Logiciel robotique

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.

Exemples d'applications

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. 

« Hello world »

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

Commandes vocales

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

Surveillance de robot

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

Suivi d'objet utilisant l'apprentissage par renforcement

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

Pilotage automatique utilisant l'apprentissage par renforcement

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
 
Complétez vos connaissances en consultant le référentiel de code ou la documentation.

Ressources pour la stimulation

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. 

Maison

RoboMaker-House

Une petite maison avec cuisine et séjour et équipée d’un appareil de musculation domestique et de photos que vous pouvez personnaliser pour tester la reconnaissance d’images. Plusieurs obstacles se dressent sur l’itinéraire de votre robot.

En savoir plus »

Librairie

RoboMaker-Bookstore

Parcourez plusieurs rayons dans cette simulation de librairie. Elle comprend plusieurs obstacles, y compris des chaises et des tables que votre robot doit éviter.

En savoir plus »

Circuit

RoboMaker-Racetrack

Utilisez le machine learning pour apprendre à votre robot à rester sur le circuit. Le tracé du circuit est ovale et comporte des marqueurs de périphérie clairement visibles. À vos marques, prêts, partez !

En savoir plus »

Ateliers et didacticiels

Atelier

« Hello world ! » Prise en main d'AWS RoboMaker

Dans cet atelier, vous apprendrez comment démarrer avec AWS Robomaker pour créer des applications robotiques intelligentes. Vous aurez également la possibilité de gérer et de déployer des applications robotisées dans un environnement simulé ainsi que sur un robot de production (nécessite un TurtleBot 3 Burger).

En savoir plus »
Atelier

À la recherche des martiens avec AWS RoboMaker et le rover open source JPL

Dans cet atelier, vous allez vous familiariser avec AWS Robomaker et apprendre à simuler le rover open source de la NASA JPL Mars. Vous apprendrez ainsi à intégrer AWS RoboMaker à des services tels que le machine learning, la surveillance et l'analyse afin que votre Mars Rover puisse diffuser des données, naviguer, communiquer, comprendre et apprendre.

En savoir plus »
Didacticiel

Comment entraîner un robot grâce à l’apprentissage par renforcement ?

L’apprentissage par renforcement (RL) est une technique de machine learning (ML) de pointe qui permet d’apprendre des comportements très complexes sans avoir besoin de données de formation étiquetées. Il permet aussi de prendre des décisions à court terme tout en optimisant les performances pour un objectif à plus long terme. Vous pouvez utiliser l’exemple de l’application AWS RoboMaker pour générer les données de formation simulée employées dans l’apprentissage par renforcement. Le modèle d’apprentissage par renforcement apprend au robot à suivre un objet. Voici une démonstration simple pouvant être étendue à plusieurs cas d’utilisation comme l’assistance des employés dans un entrepôt ou un robot de divertissement qui suit un client à travers la maison.
En savoir plus »
Didacticiel

Exécuter ROS sur plusieurs machine avec AWS RoboMaker

Dans de nombreux cas, un développeur ou un chercheur en robotique devra exécuter ROS sur plusieurs machines. Ce didacticiel vous apprendra trois choses : comment configurer ROS sur une machine virtuelle sur AWS, comment connecter votre robot physique à la machine virtuelle et comment créer un système ROS multi-machines. Grâce à cela, le développement de votre application robotique sera grandement facilité.  

En savoir plus »
Didacticiel

Exécuter des didacticiels portant sur le système d’exploitation de robots (ROS) avec AWS RoboMaker

Dans ce didacticiel, nous allons vous montrer comment configurer un environnement dans AWS RoboMaker pour apprendre ROS (système d’exploitation de robots). Contenus des didacticiels : présentation de ROS, création de nœuds, cinématique simple pour robot mobile, reconnaissance visuelle des objets, exécution de ROS sur plusieurs machines, navigation SLAM, planification d’itinéraire, exploration d’un environnement inconnu et recherche d'objet.
En savoir plus »
Didacticiel

ROSbot + AWS Robomaker - Didacticiel de démarrage rapide

Husarion ROSbot 2.0 est une plate-forme robotique autonome et open source. Elle peut servir de plate-forme d'apprentissage pour ROS ou de base pour de nombreuses applications robotiques telles que les robots de recherche, d'inspection, de service sur mesure, etc. Dans ce didacticiel, nous vous apprendrons à ouvrir, exécuter et déployer des applications en utilisant AWS RoboMaker.
En savoir plus »

Vidéos

Utilisation de l’apprentissage par renforcement avec AWS RoboMaker (4:17)
Déploiement d'applications robotiques à l'aide du machine learning avec Nvidia JetBot et AWS Robomaker (32:04)

Blogs

Aucun billet de blog n'a été trouvé pour le moment. Veuillez consulter le blog AWS pour obtenir d'autres ressources. 

Product-Page_Standard-Icons_01_Product-Features_SqInk
Consulter les questions fréquentes (FAQ)

Découvrez les fonctionnalités d'AWS RoboMaker sur la page FAQ.

En savoir plus 
Product-Page_Standard-Icons_02_Sign-Up_SqInk
Créer gratuitement un compte

Obtenez un accès instantané à l'offre gratuite d'AWS. 

S'inscrire 
Product-Page_Standard-Icons_03_Start-Building_SqInk
Commencer à créer dans la console

Commencez à créer avec AWS RoboMaker.

Se connecter