Le principe de Boids, ou son synonyme, le Flocking, est le concept de groupe, de troupeau.

Boids est le nom d’un programme informatique de vie artificielle, développé par Craig W. Reynolds en 1986, simulant le comportement d’une nuée d’oiseaux en vol. Le mot boid est par ailleurs une contraction de bird-oid (qui a la forme d’un oiseau).

Il sert donc à représenter, simuler un groupe en mouvement. C’est une manière très pratique afin de créer, en image de synthèse, des groupes d’animaux, de poissons, d’insectes, d’oiseaux, etc..

Ce système s’appuie sur 3 principes :

• la cohésion : pour former un groupe, les « boids » se rapprochent les uns des autres
• la séparation : 2 « boids » ne peuvent pas se trouver au même endroit au même moment
• l’alignement : pour rester groupés, les « boids » essayent de suivre un même chemin.

Dans les faits, cela se traduit par la réaction du boid à son voisinage. Celui-ci se divise en trois zones, de la plus proche à la plus éloignée: une zone de répulsion, une zone d’orientation et une zone d’attraction. Lorsqu’un voisin entre dans la zone de répulsion, le boid s’en éloigne, s’il est dans la zone d’orientation, le boid le suit, et s’il est dans la zone d’attraction, il s’en rapproche.

Comme le montre cette vidéo, chacun des trois principes ont une valeur que l’on peut diminuer ou augmenter. Par exemple, plus on diminue la valeur de « cohésion », plus le groupe sera désordonné.

Des exemples concrets où le principe de Boids est utilisé dans le cinéma :

SCAN

Le scanner utilisé dans le domaine médical est une machine s’appuyant sur l’absorption plus ou moins importante de rayons X par le corps, selon la partie du corps traversée (les os, par exemple, étant beaucoup plus absorbants que les tissus mous). Par un procédé mathématique extrêmement complexe, l’ordinateur calcule point par point les valeurs des densités de la coupe du corps réalisée et restitue ces valeurs sous forme d’images numériques. Son principe est donc de choisir un plan de coupe et d’effectuer de multiples projections sous différents angles.

SCAN 3D

Le scan 3D est une technique qui permet de capturer la forme d’un objet en utilisant un scanner 3D. Le résultat obtenu est un fichier 3D informatique qui peut être enregistré, édité et même imprimé en 3D.

Plusieurs technologies permettent de scanner en 3D des objets, environnements ou personnes. Chacune possède ses avantages et inconvénients.

Le principe de base d’un scanner 3D est de capturer les données d’un sujet.

Ce sujet peut être:

• un objet
• un environnement (comme un pièce par exemple)
• un individu ou un animal

Certains scanners 3D sont capables de capturer en plus du volume et des dimensions, les couleurs et l’aspect de ce qu’ils numérisent. La couleur d’une surface scannée en 3D est appelée une texture.

Un scan 3D est capable de donner énormément d’information à propos d’une pièce et de la façon dont elle a été conçue.

Les scanners 3D sont de puissants outils pour les professionnels des industries telles que l’aéronautique, l’automobile, les soins dentaires, la joaillerie, le jeux vidéo et le cinéma à effets spéciaux ou d’animation.

Les technologies de scan 3D peuvent être classifiées en cinq grandes categories :

• Le scan 3D par triangulation laser : consiste à projeter un rayon laser et à étudier sa trajectoire. En fonction de sa déviation il est possible d’en déduire les propriétés de la surface scannée en 3D.

• La lumière structurée : une lumière dont les caractéristiques sont connues (comme une grille régulière par exemple) est projetée sur la surface à scanner en 3D. Un capteur enregistre les déformation de la lumière et en déduit la forme de la surface scannée en 3D.

• La photogrammétrie : également appelée scan 3D à partir de photographies. Cette technique se base sur de l’analyse informatique poussée des informations contenues dans des photographies. Les informations extraites permettent de positionner en 3D le lieu où les photographies ont été prises et d’en déduire le scan 3D du sujet (objet, environnement ou personne).

• Le scan 3D par contact : en réalisant plusieurs mesures d’une surface en la touchant, un système de scan 3D par contact en déduit les informations de la surface et crée un scan 3D.

L’impulsion laser : c’est une technologie de scan 3D basée sur le calcul de la durée mise par un laser pour toucher une surface et revenir. Egalement appelée « scan 3D par temps de vol » cette technologie est basée sur la connaissance précise de la vitesse de la lumière et des calculateurs très précis qui mesurent précisément la durée du trajet parcouru par le laser. En répétant un très grand nombre de fois l’émission du laser et le calcul de la distance qui sépare le scanner 3D de la surface à scanner en 3D, les propriétés de la surface 3D sont capturées. Chaque mesure effectuée par le scanner 3D renseigne un point de la surface et l’opération doit être effectuée des centaines de milliers de fois pour une surface complète.

Artec Ray

Scanner laser 3D longue distance de haute précision, idéal pour la capture précise de gros objets.

Klemm L25d VIIR LX-MA airplane with texture by Artec 3D on Sketchfab

MES TESTS

• 

• 

Test by 3DLone on Sketchfab

• 

• 

Pelican-3d-itecom-v2 by 3DLone on Sketchfab

ANNEXES…

UN SCANNER CORPOREL POUR RÉDUIRE LES RETOURS DE VÊTEMENTS

Pour rassurer ces derniers et réduire les retours de vêtements ou chaussures notamment, Netgobox a doté son espace de vente d’une cabine de numérisation corporelle en 3D. Ainsi, les consommateurs, avant de passer commande en ligne via les bornes en magasin, peuvent obtenir leurs mensurations en se faisant “scanner” en cabine. La personne est photographiée sous toutes les coutures afin que le système recrée sa morphologie. Le résultat lui est ensuite envoyé sur son smartphone.

Les recherches classiques en intelligence artificielle cherchent à reproduire l’intelligence humaine, qui apprend, ayant des émotions, pouvant interagir avec la société .

Cependant, pour les jeux vidéo, l’IA attendu n’est pas la même que celle de la réalité. L’IA des jeux vidéo n’a pas besoin d’être douée de raison ou de conscience, elle n’a pas besoin d’apprendre quoi que ce soit au-delà du gameplay. Dans les jeux vidéos, l’objectif de l’IA est de simuler un comportement intelligent et d’opposer au joueur un défi crédible, mais qu’il doit pouvoir relever.

Si l’on remonte le temps et que l’on analyse la façon dont les jeux vidéo ont évolué, on s’aperçoit que l’IA était déjà présente en 1990, sous la forme d’alliés ou d’adversaires. Déjà à l’époque, on pouvait « jouer contre l’ordinateur ».

Prise de décision

La prise de décisions est le concept de base derrière l’IA. Pour faire ces choix, le système intelligent doit être capable d’influer sur les entités contrôlées par l’IA. Pour ce faire, on peut choisir entre une stratégie en mode « push » ou en mode « pull ».

Les systèmes d’IA en mode « push » tendent à être isolés en tant qu’éléments indépendants de l’architecture du jeu. Cette stratégie prend souvent la forme d’un ou plusieurs fils (threads) où l’IA calcule constamment les meilleurs choix en fonction des options du jeu. Lorsqu’elle prend une décision, celle-ci est transmise aux entités concernées. Cette approche est la plus efficace pour les jeux de stratégie en temps réel où l’IA prend en compte le jeu dans son intégralité.

Les systèmes en mode « pull » sont les plus adaptés aux entités simples. Dans ces jeux, les entités en appellent au système d’IA lorsqu’elles « réfléchissent » ou se mettent à jour. Cette approche fonctionne parfaitement dans les systèmes possédant un grand nombre d’entités qui n’ont pas besoin de réfléchir en permanence, par exemple des entités qui doivent tirer.

3 Types de perception

Systèmes conditionnels – Les automates finis en tant qu’IA – IA adaptative

Systèmes conditionnels : Les jeux de Black Jack. Le donneur obéit à une règle simple : il continue à donner tant que la somme totale des cartes est inférieure ou égale à 17. 

Les automates finis en tant qu’IA : Une entité dont les états (conditions physiques, « émotions ») changent au cours de son fonctionnement. Dans cet exemple, les états émotionnels n’ont rien à voir avec ceux d’une véritable IA, ce sont des modèles de comportements prédéterminés qui correspondent au contexte du jeu.

Voici quelques exemples d’états pour un système d’IA d’un jeu comportant des éléments de furtivité :

IA adaptative : Généralement utilisée dans les jeux de combat et de stratégie, où les mécanismes sont complexes et les options de gameplay innombrables. Pour proposer un défi permanent au joueur sans qu’il parvienne à trouver une stratégie optimale pour battre l’ordinateur à coup sûr, l’IA doit pouvoir apprendre et s’adapter.

L’une des méthodes de base de l’adaptation consiste prendre en compte les décisions précédentes et à évaluer leur réussite. Le système d’IA enregistre donc les choix antérieurs du joueur. Les décisions passées doivent pouvoir être évaluées afin de déterminer la réussite des actions précédentes et d’envisager ou non un changement de tactique. Avant la création d’une liste des actions antérieures, l’IA peut recourir à des tactiques générales ou effectuer des actions aléatoires. Ce système peut être combiné à des systèmes conditionnels et à différents états.

OpenAI et Deepmind se confrontent aux gamers 

Il y a un peu plus d’un an, AlphaGo, l’intelligence artificielle (IA) spécialiste du jeu de go, créait la surprise dans le monde entier. Le programme, issu des ordinateurs de la filiale de Google DeepMind, venait de battre à plate couture (4-1) le champion incontesté de la discipline. Suite à cette victoire, l’annonce de la prochaine cible de Google fut annoncée : Starcraft 2, développé par Blizzard. 
En août, DeepMind et Blizzard ont mis à disposition du public un kit d’outils permettant à qui le désire d’entraîner son programme d’intelligence artificielle à jouer à ce blockbuster.

OpenAI, le groupe de recherches fondé par Elon Musk entraîne son intelligence artificielle sur Dota 2, le deuxième MOBA le plus joué au monde après League of Legends. Non content d’avoir battu en un contre un Dendi, un joueur professionnel, OpenAI l’avait emporté contre une équipe de cinq joueurs semi-professionnels.

Elle avait ensuite gagné en août dans un match d’échauffement contre cinq professionnels. L’intelligence artificielle n’a pas renouvelé l’exploit le 23 août dernier contre deux équipes de cinq professionnels engagés dans un tournoi international : les humains ont gagné les deux matchs en question.

Chaque jour, elle joue l’équivalent de 180 années de matches contre elle-même (soit un peu plus de 900 pour l’équipe entière) et apprend de ces rencontres. Un entraînement considérable, mais nécessaire compte tenu de la complexité de Dota 2 au niveau des possibilités par rapport à des jeux plus classiques.