Développement d’un simulateur haptique immersif à trois degrés de liberté pour la reproduction de randonnées réelles en véhicules récréatifs
Bibliographic record
Abstract
De nombreuses technologies de simulation existent aujourd’hui. Elles sont souvent utilisées à des fins de formation, notamment dans les industries aéronautique, automobile et médicale. Dans ce contexte, le projet Sekonride vise à développer un simulateur de véhicules récréatifs qui pourrait être utilisé dans les concessions BRP pour permettre aux potentiels clients de tester les véhicules avant d’en faire l’achat. \n \nPar le présent mémoire, inhérent au projet Sekonride, nous cherchons à développer la capacité du simulateur à reproduire des randonnées réelles en véhicule récréatif. Pour ce faire, notre point de départ est le prototype de simulateur de quadricoptère en réalité virtuelle du projet AeroStraße développé à l’Université de Sherbrooke, qui doit être adapté à nos objectifs. \n \nLe développement du simulateur s’articule en trois objectifs spécifiques et s’appuie sur la méthodologie de design science. Le premier objectif spécifique consiste à concevoir un dispositif permettant de capter des randonnées réelles sur deux types de véhicules récréatifs : la motoneige et le VTT. Pour cela, nous avons développé un dispositif permettant d’enregistrer à la fois les images du parcours à 360° et l’évolution des mouvements de l’engin. Ce dispositif intègre, entre autres, une caméra sportive à 360° GoPro Max et une centrale inertielle fixée sur le châssis du véhicule au cours de la randonnée. Le deuxième objectif spécifique consiste à concevoir une démarche de traitement du signal permettant de convertir les données brutes issues de la centrale inertielle en trame linéaire de déplacement pour les actionneurs. Enfin, le dernier objectif spécifique consiste à concevoir une solution permettant de contrôler le simulateur pour reproduire les randonnées. Pour cela, nous avons développé un ensemble de programmes permettant de reproduire à la fois les images de la randonnée dans un casque de réalité virtuelle et les mouvements enregistrés lors de la captation sur les actionneurs du simulateur. Le travail s’est attaché, pour cet objectif spécifique, à synchroniser la reproduction des images et des mouvements. Les outils scientifiques pertinents pour répondre à chaque objectif spécifique ont été mis en lumière par une revue de littérature. \n \nUne fois l’objectif principal de développement du simulateur atteint, une analyse du comportement de ce dernier a permis d’évaluer les différences entre les mouvements enregistrés lors des randonnées réelles et leur reproduction sur le simulateur. Une campagne de test a également été menée pour valider le sentiment d’immersion procuré par le simulateur. Ces analyses ont permis de valider le prototype Sekonride, qui reproduit fidèlement des randonnées réelles en véhicule récréatif, tout en mettant en lumière des perspectives d’amélioration. \n \nEnfin, certains choix faits et hypothèses posées au cours de cette étude sont discutés, notamment concernant la précision des capteurs et le dimensionnement du filtre passe-bas. Les lacunes et les limites de notre étude sont évoquées, comme l’impossibilité pour l’utilisateur de contrôler la simulation, et la fréquence de fonctionnement du simulateur fixée à 30 Hz. Enfin, les opportunités d’ouverture et d’amélioration sont évoquées pour la phase II du projet Sekonride, qui consiste à rendre la simulation contrôlable par l’utilisateur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".