Le Département de la sécurité intérieure a acheté un robot ressemblant à un chien. Il a modifié ce dernier avec un « réseau d'antennes » qui donne aux forces de l'ordre lancer des attaques par déni de service conte les réseaux domestiques des potentiels malfaiteurs, pour tenter de désactiver tous les appareils de l'internet des objets qu'ils possèdent. Du point de vue du développeur informatique, il s’agit d’un kit matériel - à la présentation visuelle similaire à celle d’un chien sur pattes – programmable via une API. C’est au travers de cette dernière, ainsi que d’une série de modules d’extensions, que le développeur peut aller à l’essentiel de l’application à mettre en œuvre.« Neo » est le nom de baptême dudit robot. Il permet aux agents du DHS de désactiver à distance les réseaux domestiques d'une maison ou d'un bâtiment dans lequel les forces de l'ordre effectuent une perquisition. NEO peut pénétrer dans un environnement potentiellement dangereux pour fournir un retour vidéo et audio aux agents avant l'entrée et leur permettre de communiquer avec les personnes présentes dans cet environnement. NEO est équipé d'un ordinateur de bord et d'un réseau d'antennes qui permettront aux agents de créer une attaque par déni de service afin de désactiver les dispositifs de connectés à Internet dont les malfaiteurs se servent pour anticiper sur les mouvements des forces de l’ordre ou les cibler.
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 caméras avant et 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. Le processus principal communique avec le robot 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....
La fin de cet article est réservée aux abonnés. Soutenez le Club Developpez.com en prenant un abonnement pour que nous puissions continuer à vous proposer des publications.