Séparer détection et reconnaissance permet d’optimiser calcul et latence, de traiter présence et identité avec des seuils différents et d’isoler les erreurs dans l’architecture.
La détection indique où se trouve un objet ou événement ; la reconnaissance lui attribue une catégorie, une instance ou une identité avec une confiance et un contexte.
Lorsqu’un objet est jamais vu, le robot doit le signaler comme inconnu, estimer géométrie et risque, demander information ou choisir une action conservatrice plutôt que l’assigner arbitrairement.
La détection localise qu’un objet est présent, souvent par boîte ou masque ; la reconnaissance lui attribue une catégorie ou une identité avec un niveau de confiance.
La reconnaissance d’objets permet à un robot d’identifier catégories ou instances dans ses observations et d’associer classe, pose, confiance et contexte à une action.
Entraîner une reconnaissance d’objets robotique exige données représentatives, annotations cohérentes, séparation apprentissage-test, augmentations maîtrisées, modèle adapté et validation sur le matériel.
Pour recaler deux nuages, on associe repères ou structures, estime translation et rotation, minimise résidus avec méthode robuste et vérifie chevauchement, échelle et incertitude.
Un nuage peut être insuffisant pour éviter un obstacle à cause d’occlusion, trous, portée, densité, latence, réflexion, mouvement ou erreur de pose ; l’absence de point n’est pas espace libre.
Avant navigation, on filtre un nuage de points par portée, aberrations, densité, sol, mouvements, repère et âge, puis on conserve une incertitude et les zones inconnues.
Un nuage de points est un ensemble de points 3D portant position, repère et parfois couleur, intensité ou temps, issu de lidar, stéréo, profondeur ou reconstruction.
Une carte géométrique décrit positions, formes et distances ; un modèle sémantique ajoute ce que représentent les lieux et objets, leurs relations, règles et usages.
Un modèle sémantique associe des lieux, objets, personnes, actions et relations à des significations utiles au robot, avec provenance, confiance et contexte.