Ressources AWS RoboMaker 

Guide du développeur | Documents de référence sur l'API

Le système d'exploitation de robot, ou ROS, est le framework logiciel de la robotique open source le plus largement utilisé. Il fournit des bibliothèques de logiciels qui vous aident à créer des applications robotiques. AWS RoboMaker fournit des extensions de cloud pour ROS afin que vous puissiez décharger vers le cloud les processus informatiques plus gourmands en ressources, généralement nécessaires aux applications de robotique intelligente, et libérer des ressources de calcul locales.

Les extensions cloud RoboMaker pour ROS incluent des services comme Amazon Kinesis Video Streams pour la diffusion vidéo, Amazon Rekognition pour l'analyse d'images et de vidéos, Amazon Lex pour la reconnaissance vocale, Amazon Polly pour la génération de parole et Amazon CloudWatch pour la journalisation et la surveillance. RoboMaker fournit chacune de ces extensions de service de cloud computing sous forme de packages ROS open source. Vous pouvez ainsi étendre les fonctions de votre robot en tirant parti des API de cloud, le tout dans un cadre logiciel familier.

Consultez le référentiel de code pour en savoir plus sur chacune de ces extensions de services cloud.

AWS RoboMaker prend en charge la version ROS Kinetic. Cliquez ici pour en savoir plus.

AWS RoboMaker comprend des exemples d'applications de robotique pour vous aider à démarrer rapidement. Celles-ci constituent le point de départ des fonctionnalités de commande vocale, de reconnaissance, de surveillance et de gestion de flotte généralement requises pour les applications de robotique intelligente. Les exemples d'applications sont livrés avec un code d'application robotique (instructions relatives aux fonctionnalités de votre robot) et un code d'application de simulation (définissant l'environnement dans lequel vos simulations seront exécutées). Cliquez ici pour commencer à utiliser les exemples. 

Apprenez les bases pour structurer vos applications robotiques et vos applications de simulation, modifier le code, développer, lancer de nouvelles simulations et déployer des applications sur des robots. Commencez par utiliser un modèle de projet simple contenant un robot dans un monde de simulation vide.

• Utilisez Gazebo pour créer de nouveaux mondes de simulation en insérant des modèles, contrôler l'angle de vue, mettre en pause et reprendre une application de simulation.
• Utilisez Amazon CloudWatch Logs et un compartiment de sortie Amazon S3 pour consulter les journaux des robots et des applications de simulation.
• Utilisez le terminal pour exécuter des commandes ROS

Découvrez les concepts relatifs à la navigation robotique, au streaming vidéo, à la reconnaissance faciale et à la synthèse vocale. Un robot navigue entre des emplacements cibles dans un foyer simulé et reconnaît les visages sur les photos. Le robot diffuse les images de caméra vers Amazon Kinesis Video Streams, reçoit les résultats de la reconnaissance faciale d'Amazon Rekognition, et prononce les noms des personnes reconnues à l'aide d'Amazon Polly.

• Utilisez rqt pour consulter les images de caméra simulées diffusées vers Amazon Kinesis Video Streams
• Utilisez rviz pour visualiser la carte SLAM (localisation et mappage simultanés) et son état de planification.
• Utilisez le terminal pour consulter les résultats Amazon Rekognition
  

Commandez un robot en langage naturel par le texte et la voix dans une librairie simulée via Amazon Lex. Les commandes par défaut incluent « move <direction> <rate> », « turn <direction> <rate> » et « stop ». Le robot confirme et exécute chaque commande.

• Utilisez le terminal pour envoyer des commandes de mouvement en langage naturel qui seront interprétées par Amazon Lex (par exemple, « move forward 5 », « rotate clockwise 5 » et « stop »).
• Utilisez Amazon CloudWatch Metrics pour surveiller l'exécution des commandes, les distances par rapport aux obstacles détectés les plus proches, et les collisions
  

Surveillez les métriques d'intégrité et les métriques opérationnelles d'un robot dans une librairie simulée en utilisant Amazon CloudWatch Metrics et Amazon CloudWatch Logs. Les métriques diffusées incluent la vitesse, la distance jusqu'à l'obstacle le plus proche, la distance jusqu'à l'objectif actuel, le nombre de collisions, l'utilisation CPU du robot et l'utilisation de la mémoire.

• Utilisez Amazon CloudWatch Metrics pour contrôler l'intégrité et les performances d'un robot
• Utilisez Gazebo pour placer des obstacles près du robot et consultez les métriques générées
  

Apprenez à un robot à pister et à suivre un objet en simulation via l'apprentissage par renforcement en utilisant la bibliothèque Coach Reinforcement Learning, puis déployez cette capacité sur un robot. Consultez les métriques de récompense dans Amazon Cloudwatch Metrics pour découvrir comment le modèle de machine learning s'améliore au fil du temps. Personnalisez votre fonction de récompense afin d'améliorer l'algorithme de machine learning utilisé pour l'apprentissage.

• Utilisez Gazebo pour tester différents emplacements d'un objet à suivre.
• Utilisez rviz pour voir le robot s'entraîner en simulation.
• Utilisez la bibliothèque Coach Reinforcement pour entraîner et évaluer les modèles
  

Apprenez à une voiture de course à conduire en simulation via l'apprentissage par renforcement en utilisant la bibliothèque Coach Reinforcement Learning, puis déployez cette capacité sur un robot. Consultez les métriques de récompense dans Amazon Cloudwatch Metrics pour découvrir comment le modèle de machine learning s'améliore au fil du temps. Personnalisez votre fonction de récompense afin d'améliorer l'algorithme de machine learning utilisé pour l'apprentissage.

• Utilisez Gazebo et rviz pour voir la voiture s'entraîner en simulation
• Utilisez Amazon CloudWatch Logs pour suivre les performances de la voiture
• Utilisez la bibliothèque Coach Reinforcement pour entraîner et évaluer les modèles
  

Nous avons créé des environnements supplémentaires que vous pouvez utiliser avec vos robots. Elles peuvent être utilisées pour tester la reconnaissance faciale, la navigation, l’évitement d’obstacles et le machine learning, et sont modifiables en fonction de vos scénarios.