur 0,63 m) et notent d’autre part, qu’avec cette
méthode, des changements relativement importants dans la direction sélectionnée par le pilote
peuvent ne générer aucune variation de direction d’avance du mobile [BELL94]. Ils ont donc
proposé un algorithme modifié, le MVFH (Minimum Vector Field Histogram) qui lors du
calcul de la direction d’avance minimise la somme de l’histogramme et d’une fonction
parabolique centrée sur la direction souhaitée par l’utilisateur. Ceci permet de réaliser de
petites déviations locales de la trajectoire.
Histogramme
polaire
Direction libre
d’origine
Direction spécifiée αs
La nouvelle
forme de
l’histogramme
polaire
La fonction
parabolique
Figure II.23 : Histogramme polaire (algorithme MVFH)
pondéré par une fonction parabolique
La fonction parabolique représentée sur la Figure II.23 a la forme suivante :

H k = a ⋅ (k − α s ) − b
2
Où :
α s : la direction spécifiée par l’utilisateur.
a et b : des constantes positives définies d’une manière empirique. Nous avons fixé a = 0.1
et b = 0 .
83
Le nouvel histogramme polaire est la somme de l’histogramme polaire de la VFH et la

fonction parabolique.
II.3.4. Conclusion
Ce sous chapitre a tout d’abord présenté la méthodologie que nous avons adopté pour
implémenter les algorithmes de retour de force dans notre simulateur. Nous avons ensuite
décrit les différentes méthodes de calcul de retour de force destinées à être testées. Ces
méthodes ont été développées initialement pour l’évitement d’obstacles lors de la navigation
de robots mobiles et, plus particulièrement, pour la commande de fauteuils intelligents. Les
résultats relatés dans la littérature concernant ces algorithmes expérimentés en mode de
commande partagé devront être vérifiés en mode assisté.
II.4. Description fonctionnelle du simulateur
Dans cette partie nous allons décrire d’un point de vue fonctionnel le simulateur développé
durant cette thèse. Dans un premier temps nous allons détailler les différentes interfaces
graphiques que l’utilisateur rencontre lors d’une expérimentation. La deuxième partie
s’intéresse à l’organisation interne du simulateur et aux méthodes utilisées pour sa réalisation
ainsi qu’à la relation entre les différentes fonctions. La dernière partie est consacrée à
l’évaluation de la charge de travail mentale ; on détaille en particulier la méthode TLX qui a
été adoptée dans ce but dans nos essais.
II.4.2. Interface graphique homme-machine

La simulation débute par un choix de paramètres. L’opérateur introduit son nom et le type de
fauteuil utilisé (Traction Avant ou Arrière) ainsi que l’algorithme utilisé pour le calcul du
retour de force. Il a le choix d’afficher ou non différents éléments lors de la simulation : les
capteurs, l’histogramme polaire, la grille, la direction de la force et les bordures de
l’environnement. Nous avons utilisé plusieurs interfaces graphiques suivant les expériences
menées ; l’interface de définition des paramètres de simulation est conçue pour aider à
84
l’enregistrement automatique des données. Sur la Figure II.24, nous présentons la dernière
version de cette interface. Sur celle-ci, le choix des paramètres de simulation se fait
automatiquement en fonction du numéro de l’essai. L’essai n°3 correspond par exemple aux
paramètres « sans force, traction avant et essai n°1 ».
Figure II.24 : Interface graphique pour le choix des paramètres de la simulation.
Après l’étape d’initialisation nous pouvons lancer la simulation où nous commandons un

fauteuil dans un environnement comportant plusieurs types de situations (couloir, passage de
porte, passage libre, passage encombré, passage étroit). La Figure II.25 montre la dernière
version de cet environnement. La longueur du parcours change selon l’environnement choisi ;
elle varie entre 40 et 100 mètres. Pendant la simulation on a la possibilité d’observer en ligne
la distance parcourue, le nom de la zone dans laquelle se trouve le fauteuil, la durée, la vitesse
instantanée du déplacement en m/s et le nombre de collisions. Les couloirs composant
l’environnement sont d’une largeur de 2 mètres ou de 1.5 mètres, et les portes de 1 mètre ou
0.8 mètre. Nous avons la possibilité de faire une pause à n’importe quel moment, par un clic
de souris, un second clic relançant la simulation.
85
Figure II.25 : La dernière version de l’environnement de simulation.
Le titre de la fenêtre nous permet de connaître l’algorithme utilisé pour le retour de force, le
numéro de l’essai et le nom de l’expérimentateur, comme le montre la Figure II.26.
L’algorithme de retour de force

(Sf, VFH, MVFH…)
Type de fauteuil
Nom de la personne (traction avant, traction arrière) Numéro de l’essai,
effectuant l’expérience 0 veut dire que c’est un
entraînement
Figure II.26 : Titre de la fenêtre de l’environnement expérimental.
A la fin du parcours, ou en cas d’arrêt en cours de parcours, une boîte de dialogue résume les
résultats obtenus et donne le choix de les enregistrer ou non. La Figure II.27 présente cette
boite de dialogue dans le cas d’un parcours complet et dans celui d’un parcours incomplet.
86
a b
Figure II.27 : Boîte de dialogue de résumé des résultats
a) trajet incomplet, b) trajet complet.
Après cette étape, nous pouvons continuer les essais ou les arrêter pour les reprendre plus
tard. On peut faire ce choix à travers une boite de dialogue présentée sur la Figure II.28.
Figure II.28 : Boîte de dialogue du choix de poursuite des essais.
Dans le cas où l’on décide de continuer, on revient à la première interface d’initialisation

Figure II.24, l’incrémentation du numéro de l’essai se faisant automatiquement. Dans le cas
d’un trajet incomplet il n’y aura pas d’incrémentation de ce numéro ce qui implique que l’on
ne prend en compte dans les résultats que les parcours correctement finalisés.
Pour faciliter l’étude des résultats enregistrés dans cette série d’essais, nous avons développé
une interface graphique qui permet la présentation de toutes ces données rapidement. Nous
pouvons également dessiner les trajectoires suivies, et observer les collisions survenues. Si
l’utilisateur a effectué le nombre total des essais, nous pouvons transférer ses données
automatiquement sur un fichier Excel portant son nom. Cette interface graphique est
représentée sur la Figure II.29.
87
Figure II.29 : Interface graphique de traitement de données.
II.4.3. Architecture logicielle du simulateur

Nous avons utilisé le logiciel MATLAB®/SIMULINK® pour la réalisation de notre
simulateur. Le bloc SIMULINK est représenté sur le Figure II.30 ; il utilise ode5 pour la
simulation et se compose de deux blocs principaux, le bloc d’interfaçage avec le joystick
Microsoft Sidewinder Force Feedback 2 et un bloc de calcul de la force de retour et de
l’animation.
Figure II.30 : Diagramme des blocs SIMULINK du simulateur.
Le bloc « Force Feedback Joystick » gère les entrées-sorties du joystick ; il a trois entrées,
F_x, F_y et retour, et deux sorties. F_x et F_y sont les coordonnées de la force de retour ; ils
88
définissent l’intensité et la direction de la force. La grandeur « retour » est une variable

booléenne : quand elle est vraie le joystick renvoie un retour de force. Les sorties x et y sont
les coordonnées de la position du joystick.
Figure II.31 : Le bloc de gestion des entrées-sorties sur le joystick.
Le deuxième bloc, « Animation + Force Feedback », récupère la position ( x, y ) du joystick. Il

interprète ces coordonnées, gère l’animation, puis génère les coordonnées de la force de
retour et de la variable booléenne « retour ». La partie essentielle de ce bloc est la « matlab
function move_centre ».
Figure II.32 : Le contenu du bloc « Animation + Force Feedback ».
La fonction move_centre récupère la position du joystick, l’interprète en termes de vitesses

linéaire et angulaire (FigureII.18), récupère la position actuelle du fauteuil dans
l’environnement, met à jour cette position et génère les coordonnées de la force de retour
(F_x, F_y) à appliquer en fonction de la nouvelle position du fauteuil. Si le fauteuil rentre en
collision avec un obstacle sa couleur change (il devient rouge). On calcule le nombre de
collisions et on affiche en ligne le temps écoulé depuis le début de la simulation, la vitesse du
fauteuil, la distance parcourue ainsi que le nombre de collisions. Une variable logique teste
l’arrivée du fauteuil à la ligne de fin de parcours ce qui provoque l’arrêt du bloc simulink.
89
Cette variable, la variable « retour » et les coordonnées de la force sont transmises au bloc
simulink.
Le schéma de la Figure II.33 résume le fonctionnement du simulateur.
Passage au prochain
Goo : affichage de l’interface d’introduction essai si l’ancien est
des données ; appel de demo. réussi et enregistré
Oui
Continuer ? Non
Retour de Force
Demo : ouverture du bloc simulink et initialisation de

l’environnement et des différentes variables utilisées
au cours de la simulation.
P .J
Gui_Wheelchair : le bloc Environnement : un My_first : lance la simulation et

simulink (figure II.14) ; faire clic sur la figure permet de mettre la simulation en
le lien avec le joystick (lecture provoque l’appel de pause. Cette fonction est appelée à la
des positions, et application My_first, la fermeture fin du programme demo, lors du
des forces), lancement de la de la figure appelle la lancement du simulateur et à
fonction move_centre. Faire fonction My_close. l’ouverture de la fenêtre contenant
fonctionner la boucle. l’environnement.
P .J
F + para
TLX :
Move_centre : récupération
Rupture de la simulation,
application de la
et interprétation de la position Position actuelle Force : récupération des
méthode TLX
ou arrivé à la fin.
du joystick. Lecture puis mise positions du fauteuil et des
à jour de la position du murs. Simulation des
Force à appliquer
fauteuil dans capteurs ultrasonores, Oui
l’environnement. mesure des distances, puis
Appel de la fonction force. calcul de la force par Fin de Non
différentes méthodes. série ?
My_close : permet l’arrêt de la simulation, l’affichage des résultats obtenus, l’enregistrement de ces résultats s’il
y a lieu.
Fin
Figure II.33 : Schéma fonctionnel du simulateur, avec P.J = position du joystick, F = force de
retour, para = paramètre de l’état du simulateur.
II.4.4. Evaluation de la charge de travail mentale
II.4.4.1. Introduction
La charge de travail est définie comme le niveau d’activité mentale, sensorimotrice et
physiologique nécessaire pour accomplir une tâche [SPER84]. Nous pouvons distinguer deux
composantes de la charge de travail : la charge de travail physique et la charge de travail
mentale. Cette distinction est basée sur la nature des activités de l’opérateur. Ces activités se
90
regroupent en trois classes : la perception et l’interprétation pour la charge de travail mentale,

les actions pour la charge de travail physique.
II.4.4.2. Méthodes d’évaluation de la charge de travail mentale

Depuis 60 ans de nombreuses méthodes d’évaluation de la charge de travail mentale ont été
mises au point par des chercheurs de diverses origines, les physiologistes, les psychologues du
travail et les automaticiens humains [MILL88]. Quatre types de méthodes peuvent être
distingués [PINO95] :
• Les méthodes physiologiques : elles se basent sur l’idée que la charge de travail
mentale d’une personne peut être évaluée en quantifiant les modifications intervenant
au niveau de certaines fonctions physiologiques comme l’activité électrique des
muscles, la fréquence cardiaque … L’inconvénient majeur de cette méthode est que le
signal mesuré ne dépend pas seulement de la variation de la charge de travail.
• Les méthodes comportementales : elles sont basées sur les modifications du
comportement de la personne. Elles permettent ainsi de détecter une surcharge
éventuelle.
• Les méthodes temporelles : ces méthodes évaluent la charge de travail mentale
uniquement au moyen de critères temporels. Elles supposent que la limitation du
temps pour effectuer la tâche est le paramètre principal influençant la charge de
travail. Deux paramètres sont définis : TD le temps disponible pour la réalisation de la
tâche et TR le temps requis par l’individu pour ce travail. Ce temps TR est la somme
de trois temps :
TR= TR perception + TR cognition + TR action
La plupart des méthodes développées sur cette base calculent comme estimateur de la
TR
charge de travail le rapport WL suivant: WL = .
TD
• Les méthodes subjectives : elles se basent sur l’idée que l’opérateur est le mieux placé
pour évaluer sa propre charge de travail. Des techniques ont été développées pour
interroger la personne sur l’autoévaluation de sa charge de travail. Elles apparaissent
sous forme de questionnaires en ligne ou hors ligne.
Dans le contexte de notre étude un indice de charge de travail obtenu hors-ligne nous paraît
suffisant. Le choix d’une méthode subjective semble donc s’imposer. Parmi les nombreuses
méthodes de ce type décrites dans la littérature (échelle de COOPER-HARPER, méthode de
91
SWAT,…) nous avons fait le choix de la méthode TLX. Cette méthode a en effet fait ses
preuves dans nombre d’expérimentations touchant à l’ingénierie humaine. Elle est facilement
programmable et permet par ailleurs d’évaluer les composantes et physique mentale de la
charge de travail. Cette composante physique, probablement peu significative avec des
opérateurs valides, pourra être non-négligeable avec des personnes sévèrement handicapées.
II.4.4.3. La méthode TLX

La méthode TLX (Task Load indeX) est le résultat de plusieurs années de recherche
effectuées par le « groupe d’étude sur la performance » de la NASA [HART88]. Une
estimation de la charge de travail est calculée à partir d’échelles utilisant six différentiateurs
sémantiques (descripteurs) définis de la manière suivante :
• Exigence mentale [MD]: ce descripteur sert à évaluer le niveau d’exigence des
activités de perception et des activités mentales. La personne doit quantifier les
difficultés dues aux activités de recherche de l’information, de traitement de cette
information et de prise de décision.
• Exigence physique [PD]: la personne doit évaluer le niveau d’exigence musculaire
requis pour effectuer la tâche.
• Exigence temporelle [TD]: ce descripteur permet d’évaluer la « pression
temporelle » à laquelle est soumis l’individu, c'est-à-dire si le temps alloué pour
réaliser la tâche est suffisant ou non.
• Performance [OP]: vis-à-vis des objectifs à atteindre définis pas l’expérimentateur,
la personne doit quantifier sa propre performance en rendant compte de son degré de
satisfaction par rapport au but fixé.
• Effort [EF]: la personne doit estimer l’effort mental et l’effort physique investis dans
la tâche.
• Degré de frustration (stress) [FR]: ce descripteur rend compte de la perception de la
situation de travail en termes d’insécurité, de découragement, de tension nerveuse et
de contrainte psychologique.
Apres l’exécution de la tâche, la personne marque son estimation, pour chaque descripteur,
sur une échelle continue d’évaluation (Figure II.34).
92
li
Très Faible Très Elevé

Figure II.34 : Estimation d’un descripteur.
Le segment étant de longueur L et la marque se trouvant à la position li , la composante de la
charge de travail qui correspond au i eme descripteur (Ri ) vaut : Ri =

li
sauf pour le
L
descripteur de la performance (ROP ) où ROP =

(L − lOP ) . Les descripteurs n’ayant pas tous la
L
même importance pour un individu et une tâche donnés, le principe de la méthode consiste à
pondérer chaque composante de la charge par un coefficient α i pour calculer une valeur de
charge globale. L’estimation de la charge WL devient alors :

6
WL = ∑ α i ⋅ Ri
i =1
Le calcul des coefficients α i s’effectue en demandant à la personne de quantifier les

importances relatives qu’elle accorde à chaque descripteur. Pour cela ces derniers sont
groupés par paires dans un tableau (Figure II.35).
PD/MD TD/PD TD/FR MD III = 3

TD/MD OP/PD TD/EF PD =0
TD IIIII = 5
OP/MD FR/PD OP/FR
OP I =1
FR/MD EF/PD OP/EF FR III = 3
EF/MD TD/OP EF/FR EF III = 3
Somme = 15
Figure II.35 : Exemple de choix sur les paires de descripteurs de la méthode TLX.
Chaque paire de descripteurs est présentée à la personne afin qu’elle choisisse celui des deux
qui lui semble le plus influencer sa charge de travail. Les coefficients de pondération α i sont
Ci
alors calculés de la façon suivante α i = où Ci représente le nombre de fois que le
15
descripteur a été choisi par la personne.
93
Nous avons utilisé la méthode TLX pour évaluer la charge de travail mentale après chaque
série d’expérimentations. Pour plus de facilité dans son application un utilitaire a été
programmé qui rappelle tout d’abord la signification des descripteurs (Figure II.36).
L’opérateur sélectionne l’importance des descripteurs regroupés par paires à l’aide de l’écran
présenté Figure II.37. Il peut ensuite évaluer chaque descripteur en bougeant un curseur à
l’aide de la souris (Figure II.38).
Figure II.36 : Fenêtre de rappel de la signification des descripteurs.
Figure II.37 : Fenêtre de choix de l’importance des descripteurs.
94
Figure II.38 : Fenêtre d’évaluation des descripteurs.
II.4.5. Conclusion
Dans cette partie nous avons décrit les différentes parties de notre simulateur, ainsi que les
différentes fonctionnalités qu’il offre. Nous avons réalisé une interface graphique conviviale
de façon à rendre le simulateur utilisable de façon simple par les opérateurs eux-mêmes.
L’ensemble de la programmation a été réalisé sous le logiciel MATLAB-SIMULINK pour, en
particulier, faciliter l’introduction des modèles du robot VAHM dans le simulateur.
II.5. Conclusion du chapitre 2

Ce chapitre a présenté le simulateur que nous avons développé pour effectuer des essais de
conduite de fauteuil roulant électrique en mode de commande assisté. A plus long terme ce
simulateur pourra également constituer un outil d’apprentissage et d’évaluation pour la
conduite de fauteuils électriques intelligents ou non. Nous avons utilisé deux types de
fauteuils, traction avant et traction arrière, qui coïncident avec les robots VAHM2 et VAHM3
respectivement. La première partie de ce chapitre a été consacrée au fauteuil VAHM. Nous
avons décrit les trois versions de ce fauteuil puis étudié leurs modélisations cinématique et
dynamique. Dans la deuxième partie, nous avons détaillé la méthodologie d’introduction du
retour de force dans la boucle de commande ainsi que les différents algorithmes utilisés pour
calculer ce retour à partir des données des capteurs télémétriques.
95
La dernière partie de ce chapitre s’est attachée à la description du simulateur. Nous avons

décrit l’interface homme-ordinateur, puis les différentes fonctions utilisées pour la
construction du simulateur et les liens entre ces fonctions. Enfin, nous avons défini la charge
du travail et détaillé l’implémentation de la méthode TLX choisie pour calculer son
estimation.
96
Chapitre 3. Résultats et Discussions
III. CHAPITRE 3 : RESULTATS ET DISCUSSIONS
RESULTATS ET DISCUSSIONS
III.1. Introduction
Le simulateur de conduite décrit dans le chapitre précédent est conçu dans l’objectif d’évaluer
l’intérêt du mode de commande assisté pour le pilotage d’un fauteuil roulant électrique. Dans
ce chapitre nous allons tout d’abord détailler les différents paramètres de la simulation ainsi
que les critères retenus pour mesurer la performance d’une tâche de conduite. Nous
exposerons et discuterons ensuite les résultats obtenus lors de nos expérimentations
regroupées en deux phases de tests.
L’objectif de la phase de tests préliminaire est double. Il s’agit d’une part d’affiner ou de
régler les paramètres de la simulation, d’autre part de confirmer ou d’infirmer certaines
hypothèses notamment dans le choix des algorithmes candidats au calcul du retour d’effort.
Les discussions et conclusions résulteront ici de la confrontation des données mesurées et de
l’observation du comportement des opérateurs. Pour pouvoir analyser suffisamment
d’hypothèses, nous nous contenterons de trois expérimentations par opérateur pour chaque
configuration testée, ce qui exclut tout traitement statistique des résultats individuels.
Dans la seconde phase expérimentale par contre, les paramètres de la simulation étant réglés
et les facteurs à tester étant choisis, nous effectuerons des séries de dix expérimentations par
opérateur pour chaque configuration. Ceci permettra une analyse statistique des données par
le biais de la méthode ANOVA pour chaque individu. L’objectif est cette fois de conclure sur
les conditions dans lesquelles le retour de force améliore les performances de conduite des
fauteuils roulants électriques.
97
III.2. Méthodologie
III.2.1. Matériel
Le simulateur est composé d’un joystick à retour de force et d’un ordinateur Pentium4
cadencé à 2.66 GHz et doté de 512 Mo de Ram. Nous avons utilisé un écran LCD 17 pouces.
Figure III.1 : La configuration expérimentale
Le simulateur a la possibilité de fonctionner avec deux types de joysticks à retour d’effort.

Etant donné sa disponibilité sur le marché, nous avons en effet adapté notre simulateur de
manière à ce qu’il puisse fonctionner avec le joystick Logitech Wingman 3D Force Feedback
(Figure III.2.b) bien qu’il soit moins performant que le Microsoft Sidewinder Force Feedback
2 Joystick (Figure III.2.a). Nous avons cependant utilisé ce dernier dans toutes nos
expériences. Nous avons exploité uniquement deux degrés de liberté parmi les trois que le
joystick possède (nous n’utilisons pas la rotation autour du bras du joystick). Il permet
l’obtention de plusieurs types de force comme la force constante, la force amortisseur et la
force ressort. Enfin, il est facilement programmable. Nous avons la possibilité d’utiliser ce
joystick en mode auto-centré ou en mode libre. Le mode auto-centré permet la génération
d’une force constante qui pousse le joystick à se maintenir au centre. Le blocage du capteur
infrarouge de détection de la prise permet au joystick de revenir sur sa position initiale même
lorsque l’utilisateur le lâche complètement, ce qui provoque l’arrêt du fauteuil. Le Microsoft
Sidewinder Force Feedback 2 Joystick, bien que performant, n’est plus disponible sur le
marché actuellement.
98
a b
Figure III.2 : a) Microsoft Sidewinder Force Feedback 2 Joystick,
b) Logitech Wingman 3D Force Feedback
III.2.2. Paramètres de la simulation

Le simulateur nous permet de changer plusieurs paramètres afin de tester l’efficacité de la
force de retour dans des situations diverses. Dans les paragraphes suivants nous allons définir
ces paramètres.
III.2.2.1. Retour de force
III.2.2.1.1. Sans force

Dans cette situation nous n’envoyons aucune force de retour sur le joystick, l’utilisateur
utilise le fauteuil simulé comme un fauteuil ordinaire en ne faisant pas appel aux capteurs du
fauteuil. Les essais avec cette méthode servent comme références par rapport aux
expérimentations avec la force de retour. Le mode auto-centré est toujours activé.
III.2.2.1.2. Avec force

Dans ce cas nous avons le choix entre les trois méthodes déjà détaillées dans le chapitre
précédent qui sont : la méthode des potentiels (VFF), la méthode VFH, et la méthode MVFH.
Nous avons tout d’abord testé la méthode des potentiels puis simultanément pour les
comparer la VFH et la MVFH.
99
III.2.2.2. Configuration de l’environnement

La configuration de l’environnement de tests a évolué au cours des expérimentations en
fonction de l’évolution des résultats et des réflexions qui en ont découlé. Dans tous les cas il
s’agit de simuler des environnements d’intérieur (domicile, centre de réadaptation, …). Les
dimensions des éléments de l’environnement, en particulier la largeur des portes et des
couloirs, ont été choisies par rapport à celles du fauteuil de façon à correspondre à des
situations réelles.
a b
Figure III.3 : Exemples d’environnements proposés au cours des expérimentations.
Deux exemples d’environnements expérimentaux sont représentés sur la Figure III.3. Ils ne
correspondent à aucune architecture d’intérieur réelle mais ont été conçus de manière à mettre
en évidence les situations où le retour d’effort serait d’un apport intéressant. Sur celui de la
Figure III.3.a on remarque deux inconvénients majeurs :
• La possibilité de prendre des chemins différents pour atteindre le même but : par
exemple au point P l’utilisateur peut prendre à gauche ou à droite. Ceci s’avère être
une source de perturbation inutile (sans valeur informative) dans les tests.
• La trajectoire descendante dans la portion D de l’environnement qui perturbe
énormément l’utilisateur : pour avancer il doit manipuler le joystick à l’inverse du sens
du mouvement du mobile. La simulation a en effet été réalisée de façon à ce que
l’opérateur manipule le joystick comme s’il était sur le fauteuil.
Dans toutes les configurations proposées, comme par exemple Figure III.3.b, nous avons donc
cherché à éviter ces situations.
100
III.2.2.3. Configuration cinématique du fauteuil

L’élément essentiel induisant la cinématique du fauteuil roulant électrique est la position de
ses roues motrices. Le simulateur permet d’effectuer des tests sur trois types de fauteuils :
traction avant, traction arrière et hybride. La principale différence entre ces trois modèles est
la position de l’axe sur lequel se trouve le centre de rotation du fauteuil ( C R ) (cf. Figure
II.10). Sur la Figure III.4 nous avons représenté la position particulière du centre de rotation
dans le cas où il effectue une rotation sur place, c'est-à-dire que les vitesses des deux moteurs
sont de la même valeur mais avec des sens différents.
Axe de déplacement du
centre de rotation
CR
CR
CR
a b c
Figure III.4 : Les différentes positions que peuvent prendre les roues motrices du fauteuil
roulant électrique a) traction avant, b) traction hybride, c) traction arrière.
Nous nous sommes contentés d’effectuer des tests sur des fauteuils à traction avant et traction
arrière, les plus usités actuellement par les personnes handicapées. Les fauteuils à traction
avant, plus maniables, sont mieux adaptés aux environnements intérieurs, alors que les
fauteuils roulants à traction arrière, plus stables, sont préférables a priori en environnement
extérieur. Pour autant, le choix de l’une des deux configurations cinématiques principales
résulte bien souvent des goûts personnels de l’utilisateur. A travers les expériences que nous
allons mener, nous pourrons comparer le fonctionnement des deux modèles.
III.2.2.4. Vitesse du fauteuil

La vitesse (linéaire et angulaire) du fauteuil sur le simulateur dépend de plusieurs paramètres :
les dimensions du fauteuil, la distance entre ses deux roues motrices, le temps de calcul (qui
dépend principalement de la méthode utilisée pour le calcul du retour d’effort) et la partie de
l’environnement dans laquelle il se déplace. Nous commandons les vitesses de translation et
de rotation du fauteuil de manière indépendante ce qui n’est pas le cas dans la réalité. Par
conséquent, nous devons respecter quelques contraintes du modèle cinématique. Si l’on
définit la valeur de la vitesse maximale de translation vt alors nous fixons les vitesses des
101
moteurs gauche et droit vg et vd . Puisque vt =

(v d + vg )
la vitesse de rotation w est déduite
2
directement par la relation suivante : w =

(vd − vg )
.
L
Nous avons fixé la vitesse de translation maximale du fauteuil à vt max = 0.88 m soit encore
s
4π rad
vt max = 3.16 Km . Dans ce cas la vitesse de rotation maximale est wmax = . Cette
h 5 s
vitesse est relativement grande, et nous ne l’atteignons pratiquement jamais. Nous avons
remarqué que l’augmentation de la valeur maximale de la vitesse de rotation accroît
sensiblement le nombre de collisions car elle demande à l’utilisateur plus de précision et de
concentration.
III.2.3. Critères de performance

Lors des expérimentations nous prélevons plusieurs mesures destinées à comparer et évaluer
les performances de la personne et les méthodes utilisées. Ces mesures sont les suivantes : le
temps de parcours, la trajectoire du centre géométrique du fauteuil, le nombre de collisions, la
zone de déplacement et les vecteurs de force de retour à chaque instant. Les principaux
indicateurs sont le temps, la distance et le nombre de collisions. Ces paramètres ne sont pas
indépendants : une augmentation du nombre de collisions par exemple va accroître le temps
de parcours en rajoutant des manœuvres destinées à se sortir de la situation.
III.2.3.1. Le nombre de collisions

C’est le nombre de fois où l’utilisateur entre en collision avec un mur ou un obstacle. Ce
comptage pose un problème pratique : lorsque l’opérateur éprouve des difficultés à
manœuvrer pour sortir d’une situation délicate il réalise souvent un grand nombre de
collisions rapprochées (glissement le long d’une paroi par exemple). Pour que le nombre de
collisions retenues soit significatif nous avons fixé un seuil de séparation : si la distance entre
deux collisions est inférieure à un seuil ∆ on néglige la deuxième collision. La valeur du seuil
∆ est définie de manière empirique. Ce seuil peut être un temps ou une distance. Il nous ait
apparu plus pertinent en pratique (en particulier dans le cas de frottements sur un obstacle) de
le définir comme une distance : on prend en compte seulement les collisions séparées d’une
distance supérieure à  ∆ fixé à 20 cm.
102
III.2.3.2. La distance parcourue

Nous pouvons observer l’évolution de la distance parcourue en ligne. La distance totale est
enregistrée au passage de la « ligne d’arrivée ». Celle-ci varie, de 50 à 100 mètres environ,
suivant l’environnement de simulation.
III.2.3.3. Le temps de réalisation de la tâche

Nous mesurons la durée de chaque parcours. Théoriquement la valeur de ce temps pour un
parcours effectué avec la vitesse maximale du fauteuil est d’environ 70s pour l’environnement
le plus simple et 120s pour l’environnement le plus complexe. Il faut noter qu’il est en
pratique impossible d’effectuer des parcours avec, de façon permanente, la vitesse maximale ;
on s’attend donc à des valeurs largement supérieures à ces limites basses.
III.2.3.4. Trajectoires
Nous prélevons les trajectoires du centre géométrique ( xc , yc ) du fauteuil (Figure III.5). Leur
observation permet de mieux comprendre et interpréter les autres paramètres, et nous permet
de repérer aisément les situations difficiles pour les utilisateurs. Sur ces trajectoires nous
pouvons indiquer les collisions et les forces générées par le joystick.
Cg
yc
O
xc
Figure III.5 : Trajectoire du centre du fauteuil.
III.2.3.5. Confort
Ce critère donne une estimation en ligne du confort de navigation. Nous faisons l’hypothèse
que la succession d’accélérations et de décélérations nuit au confort de la personne embarquée
sur le fauteuil [PINO95]. Pour estimer ce critère, nous calculons dans un premier temps les
103
vitesses instantanées V (t ) durant tout le trajet, ces dernières étant déduites de la trajectoire
enregistrée :
 x c (t ) − x c (t − 1) 
 V x (t )  ∆

V (t ) = 
   t 
 =  y c (t ) − y c (t − 1) 
V (
 y  t )

 ∆t 
Avec :
∆t : le temps entre deux échantillonnages de la trajectoire.
Puis nous en déduisons les accélérations angulaire et linéaire instantanées:

 V (t ) − V (t − 1) 

 a(t )   
  =  ∆t
 Ω(t )  ϕ V (t )

( ) ( ) 
− ϕ V (t − 1) 

 ∆t 
Nous pouvons considérer que le l’indice de confort instantané ic (t ) est la somme des valeurs
absolues des accélérations angulaire et linéaire du fauteuil :
ic (t ) = a(t ) + Ω(t )
Nous pouvons faire la moyenne des valeurs absolues des indices de confort instantanés pour
obtenir un indice de confort global I c :
m = N −1
∑ i (m) c
Ic = m =1
N −1
Où :
N : le nombre d’échantillons dans un essai.
Notons que plus cet indice est faible plus la sensation de confort durant la conduite est grande.
III.2.3.6. La charge de travail mentale

Nous avons utilisé la méthode TLX pour le calcul de la charge de travail mentale, les
descripteurs li variant entre 0 et 100, tous initialisés à 50 sur l’interface graphique. Ces valeurs
sont multipliées par les coefficients de pondération αi, puis sommées. Les coefficients de
5
pondération varient entre 0 et . L’indicateur final TLX de la charge de travail mentale,
15
6
vérifie donc la relation suivante : 0 ≤ TLX = ∑ li ⋅ α i ≤ 100
i =1
104
III.2.4. Méthode ANOVA

L’utilisation de la méthode d’analyse de la variance ANOVA (ANalysis Of VAriance) nous
permet de dire si les moyennes mesurées dans deux populations ou plus peuvent être
considérées comme des estimations de la même moyenne, les écarts étant dus au fait, par
exemple, qu’une expérience où intervient un opérateur humain n’est jamais parfaitement
reproductible. Il s’agit de comparer, dans un premier temps, les différentes moyennes
globalement entre elles et non pas d’effectuer des comparaisons deux à deux. Cette méthode
comme son nom l’indique se base sur l’analyse des variances. L’idée générale est de
comparer la variance entre échantillons (variance inter-groupe) à la variance dans les
échantillons (variance intra-groupe). Pour l’appliquer on définit les notions suivantes :
La moyenne générale :
N
∑x i
X GM = i =1
N
Où :
N est le nombre total de mesures ; si nous avons k groupes (nombre de valeurs que prend un
facteur discriminant) et dans chaque groupe n mesures alors N = n.k.
La variance totale st2: elle représente la somme des carrés des écarts entre chaque mesure et la
moyenne générale divisée par le nombre de degrés de liberté total. Elle est donnée par :
( )
k n
SCE (T ) = ∑∑ xij − X GM
2 SCE (T )
et st2 =
i =1 j =1 nk − 1
La variance inter-groupe sb2: elle représente la somme des carrés des écarts entre la moyenne
de chaque groupe et la moyenne générale. Nous avons k groupes, donc k-1 degrés de liberté.
La variation inter-groupe est alors donnée par :
( )
k 2
SCE (B ) = ∑ n ⋅ x i − X GM et sb2 =
SCE ( B)
i =1 k −1
La variance intra-groupe sw2: c’est la somme des variations de tous les groupes. Dans ce cas
nous avons n ⋅ k − k degrés de liberté et la variance intra groupe est donnée par:
SCE (W )
( )
k n
SCE (W ) = ∑∑ xij − x i
2
et sw2 =
i =1 j =1 n.k − k
105
On teste l’hypothèse nulle H0 : « les moyennes des différents groupes sont égales ». Si le
s b2
facteur discriminant n’a pas d’effet le rapport F = 2 suit une loi de Fisher (Figure III.6); F
sw
est alors comparée à la valeur Flim trouvé la table de Fisher-Snedecor pour un facteur de
risque d’erreur p donné pour les nombres de degrés de liberté (k − 1) et k ⋅ (n − 1) .
Figure III.6 : La loi de Fisher- Snedecor ayant la probabilité 0.025 d’être dépassée.
Si F < Flim les deux variances ne diffèrent pas significativement.

Si F ≥ Flim , les deux variances diffèrent significativement et on conclut à une différence des
moyennes. On ne sait par contre pas laquelle ou lesquelles diffèrent significativement des
autres. Dans nos expérimentations, le nombre de groupes (3) étant faible nous avons effectué
des tests ANOVA pour chaque paire de groupes pour lever cette indétermination.
La méthode ANOVA est préprogrammée dans de nombreux outils logiciels (nous
l’appliquerons sous Matlab) qui donnent en général le facteur de risque p avec lequel on
accepte l’hypothèse d’égalité des variances.
Une condition pour que la méthode ANOVA soit applicable est que les mesures de chaque
groupe suivent une loi normale. Différents tests statistiques permettent de le vérifier. Pour nos
expérimentations on utilisera le test de Kolmogorov-Smirnov. On doit également vérifier
l’égalité des variances des différents groupes par exemple par le test de Levene.
III.3. Résultats expérimentaux

III.3.1. Introduction
Dans cette partie nous allons présenter les différents essais que nous avons effectués, les
résultats obtenus ainsi que la discussion de ces résultats. Tous les essais portent sur des
personnes valides, membres ou stagiaires au laboratoire pour la plupart. Le sexe des
opérateurs n’a pas été retenu comme facteur discriminant. Tous les utilisateurs commencent
106
par des essais d’entraînement afin de se familiariser avec le simulateur avant l’enregistrement
définitif des données. L’enregistrement des résultats se fait automatiquement dans des fichiers
Matlab© (*.mat) transformés par la suite en fichiers Excel.
Dans un premier temps nous allons présenter les essais préliminaires qui ont pour but
l’amélioration du simulateur et la recherche du bon algorithme de calcul du retour d’effort.
Dans un second temps nous détaillerons les tests finaux où chaque utilisateur effectue dix
essais pour chaque configuration du système.
III.3.2. Expérimentations préliminaires (phase n°1)
III.3.2.1. Introduction
Dans le but de trouver le bon algorithme de retour de force et la meilleure configuration
matérielle et logicielle de test, nous avons effectué trois séries d’essais préliminaires. Dans ce
qui suit, nous allons les présenter et discuter les résultats obtenus. Il est important de noter
que, compte tenu des importantes différences inter-individus que nous avons observés lors des
expérimentations, les discussions des résultats se feront essentiellement, pour une
configuration donnée, sur la base des moyennes par opérateurs et non sur tous les opérateurs.
Cette approche est compatible avec l’objectif final de l’application. Celle-ci concerne en effet
des personnes sévèrement handicapées aux caractéristiques physiques, voire cognitives, très
diverses. Le but de notre travail n’est donc pas de conclure sur l’intérêt du retour d’effort de
façon générale, mais de déterminer dans quelles configurations et pour quelles
caractéristiques de pilotage il serait utile.
III.3.2.2. Série d’essais n°1
III.3.2.2.1. Méthodologie et résultats

La première série d’essais (série n°1) consiste à conduire un fauteuil à traction arrière dans
l’environnement de la Figure III.7 (environnement n°1) avec ou sans retour de force. Pour le
calcul du retour de force nous avons utilisé la méthode des potentiels (sans grille). Le joystick
commande le fauteuil en trois positions [-1 0 1] sur chaque axe.
Sept personnes valides ont effectué des essais dans cette série. Chaque utilisateur passe par
une période d’apprentissage dont il définit lui-même la durée. Il doit mener trois essais sans
retour de force et trois autres avec retour de force. Le Tableau III.1 résume les moyennes des
résultats obtenus par les sept utilisateurs. Chaque valeur présentée dans le tableau est une
107
moyenne sur trois mesures. Notons que seul l’utilisateur n°5 est une personne de sexe
féminin. L’utilisateur n°4 est une personne familiarisée aux jeux vidéo et à la manipulation
des joysticks ce qui explique très probablement ses résultats atypiques.
Mesures
en ligne
Début
Figure III.7 : Environnement expérimental n°1.
Nombre de
Utilisateurs Temps [s] Distance [m]
collisions
1 Sans retour de force 198 55 1,7
Avec retour de force 193 54 1,0
Moyennes Sans retour de force 189 55 5
sur les 7
utilisateurs Avec retour de force 200 54 4,1
Tableau III.1 : résultats obtenus lors de la série d’essais n°1 (méthode des potentiels ;
environnement n°1) [FATT04].
108
250
200
150
Sans RF
Avec RF
100
50
0
Temps Distance Collision X 10
Figure III.8 : Moyennes des résultats sur les 7 utilisateurs.
III.3.2.2.2. Discussion
La comparaison des moyennes des résultats obtenus par les utilisateurs nous révèle une légère
diminution du nombre de collisions lorsque l’on utilise le retour de force pour cinq utilisateurs
sur sept. Par contre, la comparaison des distances parcourues ne fait pas apparaître
d’information significative. Les temps nécessaires pour effectuer le parcours présentent des
différences significatives pour certains opérateurs, ces différences s’expliquant par la
difficulté à se sortir de situation complexes, notamment après une collision. L’observation des
trajectoires (Figure III.9) nous montre qu’en utilisant le retour de force, nous obtenons des
parcours plus lisses dans des zones type « couloir ». Par ailleurs, le passage des portes semble
être légèrement facilité, du moins dans la phase finale de la manœuvre.
Figure III.9 : Exemple de trajectoire (utilisateur n°2, série n°1, test n°2).
109

Globalement les résultats obtenus avec la méthode des potentiels ne sont pas très
convaincants. Ceci nous a amené à changer d’algorithme de calcul du retour de force. La série
d’essais n°2 est effectuée par quatre utilisateurs de sexe masculin qui conduisent un fauteuil à
traction arrière dans le même environnement n°1 que la première série. Nous avons cette fois
utilisé la méthode VFH pour le calcul du retour de force.
III.3.2.3.1. Implémentation de la VFH

Pour pallier aux problèmes rencontrés avec la méthode des potentiels, nous avons utilisé la
méthode VFH qui a prouvé son efficacité pour le contrôle en mode partagé des fauteuils
intelligents, notamment pour les passages de portes. Dans cette méthode la direction choisie
par l’utilisateur doit être définie avec précision. La graduation des axes à 3 positions [-1, 0, 1]
ne permet de définir que 8 directions (Figure III.10). Pour obtenir une bonne précision dans la
définition de l’angle de direction nous avons donc augmenté le nombre de divisions sur
chaque axe jusqu'à 201 divisions : [-100 ; 100].
+1
8 angles
possibles
-1 0 +1
-1
-1
Figure III.10 : Les directions possibles pour un joystick à 3 positions par axe.
Dans cette série n°2 nous avons utilisé un panel de quatre personnes valides. Ils suivent le
même scénario que dans la série précédente. En plus de la distance parcourue, du temps de
parcours et du nombre de collisions, nous avons calculé l’indice de confort. Le Tableau III.2
résume les résultats obtenus pour l’ensemble des utilisateurs.
110
Utilisateurs Temps [s] Distance[m] Collisions Confort

1 Sans RF 226 60 4,0 9
Avec RF (VFH) 230 60 2,3 8
2 Sans RF 208 61 9,3 11
Avec RF (VFH) 193 60 2,3 7
3 Sans RF 181 60 9,7 17
Avec RF (VFH) 204 63 5,3 14
4 Sans RF 234 70 13,7 23
Avec RF (VFH) 242 70 9,6 21
Moyennes Sans RF 212 63 9,2 15
sur les 4
utilisateurs Avec RF (VFH) 217 63 4,9 12 ,5
Tableau III.2 : Résultats de la série d’essais n°2
(retour de force calculé par la méthode VFH, environnement n°1)[SAHN05].
250
200
150
Sans RF
VFH
100
50
0
Temps Distance Collisions X 10 Confort X 10
Figure III.11 : Moyennes des résultats sur les 4 utilisateurs.
Nous constatons qualitativement que l’utilisation de la VFH par rapport à la méthode des
potentiels améliore la qualité de la conduite et diminue les changements brusques de la force
générée par le joystick. Nous pouvons remarquer que pour l’ensemble des expérimentateurs,
le nombre de collisions a diminué de façon notable en valeur moyenne. Par contre nous ne
pouvons rien conclure sur les distances parcourues ni sur le temps écoulé durant un trajet
complet.
L’indice de confort montre que la conduite avec utilisation du retour de force est plus
confortable pour tous les utilisateurs. Cela se traduit par des trajectoires plus lisses (Figure
III.12). Rappelons que l’indice de confort évolue inversement au confort, c'est-à-dire que plus
111
il est grand, moins le trajet est confortable. Nous pouvons remarquer sur la comparaison des
trajectoires non seulement le lissage de la trajectoire, mais aussi une optimisation des
passages, notamment dans les couloirs où la trajectoire se rapproche d’une droite. Les
passages de portes apparaissent également facilités.
La plupart des inconvénients de la méthode des potentiels disparaissent en utilisant la VFH,
mais malgré cela quelques difficultés subsistent, telles que les oscillations à l’approche
d’obstacles et avant d’arriver aux portes, par exemple.
Figure III.12 : Trajectoire du centre du fauteuil pour l’utilisateur n°2 dans le test n°3
sans retour de force et avec retour de force (VFH).
III.3.2.4.1. Résultats
Dans cette troisième série d’essais de la première phase, le simulateur a subi plusieurs
améliorations suite à la série n°2, notamment l’introduction des interfaces graphiques pour le
lancement de la simulation, la possibilité d’effectuer les tests avec plusieurs types de fauteuils
roulants, et l’utilisation de la MVFH pour le calcul du retour de force.
Dans cette série nous allons effectuer des tests sur un panel de six personnes valides. Chacune
d’entre elles commence par une phase d’apprentissage, puis guide trois fois le fauteuil virtuel
dans l’environnement de test n°2 (Figure III.13), ceci selon différentes conditions
expérimentales: sans retour de force (« SansRF »), avec retour de force calculé par
l’algorithme VFH et avec retour de force calculé par l’algorithme MVFH. De plus, chacune
de ces options est réalisée avec deux types de fauteuils virtuels : « traction avant » et
112
« traction arrière ». Les Tableaux III.3 et III.4 présentent les résultats enregistrés sur les tests
avec fauteuil à traction avant, et à traction arrière respectivement.
Opérateurs Joystick Temps [s] Distance[m] Collisions

1 SANS RF 133 65 12
VFH 115 61 7
MVFH 124 63 8
2 SANS RF 157 61 16
VFH 131 66 8
MVFH 125 64 9
3 SANS RF 205 73 39
VFH 158 66 25
MVFH 157 68 18
4 SANS RF 144 63 1
VFH 113 61 1
MVFH 115 61 7
5 SANS RF 180 68 13
VFH 144 63 9
MVFH 152 67 22
6 SANS RF 123 64 15
VFH 111 61 3
MVFH 109 62 6
Moyennes sur les SANS RF 157 66 16
6 utilisateurs VFH 129 63 8,8
MVFH 130 64 11,7
Tableau III.3 : Résultats expérimentaux pour un fauteuil en « traction avant » ;
les valeurs indiquées sont des moyennes sur 3 tests [SAHN06][SAHN06a].
113
180
160
140
120
100 Sans RF
VFH
80 MVFH
60
40
20
0
Temps Distance Collisions X 10
Figure III.14 : Moyennes des résultats sur les 6 utilisateurs (traction avant).
Opérateurs Joystick Temps [s] Distance [m] Collisions

1 SANS RF 122 62 15
VFH 111 58 10
MVFH 107 59 3
2 SANS RF 161 64 11
VFH 168 60 9
MVFH 181 64 11
3 SANS RF 160 70 29
VFH 121 59 15
MVFH 111 60 10
4 SANS RF 119 58 1
VFH 112 58 7
MVFH 108 59 4
5 SANS RF 123 59 15
VFH 128 59 11
MVFH 121 59 3
6 SANS RF 108 59 20
VFH 101 58 9
MVFH 109 60 7
Moyennes sur SANS RF 132 62 15,2
les utilisateurs VFH 124 59 10,2
MVFH 123 60 6,3
Tableau III.4 : Résultats expérimentaux pour un fauteuil en « traction arrière » ;
les valeurs indiquées sont des moyennes sur 3 tests [SAHN06] [SAHN06a].
114
160
140
120
100
Sans RF
80 VFH
MVFH
60
40
20
0
Temps Distance Collisions X 10
Figure III.15 : Moyennes des résultats sur les 6 utilisateurs (traction arrière).
De l’observation des expérimentations associée aux résultats des Tableaux III.3 et III.4, nous
pouvons tout d’abord déduire quelques considérations qualitatives concernant les paramètres
« Distance » et «Temps ». Les différences de distances parcourues, avec un environnement
identique pour tous les tests, sont essentiellement dues aux manœuvres réalisées pour se sortir
des situations de blocage. Ce paramètre est donc ici fortement corrélé au nombre de collisions
et n’apparaît pas comme un élément très significatif de comparaison entre les méthodes de
navigation. Les variations de durée d’un parcours sont liées au comportement du pilote : s’il
accélère le fauteuil, il diminue a priori la durée du parcours, mais en augmentant les risques
de collisions, qui, si elles surviennent, augmentent la durée du trajet. Nous pouvons d’ores et
déjà noter que généralement, cette durée est plus courte avec le retour d’effort, que sans.
Le nombre de collisions apparaît directement lié au mode de commande. Pour 5 utilisateurs
sur 6, l’utilisation du retour d’effort diminue nettement ce facteur. Ceci corrobore les résultats
relatés dans la littérature. Par contre, quantitativement, l’algorithme MVFH ne semble pas
apporter d’améliorations significatives par rapport au VFH. Nous observons toutefois un
comportement sensiblement meilleur du MVFH dans les passages de portes par rapport au
VFH et inversement dans les couloirs (la trajectoire étant moins stable). Par ailleurs, la plupart
des opérateurs ressentent la MVFH comme plus performante que la VFH, même si cela ne se
confirme pas clairement dans la comparaison du nombre de collisions.
Les résultats de l’utilisateur n°4 sont plus atypiques : le retour de force diminue
considérablement ses performances du point de vue du nombre de collisions. Ceci est
115
probablement dû au fait qu’étant adepte de jeux vidéo, il est particulièrement habile à utiliser
le joystick classique pour guider un mobile. Cette constatation ne remet pas en cause l’utilité
de cette étude puisqu’elle est destinée à des personnes ayant des difficultés à contrôler un
fauteuil électrique à l’aide d’un joystick classique.
Les Tableaux III.4 et III.5 correspondent aux deux configurations cinématiques de base pour
un fauteuil électrique : roues motrices avant ou arrière. La stratégie de navigation est très
différente selon la configuration mais sans que cela n’influe clairement sur les remarques
formulées ci-dessus.
III.3.2.5. Conclusion
Cette première phase d’expérimentation nous a permis d’affiner le paramétrage du simulateur
d’une part et d’orienter la seconde phase d’autre part. En particulier il nous est apparu
clairement que la méthode des potentiels offre des performances moindres que les algorithmes
VFH ou MVFH. Nous ne la retiendrons donc pas dans la suite de nos travaux. Pour d’autres
facteurs comme l’influence de la cinématique du fauteuil (traction avant ou arrière) ou le
choix du VFH ou du MVFH, des investigations plus poussées vont devoir être menées. C’est
l’objet de la seconde phase expérimentale.
III.3.3. Expérimentations finales (phase n°2)
III.3.3.1. Introduction
Les essais précédents nous ont permis de tester plusieurs méthodes de calcul de retour de
force et de régler les paramètres de la simulation. Le nombre d’essais par opérateur pour une
configuration donnée n’était cependant pas suffisant pour pouvoir en tirer des conclusions
statistiquement significatives si on raisonne sur des moyennes par individu. Pour affiner la
discussion des résultats il est également nécessaire de tenir compte de la configuration locale
de l’environnement. La seconde phase expérimentale présentée dans ce qui suit va tenir
compte de ces deux remarques.
III.3.3.2. Méthodologie
Cette deuxième phase expérimentale porte sur un panel de cinq personnes adultes valides, 4
hommes et une femme. Chaque expérimentateur doit suivre une phase d’apprentissage
116
approfondie avant d’entamer dix essais dans chaque configuration de simulation. Il conduit le
fauteuil dans l’environnement expérimental n°3 (Figure III.16). Chaque expérimentateur doit
accomplir la tâche en s’efforçant de minimiser le temps de parcours et le nombre de
collisions. Nous enregistrons pour chaque essai, comme dans les séries de tests antérieures, la
durée du trajet, la distance parcourue, le nombre de collisions et la trajectoire du centre du
fauteuil. Nous avons également enregistré les coordonnées de la force générée par le joystick
dans un repère mobile lié au centre du fauteuil. Enfin, à la fin de chaque série de dix essais
d’une configuration, l’utilisateur effectue une évaluation de sa charge de travail mentale par
la méthode TLX.
Un test ANOVA est appliqué à tous les résultats à l’exception des mesures par individu de la
charge de travail (TLX). Dans tous les tableaux qui suivent un résultat significatif est noté en
grisé. Le nombre de caractères « * » donne le degré de significativité avec la convention
classique suivante : « * » : p < 0.05 ; « ** » : p < 0.01 ; « *** » : p < 0.001. Les trois dernières
lignes des tableaux donnent le résultat des tests ANOVA pour les facteurs discriminants
comparés deux par deux. Par ailleurs pour que le test ANOVA soit applicable il nous faut
vérifier la normalité des populations concernées. Lorsque cette normalité n’est pas vérifiée les
moyennes correspondantes seront notées en gras dans les tableaux et le test ne sera bien sûr
pas appliqué.
117
Le parcours passe par plusieurs types de configurations locales d’environnement (Figure

III.17):
• Zone encombrée : l’utilisateur rencontre des obstacles qui l’obligent à manœuvrer ou à
dévier son fauteuil pour passer.
• Zone de couloir : l’utilisateur passe dans un couloir de 2 m de largeur qui peut
contenir des virages.
• Zone de passages étroits : c’est la partie la plus complexe du parcours. L’utilisateur
est contraint d’effectuer des manœuvres délicates pour passer son fauteuil.
• Zone de passages de portes : c’est une zone composée de plusieurs passages de portes
de 80 cm de largeur.
• Zone libre : c’est la dernière ligne droite du parcours. Elle est composée d’un espace
libre qui ne contient aucun obstacle.
Figure III.17 : Division de l’environnement n°3 en plusieurs zones.
III.3.3.3. Analyse des résultats du parcours global
III.3.3.3.1. Résultats
Les Tableaux III.6 et III.7 présentent les résultats obtenus sur tout le parcours pour l’ensemble
des utilisateurs [SAHN06] [SAHN06a] [BOUR07]. Ces valeurs sont des moyennes sur dix
essais, excepté les valeurs du TLX qui sont calculées à la fin de chaque série. Un test
ANOVA est réalisé pour chaque paramètre (temps, distance, collisions et confort), le facteur
118
discriminant étant le type de retour d’effort (sans retour, retour par VFH, retour par MVFH).
Nous ne pouvons en revanche pas effectuer de test ANOVA sur les valeurs du TLX puisqu’il
s’agit d’un seul test pour chaque série et donc de 5 mesures pour la moyenne globale.
Utilisateurs Retour Temps Distance[m] Collisions Confort TLX

de force [s]
1 Sans RF 224** 104*** 9,8* 57 57
VFH 212 101 9,4 53 53
MVFH 174 97 5,1 45 38
2 Sans RF 155 95 10,3 58 57
VFH 161 94 10 59 57
MVFH 167 96 9,2 58 58
3 Sans RF 252*** 109*** 16,2** 79 46
VFH 172 98 11,6 75 50
MVFH 160 95 10,6 68 48
4 Sans RF 187*** 101** 11,2* 69*** 76
VFH 163 96 8,8 52 48
MVFH 151 97 8 50 74
5 Sans RF 163* 97** 4,6 41 67
VFH 171 94 4,5 42 63
MVFH 154 95 4,5 46 81
Moyennes sur Sans RF 196*** 101*** 10,1** 61* 61
les utilisateurs VFH 176 97 8,9 56 54
MVFH 161 96 7,5 54 60
ANOVA Sans RF 196* 101*** 10,1 61
SansRF/VFH VFH 176 967 8,9 56
ANOVA Sans RF 196*** 101*** 10** 61*
SansRF/MVFH MVFH 161 96 7 54
ANOVA VFH 176*** 97 8,9* 56
VFH/MVFH MVFH 161 96 7,5 54
Tableau III.6 : Résultats de la phase n°2 pour un fauteuil en traction arrière.
Les valeurs indiquées pour chaque utilisateur sont des moyennes sur 10 tests.
En grisé : les moyennes des 3 (ou 2) groupes sont significativement différentes selon ANOVA
avec un facteur de risque p (* : p<0.05 ; ** : p<0.01 ; *** p<0.001).
119
250,0
200,0
150,0
Sans RF
VFH
MVFH
100,0
50,0
0,0
Temps Distance Collisions X 10 Confort TLX
Figure III.18 : Moyennes des résultats pour les 5 utilisateurs de la phase n°2
(parcours global / traction arrière).
Utilisateurs Retour Temps Distance [m] Collisions Confort TLX
de force [s]
1 Sans RF 281*** 120*** 12,7*** 72*** 50
VFH 215 112 9,4 73 49
MVFH 192 106 5 57 55
2 Sans RF 234*** 106*** 11,9*** 61* 5
VFH 181 102 6,7 59 51
MVFH 187 99 5,6 51 48
3 Sans RF 340*** 112 9,1*** 65*** 44
VFH 216 108 15,3 84 41
MVFH 218 109 15,1 75 37
4 Sans RF 247*** 116*** 13,8 65 61
VFH 203 105 11,1 65 76
MVFH 211 106 10 56 80
5 Sans RF 187 99* 4,4 31*** 62
VFH 192 100 3,9 43 65
MVFH 181 98 2,8 33 71
Moyennes sur Sans RF 258*** 111*** 10,4* 59** 44
les utilisateurs VFH 201 105 9,3 65 56
MVFH 198 104 7,7 54 58
ANOVA Sans RF 257,8*** 110,7*** 10,4 58
SansRF/VFH VFH 201,5 105,4 9,3 64
ANOVA Sans RF 258*** 111*** 10,4** 59
SansRF/MVFH MVFH 198 104 7,7 54
ANOVA VFH 201 105 9,3 65**
VFH/MVFH MVFH 198 104 7,7 54
Tableau III.7 : Résultats de la phase n°2 pour un fauteuil en traction avant.
En grisé : significatif selon ANOVA (* : p<0.05 ; ** : p<0.01 ; *** p<0.001).
120
300,0
250,0
200,0
Sans RF
150,0 VFH
MVFH
100,0
50,0
0,0
Temps Distance Collisions X 10 Confort TLX
Figure III.19 : Moyennes des résultats pour les 5 utilisateurs de la phase n°2
(parcours global / traction avant).
Paramètre « distance ». De l’observation des expérimentations et des résultats des Tableaux
III.6 et III.7, nous pouvons tout d’abord constater que le paramètre « distance parcourue » est
significatif d’un point de vue statistique (test ANOVA) mais pas d’un point de vue pratique:
les différences de distances parcourues sont peu importantes par rapport à la longueur totale
du trajet. On peut toutefois noter que ces distances diminuent en général avec l’utilisation du
retour d’effort mais que le choix de l’algorithme (VFH ou MVFH) n’influe pas sur ce
paramètre. On remarque également qu’elles sont plus grandes avec un fauteuil à traction avant
qu’avec un fauteuil à traction arrière. Cette différence est liée principalement aux stratégies de
navigation différentes pour chacun des fauteuils. Sur la Figure III.20 nous pouvons observer
deux trajectoires du même utilisateur n°2, avec un fauteuil à traction avant et un fauteuil à
traction arrière en utilisant la méthode MVFH pour le calcul du retour de force. On constate
que le centre du fauteuil à traction avant effectue des virages larges pour passer dans des
endroits étroits, ce qui augmente la distance parcourue. Le fauteuil à traction arrière passe
sans faire d’écart.
121
Traction avant
Traction arrière
Ecart important
pour le fauteuil
à traction avant.
Figure III.20 : Comparaison de 2 trajectoires typiques, l’une décrit par un fauteuil à traction
avant et l’autre par un fauteuil à traction arrière (méthode MVFH).
Paramètre « temps ». La durée d’un parcours diminue également avec l’utilisation du retour
de force pour les deux types de fauteuils. L’influence du choix de l’algorithme de retour
d’effort n’apparaît qu’en traction arrière, en faveur de la méthode MVFH. Ceci est dû à la
facilité qu’offre cette méthode dans des passages étroits. La durée diminue également lorsque
l’on utilise la traction avant plutôt que la traction arrière pour les mêmes raisons qu’évoquées
ci-dessus pour le paramètre distance.
Paramètre « collisions ». Le nombre de collisions apparaît directement lié au mode de

commande. Dans un seul cas de figure atypique (utilisateur n°3 en traction avant) le nombre
de collisions augmente avec le retour d’effort. Dans tous les autres cas il diminue, en général
de façon statistiquement significative. De plus l’algorithme MVFH semble apporter une
amélioration sensible par rapport au VFH dans presque tous les cas. Ces constatations valent
pour les deux configurations cinématiques du fauteuil. Par ailleurs qualitativement, à
l’observation des expérimentations, le paramètre « collisions » semble mieux refléter la
difficulté de pilotage que les paramètres « temps » et « distance ».
Paramètre « confort ». Tous les utilisateurs trouvent que la conduite sans utilisation de retour
de force est la moins contraignante mais la plus difficile ; par contre l’utilisation de la
méthode MVFH offre la conduite la plus confortable. Nous pouvons tenter de confirmer ces
impressions en comparant les indices de confort pour chaque mode de commande. Nous
122
constatons alors une amélioration significative du confort avec le retour d’effort pour 3
opérateurs sur 5 en traction arrière mais pour un seul d’entre eux en traction avant. Si l’on
considère les moyennes sur les 5 utilisateurs on note uniquement une amélioration
significative du confort avec l’algorithme MVFH en traction arrière.
Paramètre « charge de travail ». L’évaluation de la charge de travail mentale avec la méthode

TLX se fait après chaque série de dix essais de la même configuration. L’examen des résultats
pour chaque individu ne fait pas apparaître clairement l’effet discriminant de ce paramètre
pour le choix de la méthode de retour d’effort. Cette conclusion n’est pas définitive : elle peut
être différente avec un panel de personnes handicapées.
D’une manière générale l’ensemble des résultats montre donc que le changement du mode de
commande influe significativement sur le comportement du fauteuil. Puisque le nombre de
collisions, notamment, mais également la durée et la longueur du parcours diminuent, on peut
conclure que l’utilisation du retour de force améliore la conduite des fauteuils roulants
électriques, du moins pour des utilisateurs valides. D’autre part la méthode MVFH apparaît
plus performante que la méthode VFH, notamment en traction arrière. La différence est
cependant moins nette que lorsque l’on compare une conduite avec et sans retour d’effort.
III.3.3.4. Analyse des résultats par zones

L’intérêt du retour de force, de même que sa méthode de calcul est fortement fonction de
l’environnement d’évolution du fauteuil. C’est pourquoi nous avons découpé notre
environnement de test en 5 zones comme nous l’avons expliqué antérieurement (Figure
III.17). Dans ce qui suit, nous allons étudier l’impact du changement du mode de commande
sur les performances de conduite dans chaque zone pour chacune des deux configurations
cinématiques du fauteuil. La présentation des résultats se fera en distinguant chaque critère de
performance.
III.3.3.4.1. Nombre de collisions

Les tableaux III.8 et III.9 présentent les performances des expérimentateurs en termes de
nombre de collisions pour chaque zone du parcours test. Rappelons que les valeurs notées en
caractère gras correspondent à des échantillons ne suivant pas une loi normale. On ne peut
donc pas leur appliquer le test ANOVA.
123
Utilisateurs Retour de Zone Couloir Passages Passages Espace

force encombrée étroits de portes Libre
1 Sans RF 0,3 0,5 4,5** 3,3 0,1
VFH 0,2 0,2 5,7 3 0,1
MVFH 0,1 0,1 1,9 3 0
2 Sans RF 0,9 0,1 4,9 3,8 0,1
VFH 0,6 0,1 4,9 3,6 0,8
MVFH 0,5 0 5,2 3,5 0
3 Sans RF 0,9 0,3 10,3* 4,2 0,5
VFH 1,2 0,2 6,1 3,9 0,2
MVFH 0,4 0,2 5,7 4,2 0,1
4 Sans RF 1,3 0,5 5,6 3,3 0,5
VFH 0,8 0,4 4,4 3,1 0,1
MVFH 0,5 0,4 3,8 3,3 0
5 Sans RF 0,5 0,2 1,7 2,6 0,2
VFH 0,2 0,2 2,2 2,4 0
MVFH 0,3 0,2 1,3 2,5 0,2
Moyennes sur Sans RF 0,7* 0,3 5,4** 3,4 0,3
les utilisateurs VFH 0,6 0,2 4,7 3,2 0,2
MVFH 0,4 0,2 3,6 3,3 0,1
ANOVA Sans RF 0,7 0,3 5,4 3,4 0,3
SansRF/VFH VFH 0,6 0,2 4,7 3,2 0,2
ANOVA Sans RF 0,7** 0,3 5,4** 3,4 0,3
SansRF/MVFH MVFH 0,4 0,2 3,6 3,3 0,1
ANOVA VFH 0,6 0,2 4,7 3,2 0,2
VFH/MVFH MVFH 0,4 0,2 3,6 3,3 0,1
Tableau III.8 : Nombre de collisions de la phase n°2 pour un fauteuil en traction arrière.
6,0
5,0
nombre de collision
4,0
Sans RF
3,0
VFH
MVFH
2,0
1,0
0,0
Encombrée Couloir Passages Etroits Passage de Espace Libre
Porte
Figure III.21 : Moyennes du nombre de collisions par zone

pour les 5 utilisateurs de la phase n°2 (traction arrière).
124
Opérateurs Joystick Zone Couloir Passages Passages Espace

encombrée étroits de portes Libre
1 Sans RF 1,5* 1,3* 6,1** 3,8 0
VFH 0,8 0,7 5,6 3,5 0,1
MVFH 0,4 0,2 2,6 2,3 0,1
2 Sans RF 1,2* 1,6 4,9** 3,9 0,3
VFH 0,9 1,7 2,1 2,7 0
MVFH 0,2 0,7 2,3 2,4 0,4
3 Sans RF 0,8* 1,2** 3,9*** 3,1** 0,1
VFH 1,5 1,4 7 5,1 0,3
MVFH 2,2 2 7,2 3,6 0,1
4 Sans RF 1,1 1,6 9,6 2,4 0,4
VFH 0,7 0,9 5,8 4,9 0,1
MVFH 0,5 0,8 4,7 3,9 0,1
5 Sans RF 0,7 0,1 1,2 2,8* 0,1
VFH 0,1 0,5 0,9 2,3 0,1
MVFH 0,2 0,2 1 1,3 0,1
Moyennes sur Sans RF 0,9* 1,0 5,1** 3,1 0,2
MVFH 0,7 0,8 3,6 2,7 0,2
ANOVA Sans RF 0,9 1,0 5,1 3,1 0,2
SansRF/VFH VFH 0,8 0,8 4,2 3,7 0,1
ANOVA Sans RF 0,9 1,0 5,1* 3,1 0,2
SansRF/MVFH MVFH 0,7 0,8 3,6 2,7 0,2
ANOVA VFH 0,8 0,8 4,2 3,7** 0,1
VFH/MVFH MVFH 0,7 0,8 3,6 2,7 0,2
Tableau III.9 : Nombre de collisions de la phase n°2 pour un fauteuil en traction avant.
125
6,0
5,0
Nombre de Collision
4,0
3,0 Sans RF
VFH
2,0 MVFH
1,0
0,0
Porte
Figure III.22 : Moyennes du nombre de collisions par zone

pour les 5 utilisateurs de la phase n°2 (traction avant).
Que l’on soit en traction avant ou arrière, le retour d’effort diminue en général le nombre de
collisions lors des manœuvres délicates (zone encombrée et passage étroit). Cette
amélioration des performances est plus nette avec l’algorithme MVFH qu’avec le VFH.
Curieusement par contre, dans la zone « passage de porte » le retour de force n’a pas influé
sur le nombre de collisions. On observe toutefois qualitativement un comportement
sensiblement meilleur du MVFH dans les passages de portes par rapport au VFH.
Dans les zones «couloir» et «espace libre» aucune conclusion très nette ne se déduit des
données quantitatives : la difficulté de manœuvre étant faible, le risque de collisions l’est
également. Par contre on remarque qualitativement à l’observation des expérimentations que
l’utilisation du VFH ou, à un degré moindre, du MVFH améliore la stabilité du déplacement.
On notera enfin le comportement atypique de l’utilisateur n°3 qui voit ses performances se
dégrader avec le retour d’effort en traction avant. Ce genre de résultats avait déjà été noté
avec d’autres panels d’expérimentateurs. Ceci conforte l’hypothèse déjà formulée que le
choix d’un mode de commande doit être individualisé.
III.3.3.4.2. Distances parcourues par zone

Les Tableaux III.10 et III.11 présentent les performances des utilisateurs en termes de
distances parcourues pour chaque zone du parcours test.
126
Utilisateurs Retour de Zone Couloir Passage Passages Espace

force encombrée étroit de portes Libre
1 Sans RF 20,8** 18,0* 25,0* 27,1** 18,5*
VFH 20,3 17,5 26,7 23,3 18,2
MVFH 20,4 17,3 20,6 24,1 18,2
2 Sans RF 20,1* 17,4** 18,6 23,2 18,3
VFH 20,1 17,1 19,6 22,6 18,2
MVFH 20,5 17,2 22,6 22,8 18,2
3 Sans RF 20,6 17,8** 33,8*** 24,7 19,1
VFH 20,7 17,3 23,0 23,3 18,6
MVFH 20,2 17,2 19,7 25,4 18,5
4 Sans RF 20,7 17,2 24,4** 24,1 18,8***
VFH 20,7 17,3 18,9 23,6 17,9
MVFH 20,2 17,5 20,0 23,9 18,1
5 Sans RF 20,5* 17,1 19,5* 23,4 18,1
VFH 20,2 17,3 18,1 22,7 18,2
MVFH 20,3 17,1 18,7 22,9 18,3
Moyennes sur Sans RF 20,5 17,5* 24,2*** 24,5*** 18,6***
MVFH 20,3 17,2 20,3 23,8 18,3
ANOVA Sans RF 20,5 17,5 24,2* 24,5*** 18,6**
SansRF/VFH VFH 20,4 17,3 21,3 23,1 18,2
ANOVA Sans RF 20,5 17,5* 24,2*** 24,5*** 18,6**
SansRF/MVFH MVFH 20,3 17,2 20,3 23,8 18,3
ANOVA VFH 20,4 17,3 21,3* 23,1 18,2
VFH/MVFH MVFH 20,3 17,2 20,3 23,8 18,3
Tableau III.10 : Distances parcourues (en mètres) de la phase n°2 pour un fauteuil en traction
arrière. Les valeurs indiquées pour chaque utilisateur sont des moyennes sur 10 tests.
30,0
25,0
20,0
Distance [m]
Sans RF
15,0 VFH
MVFH
10,0
5,0
0,0
Porte
Figure III.23 : Moyennes des distances parcourues par zone

127

1 Sans RF 26,9*** 21,5** 29,2*** 31,0*** 19,4
VFH 22,8 20,0 26,7 26,4 19,6
MVFH 22,5 19,2 23,4 25,6 19,9
2 Sans RF 22,5* 19,6*** 22,9** 27,0** 19,1*
VFH 22,2 18,9 21,0 24,2 18,6
MVFH 21,1 18,3 20,6 24,6 18,7
3 Sans RF 22,9 20,6 27,5 29,6** 19,2
VFH 22,8 19,1 27,5 25,7 19,0
MVFH 24,2 20,1 27,3 25,3 19,1
4 Sans RF 23,6** 21,0** 35,2** 26,9 19,7***
VFH 22,4 18,2 24,8 26,5 18,5
MVFH 22,2 19,0 24,6 27,6 18,9
5 Sans RF 22,1 18,5 19,1 23,5 18,7
VFH 22,0 18,8 19,6 22,9 18,8
MVFH 21,4 18,2 18,6 22,9 18,8
Moyennes sur Sans RF 23,6*** 20,3*** 26,8** 27,6*** 19,2*
MVFH 22,3 19,0 22,9 25,2 19,1
ANOVA Sans RF 23,6** 20,3*** 26,8** 27,6*** 19,2**
SansRF/VFH VFH 22,4 19,0 23,9 25,1 18,9
ANOVA Sans RF 23,6*** 20,3*** 26,8** 27,6*** 19,2*
SansRF/MVFH MVFH 22,3 19,0 22,9 25,2 19,1
ANOVA VFH 22,4 19,0 23,9 25,1 18,9
VFH/MVFH MVFH 22,3 19,0 22,9 25,2 19,1
Tableau III.11 : Distances parcourues (en mètres) de la phase n°2 pour un fauteuil en traction
avant. Les valeurs indiquées pour chaque utilisateur sont des moyennes sur 10 tests.
128
30,0
25,0
20,0
Distance [m]
Sans RF
15,0 VFH
MVFH
10,0
5,0
0,0
Porte
Figure III.24 : Moyennes des distances parcourues par zone

De l’observation des Tableaux III.10 et III.11 nous pouvons remarquer que l’utilisation du
retour de force diminue dans la plupart des cas les distances parcourues, notamment dans la
zone « passage étroit » ou le retour de force guide l’utilisateur pour lui centrer son fauteuil et
choisir un parcours optimal. Dans les autres zones bien que la différence entre les moyennes
ne soit pas très grande, la plupart des résultats obtenus sont statistiquement significatifs. Cela
permet de conclure que le retour de force améliore toujours la trajectoire. Le critère « distance
parcourue » s’avère donc plus intéressant en tant que révélateur de la qualité des trajectoires
que comme une mesure de longueur de parcours : les différences de distance, quelques mètres
sur un trajet total de plus de 100 mètres, ne constituent pas en pratique un facteur important de
choix d’un mode de commande. Enfin on remarque encore ici un comportement atypique :
pour l’utilisateur n° 5, le retour de force ne diminue pas les distances. Cet utilisateur étant
habile à l’utilisation du joystick, ses trajectoires sont optimales même sans utilisation du
retour de force.
III.3.3.4.3. Temps de parcours par zone

Les Tableaux III.12 et III.13 présentent les performances des expérimentateurs en termes de
temps de parcours pour chaque zone du parcours test.
129

1 Sans RF 38,1 28,9 70,5* 52,0** 27,6
VFH 36,3 27,6 74,3 41,4 28,8
MVFH 34,5 27,4 44,2 43,2 27,9
2 Sans RF 30,5* 23,9 34,9 39,4 25,0
VFH 32,0 24,4 41,1 37,7 26,0
MVFH 32,8 24,0 52,4 39,6 25,7
3 Sans RF 34,8 26,1* 114,0*** 46,7 26,6
VFH 34,2 24,0 47,1 39,1 25,6
MVFH 32,0 24,0 38,8 46,9 26,0
4 Sans RF 35,9** 25,7 52,8** 45,5** 26,9***
VFH 33,4 25,2 39,5 40,2 24,7
MVFH 30,7 24,3 36,0 37,1 24,8
5 Sans RF 31,4*** 24,0** 35,0 43,3 25,9
VFH 36,5 28,5 36,8 42,3 26,9
MVFH 32,1 24,3 33,2 38,2 26,2
Moyennes sur Sans RF 34,1 25,7 61,4 45,4 26,4
MVFH 32,1 24,7 38,5 38,6 26,1
ANOVA Sans RF 34,1 25,7 61,4* 45,4*** 26,4
SansRF/VFH VFH 34,5 26,0 47,8 40,2 26,4
ANOVA Sans RF 34,1** 25,7* 61,4*** 45,4*** 26,4
SansRF/MVFH MVFH 32,1 24,7 38,5 38,6 26,1
ANOVA VFH 34,5*** 26,0* 47,8** 40,2 26,4
VFH/MVFH MVFH 32,1 24,7 38,5 38,6 26,1
Tableau III.12 : Temps de parcours (en secondes) de la phase n°2 pour un fauteuil en traction
arrière. Les valeurs indiquées pour chaque utilisateur sont des moyennes sur 10 tests.
70,0
60,0
50,0
40,0 Sans RF
Temps [s]
VFH
30,0 MVFH
20,0
10,0
0,0
Encombrée Couloir Passages Etroit s Passage de Espace Libre
Porte
Figure III.25 : Moyennes des temps de parcours par zone

130

1 Sans RF 62,8** 38,8*** 80,2*** 63,1** 28,1
VFH 40,7 32,5 54,3 56,3 27,9
MVFH 41,1 29,9 50,0 45,7 29,7
2 Sans RF 40,5 32,8* 66,4*** 59,4** 27,3*
VFH 37,5 29,5 40,6 44,2 26,1
MVFH 40,4 30,0 42,8 48,1 28,4
3 Sans RF 63,3** 47,5*** 108,2*** 90,8*** 29,7
VFH 44,5 29,0 62,8 49,6 27,1
MVFH 47,3 34,7 62,2 45,7 27,6
4 Sans RF 43,5* 35,8 81,1*** 54,6 30,5**
VFH 39,4 31,0 53,3 53,2 26,7
MVFH 40,7 32,3 51,8 56,9 29,6
5 Sans RF 40,2* 30,8 40,2** 48,1 27,3***
VFH 46,5 31,3 42,7 44,0 25,1
MVFH 42,6 30,8 36,2 43,5 27,8
Moyennes sur Sans RF 50,1*** 37,1*** 75,2*** 63,2*** 28,6***
MVFH 42,4 31,5 48,6 48,0 28,6
ANOVA Sans RF 50,1** 37,1*** 75,2*** 63,2*** 28,6***
SansRF/VFH VFH 41,7 30,6 50,7 49,4 26,6
ANOVA Sans RF 50,1** 37,1*** 75,2*** 63,2*** 28,6
SansRF/MVFH MVFH 42,4 31,5 48,6 48,0 28,6
ANOVA VFH 41,7 30,6 50,7 49,4 26,6***
VFH/MVFH MVFH 42,4 31,5 48,6 48,0 28,6
Tableau III.13 : Temps de parcours (en secondes) de la phase n°2 pour un fauteuil en traction
avant. Les valeurs indiquées pour chaque utilisateur sont des moyennes sur 10 tests.
80,0
70,0
60,0
50,0
Temps [s]
40,0
Sans RF
VFH
30,0
M VFH
20,0
10,0
0,0
Porte
Figure III.26 : Moyennes des temps de parcours par zone

131
De l’observation des tableaux III.12 et III.13 on constate que le temps de parcours diminue
notablement pour 4 utilisateurs sur 5 avec l’utilisation du retour de force dans toutes les zones
sauf dans le « passage libre » où les temps sont comparables malgré quelques variations
statistiquement significatives. Les zones où l’on gagne le plus de temps avec l’utilisation de la
VFH ou de la MVFH sont les zones « passage étroit » et « passages de portes », zones qui
nécessitent des manœuvres délicates. Dans la zone « couloir » on peut noter une diminution
importante du temps de parcours en fauteuil à traction avant avec l’utilisation du VFH ou du
MVFH. Le retour d’effort joue manifestement ici un rôle de stabilisateur de la trajectoire,
problème plus important en traction avant qu’en traction arrière.
III.3.3.4.4. Indice de confort par zone

Les tableaux III.14 et III.15 présentent les performances des expérimentateurs en terme de
confort de conduite de fauteuil pour chaque zone du parcours test.
132

1 Sans RF 49,6 34,8*** 66,7 81,4 8,8***
VFH 42,3 24,4 72,3 73,4 5,3
MVFH 41,9 22,7 56,7 74,2 4,3
2 Sans RF 59,0 24,7 65,6 95,3 7,5*
VFH 55,1 30,1 74,3 90,1 11,2
MVFH 59,3 23,6 65,9 92,5 5,9
3 Sans RF 64,9 34,0 99,2** 101,0 15,9
VFH 72,8 28,2 99,4 118,8 7,9
MVFH 59,1 31,7 66,8 121,3 12,2
4 Sans RF 67,2 36,0 78,5** 96,0 7,6***
VFH 61,5 33,3 64,0 78,5 3,2
MVFH 60,9 29,3 49,1 93,2 3,0
5 Sans RF 43,7 23,4 34,2 76,7 5,6*
VFH 40,9 23,4 27,9 93,2 2,5
MVFH 44,2 25,1 34,9 94,7 7,6
Moyennes sur Sans RF 56,9 30,6* 68,8* 90,1 9,1**
MVFH 53,1 26,5 54,7 95,2 6,6
ANOVA Sans RF 56,9 30,6 68,8 90,1 9,1*
SansRF/VFH VFH 54,5 27,9 67,6 90,8 6,0
ANOVA Sans RF 56,9 30,6** 68,8** 90,1 9,1***
SansRF/MVFH MVFH 53,1 26,5 54,7 95,2 6,6
ANOVA VFH 54,5 27,9 67,6* 90,8 6,0
VFH/MVFH MVFH 53,1 26,5 54,7 95,2 6,6
Tableau III.14 : Indice de confort de la phase n°2 pour un fauteuil en traction arrière.
100,0
90,0
80,0
70,0
Indice de Confort
60,0
Sans RF
50,0 VFH
MVFH
40,0
30,0
20,0
10,0
0,0
Encombrée Couloir Passages Passage de Espace Libre
Etroits Porte
Figure III.27 : Moyennes des indices de confort par zone

133

1 Sans RF 64,4 56,8*** 86,6** 87,6 15,6
VFH 69,0 50,4 89,4 99,5 18,1
MVFH 61,2 31,9 62,7 87,1 12,5
2 Sans RF 57,1 50,7* 63,9** 86,0 11,6*
VFH 58,0 38,1 52,3 95,6 4,6
MVFH 59,4 31,8 40,6 85,6 9,5
3 Sans RF 70,7 50,2 67,7*** 85,2*** 15,3
VFH 79,8 45,6 105,5 118,2 20,3
MVFH 71,2 53,6 92,6 96,3 11,3
4 Sans RF 57,9 45,4 79,2 75,7 17,4**
VFH 55,0 37,0 72,2 102,0 8,1
MVFH 58,2 33,3 66,9 86,9 9,8
5 Sans RF 36,5* 19,4** 22,3** 54,2** 3,4
VFH 46,9 32,3 36,5 73,1 3,7
MVFH 37,8 26,7 28,6 53,2 4,2
Moyennes sur Sans RF 57,3 44,5* 63,9 77,7*** 12,6*
MVFH 57,6 35,4 58,3 81,8 9,5
ANOVA Sans RF 57,3 44,5 63,9 77,7*** 12,6
SansRF/VFH VFH 61,7 40,7 71,2 97,7 11,0
ANOVA Sans RF 57,3 44,5** 63,9 77,7 12,6***
SansRF/MVFH MVFH 57,6 35,4 58,3 81,8 9,5
ANOVA VFH 61,7 40,7 71,2* 97,7** 11,0
VFH/MVFH MVFH 57,6 35,4 58,3 81,8 9,5
Tableau III.15 : Indice de confort de la phase n°2 pour un fauteuil en traction avant.
120,0
100,0
80,0
Indice de Confort
Sans RF
60,0 VFH
MVFH
40,0
20,0
0,0
Encombrée Couloir Passages Passage de Espace Libre
Etroits Porte
Figure III.28 : Moyennes des indices de confort par zone

134
L’observation des Tableaux III.14 et III.15 montre que l’utilisation du retour de force apporte
une augmentation du confort dans les zones « couloir » et « espace libre » qui ne présentent
pas de difficultés de pilotage. Par contre, dans les zones nécessitant des manœuvres plus
délicates (« passage étroit », « passages de portes », « zone encombrée ») l’indice de confort
se dégrade globalement avec le retour d’effort, la méthode MVFH semblant offrir de
meilleures performances que la méthode VFH. Ceci n’est pas forcément contradictoire avec le
fait que les trajectoires sont plus optimales avec le retour d’effort. En effet l’indice de confort
est calculé à partir des accélérations angulaires et linéaires du fauteuil. La méthode VFH, et à
un degré moindre la méthode MVFH, peuvent provoquer, lors des changements de « vallées »
dans l’histogramme polaire, des accélérations ou décélérations brusques du fauteuil. Cette
remarque doit induire des améliorations de ces algorithmes.
III.3.4. Conclusion sur les résultats

L’ensemble des résultats expérimentaux valide l’intérêt du retour de force pour le pilotage
d’un fauteuil électrique. En effet, la comparaison des performances pour les paramètres
temps, distances et collisions, quand elle est significative, est la plupart du temps en faveur du
retour d’effort. La tendance générale montre également une amélioration sensible des résultats
avec l’algorithme MVFH par rapport au VFH. Pour le paramètre confort, les conclusions sont
fonction de la difficulté de manœuvre : le retour de force améliore les performances en terme
de confort dans les zones « faciles » et inversement. Qualitativement, on observe toutefois des
trajectoires mieux lissées avec les méthodes VFH et MVFH dans les passages difficiles.
Un point important ressort par ailleurs de toutes ces expérimentations : les conclusions
générales ne doivent pas masquer les fortes disparités de comportement inter-individus.
L’utilisateur n°5, par exemple, qui est une personne habituée à l’utilisation du joystick n’a pas
présenté d‘améliorations très significatives de ses performances avec le retour de force. On
peut remarquer aussi que certains utilisateurs sont plus à l’aise avec une configuration
cinématique du fauteuil plutôt que l’autre.
135
III.4. Conclusion du chapitre 3

Dans ce chapitre nous nous sommes intéressés à la description et aux résultats des essais
menés dans le but de prouver l’efficacité de l’utilisation du retour de force pour l’aide à la
conduite des fauteuils roulants électriques. Nous avons divisé notre chapitre en deux grandes
parties. Nous avons commencé tout d’abord par la description de la méthodologie
d’expérimentation. Nous avons ainsi défini le matériel utilisé ainsi que les paramètres de la
simulation et les différents critères choisis pour évaluer la performance de pilotage. Nous
avons également décrit la méthode ANOVA utilisée pour vérifier la signification statistique
des résultats.
La deuxième partie s’est concentrée sur la description du déroulement des expériences et sur
la présentation et l’interprétation des résultats. Nous avons effectué deux phases
expérimentales sur des panels de personnes valides. La première phase avait pour but
d’affiner les paramètres et les caractéristiques du simulateur, l’algorithme de retour d’effort et
l’environnement de test notamment. Nous avons effectué trois séries d’essais. Dans la
première nous avons utilisé un fauteuil à traction arrière et la méthode des potentiels pour
calculer le retour de force. Nous avons constaté dès cette première série que le retour de force
peut diminuer le nombre de collisions. Dans la deuxième série nous avons introduit la
méthode VFH qui s’est avérée plus performante que la méthode des potentiels. Dans la
troisième série nous avons utilisé deux types de fauteuils (traction avant et traction arrière), et
deux méthodes VFH et MVFH pour le calcul du retour de force. Les résultats prometteurs
obtenus nous ont permis de fixer les paramètres du simulateur pour l’expérimentation finale.
La deuxième phase expérimentale avait pour objectif de démontrer l’intérêt du retour de
force. Pour cela nous avons choisi un panel de cinq personnes valides qui ont effectué un
nombre d’essais suffisamment important pour pouvoir effectuer le test ANOVA sur des
moyennes individuelles. Nous avons déduit des résultats, que le retour d’effort améliore les
performances de conduite selon les critères suivants : nombre de collisions, distance
parcourue et temps de parcours. Le critère le plus significatif de la difficulté de pilotage est le
nombre de collisions. Les résultats obtenus nous ont permis aussi d’effectuer une comparaison
entre le fauteuil à traction avant et le fauteuil à traction arrière. Nous avons constaté de fortes
différences de conduite entre les deux types de fauteuil, par contre nous ne pouvons conclure
que l’un d’entre eux est mieux adapté que l’autre à l’utilisation du retour de force.
136
Enfin pour étudier le comportement du fauteuil en fonction de l’environnement, nous avons

divisé celui-ci en 5 zones différentes. Ceci nous a notamment permis de constater une baisse
du nombre de collisions avec le retour d’effort dans la zone la plus difficile en matière de
pilotage et une amélioration du confort dans les zones les plus faciles.
137
138
Conclusion et Perspectives
CONCLUSION ET PERSPECTIVES
Notre travail visait à démontrer l’intérêt de la commande des fauteuils roulants électriques
intelligents en mode assisté, c’est à dire en utilisant un joystick à retour de force.
L’application d’un tel mode permet de pallier divers problèmes d’ordre technique (sécurité,
fiabilité) et psychologique (acceptabilité) qui freinent le transfert technologique des fauteuils
intelligents.
Nous avons tout d’abord établi un état de l’art sur les différents aspects d’une commande de
fauteuils électriques intelligents en mode assisté. Nous nous sommes pour cela concentrés sur
la classification des fauteuils roulants intelligents puis sur les modes de commande en
téléopération. Nous avons conclu que l’utilisation d’un mode de commande assisté peut
résoudre certains problèmes rencontrés lors de l’utilisation de la commande partagée ou
combinée. Nous avons décrit ensuite les deux modèles les plus utilisés de l’opérateur humain
dans une tâche de conduite d’un véhicule, le modèle crossover et le modèle OCM. Enfin nous
avons cité les quelques études qui se sont intéressées à la conduite d’un fauteuil électrique
roulant avec l’utilisation d’un joystick à retour d’effort. Ceci a constitué le premier chapitre de
ce mémoire.
Le deuxième chapitre a porté sur la présentation du simulateur que nous avons développé
pour pouvoir effectuer des essais de conduite de fauteuil en mode assisté. Nous avons
commencé par décrire les prototypes réels du robot VAHM qui seront reproduits en
simulation, puis ses modèles cinématique et dynamique. Les différents algorithmes de calcul
du retour de force utilisés lors de nos expérimentations ont ensuite été détaillés. Nous avons
conclu le chapitre par une description fonctionnelle du simulateur.
Le dernier chapitre s’est intéressé aux résultats expérimentaux. Nous avons tout d’abord
décrit les conditions expérimentales et les critères de performances pris en compte pour
l’évaluation des résultats. Enfin nous avons présenté les essais et les résultats qui en
découlent. Ceux-ci nous ont permis de conclure de façon générale sur l’amélioration des
performances obtenues grâce au retour d’effort et sur le choix du meilleur algorithme de
calcul, le MVFH. L’étude des résultats par zone permet de constater que le retour d’effort
diminue le nombre de collisions dans les zones complexes de l’environnement et augmente le
confort dans les zones faciles à traverser. Ceci valide donc l’intérêt de l’utilisation d’un mode
139
Conclusion et Perspectives
de commande assisté par un retour d’effort pour la conduite d’un fauteuil roulant électrique,
du moins pour des personnes valides.
D’autre part, quelques perspectives à court terme et à plus long terme ressortent de cette
étude. Ainsi, bien que l’utilisation de la méthode MVFH permette d’atteindre les objectifs
fixés, la force de retour présente quelques discontinuités dans des endroits nécessitant des
manœuvres complexes. Un lissage de cette force peut permettre d’obtenir un retour plus lisse
et augmente le confort de la conduite. Cette amélioration a été réalisée avec succès mais n’a
pour l’instant fait l’objet que de tests informels.
La prochaine étape du projet est le passage sur les fauteuils réels VAHM2 et VAHM3 pour
valider le simulateur. Celui-ci servira alors d’outil d’évaluation pour effectuer des
expérimentations sur un panel de personnes handicapées. C’est bien sûr là que se situe
l’objectif final de ce travail, la conception du simulateur et les expérimentations décrites dans
ce mémoire étant une étape intermédiaire indispensable.
Le simulateur que nous avons développé permet de tester plusieurs modes de commande et
plusieurs types de fauteuils roulants électriques (intelligents ou non) sans que l’on soit
confronté à des problèmes de sécurité, de fiabilité ou de duplication des prototypes. Il pourra
donc être utilisé pour d’autres applications que celle traitée dans cette thèse, notamment pour
tester, éventuellement améliorer, les capacités de conduite d’une personne handicapée avant la
prescription d’un fauteuil électrique. Dans cette optique d’apprentissage et de test, il s’avèrera
sans doute intéressant de faire évoluer l’interface graphique 2D du simulateur vers une
interface 3D.
140
Bibliographie
BIBLIOGRAPHIE
[ABAS99] J. Abascal, D. Cagigas, N. Garay, L. Gardeazabal. “Interfacing users with very
severe mobility restrictions with a semi-automatically guided wheelchair”.
SIGCAPH Comput Phys Handicap. 1999;63:16–20.
[ADAC98] Y.Adachi, Y. Kuno, N. Shimada, Y. Shirai. “Intelligent wheelchair using
visual information on human faces”. Proceedings of the 1998 IEEE/RSJ
International Conference on Intelligent Robots and Systems (IROS); 1998 Oct
13–17; Victoria, BC, Canada. Piscataway (NJ): IEEE; 1998. p. 354–59.
[ADAC03] Y. Adachi, K. Goto, Y. Matsumoto, T. Ogasawara. “Development of control
assistant system for robotic wheelchair—estimation of user’s behavior based
on measurements of gaze and environment”. Proceedings of the 2003
International Symposium on Computational Intelligence in Robotics and
Automation (CIRA); 2003 Jul 16–20; Kobe, Japan. Piscataway (NJ): IEEE;
2003. p. 538–43.
[ARNA00] B. Arnaldi .“PERF-RV : Plate-forme française de réalité virtuelle”.
[ARGY02] A. Argyros, P. Georgiadis, P. Trahanias, D. Tsakiris. “Semi-autonomous
navigation of a robotic wheelchair”. Journal of Intelligent and Robotic
Systems, 2002.
[BALC02] AC. Balcells,FD. del Rio, G. Jimenez,JL. Sevillano, C. Amaya, S. Vicente.
“Improving the maneuverability of powered wheelchairs. Control
Applications”. Proceedings of the IEEE International Conference on Control
Applications; 2002 Sept 18–20; Glasgow, United Kingdom. Piscataway
(NJ):IEEE; 2002. p. 790–95.
[BARA05] H. Baradaran, W. Stuerzlinger. “Comparison of Real and Virtual 3D
Construction Tools with Novice Users”. CGVR'06, 10-15, Juin 2006.
[BARE03] R. Barea, L. Boquete, LM. Bergasa, E. Lopez, M. Mazo. “Electro-
oculographic guidance of a wheelchair using eye movements codification”. Int
Journal Rob Res. 2003;22(7/8):641–52.
[BARN99] D.P. Barnes, M.S. Counsell. “Haptic Communication for Remote Mobile
Manipulator Robot Operations”. Proceedings 8th Topical Meetings on
Robotics and Remote Systems, Pittsburgh, PA, USA, 1999.
[BEAT95] PD. Beattie. “SENARIO: Sensor aided intelligent wheelchair navigation”. IEE
Colloquium on New Developments in Electric Vehicles for Disabled Persons;
1995 Mar 17; London, UK. Piscataway (NJ): IEEE; 1995. p. 2/1–4.
[BELL93] D.A. Bell, SP. Levine, Y. Koren, LA. Jaros, J. Borenstein. “An identification
technique for adaptive shared control in human-machine systems”.
Proceedings of the 15th Annual International Conference of the IEEE
Engineering in Medicine and Biology Society; 1993 Oct 28–31; San Diego,
CA. Piscataway (NJ): IEEE; 1993. p. 1299–1300.
[BELL94] D.A. Bell, S.P. Levine, Y. Koren, L.A. Jaros, J. Borenstein. “Design Criteria
for Obstacle Avoidance in a Shared-Control System”. RESNA’94, p. 581-583,
1994.
[BELL94a] D.A. Bell, J. Borenstein, SP. Levine, Y. Koren, J. Jaros. “An assistive
navigation system for wheelchairs based upon mobile robot obstacle
avoidance”. Robotics and Automation. Proceedings of the IEEE International
Conference on Robotics and Automation (ICRA); 1994 May 8–13; San Diego,
CA. Piscataway (NJ): IEEE; 1994. p. 2018–22.
141
Bibliographie
[BLEY04] F. Bley, M. Rous, U. Canzler, K.F. Kraiss. “Supervised navigation and

manipulation for impaired wheelchair users”. In IEEE International
Conference on Systems, Man and Cybernetics, 2004.
[BERG99] LM. Bergasa. “Guidance of a wheelchair for handicapped people by head
movements”. Robotics applications for the next millennium. International
Conference on Field and Service Robotics (FSR 1999).
[BLIS] http://blista.de/euprojekte/artforall/reader.pdf
[BOER98] E.R.BOER, R.V.KENYON. “Estimation of time-varying delay time in non
stationary linear systems: an approach to monitor human operator adaptation
in manual task”. IEEE Transaction on Systems, Man and Cybernetics, Vol.28,
n°1, 1998, pp.89-99.
[BONC05] A. Bonci, S. Longhi, A. Monteriu and M. Vaccarini. “Navigation system for a
smart wheelchair”. Journal of Zhejiang University Sciences, vol. 6A, n°2, pp
110-117, 2005.
[BORE89] J. Borenstein, and Y. Koren. «Real-time Obstacle Avoidance for Fast Mobile
Robots.”. IEEE Transactions on Systems, Man, and Cybernetics , Vol. 19, No.
5, Sept/Oct 1989, pp. 1179-1187
[BORE91] J. Borenstein, Y. Koren. “The vector field histogram - Fast obstacle avoidance
for mobile robots”. IEEE Transactions on Robotics and Automation, vol.7,
n°3, p.278-288., 1991.
[BORE92] J. Borenstein, Y. Koren. “Noise rejection for ultrasonic sensors in mobile
robot applications”. Dans proceeding of the international Conference on
robotics and Automation. Pages 1727- 1732, 1992.
[BORG98] U. Borgolte, H. Hoyer, C. Buehler, H. Heck, R. Hoelper. “Architectural
concepts of a semi-autonomous wheelchair”. J.Intell Robotic Syst.
1998;22(3/4):233–53.
[BOUR98a] G. Bourhis, Y. Agostini. “The VAHM robotized wheelchair: System
architecture and human-machine interaction”. J Intell Robotic Syst.
1998;22(1):39–50.
[BOUR98b] G. Bourhis, Y. Agostini. “Man-machine cooperation for the control of an
intelligent powered wheelchair”. Journal Intell Robotic Syst.
1998;22(3/4):269–87.
[BOUR01] G. Bourhis, O. Horn, O. Habert, A. Pruski. “An autonomous vehicle for people
with motor disabilities”. IEEE Robot Autom Mag. 2001;8(1)20–28.
[BOUR93] G. Bourhis, K. Moumen, P. Pino, S. Rohmer, A Pruski. “ Assisted navigation
for a powered wheelchair”. Systems Engineering in the Service of Humans:
Proceedings of the IEEE International Conference on Systems, Man and
Cybernetics; 1993 Oct 17–20; Le Touquet, France. Piscataway (NJ): IEEE;
1993. p. 553–58.
[BOUR94] G. Bourhis, O. Horn, Y. Agostini. “Location and high level planning for a
powered wheelchair”. Humans, Information and Technology. Proceedings of
the IEEE International Conference on Systems, Man and Cybernetics; 1994
Oct 2–5; San Antonio, TX. Piscataway (NJ): IEEE; 1994. p. 2629–34.
[BOUR96] G. Bourhis, P. Pino. “Mobile robotics and mobility assistance for people with
motor impairments: rational justification for the VAHM project”. IEEE Trans
Rehabil Eng. 1996;4(1):7–12.
[BOUR07] G. BOURHIS, M. SAHNOUN. “Assisted control for a smart wheelchair”.
10th International Conference on Rehabilitation Robotics, ICORR’07,
Noordwjick, Pays-Bas, 13-15 juin 2007.
142
Bibliographie
[BOUZ02] M. Bouzit, G. Burdea, G. Popescu, and R. Boian. “The rutgers master ii{new
design force-feedback glove”. IEEE/ASME Transactions on Mechatronics,
7(2), June 2002.
[BOYE02] ES. Boy, CL. Teo, E. Burdet. “Collaborative wheelchair assistant”.
Proceedings of the 2002 IEEE/RSJ International Conference on Intelligent
Robots and Systems (IROS); 2002 Sep 30–Oct 5; Lausanne, Switzerland.
Piscataway (NJ): IEEE; 2002. p. 1511–16.
[BRIE96] D. M. Brienza, J. Angelo. “A force feedback joystick and control algorithm for
wheelchair obstacle avoidance”. Disability and Rehabilitation, vol. 18, no.
3,123–129, 1996.
[BROG98] U. Borgolte, H. Hoyer, C. Buehler, H. Heck, R. Hoelper. “Architectural
concepts of a semi-autonomous wheelchair”. J Intell Robotic Syst.
1998;22(3/4):233–53.
[BUGM98] G Bugmann, KLKoay, N. Barlow, M. Phillips, D. Rodney. “Stable encoding
of robot trajectories using normalised radial basis functions: application to an
autonomous wheelchair”. Proceedings of the 29th International Symposium on
Robotics (ISR’98); 1998 Apr 27–30; Birmingham, UK. Coventry (UK):
BARA; 1998.
[CAGI02] D. Cagigas, J.Abascal. “an efficient robot path planning system for large
environments using pre-calculated paths”. Proceedings of the 10th
Mediterranean Conference on Control and Automation - MED2002 Lisbon,
Portugal, July 9-12, 2002.
[CAGI04] D. Cagigas, J. Abascal. “Hierarchical path search with partial materialization
of costs for a smart wheelchair”. J Intell Robotic Sys. 2004;39(4);409–31.
[CARD78] S. Card, W. English, B. Burr . “Evaluation of mouse, rate-controlled isometric
joystick, step keys, and text keys for text selection on a CRT”. Ergonomics 21:
601-613. (1978).
[CASI04] G. Casiez. “Interface Contribution à l'étude des interfaces haptiques Le
DigiHaptic : un périphérique haptique de bureau µa degrés de liberté
séparés”. Thèse de doctorat, Lille, octobre 2004.
[CHAB05] D. Chablat, F. Bennis, B. Hoessler et M. Guibert. “Périphériques haptiques et
simulation d'objets, de robots et de mannequins dans un environnement de
CAO-Robotique : eM-Virtual Desktop”. Mécanique & Industries 5, 189-197
(2004).
[CHAU00] S. Chauhan, P. Sharma, HR. Singh, A. Mobin, SS. Agrawal. “Design and
development of voice-cum-auto steered robotic wheelchair incorporating
reactive fuzzy scheme for anti-collision and auto routing”. Proceedings of the
IEEE Region 10 Conference (TENCON); 2000 Sep 24–27; Kuala Lumpur,
Malaysia. Piscataway (NJ): IEEE; 2000. p. 192–95.
[CHOW02] HN. Chow, Y. Xu, SK. Tso. “Learning human navigational skill for smart
wheelchair”. Proceedings of the 2002 IEEE/RSJ International Conference on
Intelligent Robots and Systems (IROS); 2002 Sep 30–Oct 5; Lausanne,
Switzerland. Piscataway (NJ): IEEE; 2002. p. 996–1001.
[COIF93] P. Coiffet, M. Bouzit and G. Burdea. “The LRP Dextrous Hand Master”. VR
Systems Fall 1993 Conference, Sig Advanced Applications, New York City,
October, 1993.
[COOP00] R.A. Cooper and al. “Analysis of position and isometric joysticks for powered
wheelchair driving”. IEEE Transactions on Biomedical Engineering, vol.47,
n°7, 2000, p.902-910.
143
Bibliographie
[CONN90] J. Connell, P. Viola. “Cooperative control of a semi-autonomous mobile

robot”. Robotics and Automation: Proceedings of the IEEE International
Conference on Robotics and Automation (ICRA); 1990 May 13–18;
Cincinnati, OH. Piscataway (NJ): IEEE; 1990. p. 1118–21.
[CNRSa] http://www2.cnrs.fr/presse/communique/290.htm
[CRIS98] JD. Crisman, ME. Cleary, LC. Rojas. “The deictically controlled wheelchair”.
Image Vis Comput. 1998;16(4):235–49.
[CYGR] http://www.vrlogic.com/html/immersion/cybergrasp.html
[DEAN00] L.K. Dean, S. Xylar. Asay-Davis, M. Evan Finn, T. Foley, Jeremy A. Friesner,
Yo Imai, Bret J. Naylor, Sarah R. Wustner. “Virtual Explorer: Interactive
Virtual Environment for Education”. Presence, Vol. 9, No. 6, December 2000,
505–523 ©2001 by the Massachusetts Institute of Technology.
[DELR01] FD. del Rio, G. Jimenez, J.L. Sevillano, S. Vicente, AC Balcells. “A path
following control for unicycle robots”. Journal Robot Syst. 2001;18(7):325–42.
[DING03] D. Ding, EF. LoPresti, RC. Simpson, RA. Cooper. “Interpreting joystick
signals for wheelchair navigation”. Proceedings of the 26th International
Annual Conference on Assistive Technology for People with Disabilities
(RESNA); 2003 Jun 19–23; Atlanta, GA. Arlington (VA): RESNA Press;
2003.
[FATT04] A. Fattouh, M. Sahnoun, G. Bourhis. “Force Feedback Joystick Control of a
Powered Wheelchair: Preliminary Study”. IEEE Int. Conf. on SMC, The
Hague, The Nederland, 2004.
[FCSH] http://www.fcs-cs.com/robotics/products/hapticmaster
[FEHR00] L. Fehr, WE. Langbein, SB. Skaar. “Adequacy of power wheelchair control
interfaces for persons with severe disabilities: A clinical survey”. JOURNAL
Rehabil Res Devel. 2000;37(3):353–60.
[FEIN04] U. Feintuch1, D. Rand2, R. Kizony3, P.L. Weiss4. “Promoting research and
clinical use of haptic feedback in virtual environments”. Proc. 5th Intl Conf.
Disability, Virtual Reality & Assoc. Tech., Oxford, UK, 2004.
[FELZ02] T. Felzer, B. Freisleben. “Hawcos: The ”hands-free” wheelchair control
system”. Proceedings of the 5th International ACM SIGCAPH Conference on
Assistive Technologies (ASSETS’02), pages 127–134, 2002.
[FIOR98] S. Fioretti, T. Leo, S. Longhi. “How to transform a powered wheelchair in a
robotic aid for motor-disabled. Control Applications”. Proceedings of the 1998
IEEE International Conference on Control Applications; 1998 Sep 1–4; Trieste,
Italy. Piscataway (NJ): IEEE; 1998. p. 222–26.
[FIOR00] S. Fioretti, T. Leo, S. Longhi. “A navigation system for increasing the
autonomy and the security of powered wheelchairs”. IEEE Trans Rehabil Eng.
2000;8(4):490–98.
[FISH03] A. Fisch, C. Mavroidis, Y. Bar-Cohen, J. Melli-Huber. “Haptic Devices for
Virtual Reality, Telepresence and Human-Assistive Robotics”. In:
Biologically-Inspired Intelligent Robots. SPIE Press (2003)
[FITT54] P.M. Fitts. “The information capacity of the human motor system in controlling
the amplitude of movements”. Journal of experimental psychology, vol.47, n°6,
1954, p. 381-391.
[FRIS04] R. Frisch, S. Guo, R.A. Cooper, E.F. LoPresti, R.C. Simpson, S. Hayashi, W.
Ammer. “Hardware design of the Smart Power Assistance Module for manual
wheelchairs”. Proceedings of the 27th International Annual Conference on
Assistive Technology for People with Disabilities (RESNA); 2004 Jun 20–22;
Orlando, FL. Arlington (VA): RESNA Press; 2004.
144
Bibliographie
[GELI93] R. Gelin, JM. Detriche, JP. Lambert, P. Malblanc. “The sprint of COACH.
Systems Engineering in the Service of Humans”. Proceedings of the IEEE
International Conference on Systems, Man and Cybernetics; 1993 Oct 17–20;
Le Touquet, France. Piscataway (NJ): IEEE; 1993. p. 547–52.
[GOMI96] T. Gomi, K. Ide. “The development of an intelligent wheelchair”. Proceedings
of the 1996 IEEE Intelligent Vehicles Symposium; 1996 Sep 19–20; Tokyo,
Japan. Piscataway (NJ): IEEE; 1996. p. 70–75.
[GOMI98] T. Gomi, A. Griffith. “Developing intelligent wheelchairs for the
handicapped”. In: Mittal VO, Yanco HA, Aronis J, Simpson RC, editors.
Lecture notes in artificial intelligence: Assistive technology and artificial
intelligence: Applications in robotics, user interfaces and natural language
processing. Heidelburg (Germany): Springer-Verlag; 1998. p. 150–78.
[GOSS05] F. Gosselin. “Optimisation des interfaces haptiques : problèmes, méthodes,
applications”. 17éme Congrès Français de Mécanique, Troyes, 29 aout-02
septembre 2005.
[GRFS04] “GFORCE Research Flight Simulator”, NLR Air Transport Division,
Training, Human Factors & Cockpit Operations Dept. NLR Amsterdam; avril
2004.
[GARR06] P. Carrec, JP. Martins, F. Gravez, Y. Méasson, Y. Perrot “Une Nouvelle
Orthèse Portable A Retour D’effort Inspirée Par La Morphologie”, handicap
2006, 4eme Conférence Juin 2006.
[HABE97] O. Habert,A. Pruski. “Cooperative construction and maintenance of maps for
autonomous navigation”. Rob Auton Syst. 1997;21:341–53.
[HAPC] http://www.haptech.com
[HAPT] http://www.haption.com
[HAYW04] V. Hayward, R. Oliver. Astley, C.H. Manuel, G. Danny, G. Robles-De-La-
Torre. “Haptic interfaces and devices”. Sensor Review, 2004
[HAYA89] S. HAYATI, S.T. VENKATARAMAN. “Design and implementation of a
robot system with traded and shared control capability”. robotica, Vol.15,
1997, pp.133-151.
[HART88] S.G. HART, L.E.STAVELAND. “Development of NASA-TLX (Task Load
Index) : Results of experimental and theoretical research”. In P.A. Hancock
and N. Meshkati (Eds), Human mental workload, Amsterdam: North-Holland,
1988 pp 139-183.
[HEND84] T. Henderson, E. Shilcrat , “Logical sensor system”, Robotic System., vol. 1,
pp. 169-193, 1984.
[HESS77] R.A. HESS. “ Dual- loop model of the human controller”. Journal of guidance
and control, 2, PP 254-260.
[HOEN98] T. HOENTGER. “Dynamically sherd control on human-robot teams through
physical interactions”. IEEE/RSJ, Conference on intelligent robots and
systems Victoria, B.C., Canada, 1998.
[HONG99] J.P. Hong, O.S. Kwon and al. “Shared-control and force reflection joystick
algorithm for the door passing of mobile robot or powered wheelchair”. IEEE
TENCON, 1999, p. 1577-1580.
[HORN06] O. Horn, M. Kreutner, G. Bourhis. “Modes de perception des fauteuils
roulants intelligents”. Handicap 2006, 4ème conférence “nouvelle technologies
au service de l’homme”, pp.32-39. Paris 2006.
[HOSM99] R. Hosman, H. Stassen. “Pilote’s perception in the control of aircraft
motions”. Control Engineering Practices, Vol. 7, No. 11, 1999, pp. 1421-1428
145
Bibliographie
[HOYE99] H. Hoyer, U. Borgolte, A. Jocheim. “The OMNI wheelchair—State of the art”.

Proceedings of the 14th Annual California State University Northridge
(CSUN) Conference on Technology and Persons with Disabilities.
[HUEB06] K. Huebner, J. Zhang. “Stable symmetry feature detection and classification in
panoramic robot vision systems”. In IEEE International Conference on
Robotics and Systems (IROS’06), Beijing, China, Oct 2006.
[IMCF] http://www.immersion.com/3d/products/cyber_force.php
[IMIE] http://www.immersion.com/industrial/joystick/impulse_engine.php
[IMIS] http://www.immersion.com/gaming/arcade_sim/products/stick.php
[IMMD] http://www.immersion.com/medical/
[IMWG] http://www.immersion.com/developer/technology/devices/index.php
[IEZZ01] L. Iezzoni, E. McCarthy,R. Davis,H. Siebens. “Mobility difficulties are not
only a problem of old age”. JOURNAL Gen Intern Med. 2001;16(4):235–43.
[JAFF90] D.L. Jaffe, H.L. Harris, S.K. Leung. “Ultrasonic head controlled
wheelchair/interface: A case study in development and technology transfer”.
Proceedings of the 13th Annual International Conference on Assistive
Technology for People with Disabilities (RESNA);1990 June 15–20;
Washington, DC. Arlington (VA): RESNA Press; 1990. p. 23–24.
[JOHA82] G. Johannsen. “Man-machine système – Introduction and background”. IFAC
Conf. on analysis, Design and Evolution of Man-Machine systems, Baden-
Baden 1982, xiii-xvii.
[JOLL91] D. Jolly, A.M. Desodt, F. Wawak. “Choix de modes de conduite en
téléopération”. Revue d’Automatique et de productique appliqués, vol.4, n°4,
1991, p. 435-445.
[KATE98] N.L. Katevas, S.G. Tzafestas, C.G. Pnevmatikatos. “The approximate cell
decomposition with local refinement global path planning method: path
refinement and curve parametric interpolation”. JOURNAL Intell Robotic
Syst. 1998;22(3/4): 289–314.
[KEAT00] S. Keates, P. Langdon, J. Clarkson, P. Robinson. “Investigating the use of
force feedback for motion impaired users”. 6th ERCIM Workshop "User
Interfaces for all", Florence, Italy, 2000.
[KELL99] D. Kelly. “the enhancement of mobility for individuals who are both physically
and visually disabled”. Long Beach. CA. RESNA Presse, 1999 pp 227-229.
[KIM02] S.Kim, S.Hasegawa, Y.Koike, M.Sato. “Tension Based 7-DOF Force
Feedback Device: SPIDAR-G”. Proceedings of the IEEE Virtual Reality 2002.
[KITA01] H. Kitagawa, T. Kobayashi, T. Beppu, K. Terashima. “Semi-autonomous
obstacle avoidance of omnidirectional wheelchair by joystick impedance
control”. Proceedings of the 2001 IEEE/RSJ International Conference on
Intelligent Robots and Systems (IROS); 2001 Oct 29–Nov 3; Maui, HI.
[KLEI70] KLEINMAN, BARONS, W.H. LEVISON. “An optimal control model oh
human response – Part I: Theory and validation”, Automatica, Vol. 6, pp.357-
369.
[KLUG02] B. Kluge, D. Bank, E. Prassler. “Motion coordination in dynamic
environments: Reaching a moving goal while avoiding moving obstacles”.
Proceedings of the 11th IEEE International Workshop on Robot and Human
Interactive Communication (RO-MAN); 2002 Sep 25–27; Berlin, Germany.
146
Bibliographie
[KREU04] M.KREUTNER. “Perception multisensorielle pour le positionnement d’un

véhicule Autonome dédié aux personnes Handicapés moteurs”. Thèse de
doctorat de l’université de Metz. 21 Septembre 2004.
[KROV94] V. Krovi, P. Wellman, V. Kumar, W. Harwin. “Design of a walking
wheelchair for the motor disabled”. In Proceedings of the 4th International
Conference on Rehabilitation Robots, 1994.
[KUNO03] Y. Kuno, N. Shimada, Y. Shirai. “Look where you’re going [robotic
wheelchair]”. IEEE Robot Autom Mag. 2003;10(1); 26–34.
[LAM04] T.M. Lam, H.W. Boschloo, M. Mulder, M.M. Van Paasen. “Effect of Haptic
Feedback in a Trajectory Following Task with an Unmanned Aerial Vehicle”.
IEEE Int. Conf. on SMC, The Hague, The Nederland, p.2500-2506, 2004
[LANK01] A. Lankenau, T. Röfer. “A versatile and safe mobility assistant. IEEE Robot
Autom Mag”. 2001;8(1):29–37.
[LANK02] A. Lankenau and T. Röfer. “Mobile robot self-localization in large-scale
environments”. In Proceedings of the IEEE International Conference on
Robotics and Automation, pages 1359–1364, 2002.
[LAW02] CKH. Law, MYY. Leung, Y. Xu, SK. Tso. “A cap as interface for wheelchair
control”. Proceedings of the 2002 IEEE/RSJ International Conference on
Intelligent Robots and Systems (IROS); 2002 Sep 30–Oct 5; Lausanne,
Switzerland. Piscataway (NJ): IEEE; 2002. p. 1439–44.
[LEE93] S. LEE. “Intelligent sensing and control for advanced teleoperation”. IEEE
Transaction on Control systems, juin 93, pp. 19-28.
[LEE05] S. Lee, G.S. Sukhatme, G.J. Kim, C. Park. “Haptic Control of a Mobile Robot
: a User Study”. Presence : Teleoperators & Virtual Environments, Vol. 14,
n°3, p.345-365, 2005.
[LEVI99] S.P. Levine, D.A. Bell, L.A. Jaros, R.C. Simpson, Y. Koren, J. Borenstein.
“The NavChair assistive wheelchair navigation system”. IEEE Trans Rehabil
Eng. 1999;7(4):443–51.
[LI00] X. Li, X. Zhao, T. Tan. “A behavior-based architecture for the control of an
intelligent powered wheelchair”. Proceedings of the 9th IEEE International
Workshop on Robot and Human Interactive Communication (RO-MAN 2000);
2000 Sep 27–29; Osaka, Japan. Piscataway (NJ): IEEE; 2000. p. 80–83.
[LOGI] http://www.logitech.com/index.cfm/products/productlist/IL/EN,crid=2214
[LOPR03] E.F. LoPresti, R.C. Simpson, S. Hayashi, I.R. Nourbakhsh, D.P. Miller. “The
design of the Smart Wheelchair component system”. Proceedings of the 26th
International Annual Conference on Assistive Technology for People with
Disabilities (RESNA); 2003 Jun 19–23; Atlanta, GA. Arlington (VA): RESNA
Press; 2003.
[LUO99] R.C. Luo, C.Y. Hu, T.M. Chen, M.H. Lin. “Force Reflective Feedback Control
for Intelligent Wheelchairs”. Proceedings of IEEE/RSJ, International
Conference on Intelligent Robots and Systems, pp 918-923, 1999.
[LUO99a] R.C. Luo, T.M. Chen, M.H. Lin. “Automatic Guided Intelligent Wheelchair
System Using Hierarchical Grey-Fuzzy Motion Decision-Making Algorithms”.
Proc. Of the IEEE/RSJ Int. Conf. On Intelligent Robots And Systems, 1999,
pp. 900-905.
[MACE96] W.A. McEachern, J.L. Dallaway. “Sensor-based shared control of a
rehabilitation manipulation system”. Proceedings of the RESNA 96 Annual
Conference. 342-344. 1996.
[MACK89] I.S. MAcKenzie. “A note on the information-theoretic basis for Fitts' law”.
Journal of Motor Behavior. 21 :323-330, 1989.
147
Bibliographie
[MACK92] I.S. MacKenzie W. Buxton. “Extending Fitts' law to two-dimensional tasks”.

In ACM Conference on Human Factors in Computing Systems - CHI'92, pages
219-226. ACM Press, 1992.
[MADA86] R.L. Madarasz, L.C. Heiny, “Cromp RF, Mazur NM. Design of an autonomous
vehicle for the disabled”. IEEE JOURNAL Robot Autom. 1986;2(3):117–25.
[MAHO94] R.M. MAHONEY, “Towards a control theory model of human target-directed
movements”, IEEE Int. conf. on Robotics ans Automation, San Diego,
California, 1994, pp.30-35.
[MALL02] P. Mallet, G. Schöner. “Wad project where attractor dynamics aids
wheelchair navigation”. In Proceedings of the International Conference on
Intelligent Robots and System, 2002.
[MAND05] C. Mandel, K. Huebner, T. Vierhuff. “Towards an autonomous wheelchair:
Cognitive aspects in service robotics”. In Proceedings of Towards
Autonomous Robotic Systems (TAROS’05), pages 165–172, 2005.
[MATS01] Y. Matsumoto, T. Ino, T. Ogasawara. “Development of intelligent wheelchair
system with face- and gaze-based interface”. Proceedings of the 10th IEEE
International Workshop on Robot and Human Interactive Communication
(ROMAN); 2001 Sep 18–21; Bordeaux-Paris, France. Piscataway (NJ): IEEE;
2001. p. 262–67.
[MART01] C. Martens, N. Ruchel, O. Lang, O. Ivlev, A. Graser. “A friend for assisting
handicapped people”. IEEE Robotics & Automation Magazine, 8(1), March
2001.
[MASA04] O. Masaaki, T. Ryusuke, O. Masaki Okugumo, T. Jun, O. Makoto. “Travelling
control of the autonomous mobile wheel-chair dream-3 considering correlation
of the initial position”. In International Midwest Symposium on Circuits and
Systems, 2004.
[MASC97] S. Mascaro, J. Spano, H. Asada. “A reconfigurable holonomic omnidirectional
mobile bed with unified seating (rhombus) for bedridden patients”. In
Proceedings of the IEEE International Conference on Robotics and
Automation, volume 2, pages 1277–1282, 1997.
[MAZO01] M. Mazo. “An integral system for assisted mobility”. IEEE Robot Autom Mag.
2001;8(1):46–56.
[MCRU67] D.T. McRuer, H.R. Jex. “A review of quasi-linear pilot models”. IEEE
Transactions on Human Factors in Electronics, Vol. HFE-8, n°3, 1967, p. 231-
249.
[MICRa] http://www.microsoft.com/mind/0398/flux0398.asp
[MICRb] http://www.microsoft.com
[MILL88] P. MILLOT. “supervision des procédé automatisé et ergonomie”. Edition
Hermes, 1988.
[MILL91] P. MILLOT, E. ROUSSILLON. “Man-machine cooperation and
teleopération: problematic and methodologies”. 2nd France-israël Symposium
on robotics, Gif sur Yvette, 1991.
[MILL95] D.P. Miller, M.G. Slack. “Design and testing of a low-cost robotic wheelchair
prototype. Auton Robots”. 1995;2(1): 77–88.
[MILL96] D.P. Miller. “Moving in tandem: Automated person pacing for wheelchair
users. Developing Assistive Technology for People with Disabilities”. AAAI
Fall Symposium; 1996 Nov 9–11; Cambridge, MA. Menlo Park (CA): AAAI
Press; 1996. p. 86–89.
148
Bibliographie
[MILL99] D.P. Miller. “Semi-autonomous mobility verses semi-mobile autonomy. Agents

with Adjustable Autonomy”. AAAI Spring Symposium; 1999 Mar 22–24;
Stanford, CA. Menlo Park (CA): AAAI Press; 1999. p. 79–80.
[MLHD] http://www.msl.ri.cmu.edu/projects/haptic/haptic_device.php
[NIKI96] M.S. Nikitas, T. Panayotis, K.P. George, N. Atevas. “Qualitative autonomous
navigation for wheelchair robots”. In European Conference on Artificial
Intelligence, pages 679–683, 1996.
[MOON02] I. Moon, S. Joung, Y. Kum. “Safe and reliable intelligent wheelchair robot
with human-robot interaction”. Robotics and Automation. Proceedings of the
IEEE International Conference on Robotics and Automation (ICRA); 2002
May 11–15; Washington DC. Piscataway (NJ): IEEE; 2002. p. 3595–600.
[MOON03] I. Moon, M. Lee, J. Ryu, M. Mun. “Intelligent robotic wheelchair with EMG-,
gesture-, and voice-based interfaces”. Proceedings of the 2003 IEEE/RSJ
International Conference on Intelligent Robots and Systems (IROS); 2003 Oct
27–31; Las Vegas, NV. Piscataway (NJ): IEEE; 2003. p. 3453–58.
[MORA06] R. Morales, V. Feliu, A. González, P. Pintado. “Kinematic model of a new
staircase climbing wheelchair and its experimental validation”. International
Journal of Robotic Research, 25(9):825–841, Sep 2006.
[MORE04] Y. Morere, A. Pruski. “Multi-agent control structure for intelligent wheelchair
and aide navigation for disabled people”. Proceedings of the 2004
International Symposium on Robotics (ISR 2004); 2004 Mar 23–26; Paris,
France. Paris (France): SYMAP; 2004. p. 64.
[NISB95] P.D. Nisbet, J. Craig, J.P. Odor, S. Aitken. ““Smart” wheelchairs for mobility
training”. Technol Disabil. 1995;5:49–62.
[NISB96] P.D. Nisbet. “Integrating assistive technologies: current practices and future
possibilities”. Med Eng Phys vol. 1996;18(3):193–202.
[NISB02] P.D. Nisbet. “Who’s intelligent? Wheelchair, driver or both? Control
Applications”. Proceedings of the IEEE 2002 International Conference on
Control Applications; 2002 Sep 18–20; Glasgow, United Kingdom. Picataway
(NJ): IEEE; 2002. p. 760–65.
[OSAM06] M. Osamu, K. Kiyoshi, H. Tsutomu, H. Nishimura, K. Toda, S. Goto.
“Autonomous traveling control of the “TAO Aicle” intelligent wheelchair”. In
Proceedings of the IEEE International Conference on Robotics and Systems
(IROS’06), Beijing, China, Oct 2006.
[OUIG96] R. Ouiguini, B. Belloulou. “Navigation of an autonomous wheelchair in a
structured environment”. Proceedings of the 1996 IEEE IECON 22nd
International Conference on Industrial Electronics, Control, and
Instrumentation; 1996 Aug 5–10; Taipei, Taiwan. Piscataway (NJ): IEEE;
1996. p. 749–54.
[PARI03] S.P. Parikh, R.S. Rao, S.H. Jung, V. Kumar, J.P. Ostrowski, C.J. Taylor.
“Human robot interaction and usability studies for a smart wheelchair”.
Proceedings of the 2003 IEEE/RSJ International Conference on Intelligent
Robots and Systems (IROS); 2003 Oct 27–31; Las Vegas, NV. Piscataway
(NJ): IEEE; 2003. p. 3206–11.
[PIET06] T. Pietrzak, N. Noble, I. Pecci, B. Martin. “Evaluation d'un logiciel
d'exploration de circuits électriques pour déficients visuels”. Dans RJH-IHM
2006, Anglet, France, 2006.
[PINO95] P. PINO “robot mobile pour handicapés moteurs : évaluation du système
homme-machine”. thèse de doctorat de l’université de Metz, Metz, juin 1995.
149
Bibliographie
[PIRE97] G. Pires, R. Aradjo, U. Nunes, A.T. de Almeida. “RobChair—A powered

wheelchair using a behaviour-based navigation”. 1998 5th International
Workshop on Advanced Motion Control (AMC ‘98-Coimbra); 1998 Jun 29–Jul
1; Coimbra, Portugal. Piscataway (NJ): IEEE; 1998. p. 536–41.
[PIRE98] G. Pires, N. Honorio, C. Lopes, U. Nunes, A.T. Almeida. “Autonomous
wheelchair for disabled people”. Proceedings of the IEEE International
Symposium on Industrial Electronics (ISIE); 1997 Jul 7–11; Guimaraes,
Portugal. Piscataway (NJ): IEEE; 1997. p. 797–801.
[PIRE02] G. Pires, U. Nunes. “A wheelchair steered through voice commands and
assisted by a reactive fuzzy-logic controller”. Journal Intell Robotic Sys.
2002;34(3):301–14.
[PRAS01] E. Prassler, J. Scholz, P. Fiorini. “A robotic wheelchair for crowded public
environments”. IEEE Robot Autom Mag. 2001;8(1):38–45.
[PROT00] J. L. Protho, B.S. LoPresti, D.M. Brienza. “An evaluation of an obstacle
avoidance force feedback joystick”. The Proceedings of the 23th Annual
RESNA Conference, 2000, pp. 447–449.
[PRUS92] A. Pruski, G. Bourhis. “The VAHM project: A cooperation between an
autonomous mobile platform and a disabled person”. Robotics and
Automation. Proceedings of the IEEE International Conference on Robotics
and Automation (ICRA); 1992 May 12–14; Nice, France. Piscataway (NJ):
IEEE; 1992. p. 268–73.
[PRUS03] A. PRUSKI. “Assistance technique au handicap (Traité IC2, série Systèmes
automatisés)”. Edition lavoisier, 2003.
[PRUS07] A. PRUSKI, Y. MORERE, O. HORN, G. BOURHIS, R. GRASSE, M.
SAHNOUN. “Approche centrée utilisateur pour la conception d’un fauteuil
roulant intelligent”. Science et Technologie pour le Handicap, Ed. Hermes,
2007.
[RADW90] R. Radwin, G.C. Vanderheiden, M. Lin. “A method for evaluating head-
controlled computer input devices using Fitts’ Law”. Human Factors, vol. 32,
no. 4, pp. 423–438, 1990.
[RAO89] S. Rao, R. Kuc. “INCH: An intelligent wheelchair prototype”. Bioengineering.
Proceedings of the 15th Annual Northeast Conference on Bioengineering; 1989
Mar 27–28; Boston, MA. Piscataway (NJ): IEEE; 1989. p. 35–36.
[RASM83] J. RASMUSSEN. “skills, rules and knowledge; sign and symbol and other
distinctions in human performance models”. IEEE Trans. Syst.man Cybern.,
SMC 13, n° 3, pp.257-266, 1983.
[REPP95] D.W. Repperger, C.A. Phillips, T.L. Chelette. “A study on spatially induced
“virtual force” with an information theoretic investigation of human
performance”. IEEE Transactions on Systems, Man and Cybernetics, vol.25,
n°10, 1995, p.1392-1404.
[RENT03] A.J. Rentschler,R.A. Cooper, B. Blasch, M.L. Boninger. “Intelligent walkers
for the elderly: Performance and safety testing of VA-PAMAID robotic
walker”. Journal Rehabil. Res. Dev. 2003;40(5):423–32.
[RICH00] C. Richard, A. M. Okamura, R. M. Cutkosky, “Feeling is Believing: Using a
Force-Feedback Joystick to Teach Dynamic Systems”, Center for Design
Research, Stanford University (2000).
[RLEG05] A. M. Srinivasan, S. J. Biggs, G. Liu, D.W. Schloerb, L. Zhou, J. Cheong, S.
De, J. Hu, O. Lahav, D. Lee, M. Muniyandi, M. Ahn, C. Bolzmacher, D.
Daverman, R. Iglesias, H. Kim, S. Kumar, W-C. Wu. “Human and Machine
Haptics”, RLE Progress Report 147.
150
Bibliographie
[RONN05] S. Rönnbäck, K. Hyyppä, and A. Wernersson. “On passing a doorway with an

internet connected wheelchair using matlab”. In Proceedings of IEEE/RSJ
International Conference on Robotics and Systems (IROS’05), 2005.
[RONN06] S. Rönnbäck, J. Piekkari, K. Hyyppä, T. Berglund, and S. Koskinen. “A semi-
autonomous wheelchair towards user centered design”. In Lecture notes of the
10th International Conference on Computers Helping People with Special
Needs (ICCHP’06), volume LNCS 4061, pages 701–708, Linz, Austria, July
2006.
[ROSE86] M. J. Rosen and C. Goodenough-Trepagnier. “Qualitative aspects of Fitts’ task
performance by motor-disabled individuals”. In Proc. RESNA 9th Annu.
Conf., Minneapolis, MN, 1986, pp. 161–163.
[ROUH88] J.C. ROUHET. “systèmes Homme Machine”. Technique de l’ingénieur 4.
1988, R 7-610 p, 1-21.
[RVDL02] R.Q. Van der Linde, P. Lammertse, E. Frederiksen, B. Ruiter. “The
HapticMaster, a new high-performance haptic interface”. FCS Control
Systems, The Netherlands.
[SABA95] A.M. Sabatini, V. Genovese, E. Guglielmelli, A. Mantuano, G. Ratti, P. Dario.
“Low-cost, composite sensor array combining ultrasonic and infrared
proximity sensors”. Human Robot Interaction and Cooperative Robots.
Proceedings of the IEEE/RSJ International Conference on Intelligent Robots
and Systems; 1995 Aug 5–9; Pittsburgh, PA. Piscataway (NJ): IEEE; 1995. p.
120–26.
[SAHN05] M. Sahnoun , G. Bouris. “_Assisted control for powered wheelchair with a
force feedback joystick” _, in Association for the Advencement of Assistive
Technology in Europe (AAATE 2005), IOS Press, p. 601-605, 2005.
[SAHN06] M. Sahnoun , G. Bouris. “Retour Haptique pour l’Aide au Pilotage des
Fauteuils Roulants Electriques”. In national conference handicap 2006.
[SAHN06a] M. SAHNOUN, G. BOURHIS. “Haptic feedback to assist powered wheelchair
piloting”. AMSE Periodicals, vol.67, p. 53-63, 2006.
[SAPO04] “PHANTOM® OMNI USER’S GUIDE”. dernière mise à jour le 17 Novembre,
2004 à 11:01.
[SAPD05] “PHANTOM® DESKTOP USER’S GUIDE”. dernière mise à jour le 10 février,
2005.
[SAND95] D.A. Sanders, I.J Stott, M.J. Goodwin . “Assisting a disabled person in
navigating an electric vehicle through a doorway”. IEE Colloquium on New
Developments in Electric Vehicles for Disabled Persons; 1995 Mar 17;
London, UK. Piscataway (NJ): IEEE; 1995. p. 5/1–6.
[SCHI98] K. Schilling, H. Roth, R. Lieb, H. Stutzle. “Sensors to improve the safety for
wheelchair users”. In: Placencia Porrero I, Ballabio E, editors. Improving the
quality of life for the European Citizen. Technology for inclusive design and
equality. Amsterdam (Netherlands): IOS Press; 1998. p. 331–35. (Assistive
technology research series; vol 4.).
[SEKI00] H. Seki, S. Kobayashi,Y. Kamiya Y, M. Hikizu, H. Nomura.
“Autonomous/semi-autonomous navigation system of a wheelchair by active
ultrasonic beacons”. Robotics and Automation. Proceedings of the IEEE
International Conference on Robotics and Automation (ICRA); 2000 Apr 24–
28; San Francisco, CA. Piscataway (NJ): IEEE; 2000. p. 1366–71.
[SHER04] L. ROSENBERG. “Virtual Fixtures”. PhD thesis, Stanford University, 1994.
[SHER92] T.B. SHERIDANE. “Telerobotics, automation and human supervisory
control”. MIT Press, 1992.
151
Bibliographie
[SIMP97] R.C . Simpson, S.P. Levine. “Adaptive shared control of a smart wheelchair
operated by voice control”. Intelligent Robots and Systems. Proceedings of the
IEEE/RSJ International Conference on Intelligent Robots and Systems; 1997
Sept 7–11; Grenoble, France. Piscataway (NJ): IEEE; 1997. p. 622–26.
[SIMP99a] R.C. Simpson, C.D. Poirot, M.F. Baxter. “Evaluation of the Hephaestus smart
wheelchair system”. Proceedings of the 6th International Conference on
Rehabilitation Robotics (ICORR); 1999 Jul 1–2; Stanford, CA. Stanford (CA):
Rehabilitation Robotics ICORR; 1999. p. 99–105.
[SIMP99b] R.C. Simpson, D. Poirot, M.F. Baxter. “The Hephaestus smart wheelchair
system”. Proceedings of the 22nd Annual International Conference on
Assistive Technology for People with Disabilities (RESNA); 1999 June 25–29;
Long Beach, CA. Arlington (VA): RESNA Press; 1999. p. 122–24.
[SIMP03] R.C. Simpson, E.F. LoPresti, S. Hayashi, S. Guo, D. Ding, R.A. Cooper.
“Smart Power Assistance Module for manual wheelchairs”. Technology and
Disability: Research, Design, Practice and Policy: 26th International Annual
Conference on Assistive Technology for People with Disabilities (RESNA);
2003 Jun 19–23; Atlanta, GA. Arlington (VA): RESNA Press; 2003.
[SIMP02] R.C. Simpson, D. Poirot, M.F. Baxter. “The Hephaestus smart wheelchair
system”. IEEE Trans Neural Syst Rehabil Eng. 2002;10(2):118–22.
[SIMP02a] R.C. Simpson, S.P. Levine. “Voice control of a powered wheelchair”. IEEE
Trans Neural Syst Rehabil Eng. 2002;10(2):122–25.
[SIMP04] R.C. Simpson, E.F. LoPresti, S. Hayashi, I.R. Nourbakhsh, D.P. Miller. “The
smart wheelchair component system”. J Rehabil Res Dev. 2004;41(3B):429–
42.
[SIMP04a] R.C. Simpson, E.F. LoPresti, S. Hayashi, S. Guo, R. Frisch, A. Martin, W.
Ammer, D. Ding, R.A. Cooper. “The Smart Power Assistance Module for
manual wheelchairs. Designing A More Inclusive World”. Proceedings of the
2nd Cambridge Workshop on Universal Access and Assistive Technology
(CWUAAT); 2004 Mar 22–24; Cambridge, UK. Cambridge, UK: University of
Cambridge; 2004. p. 51–54.
[SIMP05] R.C. Simpson, E. LoPresti, S. Hayashi, S. Guo, D. Ding, W. Ammer,V.
Sharma, R. Cooper. “A prototype power assist wheelchair that provides for
obstacle detection and avoidance for those with visual impairments”. Journal
of NeuroEngineering and Rehabilitation, published October 2005.
[SING99] H.R. Singh, A. Mobin, S. Kumar, S. Chauhan, S.S. Agrawal. “Design and
development of voice/joystick operated microcontroller based intelligent
motorised wheelchair”. Proceedings of the IEEE Region 10 Conference
(TENCON); 1999 Sep 15–17; Cheju Island, South Korea. Piscataway (NJ):
IEEE; 1999. p. 1573–76.
[SGOU02] N.M. Sgouros. “Qualitative navigation for autonomous wheelchair robots in
indoor environments”. Auton Robots. 2002;12(3):257–66.
[SPER84] SPERANDIO . “L’ergonomie du travail mental”. Masson (Eds), 1984.
[STOT00] I.J. Stott, D.A. Sanders, G.E. Tewkesbury. “Low cost ultrasonic sensors for
tele-operated vehicles”. Sens Rev. 2000;20(3):227–35.
[SUTT90] R. SUTTON, D.R. TOWILL. “ Modelling human operators in control system
design”. Research studies press, Itd John Wiley& sons Inc, 1990, ISBN O
86380 109 9, 212p.
[TARN95] T. TARN, N. XI, C. GUO, Y. WU. “Task-oriented human and machine
cooperation in teleoperation in telerobotic systems”. DARS’95, Vienne,
Autriche, 1995, pp. 13-18.
152
Bibliographie
[TRAH97] P.E. Trahanias, M.I.A. Lourakis, A.A. Argyros, S.C. Orphanoudakis.

“Navigational support for robotic wheelchair platforms: An approach that
combines vision and range sensors”. Robotics and Automation. Proceedings
1997 IEEE International Conference on Robotics and Automation (ICRA);
1997 Apr 20–25; Albuquerque, NM. Piscataway (NJ): IEEE; 1997. p. 1265–
70.
[TRON04] B. Tornil, N. Baptiste-Jessel. “Présentation de l’Harmonie Musicale par une
Notation Spatiale et une Souris à Retour de Force”. Rencontre des jeunes
chercheurs interaction Hommes-Machine, Lacanau 2004.
[TZAF01] S.G. TZAFESTAS, E.S. TZAFESTAS. “Human–Machine Interaction in
Intelligent Robotic Systems: A Unifying Consideration with Implementation
Examples”. Journal of Intelligent and Robotic Systems 32: 119–141, 2001.
[VERT85] J. Vertut, C. Coiffet. “Téléoperation – Evolution des technologies. Les
Robots”. Volume 3A, Hermès Publishing, Paris, 1985.
[WAKA92] H. Wakaumi, K. Nakamura, T. Matsumura. “Development of an automated
wheelchair guided by a magnetic ferrite marker lane”. Journal Rehabil Res
Dev. 1992;29(1):27–34.
[WALA99] S. Walairacht, K. Yamada, Y. Koike et M. Sato, “Modeling Virtual Hands with
Haptic Interface Device”. International Conference on Artificial Reality and
Telexistence 1999, Japan.
[WALT87] S. WALTER : “The sonar ring : Obstacle detection for a mobile robot”. Dans
proceeding of the international Conference on robotics and Automation,
Volume 3, Pages 1574-1579, 1987.
[WELF68] A.T. Welford. “The fundamentals of skill”. London : Methuen, 1968.
[WIKIa] http://fr.wikipedia.org/wiki/Simulateur_de_vol
[WILL98a] S.G. William, L.B Robert, H. Micheal, R. Emilio, J.K Benjamin. “Integrating
vision and spatial reasoning for assistive navigation”,In: Mittal VO, Yanco
HA, Aronis J, Simpson RC, editors. Lecture notes in artificial intelligence:
Assistive technology and artificial intelligence: Applications in robotics, user
interfaces and natural language processing. Heidelburg (Germany): Springer-
Verlag; 1998. p. 179–93. (Lecture notes in computer science; vol 1458.)
[WILL98] Robert L. Williams, Mark A. Murphy, Debra North, James Berlin, Michael
Krier. “Kinesthetic force/moment feedback via active exoskeleton”. 1998
IMAGE Conference Scottsdale, Arizona, 2-7 August 1998.
[WILL00] R.L. Williams II, M.Y. Chen, J.M. Seaton. “Haptics-Augmented High School
Physics Tutorials”. International Journal of Virtual Reality October, 2000.
[YANC98] H.A. Yanco, “Wheelesley, a robotic wheelchair system: indoor navigation and
user interface”. In: Mittal VO, Yanco HA, Aronis J, Simpson RC, editors.
Lecture notes in artificial intelligence: Assistive technology and artificial
intelligence: Applications in robotics, user interfaces and natural language
processing. Heidelburg (Germany): Springer-Verlag; 1998. p. 256–68.
[YANC02] H.A. Yanco. “Evaluating the performance of assistive robotic systems”.
Proceedings of the 2002 Workshop on Performance Metrics for Intelligent
Systems (PerMIS); 2002 Aug 13–15; Gaithersburg, MD. Gaithersburg (MD):
NIST; 2002. NIST Special Publication 990: Session 1M1.
[YODE96] J.D. Yoder, E.T. Baumgartner, S.B. Skaar. “Initial Results in the Development
of a Guidance System for a Powered Wheelchair”. IEEE Transactions on
Rehabilitation Engineering,1996 4 (3): 143-151.
[YOKO93] Y. YOKOKOHJI., A. OGAWA., H. HASUNUMA, T. YOCHIKAWA.
“Operation modes for cooperating with autonomous functions in intelligent
153
Bibliographie
teleopertation systems”. IEEE International Conference on robotics and

Automation, 1993,pp 510-515.
[ZHAO00] X. Zhao, X. Li, T. Tan. “A novel landmark tree based self-localization and
path-planning method for an intelligent wheelchair”. Proceedings of the 9th
IEEE International Workshop on Robot and Human Interactive
Communication (RO-MAN 2000); 2000 Sep 27–29; Osaka, Japan. Piscataway
(NJ): IEEE; 2000. p. 84–89.
154
Résumé
L’objectif de cette thèse est d’évaluer l’intérêt d’une nouvelle interface de commande pour fauteuil
roulant électrique, un joystick à retour d’effort, destinée à des personnes handicapés moteurs ayant des
difficultés à contrôler classiquement leur fauteuil. Ce joystick devra être implémenté sur un fauteuil
« intelligent » muni de capteurs télémétriques. Le retour d’effort est calculé en fonction de la
proximité des obstacles et aide l’utilisateur sans le contraindre à se diriger vers la direction libre. Le
premier chapitre du mémoire est une étude bibliographique portant sur les fauteuils « intelligents », sur
les modes de commande en téléopération, sur les interfaces haptiques en robotique et sur la
modélisation des tâches de pilotage. Le second chapitre décrit la conception d’un simulateur de
pilotage de fauteuil destiné à tester des fonctionnalités nouvelles. Le troisième et dernier chapitre porte
sur un ensemble de résultats expérimentaux visant à conclure sur l’intérêt du retour d’effort pour le
pilotage de fauteuils électriques et sur le choix de son algorithme de calcul. Les paramètres testés sont
notamment la configuration de l’environnement (couloir, passage de porte, espace libre, …) et la
cinématique du fauteuil (traction avant, traction arrière).
Mots clés : fauteuils intelligents, aide technique, joystick à retour d’effort, simulateur de conduite.
Abstract
The objective of this thesis is to evaluate the interest of a new control interface for powered
wheelchairs, a force feedback joystick, intended for people with severe motor disabilities which have
difficulties to pilot their wheelchair in an usual way. This joystick will have to be implemented on a
"smart" wheelchair provided with telemetric sensors. The force feedback is calculated according to the
proximity of the obstacles and assists the user, without forcing him, to move towards the free
direction. The first chapter of the report is a state of the art on the smart wheelchairs, on the control
modes in teleoperation, on the haptic interfaces in robotics and on the modelling of piloting tasks. The
second chapter describes the design of a simulator of wheelchair piloting intended to test new
functionalities. The third and final chapter relates to a set of experimental results aiming at concluding
on the interest of the force feedback for wheelchair piloting and on the choice of its calculation
algorithm. The parameters tested are in particular the configuration of the environment (corridor, doors
passages, free space …) and the kinematics of the wheelchair (front-wheel drive, rear-wheel drive).
Keywords : smart wheelchair, assistive technology, force feedback joystick, driving simulator.

Sahnoun Mhamed SMZ0739

Transféré par

Droits d'auteur :

Formats disponibles

Sahnoun Mhamed SMZ0739

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sahnoun Mhamed SMZ0739

Transféré par

Droits d'auteur :

Formats disponibles

AVERTISSEMENT

Ce document est le fruit d'un long travail approuvé par le jury de

Il est soumis à la propriété intellectuelle de l'auteur. Ceci

D'autre part, toute contrefaçon, plagiat, reproduction illicite

Code de la Propriété Intellectuelle. articles L 122. 4

Présentée dans le cadre de l’école doctorale IAEM Lorraine pour l’obtention

Soutenue publiquement le 11 octobre 2007

Rapporteurs : Mme JOLLY DESODT Anne-Marie

Examinateurs : M. LOPEZ-KRAHE Jaime

Je tiens tout d’abord à témoigner toute ma reconnaissance à Monsieur Guy BOURHIS,

Je remercie Monsieur Alain PRUSKI, Professeur de l’université de Metz, de m’avoir

Je tiens à exprimer ma profonde et sincère reconnaissance à Monsieur Anas FATTOUH,

Je tiens à remercier Madame JOLLY DESODT Anne-Marie, Professeur à l’ENSAIT de

Table des matières

I. CHAPITRE 1 : ETAT DE L’ART ............................................................... 11

I.5.3. Modèle à trois niveaux de Rasmussen ........................................................................ 47

II. CHAPITRE 2 : CONCEPTION DU SIMULATEUR .................... 57

III. CHAPITRE 3 : RESULTATS ET DISCUSSIONS ....................... 97

III.2.2.2. Configuration de l’environnement .................................................................. 100

CONCLUSION ET PERSPECTIVES .......................................................... 139

BIBLIOGRAPHIE .................................................................................................... 141

Liste des figures

Figure II.17 : Le schéma fonctionnel du système homme-fauteuil.......................................... 75

La problématique abordée dans ce mémoire consiste alors à proposer une fonctionnalité

Ce mémoire s’attache à la définition du mode de commande assisté et à prouver l’intérêt de

I. CHAPITRE 1 : ETAT DE L’ART

I.2.Les fauteuils roulants intelligents

I.2.2. Critères de classification des FRE intelligents

I.2.2.1. La structure mécanique

I.2.2.2. Les interfaces de commande

I.2.2.3. Les Capteurs

I.2.2.5. Les modes opératoires

I.2.2.6. Les balises et les cartes internes de l’environnement

I.2.3. Liste des fauteuils intelligents

USA navigation, il utilise un langage topologique simple. Il peut transporter la

comportementale. Pour accomplir n’importe quelle tâche, il utilise

personnes à mobilité réduite. En particulier, il peut retrouver son chemin

I.3. Modes de commande en téléopération

substitution », nous sommes confrontés à des systèmes coopératifs incluant l’opérateur

I.3.2. Téléopération assistée par ordinateur

I.3.3. Les modes de commande

Opérateur Opérateur Opérateur Opérateur Opérateur

Ecran Contrôleur Ecran Contrôleur Ecran Contrôleur Ecran Contrôleur Ecran

Calculateur Calculateur Calculateur Calculateur

Tâche Tâche Tâche Tâche Tâche

Figure I.1 : Modes de commande en téléopération d’après [SHER92]

Le système de la Figure I.1.a représente une commande manuelle conventionnelle. Il

I.3.4. Coopération au niveau exécution : commande partagée ou combinée

Les données brutes

I.4. Retour d’effort en robotique

I.4.2. Le retour haptique : définition

I.4.3. Caractéristiques des interfaces à retour d’effort

I.4.4. Interfaces à retour d’effort

I.4.4.1. Les gants

Figure I.3 : Le gant CyberGrasp

Figure I.4 : Le Rutgers Master II

Le LRP-Dextrouse Hand Master(DHM) : ce gant à été développé au Laboratoire de

Figure I.5 : Le LRP-Dextrouse Hand Master(DHM)

Le CyberForce : c’est un produit commercialisé par Immersion [IMCF], obtenu par le