La détection d’anomalies repère un état, une mesure ou un comportement qui s’écarte de ce qui est attendu pour le robot et sa mission. Elle compare règles, modèles ou historique normal, signale l’écart et…
Détecter une anomalie dans les mesures d’un robot demande de vérifier plage, continuité, horodatage, unités, cohérence temporelle et accord avec d’autres capteurs, puis de comparer au modèle attendu. Valeur figée, saut, retard ou perte…
L’apprentissage non supervisé cherche des structures ou anomalies dans des données robotiques sans étiquette fournie à l’avance.
Une fuite de données se produit quand une information qui ne sera pas disponible au moment réel se glisse dans l’entraînement ou le test, ce qui donne un score artificiellement optimiste.
La variable cible est le résultat que le modèle doit apprendre à prévoir. On la choisit à partir de la décision utile au robot, avec une définition mesurable et disponible au moment de l’entraînement.
On choisit une métrique de classification selon l’erreur la plus importante pour la perception : rater un obstacle, déclencher une fausse alerte ou confondre deux objets n’a pas le même coût.
Un déséquilibre de classes apparaît quand un modèle voit beaucoup plus d’exemples d’un cas que des autres. On mesure chaque classe, adapte l’entraînement et vérifie surtout les erreurs du cas rare.
Pour comparer deux modèles de perception aux erreurs différentes, on examine les mêmes cas critiques, les types d’erreurs et leur coût opérationnel, plutôt qu’une seule moyenne.
Évaluer les biais compare les erreurs du modèle selon personnes, objets, conditions et groupes pertinents, avec des jeux de test équilibrés et des conséquences explicites.
Tester la généralisation confronte le modèle à des environnements nouveaux : autre éclairage, sol, caméra, organisation ou objet, sans réutiliser les images d’entraînement.
La détection d’anomalies cherche un comportement qui s’écarte de ce qui est habituel, sans forcément connaître à l’avance toutes les pannes possibles.
Documenter les limites d’un modèle autonome consiste à préciser scènes couvertes, erreurs connues, données absentes, seuils de confiance et action attendue en cas de doute.