Utilisation de l’IA et de computer vision.
![Octarina](https://www.octarina.com/wordpress/wp-content/uploads/2020/09/Featurepoints.jpg)
Dans le monde industriel, l’utilisation la plus courante de la réalité augmentée repose sur des systèmes basés sur spatial computing ou SLAM qui nécessitent des environnements contrôlés et similaires
Couplés aux lunettes de réalité augmentée, ils fonctionnent en mode industriel sur des univers indoor très maîtrisés. Mais attention à l’effet déceptif des lunettes : champs de vision, autonomie, confort, cout, et difficulté d’afficher des modèles 3D trop complexes.
Les systèmes de projection sont très efficaces mais nécessitent un déploiement particulier, loin d’être portables, ils sont déployables sur ateliers à taille conséquence avec du placement très précis.
![Octarina](https://www.octarina.com/wordpress/wp-content/uploads/2020/09/Diota-1024x491.png)
Les systèmes avec marqueur constituants des alternatives efficaces, mais nécessitent la présence du dit marqueur, ce qui n’est pas tout le temps possible. Ils sont accessibles sur différent périphériques : lunettes comme téléphones/tablettes.
En quoi le machine learning est plus efficace ?
Le machine learning est plus tolérant car fonctionne sur des sémantiques plus flexibles. Par exemple, les conditions de lumières, l’état général de l’objet.
Il est aussi plus précis, car calculé à chaque image sur ce qui est perçu et non sur recalage d’un mesh sur l’environnement réel.
![](https://www.octarina.com/wordpress/wp-content/uploads/2020/09/Octarina-1024x537.png)
En d’autres termes, moins gourmand que les technologies pures 3D, en tous cas lorsque l’on fait de l’identification sur des images 2D. La classification 3D reste encore un peu expérimentale.
Le recalage immédiat, permet d’éviter les dérives visuelles fréquentes en spatial computing.
Un système qui fonctionne en extérieur comme en intérieur dans des conditions non contrôlées.
Il est évident qu’il s’agit du futur de la réalité augmentée. Un complément déterminant des approches spatial computing mais qui d’ores et déjà répond plus à des contraintes d’industrialisation que les autres approches.Les sujets de R&D
Qui utilisent industriellement les lunettes la réalité augmentée ?
Aujourd’hui, certaines sociétés attendent beaucoup d’une vision idéalisée de la réalité augmentée : les lunettes de réalité augmentée. La méconnaissance des uns, soigneusement entretenues par du marketing, alimente le cynisme des autres.
Certains n’hésitent pas à projeter leurs clients dans le futur en occultant les contraintes actuelles de l’était de l’art. Pour un résultat industriellement inutilisable mais qui peut produire des vidéos attractives.
On reste encore à l’état du POC ou du projet censé être industriel qui finit en POC.
Le positionnement est donc
Le devoir d’information
Ce qui est essentiel c’est d’informer l’utilisateur du niveau de maturité de ce qu’il va obtenir ou lui donner les critères d’analyse au préalable.
A essayer de répondre à ce type de questions : qui, aujourd’hui, utilise les lunettes de réalité augmentée industriellement ?
Les algorithmes qui placent un objet 3D dans l’espace physique sur téléphone Android ou Apple, sont quant à eux, de plus en plus impressionnants pour du marketing, de la vente ou du jeu. Pas pour des applications industrielles, pas assez précis.
Apprentissage profond et réalité augmentée.
L’utilisation du deep learning en computer vision est aujourd’hui tellement plus accessible pour personne sur le terrain.
Certes c’est en terme de développeement une compétence particulière, parfois un peu éloignée de celle des développeurs 3D : il faut utiliser le bon modèle de réseau neuronal, adapté à l’activité cible mais aussi au processeur cible. Produire le dataset, savoir entraîner correctement le réseau sont essentiels.
Nous travaillons par exemple sur des outils de générations automatiques de dataset labélisés pour réduire ce cycle. Nous développerons dans un autre article.
Conclusion
Présenter une approche de ce type est pour nous à double tranchant : il faut être capable d’expliquer qu’une solution dont l’utilisation moins spectaculaire est en réalité plus efficace et opérationnelle. En essayant d’éviter de mauvaises attentes.
Pour un exemple de mise en place concret, dans le cadre d’une déploiement sur le terrain, c’est ici : réalité augmentée, deep learning et contrôle qualité. Et pour nous contacter c’est ici.
Ping Serious game, réalité virtuelle et augmentée dans le secteur médical – Octarina