IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)

Vous êtes nouveau sur Developpez.com ? Créez votre compte ou connectez-vous afin de pouvoir participer !

Vous devez avoir un compte Developpez.com et être connecté pour pouvoir participer aux discussions.

Vous n'avez pas encore de compte Developpez.com ? Créez-en un en quelques instants, c'est entièrement gratuit !

Si vous disposez déjà d'un compte et qu'il est bien activé, connectez-vous à l'aide du formulaire ci-dessous.

Identifiez-vous
Identifiant
Mot de passe
Mot de passe oublié ?
Créer un compte

L'inscription est gratuite et ne vous prendra que quelques instants !

Je m'inscris !

Une compagnie ferroviaire japonaise lance un géant robot humanoïde pour réparer les lignes électriques
Et ravive le débat sur les tentatives de remplacement total des humains par des robots

Le , par Patrick Ruiz

1PARTAGES

39  0 
L’entreprise West Japan Railways utilise un robot humanoïde géant pour entretenir les voies ferrées et effectuer d'autres tâches critiques. L’objectif : protéger le personnel contre les chutes et combler les pénuries de main d’œuvre dans un pays vieillissant. Le tableau ravive le débat sur les tentatives de mise à contribution des robots dans divers secteurs de la société.

Jinki Ittai Co, un développeur de technologies robotiques, et Nippon Signal Co, une entreprise spécialisée dans les technologies de l'information et l'électricité dans les infrastructures, ont développé conjointement la machine. Son opérateur, assis dans un cockpit sur le camion, voit à travers les yeux du robot grâce à des caméras et actionne à distance ses puissants membres et mains. Avec une portée verticale de 12 mètres, la machine peut utiliser divers accessoires afin de porter des objets pesant jusqu'à 40 kg, tenir un pinceau pour peindre ou utiliser une tronçonneuse.


Cette machine devrait permettre aux personnes de tous les sexes et de tous les âges de travailler à l'entretien des chemins de fer. La mécanisation contribue à l'objectif d'élimination des accidents du travail dus à des chocs électriques ou des chutes, et permet en sus d'améliorer la sécurité.

L’initiative n’est pas sans faire penser à l’utilisation de chiens-robots pour perquisitionner les laboratoires de drogue. C’est la vie humaine qui est protégée en mettant à contribution des kits matériels - à la présentation visuelle similaire à celle d’un chien sur pattes – programmables via une API fournie par le constructeur Boston Dynamics.

Ce type de mise en œuvre desdits robots consiste en général en de la détection et suivi d’objets. Dans ce cas, il y a collecte des images provenant de deux caméras avant et effectue une détection d’objet sur une classe spécifiée. Cette détection utilise Tensorflow via le tensorflow_object_detector. Il accepte n'importe quel modèle Tensorflow et permet au développeur de spécifier un sous-ensemble de classes de détection incluses dans le modèle. Il effectue cet ensemble d'opérations pour un nombre prédéfini d'itérations, en bloquant pendant une durée prédéfinie entre chaque itération. L'application détermine ensuite l'emplacement de la détection la plus fiable de la classe spécifiée et se dirige vers l'objet.

L’application est organisée en trois ensembles de processus Python communiquant avec le robot Spot. Le diagramme des processus est illustré ci-dessous. Le processus principal communique avec le robot Spot via GRPC et reçoit constamment des images. Ces images sont poussées dans la RAW_IMAGES_QUEUE et lues par les processus Tensorflow. Ces processus détectent des objets dans les images et poussent l'emplacement dans PROCESSED_BOXES_QUEUE. Le thread principal détermine alors l'emplacement de l'objet et envoie des commandes au robot pour qu'il se dirige vers l'objet.

Code Python : Sélectionner tout
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
# Copyright (c) 2023 Boston Dynamics, Inc.  All rights reserved.
#
# Downloading, reproducing, distributing or otherwise using the SDK Software
# is subject to the terms and conditions of the Boston Dynamics Software
# Development Kit License (20191101-BDSDK-SL).
 
"""Tutorial to show how to use the Boston Dynamics API to detect and follow an object"""
import argparse
import io
import json
import math
import os
import signal
import sys
import time
from multiprocessing import Barrier, Process, Queue, Value
from queue import Empty, Full
from threading import BrokenBarrierError, Thread
 
import cv2
import numpy as np
from PIL import Image
from scipy import ndimage
from tensorflow_object_detection import DetectorAPI
 
import bosdyn.client
import bosdyn.client.util
from bosdyn import geometry
from bosdyn.api import geometry_pb2 as geo
from bosdyn.api import image_pb2, trajectory_pb2
from bosdyn.api.image_pb2 import ImageSource
from bosdyn.api.spot import robot_command_pb2 as spot_command_pb2
from bosdyn.client.async_tasks import AsyncPeriodicQuery, AsyncTasks
from bosdyn.client.frame_helpers import (GROUND_PLANE_FRAME_NAME, VISION_FRAME_NAME, get_a_tform_b,
                                         get_vision_tform_body)
from bosdyn.client.image import ImageClient
from bosdyn.client.lease import LeaseClient, LeaseKeepAlive
from bosdyn.client.math_helpers import Quat, SE3Pose
from bosdyn.client.robot_command import (CommandFailedError, CommandTimedOutError,
                                         RobotCommandBuilder, RobotCommandClient, blocking_stand)
from bosdyn.client.robot_state import RobotStateClient
 
LOGGER = bosdyn.client.util.get_logger()
 
SHUTDOWN_FLAG = Value('i', 0)
 
# Don't let the queues get too backed up
QUEUE_MAXSIZE = 10
 
# This is a multiprocessing.Queue for communication between the main process and the
# Tensorflow processes.
# Entries in this queue are in the format:
 
# {
#     'source': Name of the camera,
#     'world_tform_cam': transform from VO to camera,
#     'world_tform_gpe':  transform from VO to ground plane,
#     'raw_image_time': Time when the image was collected,
#     'cv_image': The decoded image,
#     'visual_dims': (cols, rows),
#     'depth_image': depth image proto,
#     'system_cap_time': Time when the image was received by the main process,
#     'image_queued_time': Time when the image was done preprocessing and queued
# }
RAW_IMAGES_QUEUE = Queue(QUEUE_MAXSIZE)
 
# This is a multiprocessing.Queue for communication between the Tensorflow processes and
# the bbox print process. This is meant for running in a containerized environment with no access
# to an X display
# Entries in this queue have the following fields in addition to those in :
# {
#   'processed_image_start_time':  Time when the image was received by the TF process,
#   'processed_image_end_time':  Time when the image was processing for bounding boxes
#   'boxes': list of detected bounding boxes for the processed image
#   'classes': classes of objects,
#   'scores': confidence scores,
# }
PROCESSED_BOXES_QUEUE = Queue(QUEUE_MAXSIZE)
 
# Barrier for waiting on Tensorflow processes to start, initialized in main()
TENSORFLOW_PROCESS_BARRIER = None
 
COCO_CLASS_DICT = {
    1: 'person',
    2: 'bicycle',
    3: 'car',
    4: 'motorcycle',
    5: 'airplane',
    6: 'bus',
    7: 'train',
    8: 'truck',
    9: 'boat',
    10: 'trafficlight',
    11: 'firehydrant',
    13: 'stopsign',
    14: 'parkingmeter',
    15: 'bench',
    16: 'bird',
    17: 'cat',
    18: 'dog',
    19: 'horse',
    20: 'sheep',
    21: 'cow',
    22: 'elephant',
    23: 'bear',
    24: 'zebra',
    25: 'giraffe',
    27: 'backpack',
    28: 'umbrella',
    31: 'handbag',
    32: 'tie',
    33: 'suitcase',
    34: 'frisbee',
    35: 'skis',
    36: 'snowboard',
    37: 'sportsball',
    38: 'kite',
    39: 'baseballbat',
    40: 'baseballglove',
    41: 'skateboard',
    42: 'surfboard',
    43: 'tennisracket',
    44: 'bottle',
    46: 'wineglass',
    47: 'cup',
    48: 'fork',
    49: 'knife',
    50: 'spoon',
    51: 'bowl',
    52: 'banana',
    53: 'apple',
    54: 'sandwich',
    55: 'orange',
    56: 'broccoli',
    57: 'carrot',
    58: 'hotdog',
    59: 'pizza',
    60: 'donut',
    61: 'cake',
    62: 'chair',
    63: 'couch',
    64: 'pottedplant',
    65: 'bed',
    67: 'diningtable',
    70: 'toilet',
    72: 'tv',
    73: 'laptop',
    74: 'mouse',
    75: 'remote',
    76: 'keyboard',
    77: 'cellphone',
    78: 'microwave',
    79: 'oven',
    80: 'toaster',
    81: 'sink',
    82: 'refrigerator',
    84: 'book',
    85: 'clock',
    86: 'vase',
    87: 'scissors',
    88: 'teddybear',
    89: 'hairdrier',
    90: 'toothbrush'
}
 
# Mapping from visual to depth data
VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE = {
    'frontleft_fisheye_image': 'frontleft_depth_in_visual_frame',
    'frontright_fisheye_image': 'frontright_depth_in_visual_frame'
}
ROTATION_ANGLES = {
    'back_fisheye_image': 0,
    'frontleft_fisheye_image': -78,
    'frontright_fisheye_image': -102,
    'left_fisheye_image': 0,
    'right_fisheye_image': 180
}
 
 
def _update_thread(async_task):
    while True:
        async_task.update()
        time.sleep(0.01)
 
 
class AsyncImage(AsyncPeriodicQuery):
    """Grab image."""
 
    def __init__(self, image_client, image_sources):
        # Period is set to be about 15 FPS
        super(AsyncImage, self).__init__('images', image_client, LOGGER, period_sec=0.067)
        self.image_sources = image_sources
 
    def _start_query(self):
        return self._client.get_image_from_sources_async(self.image_sources)
 
 
class AsyncRobotState(AsyncPeriodicQuery):
    """Grab robot state."""
 
    def __init__(self, robot_state_client):
        # period is set to be about the same rate as detections on the CORE AI
        super(AsyncRobotState, self).__init__('robot_state', robot_state_client, LOGGER,
                                              period_sec=0.02)
 
    def _start_query(self):
        return self._client.get_robot_state_async()
 
 
def get_source_list(image_client):
    """Gets a list of image sources and filters based on config dictionary
 
    Args:
        image_client: Instantiated image client
    """
 
    # We are using only the visual images with their corresponding depth sensors
    sources = image_client.list_image_sources()
    source_list = []
    for source in sources:
        if source.image_type == ImageSource.IMAGE_TYPE_VISUAL:
            # only append if sensor has corresponding depth sensor
            if source.name in VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE:
                source_list.append(source.name)
                source_list.append(VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source.name])
    return source_list
 
 
def capture_images(image_task, sleep_between_capture):
    """ Captures images and places them on the queue
 
    Args:
        image_task (AsyncImage): Async task that provides the images response to use
        sleep_between_capture (float): Time to sleep between each image capture
    """
    while not SHUTDOWN_FLAG.value:
        get_im_resp = image_task.proto
        start_time = time.time()
        if not get_im_resp:
            continue
        depth_responses = {
            img.source.name: img
            for img in get_im_resp
            if img.source.image_type == ImageSource.IMAGE_TYPE_DEPTH
        }
        entry = {}
        for im_resp in get_im_resp:
            if im_resp.source.image_type == ImageSource.IMAGE_TYPE_VISUAL:
                source = im_resp.source.name
                depth_source = VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source]
                depth_image = depth_responses[depth_source]
 
                acquisition_time = im_resp.shot.acquisition_time
                image_time = acquisition_time.seconds + acquisition_time.nanos * 1e-9
 
                try:
                    image = Image.open(io.BytesIO(im_resp.shot.image.data))
                    source = im_resp.source.name
 
                    image = ndimage.rotate(image, ROTATION_ANGLES[source])
                    if im_resp.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_GREYSCALE_U8:
                        image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)  # Converted to RGB for TF
                    tform_snapshot = im_resp.shot.transforms_snapshot
                    frame_name = im_resp.shot.frame_name_image_sensor
                    world_tform_cam = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, frame_name)
                    world_tform_gpe = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME,
                                                    GROUND_PLANE_FRAME_NAME)
                    entry[source] = {
                        'source': source,
                        'world_tform_cam': world_tform_cam,
                        'world_tform_gpe': world_tform_gpe,
                        'raw_image_time': image_time,
                        'cv_image': image,
                        'visual_dims': (im_resp.shot.image.cols, im_resp.shot.image.rows),
                        'depth_image': depth_image,
                        'system_cap_time': start_time,
                        'image_queued_time': time.time()
                    }
                except Exception as exc:  # pylint: disable=broad-except
                    print(f'Exception occurred during image capture {exc}')
        try:
            RAW_IMAGES_QUEUE.put_nowait(entry)
        except Full as exc:
            print(f'RAW_IMAGES_QUEUE is full: {exc}')
        time.sleep(sleep_between_capture)
 
 
def start_tensorflow_processes(num_processes, model_path, detection_class, detection_threshold,
                               max_processing_delay):
    """Starts Tensorflow processes in parallel.
 
    It does not keep track of the processes once they are started because they run indefinitely
    and are never joined back to the main process.
 
    Args:
        num_processes (int): Number of Tensorflow processes to start in parallel.
        model_path (str): Filepath to the Tensorflow model to use.
        detection_class (int): Detection class to detect
        detection_threshold (float): Detection threshold to apply to all Tensorflow detections.
        max_processing_delay (float): Allowed delay before processing an incoming image.
    """
    processes = []
    for _ in range(num_processes):
        process = Process(
            target=process_images, args=(
                model_path,
                detection_class,
                detection_threshold,
                max_processing_delay,
            ), daemon=True)
        process.start()
        processes.append(process)
    return processes
 
 
def process_images(model_path, detection_class, detection_threshold, max_processing_delay):
    """Starts Tensorflow and detects objects in the incoming images.
 
    Args:
        model_path (str): Filepath to the Tensorflow model to use.
        detection_class (int): Detection class to detect
        detection_threshold (float): Detection threshold to apply to all Tensorflow detections.
        max_processing_delay (float): Allowed delay before processing an incoming image.
    """
 
    odapi = DetectorAPI(path_to_ckpt=model_path)
    num_processed_skips = 0
 
    if TENSORFLOW_PROCESS_BARRIER is None:
        return
 
    try:
        TENSORFLOW_PROCESS_BARRIER.wait()
    except BrokenBarrierError as exc:
        print(f'Error waiting for Tensorflow processes to initialize: {exc}')
        return False
 
    while not SHUTDOWN_FLAG.value:
        try:
            entry = RAW_IMAGES_QUEUE.get_nowait()
        except Empty:
            time.sleep(0.1)
            continue
        for _, capture in entry.items():
            start_time = time.time()
            processing_delay = time.time() - capture['raw_image_time']
            if processing_delay > max_processing_delay:
                num_processed_skips += 1
                print(f'skipped image because it took {processing_delay}')
                continue  # Skip image due to delay
 
            image = capture['cv_image']
            boxes, scores, classes, _ = odapi.process_frame(image)
            confident_boxes = []
            confident_object_classes = []
            confident_scores = []
            if len(boxes) == 0:
                print('no detections founds')
                continue
            for box, score, box_class in sorted(zip(boxes, scores, classes), key=lambda x: x[1],
                                                reverse=True):
                if score > detection_threshold and box_class == detection_class:
                    confident_boxes.append(box)
                    confident_object_classes.append(COCO_CLASS_DICT[box_class])
                    confident_scores.append(score)
                    image = cv2.rectangle(image, (box[1], box[0]), (box[3], box[2]), (255, 0, 0), 2)
 
            capture['processed_image_start_time'] = start_time
            capture['processed_image_end_time'] = time.time()
            capture['boxes'] = confident_boxes
            capture['classes'] = confident_object_classes
            capture['scores'] = confident_scores
            capture['cv_image'] = image
        try:
            PROCESSED_BOXES_QUEUE.put_nowait(entry)
        except Full as exc:
            print(f'PROCESSED_BOXES_QUEUE is full: {exc}')
    print('tf process ending')
    return True
 
 
def get_go_to(world_tform_object, robot_state, mobility_params, dist_margin=0.5):
    """Gets trajectory command to a goal location
 
    Args:
        world_tform_object (SE3Pose): Transform from vision frame to target object
        robot_state (RobotState): Current robot state
        mobility_params (MobilityParams): Mobility parameters
        dist_margin (float): Distance margin to target
    """
    vo_tform_robot = get_vision_tform_body(robot_state.kinematic_state.transforms_snapshot)
    print(f'robot pos: {vo_tform_robot}')
    delta_ewrt_vo = np.array(
        [world_tform_object.x - vo_tform_robot.x, world_tform_object.y - vo_tform_robot.y, 0])
    norm = np.linalg.norm(delta_ewrt_vo)
    if norm == 0:
        return None
    delta_ewrt_vo_norm = delta_ewrt_vo / norm
    heading = _get_heading(delta_ewrt_vo_norm)
    vo_tform_goal = np.array([
        world_tform_object.x - delta_ewrt_vo_norm[0] * dist_margin,
        world_tform_object.y - delta_ewrt_vo_norm[1] * dist_margin
    ])
    se2_pose = geo.SE2Pose(position=geo.Vec2(x=vo_tform_goal[0], y=vo_tform_goal[1]), angle=heading)
    tag_cmd = RobotCommandBuilder.synchro_se2_trajectory_command(se2_pose,
                                                                 frame_name=VISION_FRAME_NAME,
                                                                 params=mobility_params)
    return tag_cmd
 
 
def _get_heading(xhat):
    zhat = [0.0, 0.0, 1.0]
    yhat = np.cross(zhat, xhat)
    mat = np.array([xhat, yhat, zhat]).transpose()
    return Quat.from_matrix(mat).to_yaw()
 
 
def set_default_body_control():
    """Set default body control params to current body position"""
    footprint_R_body = geometry.EulerZXY()
    position = geo.Vec3(x=0.0, y=0.0, z=0.0)
    rotation = footprint_R_body.to_quaternion()
    pose = geo.SE3Pose(position=position, rotation=rotation)
    point = trajectory_pb2.SE3TrajectoryPoint(pose=pose)
    traj = trajectory_pb2.SE3Trajectory(points=[point])
    return spot_command_pb2.BodyControlParams(base_offset_rt_footprint=traj)
 
 
def get_mobility_params():
    """Gets mobility parameters for following"""
    vel_desired = .75
    speed_limit = geo.SE2VelocityLimit(
        max_vel=geo.SE2Velocity(linear=geo.Vec2(x=vel_desired, y=vel_desired), angular=.25))
    body_control = set_default_body_control()
    mobility_params = spot_command_pb2.MobilityParams(vel_limit=speed_limit, obstacle_params=None,
                                                      body_control=body_control,
                                                      locomotion_hint=spot_command_pb2.HINT_TROT)
    return mobility_params
 
 
def depth_to_xyz(depth, pixel_x, pixel_y, focal_length, principal_point):
    """Calculate the transform to point in image using camera intrinsics and depth"""
    x = depth * (pixel_x - principal_point.x) / focal_length.x
    y = depth * (pixel_y - principal_point.y) / focal_length.y
    z = depth
    return x, y, z
 
 
def remove_ground_from_depth_image(raw_depth_image, focal_length, principal_point, world_tform_cam,
                                   world_tform_gpe, ground_tolerance=0.04):
    """ Simple ground plane removal algorithm. Uses ground height
        and does simple z distance filtering.
 
    Args:
        raw_depth_image (np.array): Depth image
        focal_length (Vec2): Focal length of camera that produced the depth image
        principal_point (Vec2): Principal point of camera that produced the depth image
        world_tform_cam (SE3Pose): Transform from VO to camera frame
        world_tform_gpe (SE3Pose): Transform from VO to GPE frame
        ground_tolerance (float): Distance in meters to add to the ground plane
    """
    new_depth_image = raw_depth_image
 
    # same functions as depth_to_xyz, but converted to np functions
    indices = np.indices(raw_depth_image.shape)
    xs = raw_depth_image * (indices[1] - principal_point.x) / focal_length.x
    ys = raw_depth_image * (indices[0] - principal_point.y) / focal_length.y
    zs = raw_depth_image
 
    # create xyz point cloud
    camera_tform_points = np.stack([xs, ys, zs], axis=2)
    # points in VO frame
    world_tform_points = world_tform_cam.transform_cloud(camera_tform_points)
    # array of booleans where True means the point was below the ground plane plus tolerance
    world_tform_points_mask = (world_tform_gpe.z - world_tform_points[:, :, 2]) < ground_tolerance
    # remove data below ground plane
    new_depth_image[world_tform_points_mask] = 0
    return new_depth_image
 
 
def get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, depth_scale, raw_depth_image,
                                         histogram_bin_size=0.50, minimum_number_of_points=10,
                                         max_distance=8.0):
    """Make a histogram of distances to points in the cloud and take the closest distance with
    enough points.
 
    Args:
        x_min (int): minimum x coordinate (column) of object to find
        x_max (int): maximum x coordinate (column) of object to find
        y_min (int): minimum y coordinate (row) of object to find
        y_max (int): maximum y coordinate (row) of object to find
        depth_scale (float): depth scale of the image to convert from sensor value to meters
        raw_depth_image (np.array): matrix of depth pixels
        histogram_bin_size (float): size of each bin of distances
        minimum_number_of_points (int): minimum number of points before returning depth
        max_distance (float): maximum distance to object in meters
    """
    num_bins = math.ceil(max_distance / histogram_bin_size)
 
    # get a sub-rectangle of the bounding box out of the whole image, then flatten
    obj_depths = (raw_depth_image[y_min:y_max, x_min:x_max]).flatten()
    obj_depths = obj_depths / depth_scale
    obj_depths = obj_depths[obj_depths != 0]
 
    hist, hist_edges = np.histogram(obj_depths, bins=num_bins, range=(0, max_distance))
 
    edges_zipped = zip(hist_edges[:-1], hist_edges[1:])
    # Iterate over the histogram and return the first distance with enough points.
    for entry, edges in zip(hist, edges_zipped):
        if entry > minimum_number_of_points:
            filtered_depths = obj_depths[(obj_depths > edges[0]) & (obj_depths < edges[1])]
            if len(filtered_depths) == 0:
                continue
            return np.mean(filtered_depths)
 
    return max_distance
 
 
def rotate_about_origin_degrees(origin, point, angle):
    """
    Rotate a point counterclockwise by a given angle around a given origin.
 
    Args:
        origin (tuple): Origin to rotate the point around
        point (tuple): Point to rotate
        angle (float): Angle in degrees
    """
    return rotate_about_origin(origin, point, math.radians(angle))
 
 
def rotate_about_origin(origin, point, angle):
    """
    Rotate a point counterclockwise by a given angle around a given origin.
 
    Args:
        origin (tuple): Origin to rotate the point around
        point (tuple): Point to rotate
        angle (float): Angle in radians
    """
    orig_x, orig_y = origin
    pnt_x, pnt_y = point
 
    ret_x = orig_x + math.cos(angle) * (pnt_x - orig_x) - math.sin(angle) * (pnt_y - orig_y)
    ret_y = orig_y + math.sin(angle) * (pnt_x - orig_x) + math.cos(angle) * (pnt_y - orig_y)
    return int(ret_x), int(ret_y)
 
 
def get_object_position(world_tform_cam, world_tform_gpe, visual_dims, depth_image, bounding_box,
                        rotation_angle):
    """
    Extract the bounding box, then find the mode in that region.
 
    Args:
        world_tform_cam (SE3Pose): SE3 transform from world to camera frame
        visual_dims (Tuple): (cols, rows) tuple from the visual image
        depth_image (ImageResponse): From a depth camera corresponding to the visual_image
        bounding_box (list): Bounding box from tensorflow
        rotation_angle (float): Angle (in degrees) to rotate depth image to match cam image rotation
    """
 
    # Make sure there are two images.
    if visual_dims is None or depth_image is None:
        # Fail.
        return
 
    # Rotate bounding box back to original frame
    points = [(bounding_box[1], bounding_box[0]), (bounding_box[3], bounding_box[0]),
              (bounding_box[3], bounding_box[2]), (bounding_box[1], bounding_box[2])]
 
    origin = (visual_dims[0] / 2, visual_dims[1] / 2)
 
    points_rot = [rotate_about_origin_degrees(origin, point, rotation_angle) for point in points]
 
    # Get the bounding box corners.
    y_min = max(0, min([point[1] for point in points_rot]))
    x_min = max(0, min([point[0] for point in points_rot]))
    y_max = min(visual_dims[1], max([point[1] for point in points_rot]))
    x_max = min(visual_dims[0], max([point[0] for point in points_rot]))
 
    # Check that the bounding box is valid.
    if (x_min < 0 or y_min < 0 or x_max > visual_dims[0] or y_max > visual_dims[1]):
        print(f'Bounding box is invalid: ({x_min}, {y_min}) | ({x_max}, {y_max})')
        print(f'Bounds: ({visual_dims[0]}, {visual_dims[1]})')
        return
 
    # Unpack the images.
    try:
        if depth_image.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_DEPTH_U16:
            dtype = np.uint16
        else:
            dtype = np.uint8
        img = np.fromstring(depth_image.shot.image.data, dtype=dtype)
        if depth_image.shot.image.format == image_pb2.Image.FORMAT_RAW:
            img = img.reshape(depth_image.shot.image.rows, depth_image.shot.image.cols)
        else:
            img = cv2.imdecode(img, -1)
        depth_image_pixels = img
        depth_image_pixels = remove_ground_from_depth_image(
            depth_image_pixels, depth_image.source.pinhole.intrinsics.focal_length,
            depth_image.source.pinhole.intrinsics.principal_point, world_tform_cam, world_tform_gpe)
        # Get the depth data from the region in the bounding box.
        max_distance = 8.0
        depth = get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max,
                                                     depth_image.source.depth_scale,
                                                     depth_image_pixels, max_distance=max_distance)
 
        if depth >= max_distance:
            # Not enough depth data.
            print('Not enough depth data.')
            return False
        else:
            print(f'distance to object: {depth}')
 
        center_x = round((x_max - x_min) / 2.0 + x_min)
        center_y = round((y_max - y_min) / 2.0 + y_min)
 
        tform_x, tform_y, tform_z = depth_to_xyz(
            depth, center_x, center_y, depth_image.source.pinhole.intrinsics.focal_length,
            depth_image.source.pinhole.intrinsics.principal_point)
        camera_tform_obj = SE3Pose(tform_x, tform_y, tform_z, Quat())
 
        return world_tform_cam * camera_tform_obj
    except Exception as exc:  # pylint: disable=broad-except
        print(f'Error getting object position: {exc}')
        return
 
 
def _check_model_path(model_path):
    if model_path is None or \
    not os.path.exists(model_path) or \
    not os.path.isfile(model_path):
        print(f'ERROR, could not find model file {model_path}')
        return False
    return True
 
 
def _check_and_load_json_classes(config_path):
    if os.path.isfile(config_path):
        with open(config_path) as json_classes:
            global COCO_CLASS_DICT  # pylint: disable=global-statement
            COCO_CLASS_DICT = json.load(json_classes)
 
 
def _find_highest_conf_source(processed_boxes_entry):
    highest_conf_source = None
    max_score = 0
    for key, capture in processed_boxes_entry.items():
        if 'scores' in capture.keys():
            if len(capture['scores']) > 0 and capture['scores'][0] > max_score:
                highest_conf_source = key
                max_score = capture['scores'][0]
    return highest_conf_source
 
 
def signal_handler(signal, frame):
    print('Interrupt caught, shutting down')
    SHUTDOWN_FLAG.value = 1
 
 
def main():
    """Command line interface."""
 
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--model-path', default='/model.pb', help=
        ('Local file path to the Tensorflow model, example pre-trained models can be found at '
         'https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md'
        ))
    parser.add_argument('--classes', default='/classes.json', type=str,
                        help='File containing json mapping of object class IDs to class names')
    parser.add_argument('--number-tensorflow-processes', default=1, type=int,
                        help='Number of Tensorflow processes to run in parallel')
    parser.add_argument('--detection-threshold', default=0.7, type=float,
                        help='Detection threshold to use for Tensorflow detections')
    parser.add_argument(
        '--sleep-between-capture', default=0.2, type=float,
        help=('Seconds to sleep between each image capture loop iteration, which captures '
              'an image from all cameras'))
    parser.add_argument(
        '--detection-class', default=1, type=int,
        help=('Detection classes to use in the Tensorflow model.'
              'Default is to use 1, which is a person in the Coco dataset'))
    parser.add_argument(
        '--max-processing-delay', default=7.0, type=float,
        help=('Maximum allowed delay for processing an image. '
              'Any image older than this value will be skipped'))
    parser.add_argument('--test-mode', action='store_true',
                        help='Run application in test mode, don\'t execute commands')
 
    bosdyn.client.util.add_base_arguments(parser)
    bosdyn.client.util.add_payload_credentials_arguments(parser)
    options = parser.parse_args()
    signal.signal(signal.SIGINT, signal_handler)
    try:
        # Make sure the model path is a valid file
        if not _check_model_path(options.model_path):
            return False
 
        # Check for classes json file, otherwise use the COCO class dictionary
        _check_and_load_json_classes(options.classes)
 
        global TENSORFLOW_PROCESS_BARRIER  # pylint: disable=global-statement
        TENSORFLOW_PROCESS_BARRIER = Barrier(options.number_tensorflow_processes + 1)
        # Start Tensorflow processes
        tf_processes = start_tensorflow_processes(options.number_tensorflow_processes,
                                                  options.model_path, options.detection_class,
                                                  options.detection_threshold,
                                                  options.max_processing_delay)
 
        # sleep to give the Tensorflow processes time to initialize
        try:
            TENSORFLOW_PROCESS_BARRIER.wait()
        except BrokenBarrierError as exc:
            print(f'Error waiting for Tensorflow processes to initialize: {exc}')
            return False
        # Start the API related things
 
        # Create robot object with a world object client
        sdk = bosdyn.client.create_standard_sdk('SpotFollowClient')
        robot = sdk.create_robot(options.hostname)
 
        if options.payload_credentials_file:
            robot.authenticate_from_payload_credentials(
                *bosdyn.client.util.get_guid_and_secret(options))
        else:
            bosdyn.client.util.authenticate(robot)
 
        # Time sync is necessary so that time-based filter requests can be converted
        robot.time_sync.wait_for_sync()
 
        # Verify the robot is not estopped and that an external application has registered and holds
        # an estop endpoint.
        assert not robot.is_estopped(), 'Robot is estopped. Please use an external E-Stop client,' \
                                        ' such as the estop SDK example, to configure E-Stop.'
 
        # Create the sdk clients
        robot_state_client = robot.ensure_client(RobotStateClient.default_service_name)
        robot_command_client = robot.ensure_client(RobotCommandClient.default_service_name)
        lease_client = robot.ensure_client(LeaseClient.default_service_name)
        image_client = robot.ensure_client(ImageClient.default_service_name)
        source_list = get_source_list(image_client)
        image_task = AsyncImage(image_client, source_list)
        robot_state_task = AsyncRobotState(robot_state_client)
        task_list = [image_task, robot_state_task]
        _async_tasks = AsyncTasks(task_list)
        print('Detect and follow client connected.')
 
        lease = lease_client.take()
        lease_keep = LeaseKeepAlive(lease_client)
        # Power on the robot and stand it up
        resp = robot.power_on()
        try:
            blocking_stand(robot_command_client)
        except CommandFailedError as exc:
            print(f'Error ({exc}) occurred while trying to stand. Check robot surroundings.')
            return False
        except CommandTimedOutError as exc:
            print(f'Stand command timed out: {exc}')
            return False
        print('Robot powered on and standing.')
        params_set = get_mobility_params()
 
        # This thread starts the async tasks for image and robot state retrieval
        update_thread = Thread(target=_update_thread, args=[_async_tasks])
        update_thread.daemon = True
        update_thread.start()
        # Wait for the first responses.
        while any(task.proto is None for task in task_list):
            time.sleep(0.1)
 
        # Start image capture process
        image_capture_thread = Process(target=capture_images,
                                       args=(image_task, options.sleep_between_capture),
                                       daemon=True)
        image_capture_thread.start()
        while not SHUTDOWN_FLAG.value:
            # This comes from the tensorflow processes and limits the rate of this loop
            try:
                entry = PROCESSED_BOXES_QUEUE.get_nowait()
            except Empty:
                continue
            # find the highest confidence bounding box
            highest_conf_source = _find_highest_conf_source(entry)
            if highest_conf_source is None:
                # no boxes or scores found
                continue
            capture_to_use = entry[highest_conf_source]
            raw_time = capture_to_use['raw_image_time']
            time_gap = time.time() - raw_time
            if time_gap > options.max_processing_delay:
                continue  # Skip image due to delay
 
            # Find the transform to the highest confidence object using the depth sensor
            get_object_position_start = time.time()
            robot_state = robot_state_task.proto
            world_tform_gpe = get_a_tform_b(robot_state.kinematic_state.transforms_snapshot,
                                            VISION_FRAME_NAME, GROUND_PLANE_FRAME_NAME)
            world_tform_object = get_object_position(
                capture_to_use['world_tform_cam'], world_tform_gpe, capture_to_use['visual_dims'],
                capture_to_use['depth_image'], capture_to_use['boxes'][0],
                ROTATION_ANGLES[capture_to_use['source']])
            get_object_position_end = time.time()
            print(f'system_cap_time: {capture_to_use["system_cap_time"]}, '
                  f'image_queued_time: {capture_to_use["image_queued_time"]}, '
                  f'processed_image_start_time: {capture_to_use["processed_image_start_time"]}, '
                  f'processed_image_end_time: {capture_to_use["processed_image_end_time"]}, '
                  f'get_object_position_start_time: {get_object_position_start}, '
                  f'get_object_position_end_time: {get_object_position_end}, ')
 
            # get_object_position can fail if there is insufficient depth sensor information
            if not world_tform_object:
                continue
 
            scores = capture_to_use['scores']
            print(f'Position of object with confidence {scores[0]}: {world_tform_object}')
            print(f'Process latency: {time.time() - capture_to_use["system_cap_time"]}')
            tag_cmd = get_go_to(world_tform_object, robot_state, params_set)
            end_time = 15.0
            if tag_cmd is not None:
                if not options.test_mode:
                    print('executing command')
                    robot_command_client.robot_command(lease=None, command=tag_cmd,
                                                       end_time_secs=time.time() + end_time)
                else:
                    print('Running in test mode, skipping command.')
 
        # Shutdown lease keep-alive and return lease gracefully.
        lease_keep.shutdown()
        lease_client.return_lease(lease)
        return True
    except Exception as exc:  # pylint: disable=broad-except
        LOGGER.error('Spot Tensorflow Detector threw an exception: %s', exc)
        # Shutdown lease keep-alive and return lease gracefully.
        return False 
 
 
if __name__ == '__main__':
    if not main():
        sys.exit(1)

Ce sont les tentatives de mise au rebut total des humains au profit de la machine qui continuent à faire couler beaucoup d’encre

La technologie des caisses dites automatiques devait révolutionner le shopping. Mais, tant pour les consommateurs que pour les commerçants, elle n’a pas tenu ses promesses comme l’illustre le cas McDonald’s.

« Ça n’a rien apporté de ce qu’elle promettait », souligne Christopher Andrews, professeur associé et président de sociologie à l’université Drew, aux États-Unis, et auteur de The Overworked Consumer: Self-Checkouts, Supermarkets, and the Do-It-Yourself Economy. « Les magasins voyaient cela comme la nouvelle frontière… S’ils pouvaient faire croire au consommateur que [la caisse automatique] était un moyen préférable de faire ses courses, alors ils pourraient réduire les coûts de main-d’œuvre. Mais ils se rendent compte que les gens ont besoin d’aide pour le faire, ou qu’ils vont voler des choses. Ils ont fini par se rendre compte qu’ils ne font pas d’économies, ils perdent de l’argent ».

De nombreuses entreprises de vente au détail ont investi des millions - voire des milliards - de dollars dans la technologie des caisses automatiques, qui, selon Andrews, a été développée pour la première fois dans les années 1980, et a commencé à apparaître dans les magasins dans les années 1990. Elles ne sont pas exactement bon marché à installer dans les magasins : certains experts estiment qu’un système de quatre bornes peut coûter six chiffres. Malgré le coût pour les installer, de nombreux détaillants font marche arrière sur la technologie. Target, par exemple, limite le nombre d’articles que les clients des caisses automatiques peuvent acheter en une seule fois. Walmart a supprimé certaines bornes de caisse automatique dans certains magasins pour dissuader les vols. Au Royaume-Uni, la chaîne de supermarchés Booths a également réduit le nombre de bornes de libre-service dans ses magasins, car les clients disent qu’elles sont lentes et peu fiables. Dollar General, l’une des entreprises de vente au détail qui connaît la plus forte croissance aux États-Unis, revoit également sa stratégie.

En 2022, la chaîne de magasins à prix réduit a misé fortement sur la technologie des caisses automatiques - il n’est pas rare de voir un ou deux employés seulement s’occuper d’un magasin entier de Dollar General dans certaines régions. Mais la société a annoncé en janvier 2024 qu’elle allait réduire le nombre de caisses automatiques dans ses magasins, après avoir constaté que les clients préféraient interagir avec un caissier humain. « Nous avons appris que nos clients apprécient vraiment le contact humain », a déclaré Todd Vasos, le PDG de Dollar General, lors d’une conférence téléphonique avec les analystes.

Les clients ne sont pas les seuls à être mécontents de la technologie des caisses automatiques. Les employés des magasins se plaignent également du stress supplémentaire qu’elle leur impose, car ils doivent surveiller plusieurs machines à la fois, tout en gérant les autres tâches du magasin. Certains syndicats ont même lancé des campagnes pour inciter les clients à boycotter les caisses automatiques, afin de protéger les emplois des caissiers. Selon une étude de l’université d’Oxford, les caissiers sont parmi les métiers les plus menacés par l’automatisation, avec un risque de 97% de voir leur travail remplacé par des machines.

Il y a plusieurs raisons possibles de cet échec, selon les experts. Tout d’abord, il y a le problème de la conception. Les machines sont souvent mal adaptées aux besoins des clients, qui doivent scanner des codes-barres illisibles, taper des codes PLU spécifiques, peser des articles, payer avec des cartes ou des espèces, et placer leurs achats dans des sacs. Le moindre faux pas peut déclencher une alerte sonore et un message d’erreur, comme « article inattendu dans la zone de conditionnement », qui nécessite l’intervention d’un employé. Les clients peuvent se sentir frustrés, confus ou gênés par ces incidents, qui ralentissent le processus de paiement.

Ensuite, il y a le problème de la confiance. Les clients peuvent avoir l’impression que les machines essaient de les tromper, en leur facturant des articles en double, en leur refusant des réductions ou en leur imposant des frais supplémentaires. Les commerçants, quant à eux, doivent faire face au risque de vol, qui est plus élevé avec les caisses automatiques qu’avec les caisses traditionnelles. Selon une étude de l’université de Leicester, au Royaume-Uni, le taux de perte dans les magasins avec des caisses automatiques était de 4%, contre 1,47% dans les magasins sans. Les chercheurs ont attribué ce phénomène à la facilité avec laquelle les clients peuvent tromper les machines, en scannant des articles moins chers à la place de ceux qu’ils achètent, en ne scannant pas certains articles du tout, ou en utilisant des codes de réduction frauduleux.

Enfin, il y a le problème de la relation. Les clients peuvent se sentir déshumanisés par les machines, qui leur parlent avec une voix synthétique et leur donnent des instructions impersonnelles. Ils peuvent aussi regretter l’absence d’interaction sociale avec un caissier humain, qui peut leur sourire, leur faire la conversation ou leur donner des conseils. Les caissiers, de leur côté, peuvent se sentir dévalorisés par les machines, qui leur font perdre leur rôle de service à la clientèle et les transforment en simples surveillants ou réparateurs. Les machines peuvent aussi créer un sentiment de concurrence ou de menace, car elles représentent une possible substitution de leur travail.

Certains services s’appuient même sur les humains pour simuler l’intelligence artificielle

Lors de l’ouverture de l’Amazon Go Grocery, le premier supermarché automatisé et sans caissiers à Seattle, « Just Walk Out » avait fait l’objet de présentation en tant que « technologie d’achat la plus avancée au monde. » Bien que le service dans ces supermarchés semblait entièrement automatisé, il s'appuyait sur plus de 1000 personnes en Inde qui regardaient et étiquetaient des vidéos pour assurer la facturation « automatique ». En d’autres termes, les caissiers étaient en réalité hors du site, et ils observaient les clients pendant leurs achats. Les rapports y relatifs font état de ce que l’entreprise a décidé de conserver sa « technologie » dans un petit nombre de magasins Fresh au Royaume-Uni et la retirer de ces derniers aux USA.

Just Walk Out a été introduit pour la première fois en 2016. Cette technologie avait fait l'objet de présentation comme la plus importante et la plus audacieuse d'Amazon en matière d'achats de produits d'épicerie. La technologie semblait incroyable jusqu'à ce qu'on en découvre les dessous. En effet, les clients mettaient souvent des heures à recevoir leurs reçus après avoir quitté le magasin, en grande partie parce que les caissiers délocalisés visionnaient à nouveau les vidéos et attribuaient les articles à différents clients. Le système de scanners et de caméras vidéo dans chaque magasin est en sus très coûteux. D’où la décision d’Amazon d’abandonner cette « technologie » en commençant par ses magasins Fresh aux USA.

Et vous ?

Quels sont les secteurs d’activités pour lesquels il fait sens de mettre à contribution les robots et l’intelligence artificielle ?
Quels sont les domaines pour lesquelles les tentatives de mise au rebut total des humains au profit des machines et de l’intelligence artificielle continueront de poser problème pour de nombreuses années encore ?

Voir aussi :

57 % des travailleurs dans l'industrie technologique dans la Silicon Valley ont déclaré être en burn out, d'après une enquête
Les chercheurs en intelligence artificielle peuvent-ils gagner jusqu'à 1 million $ par an dans la Silicon Valley ? un aperçu des salaires
La bulle technologique de la Silicon Valley est plus grande qu'elle ne l'était en 2000, mais sa fin approche selon des analystes

Une erreur dans cette actualité ? Signalez-nous-la !

Avatar de Pierre Louis Chevalier
Expert éminent sénior https://www.developpez.com
Le 06/07/2024 à 18:06
C'est marqué dans la news, que tu n'a sans doute pas lue, qu'il y a un opérateur.

En effet il ne s'agit pas d'un robot totalement autonome, ce que la news explique très bien, mais il y a un logiciel et son fonctionnement est donc partiellement automatisé, de toute façon l'usage du terme « robot » s'est galvaudé pour prendre des sens plus larges : automate distributeur, dispositif électro-mécanique de forme humaine ou animale, logiciel servant d'adversaire sur les plateformes de jeu, bot informatique.

Donc ici même si on était sur ça : "dispositif électro-mécanique de forme humaine " ça reste du point de vue des gens un "robot", mais c'est bien plus qu'une simple "machine de chantier", vu qu'il y a des logiciels complexes pour le faire fonctionner.
5  1 
Avatar de Pierre Louis Chevalier
Expert éminent sénior https://www.developpez.com
Le 08/07/2024 à 16:00
Ca n'est pas moi qui "vois des robots partout", personnellement je m'en tape, je t'explique juste à juste titre pourquoi par exemple wikipédia et le monde entier, y compris des ingénieurs et des chercheurs sont arrivés à ça c'est tout : Robot -> 'dispositif électro-mécanique de forme humaine'.

Je respecte ton point de vue qui est tout à fait compréhensible, mais c'est pas pour autant que tu dois te sentir obligé de traiter le monde entier d'abrutis ignares et incompétents parce qu'on aurais pas "ton énorme expérience en robotique"
4  1 
Avatar de tatayo
Expert éminent sénior https://www.developpez.com
Le 08/07/2024 à 16:28
Et du coup, ce que j'ai utilisé ce week-end pour faire mes gnocchis, c'est un robot pâtissier, ou un vulgaire batteur ?


Tatayo.
3  0 
Avatar de Pierre Louis Chevalier
Expert éminent sénior https://www.developpez.com
Le 07/07/2024 à 16:05
Je comprends ce que tu dis mais la réponse est expliquée plus haut je la reposte encore vu que tu réponds aux messages et aux news sans les lires manifestement : Définition Robot.

Toi tu es la :
Les premiers robots industriels apparaissent, malgré leur coût élevé, au début des années 1970. Ils sont destinés à exécuter certaines tâches répétitives, éprouvantes ou toxiques pour un opérateur humain : peinture ou soudage des carrosseries automobiles. Aujourd'hui, l'évolution de l'électronique et de l'informatique permet de développer des robots plus précis, plus rapides ou avec une meilleure autonomie. Industriels, militaires ou spécialistes chirurgicaux rivalisent d'inventivité pour mettre au point des robots assistants les aidant dans la réalisation de tâches délicates ou dangereuses.
Oui mais ensuite :
L'usage du terme « robot » s'est galvaudé pour prendre des sens plus larges : automate distributeur, dispositif électro-mécanique de forme humaine ou animale, logiciel servant d'adversaire sur les plateformes de jeu, bot informatique.
En terme grand public on en est la dans cet exemple : "dispositif électro-mécanique de forme humaine".
Tu as parfaitement le droit de penser qu'en tant qu'ingénieur informatique ça n'est pas un robot, mais c'est ta vision ingénieur pas la vision générale et grand public.

Dans cette vidéo par exemple selon ton point de vue cette machine pilotée par un opérateur ne serait pas un "robot", et pourtant l'INRIA appelle bien cette chose un 'Robot' . Donc si tu veux élargir ton commentaire au reste de la planète, tu peux par exemple commencer en tant que "génie expert en robotique" (et si on en crois tes autres messages : expert en tout) par traiter l'INRIA de bande de bons à rien ignares et incompétents si ça te fais plaisir, tu es libre

4  2 
Avatar de JackIsJack
Membre éclairé https://www.developpez.com
Le 06/07/2024 à 8:57
Je suis assez dubitatif sur le caractère optimal d'une forme humanoïde pour ce genre de travaux, comparé à une simple échelle avec des pinces, et des caméras directement dans les pinces plutôt que sur une tête à distance. Mais bon, si ça leur fait plaisir, moi aussi lol
0  0 
Avatar de Juanitamarie
Nouveau Candidat au Club https://www.developpez.com
Le 06/07/2024 à 10:04
Avec l’intelligence artificielle les robots s'améliorent de plus en plus. Pourquoi ne pas les confier les tâches ingrates ou qui peuvent nuire à notre intégrité (militaire, éboueur, ...)
0  0 
Avatar de Mingolito
Membre extrêmement actif https://www.developpez.com
Le 08/07/2024 à 16:42
Citation Envoyé par tatayo Voir le message
Et du coup, ce que j'ai utilisé ce week-end pour faire mes gnocchis, c'est un robot pâtissier, ou un vulgaire batteur ?


Tatayo.
C'est une "machine de chantier ! espèce d'ignare incompétent qui comprend rien à la robotique ! "

0  0 
Avatar de Fluxgraveon
Membre du Club https://www.developpez.com
Le 05/07/2024 à 16:15
Quels sont les domaines pour lesquelles les tentatives de mise au rebut total des humains au profit des machines et de l’intelligence artificielle continueront de poser problème pour de nombreuses années encore ?
Hmm, ça c'est une vraie question biaisée se référant à l'économie pyramidale de la rentabilité et de la maximisation des profits.

Quels sont les secteurs d’activités pour lesquels il fait sens de mettre à contribution les robots et l’intelligence artificielle ?
Tous les secteurs dans le cas d'une mise à contribution mais c'est d'une autre économie dont il s'agit.
0  1 
Avatar de Anselme45
Membre extrêmement actif https://www.developpez.com
Le 06/07/2024 à 22:52
Citation Envoyé par Pierre Louis Chevalier Voir le message
C'est marqué dans la news, que tu n'a sans doute pas lue, qu'il y a un opérateur.

En effet il ne s'agit pas d'un robot totalement autonome, ce que la news explique très bien, mais il y a un logiciel et son fonctionnement est donc partiellement automatisé, de toute façon l'usage du terme « robot » s'est galvaudé pour prendre des sens plus larges : automate distributeur, dispositif électro-mécanique de forme humaine ou animale, logiciel servant d'adversaire sur les plateformes de jeu, bot informatique.

Donc ici même si on était sur ça : "dispositif électro-mécanique de forme humaine " ça reste du point de vue des gens un "robot", mais c'est bien plus qu'une simple "machine de chantier", vu qu'il y a des logiciels complexes pour le faire fonctionner.
A la différence de vous et des 5 gugusses qui ont voté négativement mon commentaire, je suis actif dans la robotique et l'on a pas affaire ici à un robot. Pour votre gouverne, la présence d'un logiciel n'est pas le critère qui fait d'une machine télécommandée et contrôlée par l'humain un robot!!!

Alors je vous invite a continuer à noter mon commentaire négativement, vous ne faites que prouver votre ignorance totale du domaine!

Mais bon, commenter ce que l'on ne connait pas est devenu maintenant à la mode dans les forum et autres réseaux sociaux...
0  5 
Avatar de Anselme45
Membre extrêmement actif https://www.developpez.com
Le 08/07/2024 à 15:45
Citation Envoyé par Pierre Louis Chevalier Voir le message

Dans cette vidéo par exemple selon ton point de vue cette machine pilotée par un opérateur ne serait pas un "robot", et pourtant l'INRIA appelle bien cette chose un 'Robot' . Donc si tu veux élargir ton commentaire au reste de la planète, tu peux par exemple commencer en tant que "génie expert en robotique" (et si on en crois tes autres messages : expert en tout) par traiter l'INRIA de bande de bons à rien ignares et incompétents si ça te fais plaisir, tu es libre

Ta réponse est parfaitement futile.

1. J'ai pas besoin de ta reconnaissance, la reconnaissance d'un mec pour qui la présence d'un logiciel est LE critère pour indiquer qu'il s'agit d'un robot ou non. A ce propos, ta voiture qui fonctionne à l'aide de plusieurs logiciels embarqués, c'est un robot?

2. Ce forum n'est pas destiné au "grand public"... Quand Mme Michu ma boulangère voit des robots partout, je l'excuse, pas ceux qui se disent travailler dans la technique!

3. Je n'ai dit à aucun moment être un "génie expert en robotique" mais à la différence de toi, j'ai fait de nombreux projets en robotique. Je ne sors pas de l'INRIA mais d'une école d'ingénieurs de niveau universitaire qui est classée dans les meilleurs écoles du monde sans comparaison possible avec ton INRIA. Je ne suis pas non plus un mec qui se dit "ingénieur en informatique" ou "développeur informatique" parce qu'il pond des sites internet (il ne faut se fier au libellé que l'on donne à son profil, il y en a bien qui se disent "Directeur informatique". J'en connais d'ailleurs qui porte officiellement ce titre en étant le seul collaborateur de département informatique de leur entreprise ). On est clairement pas actif dans le même monde: Il y a les vrais ingénieurs qui font appel à de l'informatique comme outils et il y a les bidouilleurs en informatique qui se disent "ingénieur"... Deux termes identiques qui ne décrivent clairement pas le même métier!

Info à tous les lecteurs de ces lignes: Connaître 2 ou 3 langages de programmation ne fait pas de vous un "ingénieur" mais juste un "développeur"... Quand votre employeur vous donne du titre d'ingénieur, c'est comme les médailles à l'armée, c'est juste honorifique et cela évite de vous payer un vrai salaire!!! Un ingénieur a par définition une connaissance technique large et multi-domaine!

Alors je te laisse à tes convictions: Si tu veux voir des robots là ou il n'y en a pas, cela ne va pas m'empêcher de dormir...
0  5