Discussion :

[Eye_Py_Ros]

Quel est votre avis sur le sujet ?
Trouvez-vous cette initiative du Vatican justifiée et pertinente ?
Selon vous, dans quelle mesure le cadre éthique du Vatican sur l'IA est-il pertinent au regard des avancées technologiques actuelles ?
Selon vous, la capacité de l'IA à prendre des décisions autonomes dans le cadre d'opérations militaires représente-t-elle un plus grand risque que les systèmes traditionnels contrôlés par l'homme ?


Je préfère un Vatican qui prêche des paroles sage d'éthique et de retenu.
Il fut un temps ou la religion était assez arriéré pour décapiter ceux qui proposait l'héliocentrisme.
Aujourd'hui les dirigeants usent de la science pour en faire un dogme religieux (tous tous covid) et les religieux se mette a faire de la "science" en acceptant le progrès tel qu'il est mais tout en remettant l'église au milieux du village (je tente la blague) en se faisant le relais de la sagesse.
[inserer meme, Simpson swap entre bar et Eglise]

Il vaut mieux une voix de lucidité sur la situation, dans le sens si le Vatican se voit comme l'entité qui s'oppose au mal, comme un Bergé tentant de protéger un troupeau contre le mal, il vaut mieux qu'elle éduque sont troupeau a reconnaitre le mal, qu'a maintenir dans l'ignorance les conséquences.

Le feu sa brule, le feu c'est bien pour cuire des aliments et rendre la nourriture plus sur en détruisant bactérie et nuisance, le feu c'est mal quand c'est la maison qui brule, il faut l'éteindre.

Ils sont un "contre pouvoir" et doivent tenir leur role pour permettre la progression de l'humanité.



Pour quel raison Trump à t'il appelé sont programme d'ia stargate ? je conseil au Vatican le film "wargame"
Le centre de contrôle du NORAD à Cheyenne Mountain, servant de décors à ce film est tout autant le décors pour la série stargate.
Si vous pensez que trump n'a pas un minimum de référence cinématographique, il dit clairement ce qu'il compte faire tout en bernant ce qui ne comprennent pas.

[Invité]

Quel est votre avis sur le sujet ?
Trouvez-vous cette initiative du Vatican justifiée et pertinente ?
Selon vous, dans quelle mesure le cadre éthique du Vatican sur l'IA est-il pertinent au regard des avancées technologiques actuelles ?
Selon vous, la capacité de l'IA à prendre des décisions autonomes dans le cadre d'opérations militaires représente-t-elle un plus grand risque que les systèmes traditionnels contrôlés par l'homme ?


Je préfère un Vatican qui prêche des paroles sage d'éthique et de retenu.
Il fut un temps ou la religion était assez arriéré pour décapiter ceux qui proposait l'héliocentrisme.
Aujourd'hui les dirigeants usent de la science pour en faire un dogme religieux (tous tous covid) et les religieux se mette a faire de la "science" en acceptant le progrès tel qu'il est mais tout en remettant l'église au milieux du village (je tente la blague) en se faisant le relais de la sagesse.
[inserer meme, Simpson swap entre bar et Eglise]

Il vaut mieux une voix de lucidité sur la situation, dans le sens si le Vatican se voit comme l'entité qui s'oppose au mal, comme un Bergé tentant de protéger un troupeau contre le mal, il vaut mieux qu'elle éduque sont troupeau a reconnaitre le mal, qu'a maintenir dans l'ignorance les conséquences.

Le feu sa brule, le feu c'est bien pour cuire des aliments et rendre la nourriture plus sur en détruisant bactérie et nuisance, le feu c'est mal quand c'est la maison qui brule, il faut l'éteindre.

Ils sont un "contre pouvoir" et doivent tenir leur role pour permettre la progression de l'humanité.



Pour quel raison Trump à t'il appelé sont programme d'ia stargate ? je conseil au Vatican le film "wargame"
Le centre de contrôle du NORAD à Cheyenne Mountain, servant de décors à ce film est tout autant le décors pour la série stargate.
Si vous pensez que trump n'a pas un minimum de référence cinématographique, il dit clairement ce qu'il compte faire tout en bernant ce qui ne comprennent pas.

Le Vatican, en tant qu'État souverain, devrait s'occuper des "ombres du mal" persistantes dans ses églises en premier lieu. Dans l'absolu, les Chrétiens, qu'ils soient catholiques ou Amish, disposent de leur libre arbitre quant à la manière dont ils souhaitent appréhender ce monde et ses progrès technologiques.

Le bien, le mal, les ténèbres et la lumière sont partout.

[Anthony]

A peine élu, le nouveau pape Léon XIV s'exprime contre l'IA, comme l’un des problèmes les plus critiques auxquels l’humanité est confrontée : « Un défi pour la dignité humaine, la justice et le travail »

Le pape Léon XIV a identifié l'intelligence artificielle (IA) comme l'un des problèmes les plus critiques auxquels l'humanité est confrontée aujourd'hui. Lors de sa première rencontre avec l'ensemble des cardinaux depuis son élection au pontificat, Léon a déclaré que l'IA posait des défis à la défense de la « dignité humaine, de la justice et du travail ».

Cette mise en garde du pape Léon XIV fait suite aux préoccupations exprimées par le Vatican en janvier dernier, lorsqu'il a décrit l'IA comme porteuse de « l'ombre du mal » en raison de son rôle dans la diffusion d'informations erronées. Dans un document d'orientation destiné aux catholiques, l'Église a appelé à une surveillance rigoureuse, soulignant le double potentiel de l'IA, à la fois bénéfique et profondément néfaste.

Lors de sa rencontre avec les cardinaux, le pape Léon XIV a fait référence à son homonyme, le pape Léon XIII (1878 à 1903), dont on se souvient qu'il a jeté les bases de la pensée sociale catholique moderne.

En 1891, le pape Léon XIII a écrit une célèbre lettre ouverte à tous les catholiques, intitulée « Rerum Novarum » (« Du changement révolutionnaire »), dans laquelle il réfléchissait à la destruction de la vie des travailleurs par la révolution industrielle.

Le samedi 10 mai, le pape Léon XIV a souligné la similitude avec l'IA, déclarant aux cardinaux : « À notre époque, l'Église offre à tous le trésor de son enseignement social en réponse à une autre révolution industrielle et aux développements dans le domaine de l'intelligence artificielle qui posent de nouveaux défis pour la défense de la dignité humaine, de la justice et du travail. »

Vers la fin de son pontificat, le pape François s'est fait de plus en plus entendre sur les menaces que l'IA fait peser sur l'humanité et a appelé à l'élaboration d'un traité international pour la réglementer.

« Il a été clairement vu dans l'exemple de tant de mes prédécesseurs, et plus récemment par le pape François lui-même, avec son exemple de dévouement total au service et à la simplicité sobre de la vie, son abandon à Dieu tout au long de son ministère et sa confiance sereine au moment de son retour à la maison du Père », a déclaré le pape Léon lors de l'assemblée. « Reprenons ce précieux héritage et poursuivons le chemin, inspirés par la même espérance qui naît de la foi ».

Le discours du pape Léon XIV sur les dangers de l'IA a été prononcé après que le président américain Donald Trump a posté une image de lui-même en tant que pape, générée par l'IA, sur sa plateforme Truth Social, moins d'une semaine après avoir assisté aux funérailles du pape François, décédé à l'âge de 88 ans le lundi de Pâques.

La Maison-Blanche l'a ensuite reposté sur son compte officiel X, JD Vance qualifiant la photo de plaisanterie.

L'ancien premier ministre italien Matteo Renzi a écrit sur X : « C'est une image qui offense les croyants, insulte les institutions et montre que le leader de la droite mondiale aime faire le clown ».

L'année dernière, une image générée par l'IA du pape François portant une luxueuse veste blanche est devenue virale, montrant à quel point les images réalistes de type deepfake peuvent se répandre rapidement en ligne.

Le pape François avait souligné les graves préoccupations existentielles soulevées par les éthiciens et les défenseurs des droits de l'homme au sujet de la technologie qui promet de transformer la vie quotidienne d'une manière qui peut tout perturber, des élections démocratiques à l'art.

Sa plus grande inquiétude concernait l'utilisation de l'IA dans le secteur de l'armement, où les systèmes d'armes à distance ont conduit à une « distanciation de l'immense tragédie de la guerre et à une perception moindre de la dévastation causée par ces systèmes d'armes et du fardeau de la responsabilité de leur utilisation ».

La récente déclaration du pape Léon XIV s'aligne sur le cadre éthique du Vatican, qui condamne l'utilisation de l'IA dans la guerre. Ce document met en garde contre le fait que la délégation de décisions de vie ou de mort à des machines a contribué à « atténuer la perception » de la dévastation causée par les systèmes d'armes et le « poids de la responsabilité ».

Source : Déclaration du pape Léon XIV

Et vous ?

Quel est votre avis sur le sujet ?
Trouvez-vous les propos du pape Léon XIV concernant l'IA crédibles ou pertinentes ?

Voir aussi :

Le pape met en garde contre les risques liés à l'IA afin que la violence et la discrimination ne prennent pas racine, il avertit contre l'IA produite au détriment des plus fragiles et des exclus

« Les catholiques du monde entier doivent prier pour que les progrès de la robotique et de l'IA soient toujours au service de l'humanité », demande le Pape François pour ce mois

[calvaire]

comme l'a très bien Staline:

Le pape ? Combien de divisions a-t-il ?

cela répond à la question du pouvoir papale.

[Ryu2000]

Quel est votre avis sur le sujet ?

Les entreprises qui développent des armes ne se préoccupent pas de l'opinion du pape.
C'est sympa de condamner l'utilisation de l'IA dans la guerre, mais ça n'a aucun effet.

Quelque part le pape ne s'adresse qu'aux catholiques, et même chez les catholiques il y en a beaucoup qui ne l'écoutent pas.

=====
Je pense qu'il n'existe pas de rabbin israélien qui sont contre l'utilisation de l'IA par l'armée israélienne.
Un grand rabbin ne devrait pas justifier les massacres commis à Gaza

Comparant l’attaque criminelle du 7 octobre, au cours de laquelle le Hamas a tué près de 1 200 personnes, pour la plupart des civils, et enlevé 251 otages, aux crimes de guerre commis par l’armée israélienne depuis onze mois à Gaza, «ce n’est pas du même ordre», a assumé Haïm Korsia, affirmant que «je n’ai absolument pas à rougir de ce qu’Israël fait dans la façon de mener les combats». Plus même, il indique que «tout le monde serait bien content qu’Israël finisse le boulot et qu’on puisse construire une paix enfin au Proche-Orient», comme si la paix pouvait être construite sur un amoncellement de cadavres, comme si la guerre était un travail comme un autre et comme si les Palestiniens – civils comme combattants du Hamas – étaient les incarnations indifférenciées d’une humanité niée et propre à être éliminée.

La récente déclaration du pape Léon XIV s'aligne sur le cadre éthique du Vatican, qui condamne l'utilisation de l'IA dans la guerre. Ce document met en garde contre le fait que la délégation de décisions de vie ou de mort à des machines a contribué à « atténuer la perception » de la dévastation causée par les systèmes d'armes et le « poids de la responsabilité ».

Il y a des armées qui utilisent des drones depuis des années (comme Tsahal par exemple), des soldats tuent des gens à distance, le poids de la responsabilité doit être plus faible quand on est assis dans un bureau et qu'on tue des gens qui se trouvent très loin.

[Patrick Ruiz]

Le nouveau pape a choisi son nom en fonction des menaces que l'IA fait peser sur la dignité humaine
Déjà malmenée sur les champs de bataille du fait de l’utilisation de robots

Le pape Léon XIV vient d’identifier l'intelligence artificielle comme l'un des problèmes les plus critiques auxquels l'humanité est désormais confrontée. Lors de sa première rencontre avec l'ensemble des cardinaux depuis son élection au pontificat, il a déclaré que l'IA posait des défis à la défense de la « dignité humaine, de la justice et du travail ». Ladite technologie est vue au Vatican comme porteuse de « l’ombre d’un mal » qui se traduit en effet par de plus en plus de dégâts occasionnés par sa mise en œuvre sur les champs de bataille.

Dans un document d'orientation destiné aux catholiques, l'Église a appelé à une surveillance rigoureuse, soulignant le double potentiel de l'IA, à la fois bénéfique et profondément néfaste.

Lors de sa rencontre avec les cardinaux, le pape Léon XIV a fait référence à son homonyme, le pape Léon XIII (1878 à 1903), dont on se souvient qu'il a jeté les bases de la pensée sociale catholique moderne.

En 1891, le pape Léon XIII a écrit une célèbre lettre ouverte à tous les catholiques, intitulée « Rerum Novarum » (« Du changement révolutionnaire »), dans laquelle il réfléchissait à la destruction de la vie des travailleurs par la révolution industrielle.

Le samedi 10 mai, le pape Léon XIV a souligné la similitude avec l'IA, déclarant aux cardinaux : « À notre époque, l'Église offre à tous le trésor de son enseignement social en réponse à une autre révolution industrielle et aux développements dans le domaine de l'intelligence artificielle qui posent de nouveaux défis pour la défense de la dignité humaine, de la justice et du travail. »

Une sortie qui intervient dans un contexte où la dignité humaine est effectivement malmenée sur les champs de bataille du fait de la mise à contribution de l’intelligence artificielle

Israel par exemple se sert du système d’intelligence artificielle dénommé Gospel pour trouver des cibles à Gaza. Un autre système dénommé « Lavender » a fait surface dans le cadre d’une glaçante enquête sur la mise à contribution de l’intelligence artificielle par Israël contre les militants du Hamas. Lavender permet d’opérer la traque et la frappe des dirigeants du Hamas. Le système n’est pas exempt d’erreur et provoque la mort de 15 à 20 civils par frappe. Israël le déploie néanmoins en l’état, ce qui suggère que les dégâts en lien avec les faux positifs du système sont pris en compte comme dommages collatéraux.

Here is a quote from Palantir's Peter Thiel when asked to answer for Israel using Project Lavender to knowingly kill civilians and commit war crimes.

"I'm not on top of all the details...because my bias is to defer to Israel."

There's simply too much money in killing children. pic.twitter.com/oYkK8XZis5

— Ben Avery (@benaveryisgood) May 2, 2025

Grosso modo, tous les pays sont lancés dans le développement d’armes animées par l’intelligence artificielle : robots-chiens, drones, etc.

L'armée américaine a effectué des tests de 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.

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 faisait 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.

En 2023, 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.

ISRAEL IS TESTING ROBOT DOGS IN GAZA…

Ghost Robotics say that robodogs keep "fighters, workers & K9s out of harm's way". But what about those who are targeted by robotic dogs?

STOP KILLER ROBOTSpic.twitter.com/36KIXDon8n

— Save Our Citizenships 🔻 (@LetsStopC9) July 10, 2024

C’est l’une des raisons pour laquelle l’on est d’avis au Vatican que cette technologie est porteuse de « l’ombre du mal »

C’est un positionnement qui s’inscrit en droite ligne avec celui du pape François qui 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 ?

Êtes-vous surpris de la mise à contribution de l’intelligence artificielle sur les champs de bataille ?
Quelle appréciation faites-vous des sorties du pape dans un contexte global fait de course à l'armement animé par l'intelligence artificielle ? Utiles ou pas ?

Voir aussi :

Sermons automatisés : l'IA Rabbin Bot génère un sermon et le lit avec une version clonée de la voix d'un rabbin. Le reflet d'une tendance plus large des responsables religieux qui expérimentent l'IA

Une version IA de Jesus écoute désormais les confessions des fidèles dans une église en Suisse. Le tableau relance les questionnements autour de l'automatisation du clergé par l'intelligence artificielle

[Trolldi] Révélations choquantes : l'IA a-t-elle écrit la Sainte Bible ? Oui, selon les conclusions de ZeroGPT, un détecteur de contenu généré par IA présenté comme étant «le plus avancé et fiable»

[Satch]

C'est bien connu que le pape a les connaissances nécessaires pour juger de la pertinence, ou non, de l'ia...