In a world where industry has a need for ever more complex automated machines, robot grasping is still far from human capabilities. Despite recent innovations in computer vision and grasping planning, it is still a challenge for a robot to pick never-before-seen objects. Researchers are trying to combine vision with tactile sensing to augment the performance of modern intelligent machines. In this thesis, we will present a novel way to improve robotic grasping using tactile sensors and an unsupervised feature-learning algorithm. Using a test bench and sensors at the Control and Robotics (CoRo) laboratory of the ÉTS, we have developed and tested a series of classifiers to predict the outcome of a robotic grasp. Our method improves upon the results of hand-crafted feature learning. We have collected data from 100 different everyday objects, executing 10 grasping attemps per object, for a total of 1000 grasping attemps. The optimal system we developed recognized grasp failures 84.23% of the time.

Dans un monde où l’industrie créé un besoin pour des machines automatisées d’autant plus intelligeantes, la saisie d’objets avec un robot est toujours loin de rivaliser avec celle d’un humain. Malgrés les innovations récentes dans les dommaines de la vision par ordinateur et de la planification de saisie robotique, le défi est toujours grand quand il vient à la saisie d’objets jamais vu auparavant par le robot. Plusieurs chercheurs essaies de combiner la vision par ordinateur avec de l’information tactile afin d’augmenter les performances des machines intelligeantes modernes. Dans ce mémoire, nous présenterons une nouvelle approche pour améliorer la saisie robotique à l’aide de capteurs tactiles et d’un algorithme d’apprentissage non-supervisé. En utilisant un banc d’essaies et des capteurs tactiles développés au laboratoire de commande et de robotique (CoRo) de l’ÉTS, nous avons développé une série de classificateurs qui prédisent la stabilité d’une prise robotique. Notre méthode est une amélioration des résultats obtenus avec une approche où les caractéristiques de haut niveau sont façonnés à la main. Nous avons collecté des données à partir de 100 objets différents pour un total de 1000 tentatives de prises robotisées. Notre système optimal a été en mesure de reconnaitre les échecs 84.23% des fois.