Qu’est-ce que la simulation de trafic pour les robots ?
La simulation de trafic fait circuler virtuellement véhicules, piétons et règles de route afin de tester un robot dans des situations nombreuses et contrôlées.
Recherche guidée
Saisissez un concept, une difficulté ou une comparaison. Des questions proches apparaissent pendant la saisie.
À découvrir
3 233 résultats
La simulation de trafic fait circuler virtuellement véhicules, piétons et règles de route afin de tester un robot dans des situations nombreuses et contrôlées.
On génère des situations rares en contrôlant les paramètres du trafic, en rejouant des combinaisons ciblées et en conservant la trace du déclencheur qui a produit le cas.
On valide un modèle de trafic simulé en comparant distributions, vitesses, espacements, trajectoires et interactions avec des mesures de circulation réelle.
On synchronise robot et trafic simulé en partageant une horloge, des repères géographiques et des messages d’état dont la fraîcheur est contrôlée.
On relie simulation de trafic et essai sur piste en conservant les mêmes scénarios, unités et critères, puis en utilisant la piste pour vérifier les hypothèses importantes.
On détecte une singularité pendant un mouvement en surveillant la jacobienne, son conditionnement, les vitesses articulaires et la marge par rapport à un seuil défini.
On évite une singularité en planifiant la posture, l’orientation de l’outil, les passages intermédiaires et une marge qui tient compte de la vitesse et de la précision requises.
Une singularité vient de la géométrie du bras et d’une perte de direction commandable, tandis qu’une limite articulaire est l’interdiction physique ou logicielle de dépasser un angle ou une course.
On sécurise un robot proche d’une singularité en bornant les vitesses, surveillant les indicateurs, validant la trajectoire et prévoyant un arrêt ou un dégagement contrôlé.
Le SLAM permet à un robot de construire une carte d’un lieu tout en estimant sa propre position dans cette carte à partir de capteurs et de mouvements.
On choisit une architecture de segmentation profonde selon le détail nécessaire, la taille des images, la latence, la mémoire, les classes et la capacité de calcul embarquée.
On réduit la latence d’une segmentation profonde en choisissant une résolution et un modèle adaptés, en optimisant le calcul et en mesurant le délai complet jusqu’à la commande.