Un MAV (Micro Air Vehicle ou Micro Aerial Vehicle) est une classe d’UAV (Unmanned Aerial Vehicles) qui a une forte contrainte en taille. Pour avoir un ordre de grandeur, cette contrainte se trouve autour des 15cm de largeur.

Les chercheurs de l’université de Cornell ont mis au point un logiciel de navigation basé sur ce type de support, en centrant leur étude sur l’évitement d’obstacles à partir d’une unique caméra mono-vision. En effet, tout le monde semble aujourd’hui avoir fois en la stéréo-vision qui permet, avec deux caméras et à la manière de l’humain, d’avoir une notion de distance (on passe dans un repère 3D), mais cela utilise encore trop de ressources pour un MAV.

Le nouvel algorithme proposé permet de récupérer l’image d’une caméra, et d’informer le robot sur le chemin le moins risqué pour lui. Pour agir efficacement, les chercheurs ont utilisé un ordinateur neuronal. Cet ordinateur imite le fonctionnement des neurones et permet d’éviter les simulations de réseaux de neurones que l’on peut connaître sur nos ordinateurs standards basés sur le modèle de Von Neumann.
On constate que le réseau de neurones récupère l’image de la caméra en entrée, trouve les obstacles et informe le MAV.

Cela fonctionne aussi sur AR-Drone :

Voici le papier pdf.

Source : Cornell MAV
« Low-Power Parallel Algorithms for Single Image based Obstacle Avoidance in Aerial Robots, » par Ian Lenz, Mevlana Gemici, et Ashutosh Saxena de Cornell University.

Vous avez apprécié ? Partagez vite !

5 Commentaires

  1. ça serait possible plus d’info sur l’ordinateur neuronale utilisé ?

    J’ai rien trouvé… hormis des ordinateur biologique, et je suppose que ce n’est pas le modèle utilisé ici.

  2. C’est très intéressant, le problème est que j’ai absolument rien compris au fonctionnement des réseaux de neurone. On aime bien sortir des termes savant, « réseau de neurones », etc. histoire de dire qu’on a un truc super, alors qu’en fait, en quoi peuvent-ils être de la moindre utilité plus qu’un algorithme lambda sur le repérage dans un environnement réel (un parc, un couloir, etc.) ?

    • Bonjour,
      Avez-vous jeté un oeil à l’article qui les explique ? (ici)
      Quels sont les éléments qui ne sont pas clair ? Je vais essayer d’apporter plus d’explications.

      Les réseaux de neurones sont justement très utiles là où un algorithme séquentiel simple ne répondrait pas à 100% à une exigence.
      Ils permettent de trouver des solutions basées sur des statistiques grâce à des paramètres d’entrée qui peuvent être issus de capteurs ou d’algorithmes basés sur ceux-ci. Dans une première étape, on va leur apprendre ce qu’il faut sortir en fonction des entrées, puis on va vérifier avec d’autres données statistiques que le cahier des charges est rempli.
      Etant donné qu’ils sont basés sur des courbes statistiques, les réseaux de neurones sont capables de répondre à des questions qu’on ne se serait pas posées… Et c’est là qu’il faut être vigilant car cela signifie que le système pourra prendre des décisions sur des événements non traités par un humain au préalable. Il faut donc jauger les niveaux de criticité des systèmes avant de se décider à utiliser un réseau de neurones. Mais s’il est bien choisi, il peut être largement plus efficace qu’un algorithme séquentiel…

LAISSER UN COMMENTAIRE

Please enter your comment!
Please enter your name here