AVIS DE SOUTENANCE de Madame Abhaya Dhathri ARIGE

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR РServices répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Madame Abhaya Dhathri ARIGE

Autoris√©e √† pr√©senter ses travaux en vue de l‚Äôobtention du Doctorat de l’Institut Polytechnique de Paris, pr√©par√© √† T√©l√©com SudParis en :

Informatique

¬ę Simplification des mod√®les CAO 3D avec l’apprentissage profond pour la r√©alit√© augment√©e ¬Ľ

le JEUDI 14 D√ČCEMBRE 2023 √† 16h00

à Télécom SudParis

SALLE C06
9 Rue Charles Fourier, EVRY Courcouronnes FR, 91000

Membres du jury :

M. Titus ZAHARIA, Professor, T√©l√©com SudParis, FRANCE – Directeur de these
M. Valeriu VRABIE, Professor, Universit√© de Reims Champagne-Ardenne, FRANCE – Rapporteur
M. Jean-Marc LECAILLEC, Professor, IMT Atlantique, FRANCE – Rapporteur
M. Marius PREDA, Ma√ģtre de conf√©rences, T√©lecom SudParis, FRANCE – CoDirecteur de these
M. Francisco MOR√ĀN BURGOS, Professeur, Universidad Polit√©cnica de Madrid, ESPAGNE – Examinateur
Mme Arianne HINDS, Docteur, Tencent America, ETATS-UNIS – Examinateur

¬ę Simplification des mod√®les CAO 3D avec l’apprentissage profond pour la r√©alit√© augment√©e ¬Ľ

présenté par Madame Abhaya Dhathri ARIGE

Résumé :

Dans l’Industrie 4.0, l’utilisation d’appareils de R√©alit√© Augment√©e (RA) tels que HoloLens a acquis une acceptation significative pour la formation des op√©rateurs de ligne d’assemblage dans diverses industries. La simplification des mod√®les CAO 3D pour la formation en RA est essentielle pour une meilleure performance des applications. Notre recherche se concentre sur le d√©veloppement de m√©thodes et de techniques visant √† rationaliser des mod√®les CAO 3D complexes, les rendant adapt√©s aux applications de RA. Notre recherche met en avant le r√īle des mod√®les 3D en RA, am√©liorant l’exp√©rience virtuelle en superposant des mod√®les CAO sur le monde r√©el. Nous d√©taillons les applications de la RA dans la formation des op√©rateurs et comment l’int√©gration de mod√®les CAO 3D am√©liore la compr√©hension des instructions et des proc√©dures. Nous avons r√©alis√© une revue approfondie de la litt√©rature sur la simplification des mod√®les CAO pour leur int√©gration dans des sc√©narios de r√©alit√© augment√©e (RA). Nos conclusions indiquent que les techniques de simplification bas√©es sur le maillage excellent dans la pr√©servation des √©l√©ments essentiels des mod√®les CAO, offrant un contr√īle pr√©cis sur les niveaux de d√©tail. De plus, nous avons effectu√© quatre types distincts d’√©valuations dans notre recherche. Ces √©valuations comprenaient des √©valuations objectives utilisant des techniques bas√©es sur le maillage issues de la litt√©rature existante, des avis d’experts impliquant un examen approfondi de chaque mod√®le simplifi√© pour d√©terminer le niveau de simplification en fonction des plages de sommets, des tests en conditions r√©elles assist√©s par HoloLens2, qui ont r√©v√©l√© des am√©liorations du taux de rafra√ģchissement lors de l’utilisation de mod√®les CAO au lieu de leurs versions originales. Pour conclure nos √©valuations, nous avons √©galement r√©alis√© des √©valuations par les utilisateurs, en donnant la priorit√© √† l’exp√©rience utilisateur dans notre √©tude. Ces √©valuations ont confirm√© que les mod√®les simplifi√©s sont hautement capables de remplacer les versions originales. Cependant, il a √©t√© observ√© qu’une simplification suppl√©mentaire est n√©cessaire, en particulier pour les mod√®les CAO complexes. La m√©thodologie principale propose une approche innovante ax√©e sur la segmentation du maillage et la simplification adaptative gr√Ęce √† l’utilisation de m√©thodes d’apprentissage profond. Pour r√©duire la complexit√© associ√©e √† la segmentation et √† la simplification 3D, nous avons projet√© les donn√©es dans le domaine 2D pour effectuer la segmentation et avons ensuite cartographi√© les r√©sultats dans le domaine 3D. Nous avons illustr√© ce cadre √† l’aide d’une fonction sp√©cifique appel√©e ¬ę¬†cha√ģnes continues¬†¬Ľ pour expliquer le processus de simplification. Par la suite, nous avons r√©alis√© une analyse comparative par rapport √† des techniques de pointe √©tablies, d√©montrant la performance sup√©rieure de notre m√©thodologie. Dans nos futures recherches, nous visons √† √©largir la port√©e de notre cadre pour englober plusieurs caract√©ristiques et les r√©gions fonctionnelles √† l’int√©rieur des mod√®les CAO.

Abstract :

In Industry 4.0 the use of Augmented Reality (AR) devices like HoloLens has gained significant acceptance for training assembly line operators in various industries. Simplifying 3D CAD models for AR training is crucial for better application performance. Our research focuses on developing methods and techniques to streamline complex 3D CAD models, making them suitable for AR applications. Our research highlights the role of 3D models in AR, enhancing the virtual experience by overlaying CAD models onto the real world. We detail AR applications in operator training and how integrating 3D CAD models improves understanding of instructions and procedures. We performed an extensive literature review in CAD model simplification for integration into augmented reality (AR) scenarios. Our findings indicated that mesh-based simplification techniques excel in preserving CAD model essentials, providing precise control over the level of details. Furthermore, we conducted four distinct types of assessments in our research. These assessments included objective evaluations utilizing mesh-based techniques from existing literature, expert review involving a comprehensive examination of each simplified model to determine the level of simplification based on vertex ranges, real-world testing aided by HoloLens2, which revealed improvements in framerate when using CAD models instead of their original versions. To conclude our evaluations, we also conducted user assessments, prioritizing user experience in our study. These assessments confirmed that the simplified models are highly capable of replacing the original counterparts. However, it was observed that further simplification is necessary, especially for intricate CAD models. The main methodology proposes an innovative approach, focusing on mesh segmentation and adaptive simplification using deep learning methods. To reduce the complexity associated with 3D segmentation and simplification we projected the data into the 2D domain to perform segmentation and mapped the results back to the 3D domain. We illustrated this framework using a specific feature called ¬ę¬†continuous chains¬†¬Ľ to explain the simplification process. Subsequently, we conducted a comparative analysis against established state-of-the-art techniques, demonstrating the superior performance of our methodology. In our future research, we aim to broaden our framework’s scope to encompass multiple features and functional regions within CAD models.