La réduction de dimension transforme des données décrites par de nombreuses variables en une représentation plus courte qui conserve les structures utiles, au prix d’une perte d’information à mesurer.
Pour visualiser des états robotiques de grande dimension, on projette données et trajectoires dans deux ou trois axes, puis on conserve couleur, temps, classe, erreur et incertitude pour interpréter la carte.
Vérifier qu’une réduction de dimension ne masque pas un risque exige d’analyser variables supprimées, erreurs par scénario, reconstruction, anomalies, contraintes et décisions produites après projection.
Un rapport de performance décrit données et protocole, métriques globales et par classe, seuils, calibration, latence, ressources, erreurs critiques, limites, versions et conditions de déploiement.
La précision mesure la proportion des détections positives qui sont correctes, tandis que le rappel mesure la proportion des cas réellement positifs qui sont retrouvés. Le choix dépend du coût de chaque omission ou…
Les métriques d’un classifieur robotique comprennent exactitude, précision, rappel, F1, matrice de confusion, calibration, latence et coût d’erreur, ventilés par classe et environnement.
Pour tester un nouvel environnement, on réserve lieux et conditions non vus, puis on mesure erreurs, incertitude, décisions et repli avant déploiement. Configuration, capteurs et domaine sont documentés.
La généralisation s’améliore par données diversifiées, contrôle des biais, régularisation et validation indépendante. Chaque changement est vérifié sur le domaine réel et ses cas limites.
La généralisation est la capacité d’un modèle à fonctionner sur données, scènes ou situations nouvelles mais pertinentes, au-delà des exemples d’entraînement. Elle se mesure par scénario et domaine.
La protection des personnes pendant l’étiquetage repose sur finalité limitée, minimisation, anonymisation, accès contrôlé, consentement ou base appropriée et procédure claire pour les images sensibles.
Un guide d’étiquetage décrit classes, frontières, occlusions, cas ambigus, unités, repères, exemples positifs et négatifs ainsi que la procédure de revue et de désaccord.
L’étiquetage de données associe à une image, une mesure ou un épisode robotique des annotations qui décrivent les objets, états, événements ou actions utiles à l’apprentissage et à l’évaluation.