Réponse rapide
On teste une perception intelligente hors de ses données d’apprentissage avec des scènes nouvelles, des perturbations, des capteurs dégradés et des classes inconnues, puis on mesure détection, refus et conséquences dans la tâche.
Séparer et diversifier les cas
Éclairage, météo, objets, points de vue, bruit, cultures et opérateurs varient par rapport à l’entraînement. Les données d’essai restent indépendantes et documentées.
Mesurer l’inconnu
Précision, rappel, calibration, latence, faux positifs, faux négatifs et taux de refus sont ventilés par contexte. Les erreurs critiques sont examinées individuellement.
Relier sortie et comportement
Le robot est observé en simulation puis sur banc ou site contrôlé avec un repli. Une bonne métrique visuelle ne suffit pas si la commande résultante devient dangereuse.
Sources et références
- [1] Robotics and Autonomous Systems — NIST