Réponse rapide
Un réseau apprend à reconnaître un objet en ajustant ses paramètres sur des exemples annotés et en réduisant l’écart entre ses sorties et les réponses attendues. Les données, le capteur et le contexte déterminent ce qu’il sait réellement distinguer. Avant une action, le robot confronte donc la prédiction à sa confiance, à la géométrie observée et à une règle de refus.
Relier exemples et ajustement
Une observation est associée à une classe, une boîte, un masque ou une pose. La sortie du réseau est comparée à cette cible par une fonction de perte, puis la rétropropagation modifie les poids par itérations. Des jeux séparés servent à vérifier que le modèle apprend une régularité plutôt qu’une image mémorisée.
Faire entrer le modèle dans le robot
Résolution, fréquence, mémoire et latence imposent des choix d’architecture et de calcul. Le modèle est éprouvé avec l’éclairage, la distance, l’occlusion et le mouvement du site réel, puis synchronisé avec les autres capteurs. Sa sortie n’autorise une prise ou un déplacement qu’après contrôle de cohérence.
Abstention face à l’inédit
Un reflet, un objet nouveau ou une scène mal éclairée peut recevoir à tort une classe connue. Des tests hors distribution et des exemples difficiles permettent de mesurer ce risque. Le robot demande une autre vue, ralentit ou choisit une action réversible plutôt que de manipuler sur une hypothèse fragile.
Sources et références
- [1] Robotics and Autonomous Systems — NIST