L’industrie 4.0 et l’usine intelligence se base sur de nouvelles approches technologiques permettant de faire converger les systèmes physiques et numériques pour l’amélioration de l’ensemble de la chaine de valeur industrielle, du développement à la production en passant par la chaîne logistique. Dans ce contexte, des interactions homme-machine (IHM) sont déployées dans tous les secteurs d'activité où l’utilisation de machines automatiques nécessite une collaboration avec des individus. Ces IHM utilisent des capteurs, des robots, des systèmes sans fil et des logiciels pour collecter et analyser des données. Les informations issues de ces données permettent alors d’optimiser le management des opérations. Cette forte demande d’IHM impose de faire évoluer les systèmes industriels grâce à des technologies qui complètent et assistent le travail humain (robotique) et réduisent les accidents industriels causés par la défaillance des processus. Le développement de l’intelligence artificielle dans l’industrie permet d’améliorer ces interactions, notamment en entrainant les machines à anticiper et détecter des anomalies et à collaborer de manière plus efficace avec l’humain.
Dans un futur proche, les machines seront toutes dotées de diverses couches de perception qui seront alimentées par l’IA (par exemple véhicule autonome, drone, IoT, domotique, ordinateur etc.). Sur la base d’algorithmes d’apprentissage automatique ou profond, ces machines analyseront les intentions et les comportements humains (mouvements postures, expressions faciales, mesures physiologiques, etc.) et apprendront en continu. Ainsi, la machine se transforme en un collecteur de données capable d’alimenter des algorithmes sophistiqués pour analyser, reconnaître et anticiper des actions et comportements humains.
L’objectif du cours est de permettre aux étudiants de découvrir les étapes à suivre afin de concevoir et développer des systèmes d’IA permettant la collaboration Homme-Machine. A l’issue de ce module les étudiants seront capables de :
- Identifier les capteurs nécessaires à utiliser pour la collecte de données provenant de l’homme
- Traiter le signal enregistré et analyser des séries temporelles
- Identifier et adapter la méthode de Machine/Deep Learning en fonction du contexte et développer des couches de perception pour le système interactif humain-machine.
- Evaluer l’efficacité et la performance du système et de ses algorithmes en termes de modélisation, détection et reconnaissance de formes.
Contenus et éléments de programme
- Capture de données : enregistrement de données physiologiques à l’aide de « wearables » ou capture du mouvement avec des caméras RGB-D ;
- Analyse du signal : traitement de données en fonction de leur nature. Par exemple, segmentation de la scène détection de poses humaines sur une image RGB-D, prétraitement du signal issu de gyroscopes ou accéléromètres etc. ;
- Extraction des caractéristiques : exportation des descripteurs de mouvement et sélection des plus appropriés pour décrire le comportement humain (geste dynamique, postures statiques etc.) en fonction du contexte ;
- Représentation et modélisation : utilisation de modèles stochastiques pour la représentation du comportement humain ;
- Reconnaissance de formes : apprentissage statistique (Hidden Markov Models, State-Space, etc.) et architectures d’apprentissage profond (Convolutional Neural Networks, Long Short Term Memory, End-to-End, etc.) pour la reconnaissance précoce et l’alignement des séries temporelles ;