Contribution à l'apprentissage humain de gestes à l'aide de techniques de clustering pour l’analyse de mouvements capturés

A Contribution to Human Motion Learning through Clustering Techniques for Captured Motion Analysis

• Auteur / Autrice : Quentin Couland
• Direction : Sébastien George, Ludovic Hamon
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 27/05/2020
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Université du Mans - Laboratoire d'Informatique de l'Université du Mans / LIUM

Mots clés

Mots clés contrôlés

Analyse du mouvement

Environnement d'apprentissage personnel

Reconnaissance gestuelle

Mots clés libres

Apprentissage humain

EIAH

Mouvement capturé

Apprentissage de mouvements

Apprentissage automatique

Human learning

TEL

Captured motion

Motion learning

Machine learning

Résumé

Cette thèse s'inscrit à la croisée des domaines des Environnements Informatiques pour l'Apprentissage Humain (EIAH) et de l'apprentissage du mouvement. Les EIAH utilisant le geste sont nombreux, et présents dans des domaines variés. Les EIAHs de la littérature sont le plus souvent conçus de façon ad-hoc ou se concentrent sur une tâche particulière dans un domaine d’apprentissage donné. Leur réutilisation dans d'autres situations d’apprentissage est souvent impossible ou nécessiterait un travail de réingénierie conséquent. Le développement d'EIAH support à l’enseignement de gestes, extensibles au-delà de la tâche pour laquelle elles ont été conçues et ayant un coût minimal en termes de réingénierie, représente un défi qui pose plusieurs verrous techniques et questions scientifiques. Afin de répondre à ces questions, le système Motion Learning Analytics (MLA) a été développé. Ce système permet la captation, le filtrage, le traitement et l'analyse automatique et semi-supervisée du mouvement d'un apprenant. Ce système a été testé, sur des gestes de lancers, au travers de trois expérimentations, permettant d’évaluer quatre facettes du système proposé et fondé sur des propriétés cinématiques et géométriques du mouvement: (i) la possibilité d'obtenir une séparation des gestes en différents groupes correspondant à plusieurs stratégies de lancers, (ii) la possibilité d'obtenir une séparation en fonction de la réussite ou non de ces gestes, (iii) l’intégration des besoins d’observation de l’enseignant, en tant que critères de séparation des gestes et d’évaluation de la progression de l’apprenant et enfin, (iv) une analyse de la capacité du système à fournir une aide à la décision pertinente pour un expert, dans l'objectif d'améliorer le geste de l'apprenant.

This PhD thesis lies at the crossroads of the Technology Enhanced Learning (TEL) and human motion learning fields. A lot of TEL systems for motion learning already exist, and they are used in numerous application domains. While efficient in the task they were designed for, they are usually ad-hoc by design, focusing on a specific task and learning context. Reusing such systems in other learning contexts is impossible or requires a heavy re-engineering process. The design of TEL systems for motion learning, expandable beyond the task they were created for and needing a minimal amount of re-engineering, represents a challenge from which arise several technical issues and scientific questions. To tackle these challenges, the Motion Learning Analytics (MLA) system was developed. This system was tested on throwing motions through three different experimentations, designed to test four aspects of the system : (i) the possibility to achieve a good separation of the motions into multiple groups orresponding to different throwing strategies, (ii), the possibility to achieve a good separation corresponding to the degree of success of these motions, (iii), the integration of the expert's observations needs as criteria for the separation and evaluation of the learner's progression and (iv), an analysis on the ability of the system to provide an efficient and relevant assistance to the expert in order to improve the learner's gesture.