Discussion :

[Michael Guilloux]

Doit-on confier les décisions de vie ou de liberté à une intelligence artificielle ?
Aux USA, une IA envoie des gens en prison et souvent à tort

Doit-on confier les décisions de vie ou de liberté aux technologies d'intelligence artificielle ? La question mérite d'être posée étant donné que l'IA est aujourd'hui vue comme la solution à tous les problèmes dans notre société. À la vitesse avec laquelle les choses avancent, c'est possible que l'IA soit le décideur de demain dans presque tous les domaines, y compris sur le champ de bataille dans des zones de guerre. En tout cas, de nombreux pays y travaillent, en commençant par les USA. Rappelons qu'ils comptaient sur Google pour développer leur projet Maven, qui vise à fournir à l'armée une vision par ordinateur avancée permettant de détecter et identifier automatiquement des objets, dans pas moins de 38 catégories, capturés par la caméra d'un drone. Ce qui laisse croire que Maven pourrait être utilisée pour des frappes ciblées. Heureusement, Google a fait marche arrière après la vague de protestations à laquelle l'entreprise a fait face. Mais cela ne semble pas avoir freiné les USA dans leurs ambitions d'IA militaires.

Le pays de l'Oncle Sam s'approprie de bien d'autres manières l'IA dans des décisions qui pourraient mettre en péril la vie ou la liberté des populations. Par exemple, les services de police utilisent des algorithmes prédictifs pour décider où envoyer leurs agents. Les forces de l'ordre utilisent aussi des systèmes de reconnaissance faciale pour identifier les suspects. À propos, les chercheurs et les défenseurs des droits civils ont maintes fois démontré que les systèmes de reconnaissance faciale pouvaient commettre de grosses erreurs. Ils présentent des biais au détriment des personnes de couleur ; un danger qui a été montré l'année passée quand la technologie de reconnaissance faciale d'Amazon a identifié à tort 28 membres du Congrès US comme étant des criminels.

Mais l'outil IA le plus redoutable est sans doute celui qui doit être utilisé par le système judiciaire pour emprisonner des accusés ou fixer leur peine correctionnelle : des algorithmes d'évaluation des risques criminels. Les USA sont en effet confrontés à un gros problème, ils emprisonnent plus de personnes que tout autre pays au monde. À la fin de 2016, près de 2,2 millions d'adultes étaient détenus en prison et 4,5 millions supplémentaires dans d'autres établissements correctionnels. En d'autres termes, un Américain adulte sur 38 était sous une forme ou une autre de surveillance correctionnelle. Sous la pression immense de réduire le nombre de prisonniers sans risquer d'augmenter la criminalité, les salles d'audience à travers les États-Unis se sont donc tournées vers des outils automatisés pour tenter d'affecter les accusés dans le système judiciaire de la manière la plus efficace et sûre possible. Et c'est là que cette IA en entrée en jeu.

Les outils d’évaluation des risques sont conçus pour faire une chose : noter les détails du profil de l’accusé et lui attribuer un score de récidive. En se basant sur ce score et d'autres paramètres, un juge peut déterminer le type de services de réhabilitation que doivent recevoir certains accusés, s’ils doivent être incarcérés avant le procès et quelle doit être la durée de leur peine. Un score faible ouvre la voie à un destin plus généreux. Et un score élevé vous expose à un destin pénible. L'idée derrière l'utilisation de tels outils algorithmiques est que si vous pouvez prédire avec précision un comportement criminel, vous pouvez affecter des ressources en conséquence, que ce soit pour sa réhabilitation ou pour des peines de prison. En théorie, cela réduit également tout biais influençant le processus, car les juges prennent leurs décisions en se basant sur des recommandations fondées sur des données et non sur leur instinct.

Mais le problème est que ces outils modernes d'évaluation de risques reposent souvent sur des algorithmes formés à partir de données historiques sur la criminalité. Ainsi, les populations qui historiquement ont été ciblées de manière disproportionnée par les forces de l'ordre - en particulier les minorités et les communautés à faible revenu - risquent de se voir attribuer des scores élevés de récidive. En 2016 par exemple, il a été découvert en Floride que l'outil IA utilisé pour prédire si un accusé commettra de futurs crimes juge les Noirs plus sévèrement que les Blancs. À titre d'exemple, Propublica, le média qui relatait l'affaire a révélé que deux personnes arrêtées pour possession de drogue, l'une (un homme blanc) a été classée comme étant à faible risque (niveau 3/10), alors que l'autre (un homme noir) a été classée comme étant à risque élevé (niveau 10/10). Le premier a pourtant été coupable de la même infraction trois fois plus tard, contrairement à l'autre accusé qui n'a été coupable d'aucune infraction plus après sa libération.

Le débat sur l'utilisation de ces outils fait rage. En juillet dernier, plus de 100 organisations de défense des droits civils et communautaires, y compris l'ACLU (Union américaine pour les libertés civiles) et la NAACP (l'Association nationale pour l'avancement des personnes de couleur), ont signé une déclaration appelant à ne pas utiliser ces outils d'évaluation de risques. Mais pendant ce temps, de plus en plus de juridictions et d’États US, y compris la Californie, se sont tournés vers ceux-ci dans un objectif de résoudre leur problème de prisons surchargées.

Alors, au cours de la conférence Data for Black Lives le week-end dernier, des technologues, des experts juridiques et des activistes communautaires ont tenté encore une fois de mettre le problème sur la place publique. « L’intelligence artificielle n’aura peut-être pas d’impact personnel considérable si vous utilisez souvent les algorithmes d’apprentissage automatique via les flux de nouvelles de Facebook ou les classements des résultats de recherche de Google... Mais dans le système de justice pénale américain, un algorithme peut déterminer la trajectoire de votre vie », rapporte le MIT Media Lab qui a accueilli cette conférence.

Dans un article, il explique que les algorithmes d’apprentissage automatique utilisent des statistiques pour rechercher des modèles dans les données. Donc, si vous alimentez des données historiques sur la criminalité, il déterminera les modèles associés à la criminalité. Mais ces modèles déterminent des corrélations statistiques et non des relations de causalité. « Si un algorithme constatait, par exemple, que le faible revenu était corrélé à un taux de récidive élevé, vous ne seriez pas averti de la question de savoir si le faible revenu était réellement un facteur criminel. Mais c’est précisément ce que font les outils d’évaluation des risques : ils transforment les connaissances corrélatives en mécanismes de notation causale », rapporte le MIT Media Lab. L'utilisation des données historiques pour entraîner des outils d'évaluation de risques peut signifier que les algorithmes copient les erreurs du passé. Ils pourraient donc amplifier et perpétuer les biais incorporés et générer encore plus de données entachées de biais pour alimenter un cercle vicieux. Un problème auquel s'ajoute le fait que les algorithmes d’évaluation des risques sont propriétaires, il est donc également impossible d'auditer leurs décisions ou de les tenir responsables.

Et en France, doit-on utiliser l'IA dans le système judiciaire ?

La question tombe à pic, puisque l'idée d'utiliser l'intelligence artificielle dans les décisions de justice a récemment été abordée. D'après Daniel Chen, directeur de recherche à l'Université Toulouse Capitole, on devrait utiliser l'IA dans le système judiciaire. Dans une étude intitulée « Apprentissage automatique et État de droit », M. Chen préconise notamment d’utiliser l’apprentissage automatique pour réduire les décisions parfois biaisées des juges. L’apprentissage automatique va apprendre des décisions déjà rendues dans les cours et tribunaux, faire des analyses et apporter des améliorations sur celles contenant des biais humains.

« L’analyse judiciaire prédictive promet d’accroître l’équité du droit. De nombreux travaux empiriques observent des incohérences dans le comportement des juges. En prédisant les décisions judiciaires avec plus ou moins de précision, en fonction d'attributs judiciaires ou de caractéristiques de procédure, le machine learning permet de détecter les cas où les juges sont le plus susceptibles de laisser des préjugés extra juridiques influencer leur prise de décision », dit-il dans son étude. Mais quand on voit ce qui se produit aux USA, ne devrait-on pas se montrer prudent à l'égard de l'étude de M. Chen ? Pourquoi l'IA serait-elle plus efficace dans le système judiciaire français que dans celui des USA ?

Source : MIT Media Lab

Et vous ?

Que pensez-vous de la place accordée à l'IA dans des domaines comme la justice pénale ?
En France, doit-on utiliser l'IA dans le système judiciaire ? Pourquoi une IA pourrait-elle être meilleure qu'un juge ?
Doit-on confier les décisions de vie ou de liberté à l'IA ? Dans quels cas ?
Où devrait s'arrêter l'utilisation des technologies d'intelligence artificielle ?

Voir aussi :

L'intelligence artificielle peut-elle aider à rendre les décisions de justices moins biaisées ? Oui, selon un expert
L'intelligence artificielle menace-t-elle la démocratie dans le monde ? Oui, selon un conseiller principal à la Commission européenne
Intelligence artificielle : le public semble plus soutenir son développement qu'y être opposé, d'après un sondage
Google ne vendra pas la technologie de reconnaissance faciale pour l'instant, avant d'aborder d'importantes questions de technologie et de politique
La technologie de reconnaissance faciale d'Amazon identifie à tort 28 membres du Congrès US comme des criminels, quels dangers pour les Américains ?
Microsoft développe un outil pour détecter automatiquement les biais dans les algorithmes d'IA, une solution pour éviter les discriminations ?

[Cpt Anderson]

Autant qu'on doit faire confiance aux marchés pour s'autoréguler. J'ai toute confiance en notre élite sur ce sujet.

[saturn1]

C'est quoi ce bull shit.
C'est vraiment n'importe quoi.

Plus c'est de la merde... plus il y a IA/ARGENT/USA

[Patrick Ruiz]

La Silicon Valley débat sur la question de savoir si les armes animées par IA doivent être autorisées à décider de tuer
Comme le ferait l’IA Lavender d’Israël sans intervention d’opérateurs humains

Doit-on confier des décisions de vie aux systèmes d’armement animés par des intelligences artificielles ? La question fait débat à la Silicon Valley selon de multiples rapports. Sur le terrain, des systèmes comme Lavender, l’intelligence artificielle qui dirige les bombardements israéliens contre le Hamas, donnent un aperçu de ce que seraient des armes animées par des intelligences artificielles capables de « décider » par elles-mêmes d’ôter la vie ou non.

Des rapports d’intervenants de la filière dont celui du cofondateur de Shield AI font état de ce que le Congrès des USA n’est pas pour la mise à contribution d’armes entièrement autonomes sur les champs de bataille. Néanmoins, la réalité sur le terrain est qu’il s’agit d’une course à l’armement dans laquelle les rivaux russes ou chinois n’ont pas les même points de vue que les Américains. C’est la raison pour laquelle certains acteurs de la Silicon Valley sont d’avis que le pays de l’oncle Sam doit se tenir prêt à lancer des armes entièrement autonomes sur les champs de bataille ; en d’autres termes, des armes capables de « décider » par elles-mêmes d’ôter la vie ou non.

Lavender, l’intelligence artificielle qui dirige les bombardements israéliens contre le Hamas, donne un aperçu de ce que serait un système capable de « décider » de tuer sans intervention d’opérateurs humains

Lavender a joué un rôle central dans le bombardement sans précédent des Palestiniens, en particulier au début de la guerre. Le rapport fait état de ce que son influence était telle que les opérateurs humains traitaient les données mises en avant par cette intelligence artificielle comme s'il s'agissait d’apports humains. Ainsi, les militaires en charge de valider les frappes n’accordaient qu’environ 20 secondes par cas – juste pour s’assurer que la cible marquée par Lavender est bien un homme – avant d'autoriser un bombardement et ce, sachant que le taux de faux positif tourne autour de 10 %.

Conséquence : des milliers de Palestiniens - pour la plupart des femmes et des enfants ou des personnes qui n'étaient pas impliquées dans les combats - ont été anéantis par les frappes aériennes israéliennes, en particulier au cours des premières semaines de la guerre, en raison des décisions sujette à erreurs de cette intelligence artificielle. Lavender fait partie d’un arsenal dans lequel on retrouve l’intelligence artificielle dénommée « Gospel ». Cette dernière est capable d’identifier une centaine de cibles par jour et participe à l’établissement du bilan que certains observateurs classent déjà comme parmi les plus désastreux en termes de pertes en vies humaines au 20e siècle.

EXPOSE | ‘LAVENDAR’: THE AI MACHINE DIRECTING ISRAEL'S BOMBING SPREE IN GAZA

Lavender is an AI-driven program developed by the Israeli military to generate targets for airstrikes in Gaza.
It marks individuals suspected of affiliation with Hamas and Palestinian Islamic Jihad… pic.twitter.com/ODrR2IALHw

— Suppressed News. (@SuppressedNws) April 3, 2024

Les taux de faux positifs sont néanmoins susceptibles d’être revus à la baisse avec les tous récents modèles d’intelligence artificielle dotés de capacités de « raisonnement » semblables à celles d’une personne

OpenAI a lancé une nouvelle série de modèles, connus sous le nom de code o1, dotés de capacités de « raisonnement » et conçus pour passer plus de temps avant de répondre aux questions des utilisateurs. Le nouveau modèle est immédiatement utilisable et est censé pouvoir effectuer des tâches plus complexes que les modèles précédents.

Les modèles de la série o1 sont entraînés pour passer plus de temps à réfléchir avant de répondre, imitant ainsi le processus de pensée humaine. Cette approche permet aux modèles de décomposer les problèmes en étapes plus petites, d’essayer différentes stratégies et de reconnaître leurs erreurs. Par exemple, lors d’un examen de qualification pour l’Olympiade Internationale de Mathématiques, le modèle o1 a résolu 83 % des problèmes, contre seulement 13 % pour le modèle GPT-4o.

Le modèle a également amélioré les performances sur des questions de programmation compétitives et a dépassé le niveau de précision d'un doctorant humain sur une référence de problèmes scientifiques, a déclaré l'entreprise.

Dans une série de posts sur X (anciennement Twitter), Noam Brown, chercheur à l'OpenAI, a déclaré que o1 est conçu pour « penser » dans une chaîne de pensée privée avant de répondre aux requêtes. Brown affirme que plus o1 est long, plus il est performant dans les tâches de raisonnement.

L’armée américaine teste un chien-robot au Moyen-Orient et allonge la liste des cas de course à l’armement

L'armée américaine teste des chiens-robots au Moyen-Orient. Du point de vue du développeur informatique, ces robots sont des kits matériels - à la présentation visuelle similaire à celle d’un chien sur pattes – programmables via une API fournie par le constructeur. C’est au travers de cette dernière, ainsi que d’une série de modules d’extensions, que le développeur peut aller à l’essentiel de l’application à mettre en œuvre.

Ces robots s’appuient à la base sur des applications de détection et suivi d’objets. Dans ce cas, il y a au préalable collecte des images provenant de caméras avant puis détection d’objet sur une classe spécifiée. Cette détection utilise Tensorflow via le tensorflow_object_detector. Le robot accepte n'importe quel modèle Tensorflow et permet au développeur de spécifier un sous-ensemble de classes de détection incluses dans le modèle. Il effectue cet ensemble d'opérations pour un nombre prédéfini d'itérations, en bloquant pendant une durée prédéfinie entre chaque itération. L'application détermine ensuite l'emplacement de la détection la plus fiable de la classe spécifiée et se dirige vers l'objet.

L’application est organisée en trois ensembles de processus Python communiquant avec le robot Spot. Le diagramme des processus est illustré ci-dessous. Le processus principal communique avec le robot Spot via GRPC et reçoit constamment des images. Ces images sont poussées dans la RAW_IMAGES_QUEUE et lues par les processus Tensorflow. Ces processus détectent des objets dans les images et poussent l'emplacement dans PROCESSED_BOXES_QUEUE. Le thread principal détermine alors l'emplacement de l'objet et envoie des commandes au robot pour qu'il se dirige vers l'objet.

Code Python :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
# Copyright (c) 2023 Boston Dynamics, Inc.  All rights reserved. 
# 
# Downloading, reproducing, distributing or otherwise using the SDK Software 
# is subject to the terms and conditions of the Boston Dynamics Software 
# Development Kit License (20191101-BDSDK-SL). 
*
"""Tutorial to show how to use the Boston Dynamics API to detect and follow an object""" 
import argparse 
import io 
import json 
import math 
import os 
import signal 
import sys 
import time 
from multiprocessing import Barrier, Process, Queue, Value 
from queue import Empty, Full 
from threading import BrokenBarrierError, Thread 
*
import cv2 
import numpy as np 
from PIL import Image 
from scipy import ndimage 
from tensorflow_object_detection import DetectorAPI 
*
import bosdyn.client 
import bosdyn.client.util 
from bosdyn import geometry 
from bosdyn.api import geometry_pb2 as geo 
from bosdyn.api import image_pb2, trajectory_pb2 
from bosdyn.api.image_pb2 import ImageSource 
from bosdyn.api.spot import robot_command_pb2 as spot_command_pb2 
from bosdyn.client.async_tasks import AsyncPeriodicQuery, AsyncTasks 
from bosdyn.client.frame_helpers import (GROUND_PLANE_FRAME_NAME, VISION_FRAME_NAME, get_a_tform_b, 
                                         get_vision_tform_body) 
from bosdyn.client.image import ImageClient 
from bosdyn.client.lease import LeaseClient, LeaseKeepAlive 
from bosdyn.client.math_helpers import Quat, SE3Pose 
from bosdyn.client.robot_command import (CommandFailedError, CommandTimedOutError, 
                                         RobotCommandBuilder, RobotCommandClient, blocking_stand) 
from bosdyn.client.robot_state import RobotStateClient 
*
LOGGER = bosdyn.client.util.get_logger() 
*
SHUTDOWN_FLAG = Value('i', 0) 
*
# Don't let the queues get too backed up 
QUEUE_MAXSIZE = 10 
*
# This is a multiprocessing.Queue for communication between the main process and the 
# Tensorflow processes. 
# Entries in this queue are in the format: 
*
# { 
#     'source': Name of the camera, 
#     'world_tform_cam': transform from VO to camera, 
#     'world_tform_gpe':  transform from VO to ground plane, 
#     'raw_image_time': Time when the image was collected, 
#     'cv_image': The decoded image, 
#     'visual_dims': (cols, rows), 
#     'depth_image': depth image proto, 
#     'system_cap_time': Time when the image was received by the main process, 
#     'image_queued_time': Time when the image was done preprocessing and queued 
# } 
RAW_IMAGES_QUEUE = Queue(QUEUE_MAXSIZE) 
*
# This is a multiprocessing.Queue for communication between the Tensorflow processes and 
# the bbox print process. This is meant for running in a containerized environment with no access 
# to an X display 
# Entries in this queue have the following fields in addition to those in : 
# { 
#   'processed_image_start_time':  Time when the image was received by the TF process, 
#   'processed_image_end_time':  Time when the image was processing for bounding boxes 
#   'boxes': list of detected bounding boxes for the processed image 
#   'classes': classes of objects, 
#   'scores': confidence scores, 
# } 
PROCESSED_BOXES_QUEUE = Queue(QUEUE_MAXSIZE) 
*
# Barrier for waiting on Tensorflow processes to start, initialized in main() 
TENSORFLOW_PROCESS_BARRIER = None 
*
COCO_CLASS_DICT = { 
    1: 'person', 
    2: 'bicycle', 
    3: 'car', 
    4: 'motorcycle', 
    5: 'airplane', 
    6: 'bus', 
    7: 'train', 
    8: 'truck', 
    9: 'boat', 
    10: 'trafficlight', 
    11: 'firehydrant', 
    13: 'stopsign', 
    14: 'parkingmeter', 
    15: 'bench', 
    16: 'bird', 
    17: 'cat', 
    18: 'dog', 
    19: 'horse', 
    20: 'sheep', 
    21: 'cow', 
    22: 'elephant', 
    23: 'bear', 
    24: 'zebra', 
    25: 'giraffe', 
    27: 'backpack', 
    28: 'umbrella', 
    31: 'handbag', 
    32: 'tie', 
    33: 'suitcase', 
    34: 'frisbee', 
    35: 'skis', 
    36: 'snowboard', 
    37: 'sportsball', 
    38: 'kite', 
    39: 'baseballbat', 
    40: 'baseballglove', 
    41: 'skateboard', 
    42: 'surfboard', 
    43: 'tennisracket', 
    44: 'bottle', 
    46: 'wineglass', 
    47: 'cup', 
    48: 'fork', 
    49: 'knife', 
    50: 'spoon', 
    51: 'bowl', 
    52: 'banana', 
    53: 'apple', 
    54: 'sandwich', 
    55: 'orange', 
    56: 'broccoli', 
    57: 'carrot', 
    58: 'hotdog', 
    59: 'pizza', 
    60: 'donut', 
    61: 'cake', 
    62: 'chair', 
    63: 'couch', 
    64: 'pottedplant', 
    65: 'bed', 
    67: 'diningtable', 
    70: 'toilet', 
    72: 'tv', 
    73: 'laptop', 
    74: 'mouse', 
    75: 'remote', 
    76: 'keyboard', 
    77: 'cellphone', 
    78: 'microwave', 
    79: 'oven', 
    80: 'toaster', 
    81: 'sink', 
    82: 'refrigerator', 
    84: 'book', 
    85: 'clock', 
    86: 'vase', 
    87: 'scissors', 
    88: 'teddybear', 
    89: 'hairdrier', 
    90: 'toothbrush' 
} 
*
# Mapping from visual to depth data 
VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE = { 
    'frontleft_fisheye_image': 'frontleft_depth_in_visual_frame', 
    'frontright_fisheye_image': 'frontright_depth_in_visual_frame' 
} 
ROTATION_ANGLES = { 
    'back_fisheye_image': 0, 
    'frontleft_fisheye_image': -78, 
    'frontright_fisheye_image': -102, 
    'left_fisheye_image': 0, 
    'right_fisheye_image': 180 
} 
*
*
def _update_thread(async_task): 
    while True: 
        async_task.update() 
        time.sleep(0.01) 
*
*
class AsyncImage(AsyncPeriodicQuery): 
    """Grab image.""" 
*
    def __init__(self, image_client, image_sources): 
        # Period is set to be about 15 FPS 
        super(AsyncImage, self).__init__('images', image_client, LOGGER, period_sec=0.067) 
        self.image_sources = image_sources 
*
    def _start_query(self): 
        return self._client.get_image_from_sources_async(self.image_sources) 
*
*
class AsyncRobotState(AsyncPeriodicQuery): 
    """Grab robot state.""" 
*
    def __init__(self, robot_state_client): 
        # period is set to be about the same rate as detections on the CORE AI 
        super(AsyncRobotState, self).__init__('robot_state', robot_state_client, LOGGER, 
                                              period_sec=0.02) 
*
    def _start_query(self): 
        return self._client.get_robot_state_async() 
*
*
def get_source_list(image_client): 
    """Gets a list of image sources and filters based on config dictionary 
* 
* * Args: 
* * * * image_client: Instantiated image client 
* * """ 
*
    # We are using only the visual images with their corresponding depth sensors 
    sources = image_client.list_image_sources() 
    source_list = [] 
    for source in sources: 
        if source.image_type == ImageSource.IMAGE_TYPE_VISUAL: 
            # only append if sensor has corresponding depth sensor 
            if source.name in VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE: 
                source_list.append(source.name) 
                source_list.append(VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source.name]) 
    return source_list 
*
*
def capture_images(image_task, sleep_between_capture): 
    """ Captures images and places them on the queue 
* 
* * Args: 
* * * * image_task (AsyncImage): Async task that provides the images response to use 
* * * * sleep_between_capture (float): Time to sleep between each image capture 
* * """ 
    while not SHUTDOWN_FLAG.value: 
        get_im_resp = image_task.proto 
        start_time = time.time() 
        if not get_im_resp: 
            continue 
        depth_responses = { 
            img.source.name: img 
            for img in get_im_resp 
            if img.source.image_type == ImageSource.IMAGE_TYPE_DEPTH 
        } 
        entry = {} 
        for im_resp in get_im_resp: 
            if im_resp.source.image_type == ImageSource.IMAGE_TYPE_VISUAL: 
                source = im_resp.source.name 
                depth_source = VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source] 
                depth_image = depth_responses[depth_source] 
*
                acquisition_time = im_resp.shot.acquisition_time 
                image_time = acquisition_time.seconds + acquisition_time.nanos * 1e-9 
*
                try: 
                    image = Image.open(io.BytesIO(im_resp.shot.image.data)) 
                    source = im_resp.source.name 
*
                    image = ndimage.rotate(image, ROTATION_ANGLES[source]) 
                    if im_resp.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_GREYSCALE_U8: 
                        image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)  # Converted to RGB for TF 
                    tform_snapshot = im_resp.shot.transforms_snapshot 
                    frame_name = im_resp.shot.frame_name_image_sensor 
                    world_tform_cam = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, frame_name) 
                    world_tform_gpe = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, 
                                                    GROUND_PLANE_FRAME_NAME) 
                    entry[source] = { 
                        'source': source, 
                        'world_tform_cam': world_tform_cam, 
                        'world_tform_gpe': world_tform_gpe, 
                        'raw_image_time': image_time, 
                        'cv_image': image, 
                        'visual_dims': (im_resp.shot.image.cols, im_resp.shot.image.rows), 
                        'depth_image': depth_image, 
                        'system_cap_time': start_time, 
                        'image_queued_time': time.time() 
                    } 
                except Exception as exc:  # pylint: disable=broad-except 
                    print(f'Exception occurred during image capture {exc}') 
        try: 
            RAW_IMAGES_QUEUE.put_nowait(entry) 
        except Full as exc: 
            print(f'RAW_IMAGES_QUEUE is full: {exc}') 
        time.sleep(sleep_between_capture) 
*
*
def start_tensorflow_processes(num_processes, model_path, detection_class, detection_threshold, 
                               max_processing_delay): 
    """Starts Tensorflow processes in parallel. 
* 
* * It does not keep track of the processes once they are started because they run indefinitely 
* * and are never joined back to the main process. 
* 
* * Args: 
* * * * num_processes (int): Number of Tensorflow processes to start in parallel. 
* * * * model_path (str): Filepath to the Tensorflow model to use. 
* * * * detection_class (int): Detection class to detect 
* * * * detection_threshold (float): Detection threshold to apply to all Tensorflow detections. 
* * * * max_processing_delay (float): Allowed delay before processing an incoming image. 
* * """ 
    processes = [] 
    for _ in range(num_processes): 
        process = Process( 
            target=process_images, args=( 
                model_path, 
                detection_class, 
                detection_threshold, 
                max_processing_delay, 
            ), daemon=True) 
        process.start() 
        processes.append(process) 
    return processes 
*
*
def process_images(model_path, detection_class, detection_threshold, max_processing_delay): 
    """Starts Tensorflow and detects objects in the incoming images. 
* 
* * Args: 
* * * * model_path (str): Filepath to the Tensorflow model to use. 
* * * * detection_class (int): Detection class to detect 
* * * * detection_threshold (float): Detection threshold to apply to all Tensorflow detections. 
* * * * max_processing_delay (float): Allowed delay before processing an incoming image. 
* * """ 
*
    odapi = DetectorAPI(path_to_ckpt=model_path) 
    num_processed_skips = 0 
*
    if TENSORFLOW_PROCESS_BARRIER is None: 
        return 
*
    try: 
        TENSORFLOW_PROCESS_BARRIER.wait() 
    except BrokenBarrierError as exc: 
        print(f'Error waiting for Tensorflow processes to initialize: {exc}') 
        return False 
*
    while not SHUTDOWN_FLAG.value: 
        try: 
            entry = RAW_IMAGES_QUEUE.get_nowait() 
        except Empty: 
            time.sleep(0.1) 
            continue 
        for _, capture in entry.items(): 
            start_time = time.time() 
            processing_delay = time.time() - capture['raw_image_time'] 
            if processing_delay > max_processing_delay: 
                num_processed_skips += 1 
                print(f'skipped image because it took {processing_delay}') 
                continue  # Skip image due to delay 
*
            image = capture['cv_image'] 
            boxes, scores, classes, _ = odapi.process_frame(image) 
            confident_boxes = [] 
            confident_object_classes = [] 
            confident_scores = [] 
            if len(boxes) == 0: 
                print('no detections founds') 
                continue 
            for box, score, box_class in sorted(zip(boxes, scores, classes), key=lambda x: x[1], 
                                                reverse=True): 
                if score > detection_threshold and box_class == detection_class: 
                    confident_boxes.append(box) 
                    confident_object_classes.append(COCO_CLASS_DICT[box_class]) 
                    confident_scores.append(score) 
                    image = cv2.rectangle(image, (box[1], box[0]), (box[3], box[2]), (255, 0, 0), 2) 
*
            capture['processed_image_start_time'] = start_time 
            capture['processed_image_end_time'] = time.time() 
            capture['boxes'] = confident_boxes 
            capture['classes'] = confident_object_classes 
            capture['scores'] = confident_scores 
            capture['cv_image'] = image 
        try: 
            PROCESSED_BOXES_QUEUE.put_nowait(entry) 
        except Full as exc: 
            print(f'PROCESSED_BOXES_QUEUE is full: {exc}') 
    print('tf process ending') 
    return True 
*
*
def get_go_to(world_tform_object, robot_state, mobility_params, dist_margin=0.5): 
    """Gets trajectory command to a goal location 
* 
* * Args: 
* * * * world_tform_object (SE3Pose): Transform from vision frame to target object 
* * * * robot_state (RobotState): Current robot state 
* * * * mobility_params (MobilityParams): Mobility parameters 
* * * * dist_margin (float): Distance margin to target 
* * """ 
    vo_tform_robot = get_vision_tform_body(robot_state.kinematic_state.transforms_snapshot) 
    print(f'robot pos: {vo_tform_robot}') 
    delta_ewrt_vo = np.array( 
        [world_tform_object.x - vo_tform_robot.x, world_tform_object.y - vo_tform_robot.y, 0]) 
    norm = np.linalg.norm(delta_ewrt_vo) 
    if norm == 0: 
        return None 
    delta_ewrt_vo_norm = delta_ewrt_vo / norm 
    heading = _get_heading(delta_ewrt_vo_norm) 
    vo_tform_goal = np.array([ 
        world_tform_object.x - delta_ewrt_vo_norm[0] * dist_margin, 
        world_tform_object.y - delta_ewrt_vo_norm[1] * dist_margin 
    ]) 
    se2_pose = geo.SE2Pose(position=geo.Vec2(x=vo_tform_goal[0], y=vo_tform_goal[1]), angle=heading) 
    tag_cmd = RobotCommandBuilder.synchro_se2_trajectory_command(se2_pose, 
                                                                 frame_name=VISION_FRAME_NAME, 
                                                                 params=mobility_params) 
    return tag_cmd 
*
*
def _get_heading(xhat): 
    zhat = [0.0, 0.0, 1.0] 
    yhat = np.cross(zhat, xhat) 
    mat = np.array([xhat, yhat, zhat]).transpose() 
    return Quat.from_matrix(mat).to_yaw() 
*
*
def set_default_body_control(): 
    """Set default body control params to current body position""" 
    footprint_R_body = geometry.EulerZXY() 
    position = geo.Vec3(x=0.0, y=0.0, z=0.0) 
    rotation = footprint_R_body.to_quaternion() 
    pose = geo.SE3Pose(position=position, rotation=rotation) 
    point = trajectory_pb2.SE3TrajectoryPoint(pose=pose) 
    traj = trajectory_pb2.SE3Trajectory(points=[point]) 
    return spot_command_pb2.BodyControlParams(base_offset_rt_footprint=traj) 
*
*
def get_mobility_params(): 
    """Gets mobility parameters for following""" 
    vel_desired = .75 
    speed_limit = geo.SE2VelocityLimit( 
        max_vel=geo.SE2Velocity(linear=geo.Vec2(x=vel_desired, y=vel_desired), angular=.25)) 
    body_control = set_default_body_control() 
    mobility_params = spot_command_pb2.MobilityParams(vel_limit=speed_limit, obstacle_params=None, 
                                                      body_control=body_control, 
                                                      locomotion_hint=spot_command_pb2.HINT_TROT) 
    return mobility_params 
*
*
def depth_to_xyz(depth, pixel_x, pixel_y, focal_length, principal_point): 
    """Calculate the transform to point in image using camera intrinsics and depth""" 
    x = depth * (pixel_x - principal_point.x) / focal_length.x 
    y = depth * (pixel_y - principal_point.y) / focal_length.y 
    z = depth 
    return x, y, z 
*
*
def remove_ground_from_depth_image(raw_depth_image, focal_length, principal_point, world_tform_cam, 
                                   world_tform_gpe, ground_tolerance=0.04): 
    """ Simple ground plane removal algorithm. Uses ground height 
* * * * and does simple z distance filtering. 
* 
* * Args: 
* * * * raw_depth_image (np.array): Depth image 
* * * * focal_length (Vec2): Focal length of camera that produced the depth image 
* * * * principal_point (Vec2): Principal point of camera that produced the depth image 
* * * * world_tform_cam (SE3Pose): Transform from VO to camera frame 
* * * * world_tform_gpe (SE3Pose): Transform from VO to GPE frame 
* * * * ground_tolerance (float): Distance in meters to add to the ground plane 
* * """ 
    new_depth_image = raw_depth_image 
*
    # same functions as depth_to_xyz, but converted to np functions 
    indices = np.indices(raw_depth_image.shape) 
    xs = raw_depth_image * (indices[1] - principal_point.x) / focal_length.x 
    ys = raw_depth_image * (indices[0] - principal_point.y) / focal_length.y 
    zs = raw_depth_image 
*
    # create xyz point cloud 
    camera_tform_points = np.stack([xs, ys, zs], axis=2) 
    # points in VO frame 
    world_tform_points = world_tform_cam.transform_cloud(camera_tform_points) 
    # array of booleans where True means the point was below the ground plane plus tolerance 
    world_tform_points_mask = (world_tform_gpe.z - world_tform_points[:, :, 2]) < ground_tolerance 
    # remove data below ground plane 
    new_depth_image[world_tform_points_mask] = 0 
    return new_depth_image 
*
*
def get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, depth_scale, raw_depth_image, 
                                         histogram_bin_size=0.50, minimum_number_of_points=10, 
                                         max_distance=8.0): 
    """Make a histogram of distances to points in the cloud and take the closest distance with 
* * enough points. 
* 
* * Args: 
* * * * x_min (int): minimum x coordinate (column) of object to find 
* * * * x_max (int): maximum x coordinate (column) of object to find 
* * * * y_min (int): minimum y coordinate (row) of object to find 
* * * * y_max (int): maximum y coordinate (row) of object to find 
* * * * depth_scale (float): depth scale of the image to convert from sensor value to meters 
* * * * raw_depth_image (np.array): matrix of depth pixels 
* * * * histogram_bin_size (float): size of each bin of distances 
* * * * minimum_number_of_points (int): minimum number of points before returning depth 
* * * * max_distance (float): maximum distance to object in meters 
* * """ 
    num_bins = math.ceil(max_distance / histogram_bin_size) 
*
    # get a sub-rectangle of the bounding box out of the whole image, then flatten 
    obj_depths = (raw_depth_image[y_min:y_max, x_min:x_max]).flatten() 
    obj_depths = obj_depths / depth_scale 
    obj_depths = obj_depths[obj_depths != 0] 
*
    hist, hist_edges = np.histogram(obj_depths, bins=num_bins, range=(0, max_distance)) 
*
    edges_zipped = zip(hist_edges[:-1], hist_edges[1:]) 
    # Iterate over the histogram and return the first distance with enough points. 
    for entry, edges in zip(hist, edges_zipped): 
        if entry > minimum_number_of_points: 
            filtered_depths = obj_depths[(obj_depths > edges[0]) & (obj_depths < edges[1])] 
            if len(filtered_depths) == 0: 
                continue 
            return np.mean(filtered_depths) 
*
    return max_distance 
*
*
def rotate_about_origin_degrees(origin, point, angle): 
    """ 
* * Rotate a point counterclockwise by a given angle around a given origin. 
* 
* * Args: 
* * * * origin (tuple): Origin to rotate the point around 
* * * * point (tuple): Point to rotate 
* * * * angle (float): Angle in degrees 
* * """ 
    return rotate_about_origin(origin, point, math.radians(angle)) 
*
*
def rotate_about_origin(origin, point, angle): 
    """ 
* * Rotate a point counterclockwise by a given angle around a given origin. 
* 
* * Args: 
* * * * origin (tuple): Origin to rotate the point around 
* * * * point (tuple): Point to rotate 
* * * * angle (float): Angle in radians 
* * """ 
    orig_x, orig_y = origin 
    pnt_x, pnt_y = point 
*
    ret_x = orig_x + math.cos(angle) * (pnt_x - orig_x) - math.sin(angle) * (pnt_y - orig_y) 
    ret_y = orig_y + math.sin(angle) * (pnt_x - orig_x) + math.cos(angle) * (pnt_y - orig_y) 
    return int(ret_x), int(ret_y) 
*
*
def get_object_position(world_tform_cam, world_tform_gpe, visual_dims, depth_image, bounding_box, 
                        rotation_angle): 
    """ 
* * Extract the bounding box, then find the mode in that region. 
* 
* * Args: 
* * * * world_tform_cam (SE3Pose): SE3 transform from world to camera frame 
* * * * visual_dims (Tuple): (cols, rows) tuple from the visual image 
* * * * depth_image (ImageResponse): From a depth camera corresponding to the visual_image 
* * * * bounding_box (list): Bounding box from tensorflow 
* * * * rotation_angle (float): Angle (in degrees) to rotate depth image to match cam image rotation 
* * """ 
*
    # Make sure there are two images. 
    if visual_dims is None or depth_image is None: 
        # Fail. 
        return 
*
    # Rotate bounding box back to original frame 
    points = [(bounding_box[1], bounding_box[0]), (bounding_box[3], bounding_box[0]), 
              (bounding_box[3], bounding_box[2]), (bounding_box[1], bounding_box[2])] 
*
    origin = (visual_dims[0] / 2, visual_dims[1] / 2) 
*
    points_rot = [rotate_about_origin_degrees(origin, point, rotation_angle) for point in points] 
*
    # Get the bounding box corners. 
    y_min = max(0, min([point[1] for point in points_rot])) 
    x_min = max(0, min([point[0] for point in points_rot])) 
    y_max = min(visual_dims[1], max([point[1] for point in points_rot])) 
    x_max = min(visual_dims[0], max([point[0] for point in points_rot])) 
*
    # Check that the bounding box is valid. 
    if (x_min < 0 or y_min < 0 or x_max > visual_dims[0] or y_max > visual_dims[1]): 
        print(f'Bounding box is invalid: ({x_min}, {y_min}) | ({x_max}, {y_max})') 
        print(f'Bounds: ({visual_dims[0]}, {visual_dims[1]})') 
        return 
*
    # Unpack the images. 
    try: 
        if depth_image.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_DEPTH_U16: 
            dtype = np.uint16 
        else: 
            dtype = np.uint8 
        img = np.fromstring(depth_image.shot.image.data, dtype=dtype) 
        if depth_image.shot.image.format == image_pb2.Image.FORMAT_RAW: 
            img = img.reshape(depth_image.shot.image.rows, depth_image.shot.image.cols) 
        else: 
            img = cv2.imdecode(img, -1) 
        depth_image_pixels = img 
        depth_image_pixels = remove_ground_from_depth_image( 
            depth_image_pixels, depth_image.source.pinhole.intrinsics.focal_length, 
            depth_image.source.pinhole.intrinsics.principal_point, world_tform_cam, world_tform_gpe) 
        # Get the depth data from the region in the bounding box. 
        max_distance = 8.0 
        depth = get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, 
                                                     depth_image.source.depth_scale, 
                                                     depth_image_pixels, max_distance=max_distance) 
*
        if depth >= max_distance: 
            # Not enough depth data. 
            print('Not enough depth data.') 
            return False 
        else: 
            print(f'distance to object: {depth}') 
*
        center_x = round((x_max - x_min) / 2.0 + x_min) 
        center_y = round((y_max - y_min) / 2.0 + y_min) 
*
        tform_x, tform_y, tform_z = depth_to_xyz( 
            depth, center_x, center_y, depth_image.source.pinhole.intrinsics.focal_length, 
            depth_image.source.pinhole.intrinsics.principal_point) 
        camera_tform_obj = SE3Pose(tform_x, tform_y, tform_z, Quat()) 
*
        return world_tform_cam * camera_tform_obj 
    except Exception as exc:  # pylint: disable=broad-except 
        print(f'Error getting object position: {exc}') 
        return 
*
*
def _check_model_path(model_path): 
    if model_path is None or \ 
    not os.path.exists(model_path) or \ 
    not os.path.isfile(model_path): 
        print(f'ERROR, could not find model file {model_path}') 
        return False 
    return True 
*
*
def _check_and_load_json_classes(config_path): 
    if os.path.isfile(config_path): 
        with open(config_path) as json_classes: 
            global COCO_CLASS_DICT  # pylint: disable=global-statement 
            COCO_CLASS_DICT = json.load(json_classes) 
*
*
def _find_highest_conf_source(processed_boxes_entry): 
    highest_conf_source = None 
    max_score = 0 
    for key, capture in processed_boxes_entry.items(): 
        if 'scores' in capture.keys(): 
            if len(capture['scores']) > 0 and capture['scores'][0] > max_score: 
                highest_conf_source = key 
                max_score = capture['scores'][0] 
    return highest_conf_source 
*
*
def signal_handler(signal, frame): 
    print('Interrupt caught, shutting down') 
    SHUTDOWN_FLAG.value = 1 
*
*
def main(): 
    """Command line interface.""" 
*
    parser = argparse.ArgumentParser() 
    parser.add_argument( 
        '--model-path', default='/model.pb', help= 
        ('Local file path to the Tensorflow model, example pre-trained models can be found at ' 
         'https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md' 
        )) 
    parser.add_argument('--classes', default='/classes.json', type=str, 
                        help='File containing json mapping of object class IDs to class names') 
    parser.add_argument('--number-tensorflow-processes', default=1, type=int, 
                        help='Number of Tensorflow processes to run in parallel') 
    parser.add_argument('--detection-threshold', default=0.7, type=float, 
                        help='Detection threshold to use for Tensorflow detections') 
    parser.add_argument( 
        '--sleep-between-capture', default=0.2, type=float, 
        help=('Seconds to sleep between each image capture loop iteration, which captures ' 
              'an image from all cameras')) 
    parser.add_argument( 
        '--detection-class', default=1, type=int, 
        help=('Detection classes to use in the Tensorflow model.' 
              'Default is to use 1, which is a person in the Coco dataset')) 
    parser.add_argument( 
        '--max-processing-delay', default=7.0, type=float, 
        help=('Maximum allowed delay for processing an image. ' 
              'Any image older than this value will be skipped')) 
    parser.add_argument('--test-mode', action='store_true', 
                        help='Run application in test mode, don\'t execute commands') 
*
    bosdyn.client.util.add_base_arguments(parser) 
    bosdyn.client.util.add_payload_credentials_arguments(parser) 
    options = parser.parse_args() 
    signal.signal(signal.SIGINT, signal_handler) 
    try: 
        # Make sure the model path is a valid file 
        if not _check_model_path(options.model_path): 
            return False 
*
        # Check for classes json file, otherwise use the COCO class dictionary 
        _check_and_load_json_classes(options.classes) 
*
        global TENSORFLOW_PROCESS_BARRIER  # pylint: disable=global-statement 
        TENSORFLOW_PROCESS_BARRIER = Barrier(options.number_tensorflow_processes + 1) 
        # Start Tensorflow processes 
        tf_processes = start_tensorflow_processes(options.number_tensorflow_processes, 
                                                  options.model_path, options.detection_class, 
                                                  options.detection_threshold, 
                                                  options.max_processing_delay) 
*
        # sleep to give the Tensorflow processes time to initialize 
        try: 
            TENSORFLOW_PROCESS_BARRIER.wait() 
        except BrokenBarrierError as exc: 
            print(f'Error waiting for Tensorflow processes to initialize: {exc}') 
            return False 
        # Start the API related things 
*
        # Create robot object with a world object client 
        sdk = bosdyn.client.create_standard_sdk('SpotFollowClient') 
        robot = sdk.create_robot(options.hostname) 
*
        if options.payload_credentials_file: 
            robot.authenticate_from_payload_credentials( 
                *bosdyn.client.util.get_guid_and_secret(options)) 
        else: 
            bosdyn.client.util.authenticate(robot) 
*
        # Time sync is necessary so that time-based filter requests can be converted 
        robot.time_sync.wait_for_sync() 
*
        # Verify the robot is not estopped and that an external application has registered and holds 
        # an estop endpoint. 
        assert not robot.is_estopped(), 'Robot is estopped. Please use an external E-Stop client,' \ 
                                        ' such as the estop SDK example, to configure E-Stop.' 
*
        # Create the sdk clients 
        robot_state_client = robot.ensure_client(RobotStateClient.default_service_name) 
        robot_command_client = robot.ensure_client(RobotCommandClient.default_service_name) 
        lease_client = robot.ensure_client(LeaseClient.default_service_name) 
        image_client = robot.ensure_client(ImageClient.default_service_name) 
        source_list = get_source_list(image_client) 
        image_task = AsyncImage(image_client, source_list) 
        robot_state_task = AsyncRobotState(robot_state_client) 
        task_list = [image_task, robot_state_task] 
        _async_tasks = AsyncTasks(task_list) 
        print('Detect and follow client connected.') 
*
        lease = lease_client.take() 
        lease_keep = LeaseKeepAlive(lease_client) 
        # Power on the robot and stand it up 
        resp = robot.power_on() 
        try: 
            blocking_stand(robot_command_client) 
        except CommandFailedError as exc: 
            print(f'Error ({exc}) occurred while trying to stand. Check robot surroundings.') 
            return False 
        except CommandTimedOutError as exc: 
            print(f'Stand command timed out: {exc}') 
            return False 
        print('Robot powered on and standing.') 
        params_set = get_mobility_params() 
*
        # This thread starts the async tasks for image and robot state retrieval 
        update_thread = Thread(target=_update_thread, args=[_async_tasks]) 
        update_thread.daemon = True 
        update_thread.start() 
        # Wait for the first responses. 
        while any(task.proto is None for task in task_list): 
            time.sleep(0.1) 
*
        # Start image capture process 
        image_capture_thread = Process(target=capture_images, 
                                       args=(image_task, options.sleep_between_capture), 
                                       daemon=True) 
        image_capture_thread.start() 
        while not SHUTDOWN_FLAG.value: 
            # This comes from the tensorflow processes and limits the rate of this loop 
            try: 
                entry = PROCESSED_BOXES_QUEUE.get_nowait() 
            except Empty: 
                continue 
            # find the highest confidence bounding box 
            highest_conf_source = _find_highest_conf_source(entry) 
            if highest_conf_source is None: 
                # no boxes or scores found 
                continue 
            capture_to_use = entry[highest_conf_source] 
            raw_time = capture_to_use['raw_image_time'] 
            time_gap = time.time() - raw_time 
            if time_gap > options.max_processing_delay: 
                continue  # Skip image due to delay 
*
            # Find the transform to the highest confidence object using the depth sensor 
            get_object_position_start = time.time() 
            robot_state = robot_state_task.proto 
            world_tform_gpe = get_a_tform_b(robot_state.kinematic_state.transforms_snapshot, 
                                            VISION_FRAME_NAME, GROUND_PLANE_FRAME_NAME) 
            world_tform_object = get_object_position( 
                capture_to_use['world_tform_cam'], world_tform_gpe, capture_to_use['visual_dims'], 
                capture_to_use['depth_image'], capture_to_use['boxes'][0], 
                ROTATION_ANGLES[capture_to_use['source']]) 
            get_object_position_end = time.time() 
            print(f'system_cap_time: {capture_to_use["system_cap_time"]}, ' 
                  f'image_queued_time: {capture_to_use["image_queued_time"]}, ' 
                  f'processed_image_start_time: {capture_to_use["processed_image_start_time"]}, ' 
                  f'processed_image_end_time: {capture_to_use["processed_image_end_time"]}, ' 
                  f'get_object_position_start_time: {get_object_position_start}, ' 
                  f'get_object_position_end_time: {get_object_position_end}, ') 
*
            # get_object_position can fail if there is insufficient depth sensor information 
            if not world_tform_object: 
                continue 
*
            scores = capture_to_use['scores'] 
            print(f'Position of object with confidence {scores[0]}: {world_tform_object}') 
            print(f'Process latency: {time.time() - capture_to_use["system_cap_time"]}') 
            tag_cmd = get_go_to(world_tform_object, robot_state, params_set) 
            end_time = 15.0 
            if tag_cmd is not None: 
                if not options.test_mode: 
                    print('executing command') 
                    robot_command_client.robot_command(lease=None, command=tag_cmd, 
                                                       end_time_secs=time.time() + end_time) 
                else: 
                    print('Running in test mode, skipping command.') 
*
        # Shutdown lease keep-alive and return lease gracefully. 
        lease_keep.shutdown() 
        lease_client.return_lease(lease) 
        return True 
    except Exception as exc:  # pylint: disable=broad-except 
        LOGGER.error('Spot Tensorflow Detector threw an exception: %s', exc) 
        # Shutdown lease keep-alive and return lease gracefully. 
        return False  
*
*
if __name__ == '__main__': 
    if not main(): 
        sys.exit(1)

L’initiative américaine se fait dans un contexte de course à l’armement de robots à 4 pattes pour des applications militaires. L'armée chinoise a dévoilé un nouveau type de compagnon de combat pour ses soldats : un robot-chien avec une mitrailleuse attachée à son dos. Dans une vidéo diffusée par l'agence de presse gouvernementale CCTV, on voit des membres des militaires chinois opérer sur un champ de tir aux côtés d'un robot à quatre pattes sur lequel est monté ce qui semble être une variante du fusil d'assaut QBZ-95 de 5,8 x 42 mm, dans le cadre des récents exercices militaires conjoints Golden Dragon 24 menés par la Chine et le Cambodge dans le golfe de Thaïlande.

Dans un scénario, les soldats chinois se tiennent de part et d'autre d'une porte tandis que le chien robot pénètre dans le bâtiment devant eux ; dans un autre, le robot tire une rafale de balles alors qu'il avance sur une cible. « Il peut servir de nouveau membre dans nos opérations de combat urbain, remplaçant nos membres pour mener la reconnaissance, identifier l'ennemi et frapper la cible pendant notre entraînement », rapporte la CCTV des propos d’un soldat chinois montrant le robot en train d'opérer.

L'année dernière, le Pentagone a expérimenté l'équipement de robots terrestres quadrupèdes avec sa carabine standard M4A1 de 5,56 x 45 mm, le fusil XM7 de 6,8 mm que l'armée américaine est en train d'adopter dans le cadre de son programme « Next Generation Squad Weapon », et même l'arme antichar légère M72 qui est en service au sein des troupes américaines depuis la guerre du Vietnam. Quelques semaines avant que CCTV ne publie ses images de chiens robots armés en action, le Marine Corps Special Operations Command (MARSOC) a révélé qu'il expérimentait l'ajout à ses propres chiens mécanisés de systèmes d'armes montés basés sur le système d'armes à distance SENTRY de l'entreprise de défense Onyx, basé sur l'intelligence artificielle.

Les responsables américains de la défense se sont empressés de souligner que le développement de robots-chiens armés était, à ce stade, purement expérimental, destiné à aider les planificateurs militaires à explorer le domaine du possible en ce qui concerne les applications potentielles de systèmes robotiques révolutionnaires dans un futur conflit, comme l'a déclaré un responsable de l'armée en août dernier. Mais comme les soldats de l'armée de terre effectuent des exercices d'assaut urbain avec des robots-chiens et que le corps des Marines envisage de plus en plus d'utiliser des quadrupèdes mécaniques pour renforcer les formations futures grâce à la robotique intelligente, l'armée américaine pourrait bien être obligée d'envisager sérieusement d'adopter des chiens robots armés pour le combat, avant la Chine.

En gros, tous les pays sont lancés dans le développement d’armes autonomes et c’est la raison de la demande du Pape aux dirigeants du G7 d’interdire l’utilisation d’armes autonomes

Le pape François a prononcé un discours historique devant les dirigeants du G7, les exhortant à reconnaître qu'ils ont le pouvoir de décider si l'intelligence artificielle devient un outil terrifiant ou créatif, et leur demandant d'interdire l'utilisation d'armes autonomes dans les guerres. Sa sortie s’inscrit dans la suite du Rome Call for AI Ethics et de l’appel à un traité mondial contraignant pour réglementer l’intelligence artificielle.

« Nous condamnerions l'humanité à un avenir sans espoir si nous retirions aux gens la capacité de prendre des décisions sur eux-mêmes et sur leur vie », a déclaré le Pape François lors du dernier sommet du G7 en Italie.

« À la lumière de la tragédie que constituent les conflits armés, il est urgent de reconsidérer le développement et l'utilisation de dispositifs tels que les armes autonomes létales et, à terme, d'en interdire l'usage.

Cela commence par un engagement effectif et concret à introduire un contrôle humain toujours plus important et adéquat. Aucune machine ne devrait jamais choisir de prendre la vie d'un être humain.

Une telle mesure représenterait un affaiblissement du sens de l'humanité et du concept de dignité humaine », a-t-il ajouté.

Et vous ?

Pour ou contre l'utilisation de l'IA à des fins militaires ? Si pour, à quel degré ou à quelles fins ? Si contre, pourquoi ?
Êtes-vous surpris de la mise à contribution de l’intelligence artificielle sur les champs de bataille ?

Voir aussi :

Des représentants de 150 entreprises de la tech plaident contre les robots tueurs autonomes, lors d'une conférence internationale sur l'IA
USA : le sous-secrétaire à la défense soulève l'importance d'associer l'intelligence artificielle à l'armée, évoquant une future course aux armes
Des experts en IA boycottent un projet de robots tueurs d'une université en Corée du Sud, en partenariat avec le fabricant d'armes Hanwha Systems
Non, l'IA de Google ne doit pas être au service de la guerre ! Plus de 3000 employés de Google protestent contre la collaboration avec le Pentagone
Robots militaires : les États-Unis testent l'efficacité de leurs prototypes dans le Pacifique, l'armée irakienne présente son robot mitrailleur

[marsupial]

Lavender a joué un rôle central dans le bombardement sans précédent des Palestiniens, en particulier au début de la guerre. Le rapport fait état de ce que son influence était telle que les opérateurs humains traitaient les données mises en avant par cette intelligence artificielle comme s'il s'agissait d’apports humains. Ainsi, les militaires en charge de valider les frappes n’accordaient qu’environ 20 secondes par cas – juste pour s’assurer que la cible marquée par Lavender est bien un homme – avant d'autoriser un bombardement et ce, sachant que le taux de faux positif tourne autour de 10 %.

On comprend mieux maintenant les frappes 'aveugles' sur des camps de réfugiés.... Israël justifiant des dizaines de Palestiniens tués par la soi-disant présence de terroristes du Hamas.

[Jules34]

Tuer des gens avec 3 scripts python c'est vraiment vulgaire, même pas du C ? /S

On vit vraiment dans une époque formidable...

[Jules34]

On comprend mieux maintenant les frappes 'aveugles' sur des camps de réfugiés.... Israël justifiant des dizaines de Palestiniens tués par la soi-disant présence de terroristes du Hamas.

Ca risque effectivement de délégitimer encore un peu plus l'action publique. Quand on voit les manifestations qu'il peut-y avoir en France quand un dealer se fait tuer après moult refus d'obtempérer et mise en danger de la vie d'autrui, on s'imagine déjà que si l'IA doit se mêler à ces histoires on ne saura jamais démêler le vrai du faux, ce qui est catastrophique...

[Minato Sensei]

Il faut vraiment un débat dessus ? Sérieusement ? Donner à une IA le droit de « décider » de tuer c'est non, non et non. Y a qu'à voir déjà comment le FSD de son excellence Elon Musk se comporte (entre le freinage fantôme, le piéton bien détecté par le FSD qui « choisit » de ne pas ralentir, etc.), je trouve que donner en plus le droit de vie ou de mort à une entité susceptible d'être boguée c'est la porte ouverte à l'absurdité.

Et hop, on vous pirate vos jolis joujoux qui se retournent contre vous et commencent à flinguer leurs « alliés » (toute ressemblance avec des guerres qu'on a mené avec les amerloques pendant lesquelles ils ont canardé nos compatriotes - les « tirs amis » comme ils disent - est strictement fortuite)

Tuer des gens avec 3 scripts python c'est vraiment vulgaire, même pas du C ? /S

On vit vraiment dans une époque formidable...

Elle est excellente hahahaha

[popo]

Tuer des gens avec 3 scripts python c'est vraiment vulgaire, même pas du C ? /S

On vit vraiment dans une époque formidable...

C'est toujours mieux que JS.

Code python :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
def can_shoot(target):
    return not target.isChild
 
target = Target()
print("Can shoot ? :", can_shoot(target))

Provoque l'erreur suivante mais s'arrête : AttributeError: 'Target' object has no attribute 'isChild'

Code javascript :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
function can_shoot(target)
{
    return !target.isChild
}
 
let target = { };
console.log("Can shoot ? : " + can_shoot(target))

Retourne "Can shoot ? : true"

[Jules34]

Il faut vraiment un débat dessus ? Sérieusement ? Donner à une IA le droit de « décider » de tuer c'est non, non et non.

Entièrement d'accord !! C'est pour ça qu'il n'y a pas de débat public, je pense que la société civile si on lui demandait par référendum elle interdirait tout ça.

Mais comme ce sont nos visionnaires de la Sillicon Valley ils décident entre eux, nous sommes des gueux à qui il convient de faire passer la pilule une fois que la décision est prise.

[LittleWhite]

En réalité, un débat public est concevable (pour laisser penser que l'opinion publique est utile et que le public a une sorte de décision à prendre). Il suffit de débuter le débat en disant :

Seriez-vous prêt à laisser votre frère ou votre fils aller à la guerre et se faire tuer par les balles de l'ennemi (n'oubliez pas d'exagérer sur qui est l'ennemi, que c'est un monstre, qu'il est loin d'être humain). Imaginez un monde où, votre fils, votre frère n'a pas besoin de mettre sa vie en danger sur le terrain. C'est possible, grâce à l'IA et notre super robot méga sophistiqué. Votre fils/frère vous reviendra, c'est certain grâce à nous.

Alors, pour ou contre les IA qui peuvent "prendre la décision" de tuer ? Que voulez vous, une IA, ou votre fils mort ?

[Jules34]

En réalité, un débat public est concevable (pour laisser penser que l'opinion publique est utile et que le public a une sorte de décision à prendre). Il suffit de débuter le débat en disant :
Alors, pour ou contre les IA qui peuvent "prendre la décision" de tuer ? Que voulez vous, une IA, ou votre fils mort ?

Effectivement...

ça leur permet de ne pas parler du moment ou l'état armera aussi des robots pour vous faire payer vos impôts ou éborgner des gilets jaunes. ça risquerait de déplacer le pathos du mauvais côté de la barrière