Une simulation assistée par une intelligence artificielle a dévoilé une nouvelle carte de la Voie lactée, plus précise que jamais. Le résultat contient 100 milliards d'étoiles et leur évolution sur 100 000 ans.
Le Supercomputing est l’un des événements les plus importants pour la communauté des supercalculateurs. L’édition 2024 de cette conférence internationale dédiée au calcul haute performance, la mise en réseau, le stockage et l’analyse se déroule actuellement pour la première fois à Atlanta, en Géorgie, du 17 au 22 novembre. NVIDIA a donné le coup d’envoi du SC24 avec une série d’innovations technologiques visant à transformer des industries telles que la biopharmacie et la science du climat grâce à l’IA et aux supercalculateurs.
Les annonces sont ancrées dans la longue histoire de l’entreprise dans la transformation de l’informatique.
Jensen Huang a ainsi déclaré :
“Les supercalculateurs sont parmi les instruments les plus vitaux de l’humanité, car ils sont à l’origine de percées scientifiques et repoussent les frontières de la connaissance. Vingt-cinq ans après la création du premier GPU, nous avons réinventé l’informatique et déclenché une nouvelle révolution industrielle”.
Huang a mis en avant les bibliothèques CUDA-X comme étant les moteurs de l’informatique accélérée. Ces bibliothèques, qui comptent plus de 400 composants, dont cuDNN pour l’apprentissage profond et cuQuantum pour les simulations de circuits quantiques, sont essentielles pour des avancées dans divers domaines, notamment les soins de santé basés sur l’IA et les simulations de circuits quantiques.
NVIDIA a également annoncé la nouvelle bibliothèque cuPyNumic, une implémentation accélérée par GPU de NumPy, conçue pour dynamiser les applications de science des données, d’apprentissage automatique et d’informatique numérique. Elle permet aux scientifiques et aux chercheurs d’exécuter leur code Python, écrit avec l’interface familière de NumPy, sur des ordinateurs portables, des stations de travail, des serveurs cloud ou des supercalculateurs massifs sans avoir à modifier leur code.
Les annonces de NVIDIA ont porté sur les outils de découverte de médicaments de nouvelle génération, les prévisions climatiques en temps réel et les simulations quantiques.
BioNeMo Framework : NVIDIA annonce le lancement open source de cette collection d’outils de programmation, de bibliothèques et de modèles d’IA optimisée pour la découverte de médicaments, doublant la vitesse d’entraînement par rapport aux outils classiques.
NVIDIA a également dévoilé DiffDock 2.0, un outil permettant de prédire la structure 3D de liaison d’un médicament à une protéine cible, ce qui est essentiel pour la découverte de médicaments.
Il permet de prédire l’orientation d’une molécule 6,2 fois plus rapidement et avec une précision accrue de 16 % par rapport à son prédécesseur.
NVIDIA a annoncé deux nouveaux microservices NVIDIA NIM pour NVIDIA Earth-2, une plateforme de jumeau numérique permettant de simuler et de visualiser les conditions météorologiques et climatiques. Les microservices CorrDiff NIM et FourCastNet NIM peuvent accélérer jusqu’à 500 fois les résultats de modélisation et de simulation du changement climatique, offrant des prévisions plus précises pour anticiper les catastrophes naturelles.
NVIDIA a également révélé des mises à jour significatives de la plateforme de développement NVIDIA CUDA-Q, qui permettent d’effectuer des simulations à plus grande échelle et d’explorer des conceptions de qubits plus évolutives. Google Quantum AI utilise la solution pour réaliser des simulations avancées de processeurs quantiques, réduisant les calculs complexes de plusieurs semaines à quelques minutes.
Avec Omniverse Blueprint for Real-Time CAE Digital Twins NVIDIA propose des workflows interactifs pour créer des modèles numériques dans des secteurs variés comme l’énergie, l’aérospatiale, l’automobile, la fabrication, et d’autres industries. Cela permet une optimisation rapide et une réduction des coûts industriels.
NVIDIA a annoncé la disponibilité du GPU PCIe NVIDIA H200 NVL, le dernier-né de la famille Hopper, idéal pour les conceptions de racks d’entreprise refroidis par air à faible consommation d’énergie.
Il offre une inférence de modèle de langage jusqu’à 1,7 fois plus rapide et des performances 1,3 fois plus élevées sur les applications HPC, ce qui le rend idéal pour les configurations de datacenter flexibles.
La Superpuce Grace Blackwell, GB200 NVL4, prévue pour 2025, double les performances des générations précédentes.
Ansys, éditeur de logiciel spécialisé dans l’ingénierie assistée par ordinateur et la simulation numérique appliquée à la conception de produit, annonce collaborer avec Supermicro, une société experte dans la conception et la fabrication de serveurs, de systèmes de stockage, de réseaux et de solutions de gestion informatique et NVIDIA, pour offrir une solution matérielle clé en main, optimisée pour les simulations multiphysiques.
L’intégration efficace des solveurs physiques avec le matériel informatique adapté est essentielle pour tirer le meilleur parti des simulations multiphysiques. Bien que le dimensionnement et la configuration du matériel soient des tâches complexes, les solutions matérielles clés en main et personnalisées avec unités centrales de traitement (CPU), unités de traitement graphique (GPU), interconnexions et modules de refroidissement, offrent aux ingénieurs les outils nécessaires pour exécuter des simulations prédictives précises de manière plus efficace, améliorant ainsi les performances, la productivité et réduisant les coûts.
La collaboration d’Ansys avec Supermicro et NVIDIA, permet à ses clients de réaliser des simulations jusqu’à 1 600 fois plus rapides, ouvrant ainsi de nouvelles perspectives pour diverses applications industrielles, notamment les tests de collision automobile et l’aérodynamique externe, les moteurs à turbine à gaz pour l’aérospatiale, les antennes 5G/6G et le développement biopharmaceutique.
Dans son communiqué, Ansys rapporte les gains de performance de ses solutions lorsqu’elles sont exécutées sur la plateforme matérielle optimisée par Supermicro et NVIDIA plutôt que sur des CPU seuls :
L’IA joue un rôle crucial dans l’accélération des simulations Ansys. Par exemple, le cadre d’automatisation et d’optimisation Ansys optiSLang AI permet d’augmenter la vitesse de simulation de 1 600 fois par rapport aux méthodes sans IA.
Vik Malyala, président et directeur général de la région EMEA. Vice-président principal, Technologie et IA, Supermicro, explique :
“L’étendue et la profondeur du portefeuille multiphysique d’Ansys nécessitent une approche réfléchie de l’infrastructure de calcul avec des GPU. Nous travaillons en étroite collaboration avec Ansys et NVIDIA avec la plus large offre de systèmes GPU et CPU (Hyper/CloudDC, systèmes GPU évolutifs : 4U-10U, etc.) pour accélérer les simulations, éliminer les conjectures et améliorer le temps de déploiement des clients dans le monde entier”.
Grâce à la technologie NVIDIA conçue avec Ansys et à la technologie de serveur économe en énergie de Supermicro, les ingénieurs peuvent réduire les frais généraux et la consommation d’énergie en utilisant moins de serveurs pour effectuer le même travail.
Dion Harris, directeur des solutions de produits de centre de données chez NVIDIA, conclut :
“La synergie entre Ansys et NVIDIA nous propulse dans une nouvelle ère d’innovation technologique. Les solutions de simulation Ansys jouent un rôle clé dans le développement de nos superpuces d’IA de pointe, tandis que l’IA accélérée du centre de données et les plateformes de jumeau numérique de NVIDIA permettent à Ansys de repousser les limites des performances de simulation. Ensemble, nous débloquons des informations plus approfondies et ouvrons la voie à des avancées révolutionnaires qui façonneront l’avenir de l’ingénierie et de l’IA”.
En novembre 2020, le projet de recherche européen CrowdDNA a été officiellement lancé. Il s’intéresse à la prédiction des mouvements de foule, à la détection des facteurs de risque et étudie de nouveaux modèles de simulation. Un sujet qui pourrait permettre d’éviter des drames liés à une brusque concentration de personnes et à des mouvements de foule, dans des stades, lors de concerts ou autres.
D’une durée de 42 mois, ce projet a été financé à hauteur de trois millions d’euros par le volet Open du programme Future Emerging Technology (FET) de Horizon 2020. CrownDNA rassemble l’Inria, l’université de Leeds, l’université Rey Juan Carlos de Madrid, l’université d’Ulm, le centre de recherche Jülich, ainsi que les entreprises Crowd Dynamics International et Onhys.
Julien Pettré, directeur de recherches à l’Inria, au centre de Rennes-Bretagne Atlantique, en est le coordinateur et nous a expliqué en quoi consistait ce projet de mesure de la dynamique des foules denses.
Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article d’archive issu du magazine ActuIA n°4 (avril 2021), dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.
Nous travaillons depuis plus de quinze ans à l’Inria de Rennes sur les algorithmes de simulation de foule avec pour objectif de les rendre le plus réaliste possible, par exemple qu’ils soient capables de prédire les mouvements de foule dans des situations données. Pour ce faire, parallèlement à l’aspect algorithmique du problème, nous avons aussi œuvré à l’observation et la mesure du comportement de foules réelles en réalisant plusieurs expériences en laboratoire. L’idée est de mesurer le comportement humain dans un contexte collectif pour disposer de la matière nécessaire pour modéliser et simuler ces comportements. Les données expérimentales sont aussi là pour nous permettre d’évaluer nos résultats de simulation.
Le projet CrowdDNA est né de l’idée de faire passer cette approche qui réunit observation expérimentale et simulation à plus grande échelle : en impliquant plusieurs équipes de plusieurs pays, chacune spécialiste d’un aspect spécifique. Le projet est délimité dans le temps (trois ans et demi) et nécessite de nous concentrer sur une problématique précise : celle du comportement des foules denses, où le contact physique entre individus influence majoritairement le comportement de celle-ci.
Ce sujet central a un impact fort sur le plan sociétal, il aborde la question du confort et de la sûreté des événements de masse. Il s’agit de détecter les risques liés aux niveaux excessifs de densité qui peuvent apparaître dans une foule : cette surdensité engendre un risque d’étouffement ou de piétinement, et donc un risque mortel.
Il faut comprendre qu’une foule n’est pas contrôlable : lorsque la foule devient trop compacte, les individus n’ont aucune marge de manœuvre et il est alors trop tard pour agir. Il est primordial de détecterla formation de pics de densité dans la foule et de traiter ce risque le plus rapidement possible.
La vision du projet CrowdDNA à long terme est de mettre à disposition des organisateurs de ces événements des technologies qui les assistent dans la prédiction et la prévention des cas de surdensité. L’évolution récente de l’intelligence artificielle, en particulier des techniques de simulation et de traitement d’images (de foule), ouvre des perspectives dans ce sens. On pourra s’étonner d’aborder ce sujet à une heure où les foules denses ont disparu du fait de la pandémie en cours ! Cela nous montre simplement que ces projets se préparent très en amont, les premières discussions autour de la préparation du nôtre remontent à l’été 2018, pour finalement démarrer en novembre 2020.
Le projet s’articule autour de quatre grands piliers. Le premier concerne l’acquisition de données sur les comportements de foules denses. Deux équipes allemandes y participent (centre de recherche de Jülich et université d’Ulm). Le deuxième pilier travaille sur l’analyse de ces données et leur modélisation. Ici une équipe britannique de l’université de Leeds joue un rôle-clé : son but est de simuler les interactions physiques entre individus qui engendreront un mouvement de foule.
À l’inverse, une équipe espagnole de l’université de Madrid va tenter de définir une méthode pour inverser ces relations : pouvons-nous extraire certaines caractéristiques des interactions physiques à partir de l’observation du mouvement d’une foule ? C’est l’objet du troisième pilier du projet, qui constituera la base des technologies que nous envisageons de mettre en place à long terme. Enfin, le projet vise à nous mesurer à la réalitédu terrain. Les données de laboratoire sont indispensables à l’étude de certains mécanismes, mais il faut nous confronter à la réalité de l’organisation des événements de masse et des possibilités d’y utiliser de nouvelles technologies de gestion opérationnelle de foule. Notre quatrième et dernier pilier consiste à installer des observatoires dans des lieux accueillant des foules, et d’y mener des tests et démonstrations de nos résultats.
En cela, nous nous appuyons sur deux entreprises : une britannique, un des pays phare dans l’étude de la gestion des foules (depuis les jeux olympiques de 2012), et une française, plutôt axée sur le développement de simulateurs de foule. L’équipe française de l’Inria coordonne le projet et participe surtout à renforcer les liens entre expérimentation et modélisation car ces deux aspects proviennent de deux domaines académiques distants.
Je ne dirais pas que le concept de foule est flou, mais plutôt qu’il s’agit d’un sujet largement multidisciplinaire et que ce terme peut par conséquent recouvrir plusieurs définitions. Dans le projet CrowdDNA, nous nous penchons sur les mouvements de foule et sur les phénomènes physiques qui lui sont associés.
Nous pourrions définir simplement la foule comme un regroupement de personnes dans un même lieu, formant ainsi un certain niveau de densité. Il est vrai qu’il n’existe pas de nombre de personnes ni de niveau de densité critique pour commencer à parler de foule, mais celle-ci existe dès lors que l’on y observe des interactions entre individus, des signes clairs montrant que le comportement de chacun est influencé par celui de ses voisins, et qu’un couplage entre le comportement de la foule et celui des individus existe (par exemple la propagation d’une réaction au travers d’une foule).
Cependant il est tout à fait correct de dire qu’il existe une très grande variété de comportements de foule, eux-mêmes influencés par un très grand nombre de facteurs. Prenons quelques exemples. Le comportement d’une foule résulte en premier lieu de l’activité de chacun, influencée par la nature des individus qui la compose, leur âge, leur forme physique, leur état psychologique et émotionnel, leur culture, leurs relations sociales, mais aussi de l’environnement : éclairage, météo, ambiance sonore, etc. Un simulateur de foule a pour objectif de reproduire le comportement d’une foule réelle.
Un grand nombre de modèles différents existe, chacun capture un nombre de comportements limité au sein d’un domaine de validité limité (défini par exemple par le niveau de densité qu’il est capable de couvrir). Il existe deux grandes catégories d’approches. La première définit certains modèles, en analogie avec les fluides, et modélise la foule par les lois de la physique qui déterminent son niveau de densité dans le temps et dans l’espace, alors que dans la seconde des systèmes multi-agents reproduisent les actions des individus et leurs interactions locales pour en déduire le comportement d’une foule. Ainsi, suivant la situation qui doit être simulée, certains modèles se révéleront plus appropriés que d’autres.
Par exemple, dans le cas où les comportements sont uniformes, les premières approches faisant l’analogie avec les fluides seront appropriées, alors que lorsqu’on étudie les mouvements de foules résultant d’interactions entre individus motivés par différents buts, les secondes fondées sur de multiples actions seront plus appropriées.
Quoi qu’il en soit, une étape essentielle d’une simulation consiste à déterminer les paramètres représentatifs de la situation donnée et de la population qui constitue la foule. Des phases d’observations peuvent s’avérer nécessaires afin d’estimer les bonnes valeurs des paramètres utilisés. Pour les situations et comportements les plus basiques, des expériences ont été menées pour tenter d’évaluer des valeurs moyennes ainsi que l’influence des facteurs les plus importants, comme l’âge des individus. De ce fait, pour simuler des contextes et des populations très différentes, des modèles et paramètres différents sont utilisés.
Le terme “analyse des foules” recouvre deux concepts assez différents, avec des outils différents à la clé. Il peut s’agir d’essayer de comprendre comment les foules se comportent, comment certains phénomènes émergent ou comment les individus se comportent dans la foule. Dans ce cas, on utilise plutôt une approche par simulation : on vient modifier les règles et paramètres qui guident la simulation pour tester leur validité au regard d’observations de foules réelles. Ou au contraire, nous pouvons chercher à caractériser le comportement de foules réelles. Les approches se feront alors plutôt par le traitement du signal, par exemple dans l’idée d’extraire automatiquement les propriétés d’une foule observée en vidéo : densité, vitesse de déplacement, trajectoires individuelles, etc.
Ces deux types d’analyse, et leurs cortèges d’outils, sont restés relativement
isolés l’un de l’autre car émanant de champs disciplinaires séparés. Les deux appartiennent cependant au domaine de l’IA, l’un cherchant à reproduire le mouvement humain, l’autre cherchant à interpréter automatiquement des images.
Mais surtout les deux sont bouleversés par l’IA récente, entendez les méthodes d’apprentissage profond. Par exemple, plutôt que de définir manuellement les règles qui guident les algorithmes de simulation, la tendance va être d’apprendre automatiquement ces règles à partir de données existantes capturant le mouvement de foules réelles.
Simulation et traitement d’image de foule opèrent actuellement un rapprochement thématique et le projet CrowdDNA A peut être vu comme un pas supplémentaire dans cette direction. Ce rapprochement est en particulier dû à l’évolution des méthodes de simulation qui se basent de plus en plus sur l’utilisation de données. L’analyse d’images de foule va permettre d’extraire les données qui viennent nourrir les nouvelles méthodes de simulation. Réciproquement, l’amélioration des techniques de simulation permet d’améliorer les techniques d’analyse d’images de foule.
Ce rapprochement entre traitement d’image et simulation se concrétise dans le projet CrowdDNA à travers son objectif de créer des technologies numériques d’assistance à la gestion de foule dense.
En particulier nous cherchons à établir les relations entre mouvement de foule d’une part, et les poussées et pressions subies par les individus au sein de la foule d’autre part. Pourquoi est-ce important ? Parce que le niveau d’intensité des interactions physiques entre individus est celui qui caractérise le niveau de danger qu’encourt la foule. Cependant cette quantité est très difficilement mesurable.
Notre approche est que le mouvement de foule, visible et plus facilement quantifiable, va dépendre très fortement de ce niveau d’intensité. Et la simulation va nous permettre de comprendre et de générer les données de description les liens entre le niveau des forces échangées entre individus et les caractéristiques du mouvement de la foule en résultant. Si nous y parvenons, nous pourrons alors imaginer une technique d’analyse du mouvement d’une foule filmée en vidéo et permettre de révéler le niveau des interactions physiques entre individus, et donc, le niveau de danger actuel encouru.
L’approche CrowdDNA se caractérise aussi par une très forte implication dans l’étude fondamentale des interactions physiques entre individus, afin de mieux comprendre comment chacun réagit aux poussées et pressions qu’il subit. Ces études vont permettre de donner le jour à une nouvelle génération de simulateurs de foule capable de capturer ces phénomènes physiques de manière précise.
Rappelons que la foule dense est un sujet d’étude complexe et encore peu étudié. Le comportement des foules denses dépend largement de la physique des interactions où les individus subissent contacts, poussées et pressions et y réagissent de manière individuelle. CrowdDNA vise à étendre les connaissances au sujet de ces interactions, et à créer une génération de simulateur de foule capable d’en capturer les effets à l’échelle d’une foule entière.
Ces nouveaux simulateurs nous permettront de prédire la dynamique des foules
denses et nous ouvriront à de nouvelles méthodes d’analyse d’images de mouvements de foule pour détecter des niveaux d’intensité excessifs d’interactions entre individus, et ainsi de prévenir le risque de mouvements de foules dangereux avant qu’ils ne se produisent. Les foules peuvent être analysées à la manière de fluides, mais si cette approche permet d’avoir une vision très globale, elle ne tient pas compte des particularités de chacun.
L’approche du projet CrowdDNA combine une analyse “macroscopique” du mouvement de la foule au travers d’une modélisation “microscopique” de la foule qui vient détailler les interactions physiques entre individus. Ce positionnement nous permet de tirer le meilleur bénéfice des deux approches. Nous visons une analyse temps-réel, en ligne, de la foule pour assister les opérateurs de lieux publics et leur permettre de prendre les meilleures décisions au meilleur moment. Il est naturellement plus réaliste de faire reposer cette analyse sur le mouvement global de la foule, car il est plus facile à mesurer et à traiter en temps réel. Notons par ailleurs que nous évitons certaines problématiques liées à la manipulation de données personnelles ou identifiantes : le mouvement global n’isole pas les individus dans l’analyse. En revanche, par la simulation et les études sur les interactions physiques en amont, nous pouvons comprendre les liens entre ce mouvement global et des comportements ou caractéristiques individuels, mais ces liens sont établis au préalable, hors-ligne. Cette approche nous distingue également d’autres travaux visant plutôt à évaluer directement le niveau de densité d’une foule par analyse d’image, typiquement, en comptant le nombre de personnes visibles à l’image sur une surface connue.
Nous partons du principe que le seuil critique de densité n’est pas facile à déterminer à l’avance, et qu’il dépend des nombreux facteurs évoqués précédemment. Notre idée est plutôt d’alerter lorsque l’atteinte de ce seuil critique de densité, quelle qu’en soit la valeur, transparaît sur les mouvements de la foule. En particulier, nous cherchons à repérer une propagation de certains mouvements au travers de la foule : nous envisageons l’idée selon laquelle la vitesse et la distance de propagation de ces mouvements seraient caractéristiques du niveau de densité et de l’intensité des interactions physiques entre individus. Et pire, au-delà de la propagation, une possible amplification des mouvements de foule se mettrait en place car les réactions de la foule dégagent éventuellement de l’énergie : nous sommes alors face au risque du déclenchement d’un mouvement dangereux. Nous attendons donc de pouvoir prédire l’occurrence de ces phénomènes pour les prévenir suffisamment en amont.
Les travaux en laboratoire sont encore éloignés de la réalité du terrain. Si nous voulons tenter de rendre un jour disponibles des technologies nouvelles pour la gestion de foule, il est utile d’installer un dialogue entre ces deux univers. C’est ce que permet la participation des deux entreprises dans ce projet. L’une est plutôt axée sur le conseil à la préparation d’événements de masse et nous permettra d’accéder à certains événements : notre souhait est d’installer des sortes d’observatoires de terrain, des “living labs” pour tester certains concepts, faire connaître nos résultats et mieux intégrer la réalité des modes opératoires existants. L’autre entreprise se tourne vers le développement technologique de solutions pour la gestion opérationnelle de foule, et permet de préparer d’éventuels futurs transferts technologiques.
NVIDIA a été désigné lauréat du Grand Défi Autonome dans la catégorie “Conduite à grande échelle de bout en bout” (Autonomous Grand Challenge for End-to-End Driving at Scale) lors de la conférence Computer Vision and Pattern Recognition (CVPR) qui se déroule cette semaine à Seattle pour son modèle Hydra-MDP.
Le défi End-to-End Driving at Scale CVPR de cette année demandait aux participants de développer un modèle de conduite autonome (VA) de bout en bout, entraîné à l’aide de l’ensemble de données nuPlan, pour générer une trajectoire de conduite basée sur les données des capteurs.
La construction d’un système autonome pour naviguer dans le monde physique complexe est extrêmement difficile. Le système doit percevoir et comprendre son environnement, prendre des décisions judicieuses en une fraction de seconde tout en tenant compte de l’expérience des passagers.
S’appuyant sur sa victoire de l’année précédente dans la prédiction d’occupation 3D, NVIDIA Research a dominé le défi grâce à son modèle innovant Hydra-MDP qui a surpassé plus de 400 candidatures internationales.
Le modèle, qui utilise les données provenant de caméras, de lidars et de l’historique des trajectoires du véhicule, a été évalué dans le simulateur open source NAVSIM, où il a navigué à travers des milliers de scénarios inédits, avec des scores élevés en termes de sécurité, confort des passagers et précision des trajectoires.
L’approche de l’équipe de NVIDIA Research pour améliorer “tout modèle de conduite de bout en bout à l’aide de métriques proxy en boucle ouverte apprises” lui a également permis de remporter le prix de l’innovation de la CVPR.
Cette victoire met en lumière l’importance croissante de l’IA générative dans la création d’applications pour les déploiements d’IA physique. Les technologies développées par NVIDIA pour les véhicules autonomes peuvent également être appliquées à divers autres domaines, tels que les environnements industriels, les soins de santé et la robotique.
Le développement de véhicules autonomes par NVIDIA repose sur un processus intégré en trois étapes cruciales permettant des cycles de développement continus et améliorant sans cesse les performances et la sécurité des systèmes VA : l’entraînement de l’IA, la simulation et la conduite autonome :
NVIDIA a profité de la Conférence pour présenter ses avancées en matière de calcul accéléré et d’IA générative. Il a notamment annoncé le lancement de NVIDIA Omniverse Cloud Sensor RTX, un ensemble de microservices pour la simulation de capteurs physiquement précise visant à accélérer le développement de machines entièrement autonomes (véhicules autonomes, bras robotiques, robots mobiles, humanoïdes…).
Connexion