Apprentissage appliqué aux véhicules terrestres: Améliorer les performances des véhicules terrestres grâce à l'apprentissage de la vision par ordinateur

Par Fouad Sabry

Qu'est-ce que l'apprentissage appliqué aux véhicules terrestres

L'initiative d'apprentissage appliqué aux véhicules terrestres (LAGR), qui a été opérationnelle de 2004 à 2008, a été conçue dans le but de accélérer le développement d’une navigation tout-terrain autonome, basée sur la perception, dans les véhicules terrestres robotisés sans pilote (UGV). La DARPA, qui est une agence de recherche relevant du ministère de la Défense des États-Unis d'Amérique, a financé le LAGR.

Comment vous en bénéficierez

( I) Informations et validations sur les sujets suivants :

Chapitre 1 : Programme DARPA LAGR

Chapitre 2 : DARPA

Chapitre 3 : Robot autonome

Chapitre 4 : Robot militaire

Chapitre 5 : Grand défi DARPA

Chapitre 6 : Véhicule terrestre sans pilote

Chapitre 7 : Essai européen de robot terrestre

Chapitre 8 : Robot mobile

Chapitre 9 : Concasseur (robot)

Chapitre 10 : Centre national d'ingénierie robotique

(II) Répondre aux principales questions du public sur l'apprentissage appliqué aux véhicules terrestres.

(III) Exemples concrets d'utilisation de l'apprentissage appliqué aux véhicules terrestres dans de nombreux domaines.

Qui est-ce ? Le livre s'adresse aux professionnels, aux étudiants de premier cycle et des cycles supérieurs, aux passionnés, aux amateurs et à ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'apprentissage appliqué aux véhicules terrestres.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 5 mai 2024

Aperçu du livre

Apprentissage appliqué aux véhicules terrestres

Amélioration des performances des véhicules terrestres grâce à l'apprentissage de la vision par ordinateur

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Apprentissage appliqué aux véhicules terrestres

Amélioration des performances des véhicules terrestres grâce à l'apprentissage de la vision par ordinateur

Fouad Sabry

Copyright

Apprentissage appliqué aux véhicules © terrestres 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Programme LAGR de la DARPA

Chapitre 2 : La DARPA

Chapitre 3 : Robot autonome

Chapitre 4 : Robot militaire

Chapitre 5 : Le Grand Défi de la DARPA

Chapitre 6 : Véhicule terrestre sans pilote

Chapitre 7 : Essai d'un robot terrestre européen

Chapitre 8 : Robot mobile

Chapitre 9 : Concasseur (robot)

Chapitre 10 : Centre national d'ingénierie robotique

Appendice

À propos de l'auteur

Chapitre 1 : Programme LAGR de la DARPA

Le programme d'apprentissage appliqué aux véhicules terrestres (LAGR), qui a duré de 2004 à 2008, visait à accélérer la navigation hors route autonome, basée sur la perception et les véhicules terrestres sans pilote (UGV). La DARPA, la branche de recherche du département de la Défense des États-Unis, a soutenu le LAGR.

Bien que les robots mobiles (par exemple Shakey) existent depuis les années 1960, les progrès dans le développement de robots capables de se déplacer à l'extérieur, hors route et sur des terrains comportant de nombreux obstacles ont été progressifs. En réalité, il n'y avait pas de critères définis pour suivre les progrès. Des équipes de recherche distinctes ont mis en service des voitures robotisées dans le cadre d'essais gouvernementaux non répétés qui ont surveillé la vitesse moyenne et le nombre d'interventions requises de l'opérateur le long d'une voie définie avec des points de cheminement largement espacés. Ces essais ont révélé les énormes difficultés associées à la navigation hors route. Alors qu'au tournant du 21e siècle, les véhicules PerceptOR étaient équipés de capteurs et d'algorithmes de pointe, mais la portée limitée de leur technologie de perception les a fait échouer dans des impasses naturelles. De plus, leur dépendance à des comportements prédéterminés les empêchait de s'adapter à des événements imprévus. À l'exception des terrains essentiellement dégagés avec peu d'obstacles ou le long de chemins de terre, les voitures PerceptOR étaient incapables de naviguer sans l'aide répétitive et fréquente de l'opérateur.

L'initiative LAGR visait à développer la technique PerceptOR tout en s'attaquant aux problèmes technologiques mis en évidence par les tests PerceptOR.

L'objectif principal du LAGR était d'accélérer la navigation hors route des UGV. D'autres objectifs synergiques comprenaient (1) l'établissement d'une méthodologie d'analyse comparative pour mesurer les progrès des robots autonomes opérant dans des environnements non structurés, (2) l'amélioration de la vision industrielle et permettant ainsi la perception à longue portée, et (3) l'augmentation du nombre d'institutions et d'individus capables de contribuer à la recherche de pointe sur les UGV.

Au lieu de se concentrer sur le nouveau matériel, le programme LAGR visait à mettre l'accent sur le développement d'une nouvelle science pour la perception et le contrôle des robots. Ainsi, il a été décidé de mettre à disposition des chercheurs du LAGR, membres d'équipes concurrentes, une flotte de robots identiques et relativement simples, leur permettant de se concentrer sur le développement d'algorithmes. Chaque équipe a reçu deux robots de conception standard. Ils ont créé un nouveau logiciel pour ces robots, puis ont envoyé le code à une équipe de test gouvernementale, qui a testé le logiciel sur des robots gouvernementaux lors de plusieurs cours de test. Ces parcours étaient dispersés à travers les États-Unis et étaient auparavant inconnus des équipes. De cette manière, le code de toutes les équipes a pu être testé dans des conditions pratiquement identiques. Après une période initiale de lancement, le cycle de développement/test du code a été répété environ une fois par mois.

Site officiel du Centre national d'ingénierie robotique de l'Université Carnegie Mellon (CMU NREC) a créé et construit le robot standard.

Les ordinateurs des véhicules étaient préchargés avec un système modulaire de perception et de navigation « de base » qui était essentiellement le même système que celui que le CMU NREC avait créé pour le programme PerceptOR et qui était considéré comme représentant l'état de l'art au début du LAGR.

La modularité du système Baseline a permis aux chercheurs de remplacer des parties du code Baseline par leurs propres modules tout en disposant d'un système de navigation entièrement fonctionnel sans avoir à développer un système de navigation entièrement nouveau.

Ainsi, par exemple, ils ont pu comparer les performances de leur propre module de détection d'obstacles à celles du code de base, tout en maintenant toutes les autres variables constantes.

Le code de la ligne de base a également servi de référence constante : dans chaque environnement logiciel et à tout moment, le code des équipes pouvait être comparé au code de la ligne de base.

Ce cycle rapide a fourni à l'équipe gouvernementale et aux équipes d'exécution une contribution immédiate et a permis à l'équipe gouvernementale d'élaborer des cours d'examen qui poussaient les interprètes dans des tâches de perception spécifiques et dont la difficulté était censée mettre à l'épreuve les interprètes, mais non dominer, les capacités actuelles des artistes.

Chaque test n'exigeait pas que les équipes soumettent un nouveau code, mais le faisait généralement.

Malgré cette latitude, certaines équipes considéraient que le cycle de tests rapides était préjudiciable à leur développement à long terme et auraient préféré une pause plus longue entre les tests.

Pour passer à la phase II, chaque équipe a dû modifier le code de référence afin de réussir les trois derniers tests gouvernementaux de phase I, en moyenne, les robots exécutant le code de l'équipe étaient au moins 10 % plus rapides que ceux exécutant le code de référence d'origine.

Cette mesure plutôt modeste « Go/No Go » a été choisie pour permettre aux équipes de choisir des techniques risquées, mais potentielles, qui pourraient ne pas être pleinement développées au cours des 18 premiers mois du programme.

Chacune des huit équipes a atteint cette statistique, l'objectif de la phase II était pour certains d'atteindre deux fois la vitesse de la ligne de base lors des tests ultérieurs, et cela a été atteint par quelques-uns.

Il est à noter que les critères Go/No Go de la phase I ont été conçus de manière à ce que les équipes ne soient pas en compétition pour un nombre fixe de places de la phase II : n'importe quel