logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
7 novembre 2017
A la Une, DAP, Data science & robots, Dossiers thématiques, News

La data science au service des robots : s’intégrer à l’environnement

⏱ 3 min

À l’avenir, de plus en plus de robots seront immergés dans des environnements ouverts bien plus complexes qu’un poste de travail en usine. Divers outils de traitement de données sont développés pour leur permettre de s’y intégrer correctement…

Jusqu’ici, en matière de robots, le gros des bataillons évoluait dans des cages en usines, des environnements parfaitement connus et strictement contrôlés. Mais à l’avenir, nombre d’entre eux devront agir dans des milieux de plus en plus ouverts : lieux publics, foyers, maisons de retraite, entreprises… Autant de lieux peuplés d’objets statiques ou en mouvement qu’ils devront reconnaitre et avec lesquels ils interagiront. Leur première grande caractéristique consistera donc à collecter et à traiter en temps réel des données sur le milieu dans lequel on les immergera.

Quand les robots font du SLAM

L’objectif est d’abord de rendre son environnement compréhensible au robot afin qu’il parvienne à s’y localiser, et à y naviguer pour accomplir ses missions. Pour cela, les ingénieurs peuvent les doter de divers capteurs capables de mimer – voire dans certains cas de surpasser – nos cinq sens : caméras haute définition et lidars, GPS, radars, capteurs haptiques et d’efforts, détecteurs acoustiques… Autant de capteurs dont la performance ne cesse d’augmenter… et le coût de baisser.

Mais le défi sera bien sûr de réussir à traiter toutes les données que ces capteurs collecteront. Voilà pourquoi de nombreuses technologies de data science sont développées pour la robotique. « Des chercheurs développent par exemple des algorithmes de localisation et cartographie simultanées, plus connus sous le sigle anglais « SLAM » pour Simultaneous Localisation and Mapping », indique Philippe Bidaud, directeur scientifique du domaine « Traitement de l’information et systèmes » à l’Onera et ancien responsable du GDR Robotique du CNRS de 2010 à 2014. Dans la pratique, ces algorithmes permettent au robot de se localiser dans un  environnement inconnu sur la base des données fournies par ses divers capteurs, tout en construisant ou en améliorant en même temps une carte des lieux visités.  « Les recherches sont en effet extrêmement actives pour développer des algorithmes qui permettent de reconstruire une carte à partir de multiples informations provenant non seulement du robot mais aussi potentiellement d’autres senseurs installés dans l’environnement ou sur d’autres robots », confirme Pierre-Yves Oudeyer, directeur de recherche à l’Inria.

Des données très bruitées

Mais cette reconnaissance de l’environnement repose sur une foule de données très « bruitées ». Pour parvenir à les exploiter, les roboticiens recourent souvent à des algorithmes d’apprentissage supervisé capables de traiter ces données de type stochastique. Le principe est le suivant : le robot passe une première fois et collecte ces données très bruitées, puis dans le jeu de données collecté, ces algorithmes essayent de reconnaitre un jeu de données associé à une position préalable connue… et ainsi de suite de proche en proche. « Mais parfois, certaines zones de l’environnement sont très homogènes en termes de couleur, de texture, de formes.., indique Philippe Bidaud. Tout l’enjeu est alors de développer des algorithmes capables de reconnaitre des éléments fortement discriminants qui serviront de points de repères au robot, comme par exemple l’encadrement d’une porte sur un grand mur blanc totalement homogène. »

Un défi majeur est également de développer des méthodes d’apprentissage permettant au robot d’acquérir des modèles de la dynamique de son propre « corps » et de son interaction avec de nouveaux objets. « Pour que les robots puissent manipuler des objets de plus en plus complexes, il nous faut en effet progresser dans l’élaboration d’algorithmes de contrôle, capables de coupler en temps réel les données de senseurs de toucher et de forces et les mouvements des actionneurs », précise Pierre-Yves Oudeyer.

Des recherches sont également en cours pour développer des algorithmes d’apprentissage non supervisé. Il s’agit notamment de réseaux de neurones profonds et récurrents, capables de reconnaitre des enchainements de séquences temporelles à fort contenu sémantique et de leur donner un sens. Exemple type : des robots capables de reconnaitre des comportements humains particuliers dans des séquences vidéos : un homme qui lace ses souliers, déplace une caisse, farfouille dans ses poches, etc. « Les data scientists développent aussi des algorithmes d’analyse de type zero shot learning permettant aux robots de reconnaitre, par association, des objets ou des formes qu’ils n’ont jamais « vus » « , conclut Philippe Bidaud. Tout cet éventail d’outils de data science  améliore de jour en jour l’interaction des robots avec leur environnement.

Jean-Philippe BRALY

 

 

 

Termes liés :
  • Données
  • Data science
  • Algorithme
Retrouver les autres articles du dossier “Data science & robots” :
  • La data science au service des robots : interagir avec l'homme
  • Mimer l'apprentissage de l'enfant
  • Un traitement de données embarqué
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU