Recherche guidée
Saisissez un concept, une difficulté ou une comparaison. Des questions proches apparaissent pendant la saisie.
À découvrir
3 233 résultats
Rendre une perception audio robuste demande calibration, données variées, adaptation au bruit et à l’acoustique, suivi de confiance et repli quand le contexte sort du domaine validé.
Lorsqu’une perception audio déclenche une action, il faut vérifier confiance, source, contexte, autorisation, conséquences et confirmation, avec un état sûr si le son est ambigu.
La perception intelligente transforme des mesures de capteurs en objets, états, relations et incertitudes utiles à la décision d’un robot, en tenant compte du contexte et de l’objectif.
La détection signale qu’un motif ou un objet est présent et où il se trouve, tandis que la compréhension de scène relie objets, relations, contexte, évolution et conséquences pour la tâche.
Conserver l’incertitude permet au robot de distinguer mesure fiable, hypothèse et absence d’information, d’adapter ses marges et de refuser une action lorsque le risque dépasse ce qui est démontré.
On teste une perception intelligente hors de ses données d’apprentissage avec des scènes nouvelles, des perturbations, des capteurs dégradés et des classes inconnues, puis on mesure détection, refus et conséquences dans la tâche.
La perception profonde utilise des réseaux appris sur des données pour extraire représentations et prédictions à partir de capteurs, souvent avec plusieurs niveaux de caractéristiques adaptés à une scène robotique.
La perception profonde apprend des représentations à partir de données, tandis que le traitement d’image classique applique des opérations conçues explicitement, comme seuils, contours ou géométrie. Les deux peuvent être combinés.
On réduit la latence d’une perception profonde embarquée en mesurant chaque étape, en optimisant modèle et prétraitement, en choisissant un matériel adapté et en limitant la résolution sans perdre les garanties utiles.
Un changement de domaine se détecte lorsque distribution des entrées, qualité, confiance, résidus ou résultats s’écartent des conditions de validation. Le système limite alors la mission ou demande une vérification.
Les tests de robustesse vérifient qu’une perception profonde conserve un comportement acceptable face au bruit, aux changements de scène, aux occultations, aux capteurs défaillants et aux cas inconnus.
On entraîne un perceptron multicouche avec des exemples représentatifs, une fonction de perte adaptée, une séparation entraînement-validation-test, une optimisation contrôlée et une évaluation reliée à la tâche robotique.