Jour 4 — Vision

La journée explore la vision par ordinateur appliquée à la robotique : comment un robot transforme un flux d’images en information exploitable. Après une présentation générale du domaine, vous choisissez un atelier parmi quatre techniques, de la vision classique à l’intelligence artificielle.

Objectifs pédagogiques

À la fin de la journée, vous saurez :

• expliquer ce qu’est une image numérique (pixels, canaux, espaces colorimétriques) et le pipeline vision ;
• situer les grandes familles de techniques : OpenCV (classique), marqueurs (ArUco), apprentissage profond (YOLO, CNN) ;
• acquérir un flux caméra en ROS 2 (sensor_msgs/Image + cv_bridge) et estimer une pose ;
• coder un nœud detector qui publie un DetectionArray sur /detections — la brique perception du fil rouge.

Pré-requis

• Workspace ~/ros2_bootcamp_ws/ opérationnel avec le package bootcamp_vision (voir Installation).
• Types de détection : bootcamp_vision fournit Detection / DetectionArray prêts à l’emploi (pour le fil rouge J5, vous les recréerez dans votre package d’interfaces).
• Dépendances vision installées (voir Installation).

Déroulé de la journée

1. Présentation de la vision par ordinateur et du pipeline de perception (slides ci-dessous).
2. Socle commun : monde Gazebo, caméra, cv_bridge, squelette du nœud detector.
3. Atelier au choix (un seul, selon votre envie) — voir les cartes ci-dessous.
4. Restitution : votre détecteur publie sur /detections, prêt à remplacer le detector factice du Jour 1.

Slides du jour

Jour 4 — Vision Plein écran ↗ PDF ↓

Les ateliers à la carte

Vous en choisissez un seul

Les quatre ateliers sont indépendants : choisissez celui qui vous attire. Tous aboutissent au même résultat — un nœud qui publie /detections — mais explorent une technique différente. Le socle commun est le seul passage obligé.

🟦 Formes (OpenCV) Vision classique : filtres, contours, couleur HSV. Aucun entraînement, déterministe.

🎯 ArUco (pose 6D) Marqueurs fiduciaires : identifiant + pose 6D complète. La méthode la plus robuste.

🧠 YOLO (détection) Détection par IA : modèle pré-entraîné COCO, puis entraîné sur vos objets.

🔢 Chiffres (CNN) Entraînez vous-même un réseau de neurones sur MNIST avec PyTorch.

Référence — version 2025

Le contenu de la session 2025 (OpenCV couleur + reconnaissance de chiffres) reste accessible : v2025/docs/vision.