Activité pédagogique proposé par M. Nierenberger

Niveau : CPGE

Durée : 2 x 2h20

Contexte

En Sciences de l'ingénieur, on est souvent confronté à l'analyse de données expérimentales issues de capteurs. On souhaite également élaborer puis valider des modélisations sur ces données.

Afin de se familiariser avec le traitement numérique de données, on propose dans ce TP d'effectuer une acquisition de données par tracking automatique sur une vidéo (méthode impliquant une intelligence artificielle), puis de traiter les données extraites. On élaborera ensuite une modélisation que l'on comparera au traitement des données expérimentales.

Pour finir, on mettra en œuvre une intelligence artificielle via l'implémentation d'un réseau de neurones, afin d'aborder les notions d'apprentissage automatique sur des données expérimentales.

L'ensemble de l'analyse sera mené en mettant en œuvre des programmes Python.

Cas d’étude

On propose d'étudier la décélération d'une voiture miniature qui roule sur le sol dans un cadre figé, bien éclairé, avec beaucoup de contraste (conditions idéales). Elle est lâchée à partir d'une vitesse V0 et on observe sa décélération. La vidéo a été acquise avec une caméra GoPro Hero 9.

Caractéristiques vidéo : résolution 1920 x 1080, 240 images / s

Remarque sur l'utilisation des codes fournis : Le code utile pour ce TP est volontairement découpé en plusieurs scripts qui utilisent les variables résultant des scripts précédents. Ces variables sont sauvegardées en fin de scripts dans le répertoire de travail par une fonction numpy puis ouvertes en début d'activité suivante.

Environnement de développement python conseillé : Il est conseillé d'utiliser Spyder IDE pour l'exécution / la modification des codes. Cette interface évite d'avoir à définir le chemin d'accès des fichiers et facilite le débogage en permettant la visualisation aisée des variables sauvegardées.

Activité 1 : Acquisition des données par tracking

Activité 2 : Traitement des données de tracking

Détermination de la vitesse

Filtrage de la position

Activité 3 : Modélisation et identification d’un modèle

Modélisation

Identification du modèle avec SGDRegressor

Validation expérimentale du paramètre identifié

Identification d’un modèle du type « Réseau de neurones »

Annexe : Fiche méthode

Dérivée numérique – Schéma d’Euler

Filtrage par moyenne glissante

Régression linéaire – Méthode des moindres carrés

Réseau de neurones