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

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

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.

https://www.youtube.com/watch?v=CzHsPgnQ26Y

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.

# 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
depth_image = depth_responses

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)
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,
'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,
reverse=True):
if score > detection_threshold and box_class == detection_class:
confident_boxes.append(box)
confident_object_classes.append(COCO_CLASS_DICT)
confident_scores.append(score)
image = cv2.rectangle(image, (box, box), (box, box), (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 * dist_margin,
world_tform_object.y - delta_ewrt_vo_norm * dist_margin
])
se2_pose = geo.SE2Pose(position=geo.Vec2(x=vo_tform_goal, y=vo_tform_goal), 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=)
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 - principal_point.x) / focal_length.x
ys = raw_depth_image * (indices - 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 = 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) & (obj_depths < edges)]
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, bounding_box), (bounding_box, bounding_box),
(bounding_box, bounding_box), (bounding_box, bounding_box)]

origin = (visual_dims / 2, visual_dims / 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 for point in points_rot]))
x_min = max(0, min([point for point in points_rot]))
y_max = min(visual_dims, max([point for point in points_rot]))
x_max = min(visual_dims, max([point 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 or y_max > visual_dims):
print(f'Bounding box is invalid: ({x_min}, {y_min}) | ({x_max}, {y_max})')
print(f'Bounds: ({visual_dims}, {visual_dims})')
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'] > max_score:
highest_conf_source = key
max_score = capture['scores']
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=)
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
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'],
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}: {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.

McDonald's Ends AI Drive-Thru Experiment After Customer Frustrations

McDonald's has decided to end its experimental use of artificial intelligence in its drive-thru service after facing numerous issues that left customers frustrated. The AI technology, which was intended to… pic.twitter.com/OwWDeknVZl

— AIIA (@Aiinaustralia) June 18, 2024

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.

“Give me some food!” Man goes ballistic at Maryland McDonald’s drive-thru window. pic.twitter.com/o3W5lLAXrH

— Mike Sington (@MikeSington) November 10, 2023

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.

Amazon’s ‘Just Walk Out’ stores and its ‘magical’ technology based on AI was hailed as the shopping experience of the future. However, a new report reveals that the artificial intelligence used was not that artificial pic.twitter.com/gNKTx1c1Q0

— RT (@RT_com) April 5, 2024

Et vous ?

:fleche: Quels sont les secteurs d’activités pour lesquels il fait sens de mettre à contribution les robots et l’intelligence artificielle ?
:fleche: 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 :

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