{"id":5777,"date":"2025-02-28T06:53:09","date_gmt":"2025-02-28T05:53:09","guid":{"rendered":"urn:uuid:4afe850d-8672-4518-991f-2dcddac2a958"},"modified":"2025-02-28T06:53:11","modified_gmt":"2025-02-28T05:53:11","slug":"human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics","status":"publish","type":"post","link":"https:\/\/kawasakirobotics.com\/fr\/blog\/human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics\/","title":{"rendered":"L’ing\u00e9niosit\u00e9 humaine : Le parcours de Kippei Matsuda, laur\u00e9at du concours d’IA de la NFL et d\u00e9veloppeur de solutions d’IA chez Kawasaki Robotics."},"content":{"rendered":"\n

Kippei Matsuda, ing\u00e9nieur chez Kawasaki Robotics, a r\u00e9alis\u00e9 un exploit remarquable en remportant le concours \u00a0\u00bb NFL Health & Safety – Helmet Assignment \u00a0\u00bb en 2022, une comp\u00e9tition f\u00e9roce organis\u00e9e par la National Football League (NFL) et Amazon.com, Inc. sur Kaggle, une plateforme mondiale de concours d’analyse de donn\u00e9es d’IA. Nous nous sommes entretenus avec Matsuda pour savoir comment il a remport\u00e9 la comp\u00e9tition face \u00e0 des d\u00e9veloppeurs d’IA ambitieux du monde entier et comment Kawasaki Robotics d\u00e9veloppe actuellement la technologie pour diverses solutions.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Kippei Matsuda : D\u00e9partement de d\u00e9veloppement de la technologie des robots, Centre de d\u00e9veloppement de la technologie des syst\u00e8mes, Division du d\u00e9veloppement technologique. Dr. (Ing\u00e9nierie)<\/figcaption><\/figure>\n\n\n\n

D\u00e9crivez le d\u00e9fi lanc\u00e9 par la NFL, la solution et ce qui l’a rendu passionnant.<\/h2>\n\n\n\n

Le concours visait \u00e0 identifier les collisions entre joueurs. Plus de 1 000 scientifiques des donn\u00e9es du monde entier se sont affront\u00e9s pour \u00e9laborer une solution pr\u00e9cise \u00e0 l’aide de s\u00e9quences de matchs de la NFL et d’informations provenant de capteurs. Le football am\u00e9ricain est connu pour \u00eatre l’un des sports les plus durs et les plus exigeants physiquement au monde, avec des contacts \u00e0 fort impact, et bien que les joueurs portent des \u00e9quipements de protection, les blessures sont fr\u00e9quentes. Les collisions avec la t\u00eate, en particulier, entra\u00eenent souvent des blessures graves ou des handicaps, et il est difficile de trouver des moyens de r\u00e9duire l’impact des collisions et d’offrir un traitement efficace apr\u00e8s une blessure.<\/p>\n\n\n\n

Si nous pouvions identifier avec pr\u00e9cision les joueurs qui ont subi un choc \u00e0 la t\u00eate au cours d’un match, nous pourrions administrer un traitement efficace et faire avancer la recherche sur les effets des casques et sur la mani\u00e8re d’att\u00e9nuer l’impact. Effectuer ce type de recherche manuellement prendrait \u00e9norm\u00e9ment de temps, c’est pourquoi la NFL a organis\u00e9 ce concours afin d’utiliser la technologie de l’IA pour r\u00e9soudre ce probl\u00e8me.<\/p>\n\n\n\n

\n

La cl\u00e9 pour remporter ce concours a \u00e9t\u00e9 l’int\u00e9gration r\u00e9ussie de deux types de donn\u00e9es distincts, la vid\u00e9o et les informations des capteurs. Nous avons utilis\u00e9 des images vid\u00e9o pour identifier les collisions entre les joueurs et nous avons estim\u00e9 la position des joueurs \u00e0 l’aide de capteurs fix\u00e9s sur eux. Nous nous sommes distingu\u00e9s par le d\u00e9veloppement d’un syst\u00e8me d’intelligence artificielle qui analyse et pr\u00e9dit m\u00e9ticuleusement les moindres changements de position et de posture des joueurs, comme le fait de s’accroupir ou de tomber. Cette innovation a consid\u00e9rablement am\u00e9lior\u00e9 notre pr\u00e9cision par rapport aux autres participants. En cons\u00e9quence, notre vitesse de traitement a \u00e9t\u00e9 83 fois sup\u00e9rieure \u00e0 celle d’une op\u00e9ration manuelle, et des t\u00e2ches qui prenaient 3 \u00e0 4 jours ont pu \u00eatre r\u00e9alis\u00e9es en seulement 2 heures, ce qui a \u00e9t\u00e9 grandement appr\u00e9ci\u00e9.<\/span><\/strong><\/em><\/p>\nKippei Matsuda<\/span><\/cite><\/blockquote>\n\n\n\n

En g\u00e9n\u00e9ral, l’analyse d’images par l’IA consiste \u00e0 d\u00e9tecter des objets dans des images, mais dans cette comp\u00e9tition, nous devions prendre en compte les positions tridimensionnelles (3D) des joueurs sur le terrain \u00e0 l’\u00e9cran, ce qui constituait un d\u00e9fi passionnant que nous n’avions jamais relev\u00e9 auparavant. Il est difficile d’analyser des donn\u00e9es parce qu’il faut les regarder encore et encore, mais la vid\u00e9o de la NFL \u00e9tait si puissante que j’ai pris plaisir \u00e0 la regarder encore et encore. Gr\u00e2ce \u00e0 cela, \u00e0 la fin de la comp\u00e9tition, j’\u00e9tais capable d’imaginer les mouvements des joueurs rien qu’en regardant les titres des vid\u00e9os.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Qu’est-ce qui vous a pouss\u00e9 \u00e0 participer au d\u00e9fi NFL et quels ont \u00e9t\u00e9 les r\u00e9sultats ?<\/h2>\n\n\n\n

Tout a commenc\u00e9 lorsque j’ai pens\u00e9 que cela pourrait faire partie de mes \u00e9tudes. Les aspects th\u00e9oriques peuvent \u00eatre appris dans des livres et d’autres sources, mais il est difficile de savoir comment utiliser des donn\u00e9es r\u00e9elles et effectuer une simulation. En tant que d\u00e9veloppeur, il est essentiel de toucher et d’analyser des donn\u00e9es et de r\u00e9p\u00e9ter des essais et des erreurs. Le concours m’a attir\u00e9 parce qu’il fournissait du mat\u00e9riel qui conduisait \u00e0 un apprentissage pratique.<\/p>\n\n\n\n

\u00ab\u00a0La participation au concours m’a permis de mettre en pratique le d\u00e9veloppement de l’IA.<\/mark><\/span><\/em><\/p>Kippei Matsuda <\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Honn\u00eatement, je n’ai jamais eu l’impression que le concours en lui-m\u00eame \u00e9tait difficile ; ce qui \u00e9tait difficile, c’\u00e9tait de trouver du temps pour mes \u00e9tudes et ma famille, car j’y travaillais pendant mon temps libre. Lorsque je jouais avec mes enfants au parc, je me disais soudain que je pourrais peut-\u00eatre faire cette partie de cette fa\u00e7on, et cela me d\u00e9rangeait. J’avais du mal \u00e0 me d\u00e9tendre.<\/p>\n\n\n\n

J’\u00e9tais dans le train et je tremblais. Depuis le d\u00e9but de ce projet, je ne pensais pas pouvoir gagner, mais quand j’ai gagn\u00e9, j’\u00e9tais ravie. Je n’ai pas eu \u00e0 me plaindre d’avoir gagn\u00e9 et j’\u00e9tais heureuse de partager la nouvelle avec tous ceux qui m’entouraient. J’ai eu du mal \u00e0 travailler ce jour-l\u00e0 !<\/p>\n\n\n\n

Comment travaillez-vous avec la vision de l’IA aujourd’hui chez Kawasaki Robotics ?<\/h2>\n\n\n\n

Je participe actuellement au d\u00e9veloppement de produits qui utilisent la vision artificielle sp\u00e9cifiquement pour la robotique. L’IA analyse les images captur\u00e9es par les cam\u00e9ras et les traite de diff\u00e9rentes mani\u00e8res ; par exemple, dans notre solution de d\u00e9palettisation, elle traite les images des produits qui doivent \u00eatre d\u00e9charg\u00e9s. Les solutions de d\u00e9palettisation sont utilis\u00e9es pour am\u00e9liorer l’efficacit\u00e9 du d\u00e9chargement dans les centres de distribution et les usines. La solution de d\u00e9palettisation est \u00e9quip\u00e9e d’une vision IA 3D et est capable d’analyser de mani\u00e8re tr\u00e8s sophistiqu\u00e9e les marchandises qu’elle manipule.<\/p>\n\n\n\n

La solution de d\u00e9palettisation de Kawasaki Robotics est \u00e9quip\u00e9e d’une vision 3D AI et est capable d’une analyse tr\u00e8s sophistiqu\u00e9e de la cargaison qu’elle manipule. En nous sp\u00e9cialisant dans le d\u00e9chargement, nous avons obtenu des performances \u00e9lev\u00e9es \u00e0 un faible co\u00fbt.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Le d\u00e9chargement manuel est tr\u00e8s co\u00fbteux et prend beaucoup de temps, et les solutions robotiques conventionnelles ne sont pas assez flexibles pour g\u00e9rer ce travail. \u00c0 cet \u00e9gard, notre solution de d\u00e9palettisation a permis d’augmenter la pr\u00e9cision et la vitesse des op\u00e9rations de d\u00e9chargement automatis\u00e9es par rapport aux solutions conventionnelles. <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Par exemple, avec les solutions robotiques classiques, toutes les tailles et formes d’emballages doivent \u00eatre enregistr\u00e9es avant d’\u00eatre pr\u00e9lev\u00e9es. Si des emballages de formes non enregistr\u00e9es arrivent dans le flux de travail, ils ne peuvent pas \u00eatre trait\u00e9s. Notre solution de d\u00e9palettisation, en revanche, n’exige que l’enregistrement des tailles les plus petites et les plus grandes, et tous les paquets peuvent \u00eatre trait\u00e9s.<\/p>\n\n\n\n

Dans les syst\u00e8mes robotiques classiques, le robot doit conna\u00eetre la taille et la forme correctes du produit qu’il manipule. Une cam\u00e9ra est n\u00e9cessaire pour reconna\u00eetre et confirmer la taille et la forme du produit. Si elles sont confirm\u00e9es, le bras du robot pr\u00e9l\u00e8ve le produit. L’apprentissage du syst\u00e8me est un processus qui prend du temps.<\/p>\n\n\n\n

Notre solution de d\u00e9palettisation ne n\u00e9cessite aucun enregistrement pr\u00e9alable du produit, hormis les dimensions minimales et maximales, ce qui r\u00e9duit consid\u00e9rablement le temps d’apprentissage.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

La principale raison du succ\u00e8s de la solution de d\u00e9palettisation de Kawasaki Robotics est que nous associons des cam\u00e9ras bon march\u00e9 \u00e0 notre logiciel d’intelligence artificielle robuste pour traiter des images de produits complexes sans avoir recours \u00e0 une multitude d’accessoires. Nous avons obtenu une solution performante et facile \u00e0 utiliser en nous concentrant sur le d\u00e9veloppement d’un syst\u00e8me de d\u00e9palettisation, et en r\u00e9duisant les fonctions, nous avons obtenu un meilleur rapport qualit\u00e9-prix que les produits d’autres soci\u00e9t\u00e9s, ce qui facilite l’introduction du produit par les entreprises.<\/p>\n\n\n\n

\"\"
M. Himekawa, responsable du d\u00e9veloppement du produit (appartient \u00e0 la section 2 des syst\u00e8mes \u00e0 usage g\u00e9n\u00e9ral, d\u00e9partement des syst\u00e8mes \u00e0 usage g\u00e9n\u00e9ral, division des robots).<\/figcaption><\/figure>\n\n\n\n

Comment les solutions de d\u00e9palettisation et d’IA vont-elles continuer \u00e0 se d\u00e9velopper ?<\/h2>\n\n\n\n

Je pense que l’efficacit\u00e9 des solutions de d\u00e9palettisation augmentera \u00e0 mesure que de plus en plus de donn\u00e9es seront collect\u00e9es et que l’apprentissage de l’IA progressera. Par exemple, l’une des difficult\u00e9s rencontr\u00e9es dans le d\u00e9veloppement d’une solution de d\u00e9palettisation \u00e9tait la pr\u00e9sence de ficelles et de rubans \u00e0 la surface des emballages. Lorsque l’IA les voit, elle peut confondre les ficelles avec les limites du carton. Elle peut alors d\u00e9cider que la bo\u00eete est plus petite qu’elle ne l’est en r\u00e9alit\u00e9 et la prendre par erreur. Toutefois, si le syst\u00e8me est utilis\u00e9 sur plusieurs sites \u00e0 l’avenir et que des donn\u00e9es sont collect\u00e9es, il sera en mesure d’apprendre de multiples variations d’emballages. Ainsi, m\u00eame si une bo\u00eete comporte des ficelles, du ruban adh\u00e9sif ou des autocollants, le robot pourra la d\u00e9charger de mani\u00e8re appropri\u00e9e sur la base de son exp\u00e9rience pass\u00e9e, sans \u00eatre induit en erreur. Il sera n\u00e9cessaire de collecter un grand nombre de donn\u00e9es de bonne qualit\u00e9 pour le robot.<\/p>\n\n\n\n

Je pense \u00e9galement que l’IA, appel\u00e9e mod\u00e8le d’infrastructure, sera essentielle. Un exemple est ChatGPT, qui a attir\u00e9 beaucoup d’attention ces derni\u00e8res ann\u00e9es. Comme le mod\u00e8le sous-jacent est form\u00e9 sur la base d’une grande quantit\u00e9 de donn\u00e9es, il poss\u00e8de une capacit\u00e9 de reconnaissance tr\u00e8s \u00e9lev\u00e9e, une sorte de bon sens. Les mod\u00e8les fondamentaux peuvent traiter une grande vari\u00e9t\u00e9 d’informations, y compris des textes, des images et des sons, et ont le potentiel d’\u00e9tendre consid\u00e9rablement l’utilisation des robots, et pas seulement dans le domaine de la logistique. \u00c0 l’avenir, j’aimerais \u00e9tendre l’utilisation de l’IA en faisant bon usage des donn\u00e9es et du mod\u00e8le de base.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Cliquez ici pour la page produit de la solution de d\u00e9palettisation (japonais)<\/a><\/strong><\/p>\n\n\n\n

<\/p>\n\n\n\n

\n