1/ La détection

 

 

          Depuis peu, des chercheurs de l’université de Cornell travaillant sur un autre projet, Robot Learning Lab (département de science informatique) ont réussi à exploiter les capacités du capteur Kinect afin de travailler sur un système de robotique intuitive. Ils y ont associé le diagramme de Markov et leur base de données (Robo Brain) qui permettent à un robot de reconnaître et d’anticiper une activité humaine pour pouvoir aider de manière encore plus rapide l'homme.

          Comme nous l’avons vu précédemment, le diagramme de Markov permet, avec l’aide de l’analyse faite de l’environnement du robot, de délivrer plusieurs solutions au problème requis. Plusieurs scénarios vont être créés pour maximiser les chances de réussir. Cette analyse visuelle permet de faire le rapprochement de la situation avec d’autres déjà présentes sur la base de données.  

          Par exemple, si le sujet se trouve dans la cuisine, à proximité du réfrigérateur et qu’il prend en main un plat, le robot sera capable de comprendre qu’il doit ouvrir la porte du réfrigérateur pour lui faciliter la tâche. Autre exemple, le robot observe une scène où quelqu’un se sert un bol de céréales. Le capteur Kinect détecte les mouvements du corps, identifie les objets posés sur la table (paquet de céréales, bol, bouteille de lait) et, une fois que la personne a fini de se servir, le robot déduit qu’il peut prendre la bouteille de lait pour la replacer dans le réfrigérateur.

          Ainsi la première mission du robot est de décrire son environnement pour que la base lui transmette des réponses et lui offre, à travers le diagramme, plusieurs possibilités pour agir.

 

          Par conséquent, c'est grâce à une bonne détection de l'environnemment que le robot va pouvoir par la suite anticiper les mouvements de l'homme.