Réponse rapide
Pour apprendre une perception robotique, on prépare entrées et annotations, calcule une sortie, mesure la perte, rétropropage le gradient, met à jour les poids et évalue sur des scènes séparées.
Définir les exemples
Images, nuages ou séquences sont associés à classes, poses, masques ou événements avec repères et qualité. Les épisodes proches restent dans un même ensemble.
Ajuster sans fuite
Lots, augmentation, normalisation et validation sont versionnés. Les courbes d’apprentissage et erreurs par contexte guident le réglage.
Mesurer la sortie utile
Précision, rappel, calibration, latence, mémoire et effet sur la planification sont testés. Les cas inconnus et le refus approprié comptent.
Sources et références
- [1] Robotics and Autonomous Systems — NIST