Chinougijutsu Co., Ltd. | Contrôle de robot à partir d’une I.A.

Nous contacter

Osaka 06-6362-1008
Tokyo 03-6869-5103
Mail:info@chinou.co.jp
Téléphone Du lundi au vendredi 9:00-18:00
Courriel Courriel 24h/24
  • 日本語
  • English
  • Français
  • 中文 (中国)
  • MENU

    Contrôle de robot à partir d’une I.A.

    Nous avons développé un système démontrant la capacité de contrôler les mouvements basiques d’un robot en montrant à une web camera différentes poses de la main.

    Ce système utilise un modèle d’intelligence artificielle pour analyser le flux vidéo venant de la caméra, qui prédit quelle est la pose de la main sur la vidéo. Le contrôleur du robot reçoit la prédiction and commande un mouvement sur les axes du robot. Grâce à une communication sans-fil entre le robot et l’intelligence artificielle, ceux-ci sont complètement indépendants.

     

    Contrôle de robot à partir d’une I.A._Diagram

    L’architecture du modèle est basée sur le modèle ResNet50 pour la classification d’image. Nous avons utilisé les méthodes de transfert d’apprentissage et de réglage fin du modèle pour appliquer celui-ci à la tache de reconnaissance de la pose de la main. Le modèle contient plus de 32 millions de paramètres et peut exécuter une prédiction en moins de 20 millisecondes sur un ordinateur comprenant une carte GPU, ce qui lui permet d’être utilisé en temps-réel sur un flux vidéo.

     

    Nous avons d’en un second temps changer l’architecture de base pour une plus petite (environ 10 fois plus petite) et nous avons réussi à exécuter le système sur un ordinateur Raspberry Pi, qui est beaucoup moins couteux qu’une carte GPU. Cependant, comme le Raspberry PI n’a pas les mêmes capacités de calculs que ce type de carte, le temps d’exécution d’une prédiction passe de 20 millisecondes à 1 seconde.

     

    Note:

    L’apprentissage du modèle d’intelligence artificielle a été fait sur une base de 70000 images de poses de main. La précision de validation après apprentissage est supérieure à 96% (effectue sur une partition de validation de 60%/40% ).

     

    Lorsque nous avons produit notre base d’images, seules des images de main de trois hommes ont été incluses. Après de plus amples tests, nous avons constaté une baisse de performance en précision du modèle lorsque l’on lui présente des images de main de femmes ou d’enfants. Cela est dû au fait que le modèle souffre de surapprentissage de sa base d’images et qu’il n’arrive pas à bien se généraliser sur n’importe quel type de main. Ce problème peut être résolut par, dans un premier temps, la suppression de la base d’images actuelle de photos redondantes ou similaires. Puis dans un second temps, par l’ajout de photos de main ayant plus de disparités dans leurs propriétés (couleur, taille, forme, etc…).